numpy 的高级索引，使用整数组索引，加不加numpy.ix_() 有什么区别
当在numpy中，使用整数索引，有个地方需要注意。
import numpy as np
nda = np.arange(36)
nda = nda.reshape(3,4,3)
数据是这样的：
array([[[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11]], [[12, 13, 14], [15, 16, 17], [18, 19, 20], [21, 22, 23]], [[24, 25, 26], [27, 28, 29], [30, 31, 32], [33, 34, 35]]])
如果我们执行：
nda[[0,1,2], [2,3,1]] 表示取 3 个分别坐标[0,2], [1,3], [2,1] 数据组成一个新的列表，结果为：
array([[ 6, 7, 8],
[21, 22, 23],
[27, 28, 29]])
再换一下，如果执行的是 nda[[0,1], [2,3], [1,2]]，则表示从取个分别坐标为：[0,2,1], [1,3,2] 的数据组成一个新的列表，结果为：
array([ 7, 23])
就是说，如是对numpy的ndarray数组，直接使用整数数组索引的话，则每个索引数组是对应一个维度的索引值。这时每个索引数组相同位置的值组成了一个多维坐标索引（如果索引数组的位数不一致，则采用类似广播机制，采用上一个），就对应了数组中的一个具体的值（或是子数组）。也就是直接定位多维空间中的坐标位置上的数据。
如果我们的目的是希望做条件筛选，第一个维度的值 为 [0,1], 第二个维度的值为[2,3], 第三个维度的值为[1,2]，而不是直接定位抓取，此里，需要采用 numpy.ix_ 方法
nda[np.ix_([0,1], [2,3], [1,2])]，此时的结果是：
array([[[ 7, 8],
[10, 11]],
[[19, 20],
[22, 23]]])
保持相同的维度数，每个维度的数量根据索引数组进行了筛选。
所以，当采用整数数组进行索引时，一定想搞清楚，自己的目标是什么，确定要不要采用 numpy.ix_ 方法