如何以纯向量化方式用变长对象数组索引二维/不规则数组？

好问题！处理这种变长索引数组确实是NumPy里的一个小挑战——毕竟NumPy的核心优势是针对固定形状数组的向量化操作，碰到这种长度不一致的结构天生就有点“水土不服”。我来分两种情况给你拆解可行的方案：

一、当a是规则二维数组时 #

你提到的循环实现虽然直观，但可以用NumPy的批量操作来替代显式Python循环，大幅提升效率（底层是C实现的操作，比Python循环快得多）。这里的思路是先把所有需要的元素批量提取出来，再按分组分割：

import numpy as np

a = np.array([[10,0,30,10],[40,50,60,10],[70,80,90,10]])
i = np.array([[0,1],[0,2],[0,1,2]], dtype=object)

# 1. 统计每个索引组的元素个数
counts = np.array([len(sub_idx) for sub_idx in i])
# 2. 将所有索引展开成一维数组
i_flat = np.concatenate(i)
# 3. 批量提取对应的行并展平成一维数组
selected_elements = a[i_flat].ravel()
# 4. 计算分割点：每个分组对应的元素总长度（规则数组每行长度固定，所以是counts * 每行长度）
split_points = np.cumsum(counts * a.shape[1])[:-1]
# 5. 按分割点拆分得到最终结果
result = np.split(selected_elements, split_points)

执行后result就会和你预期的e完全一致，每个元素是拼接后的NumPy数组。这里要说明：严格意义上没有100%的“纯向量化”实现（因为分组长度不一致，无法用单一的固定形状数组操作完成），但这种方式已经把Python层面的循环降到了最少，剩下的都是NumPy的高效批量操作，效率比显式循环高很多。

至于你提到的numpy.where()不适用，确实如此——where是基于条件筛选元素，输出的是固定形状的数组，完全无法处理这种变长分组拼接的需求。

二、当a是不规则（Jagged）数组时 #

这种情况更棘手，因为a本身的行长度就不一致，NumPy无法对其进行统一的批量形状操作。这时候列表推导式反而最直接高效，因为每个分组的拼接操作本身就是独立的，而且NumPy的hstack/concatenate处理对象数组里的一维数组依然很快：

import numpy as np

a = np.array([[10,0,30,10],[40,50,60,10],[70,80,90,10,30]], dtype=object)
i = np.array([[0,1],[0,2],[0,1,2]], dtype=object)

# 直接遍历每个索引组，拼接对应的行
result = [np.hstack([a[idx] for idx in sub_idx]) for sub_idx in i]

这个方案看似是循环，但本质上是把每个独立的拼接操作交给NumPy处理，比手动逐个元素拼接快很多。而且这种写法清晰易懂，维护成本也低——毕竟对于不规则数组，强行追求“向量化”反而会写出晦涩难懂的代码，性价比不高。

内容的提问来源于stack exchange，提问作者stut