np.fromfunction 本质是广播式坐标计算，非逐点循环；函数需接收与 shape 维数相同的 ndarray 参数并返回同形数组，dtype 默认 float64 易致索引错误，应显式设 dtype=int 并避免 python 循环。
np.fromfunction 本质是“按坐标调用函数”，不是“对每个元素循环赋值”
它把整个坐标网格（比如 np.indices((3,4)) 那种）一次性传给你的函数，函数必须能接收多个数组参数，并返回一个同形状的数组。很多人误以为它是逐点调用，结果写了个只接受标量的函数，直接报 ValueError: setting an array element with a sequence。
实操建议：
- 你的函数签名得是
def f(i, j):或lambda i, j: i + j，其中i和j是np.ndarray，不是单个数字 - 别在函数里写
for循环遍历i或j—— 它们已经是整张索引表了 - 如果逻辑太复杂、没法向量化，别硬套
np.fromfunction，改用np.zeros(shape)+ 显式索引更稳
shape 参数是输出数组尺寸，不是函数参数个数
写 np.fromfunction(f, (5, 3))，f 会收到两个参数（第一维索引数组、第二维索引数组），哪怕你函数只用了其中一个。常见错误是传了 (5,) 却还写 def f(i, j):，导致 TypeError: f() missing 1 required positional argument。
实操建议：
-
shape的长度决定传入函数的参数个数：一维 shape → 1 个参数，二维 → 2 个，三维 → 3 个 - 参数名无所谓，但顺序固定：第 0 轴索引最先，第 1 轴次之……例如
np.fromfunction(f, (2, 4, 3))会调用f(i, j, k)，其中i.shape == (2,4,3) - 如果想生成列向量（比如
(5, 1)），别漏掉那个1：写成(5,)就只剩一维，行为完全不同
默认 dtype 是 float64，整数索引函数容易意外溢出或截断
np.fromfunction 内部生成的坐标数组默认是 float64，哪怕你 shape 全是整数。如果你的函数里做了取模、位运算或下标查找（比如 arr[i % len(arr)]），i 是浮点数就会出错 —— TypeError: only integer scalar arrays can be converted to a scalar index。
实操建议：
- 显式传
dtype=int：np.fromfunction(f, (4, 4), dtype=int)，这样i和j就是整型数组 - 如果函数本身需要 float 计算但最后要 int 输出，别依赖自动转换；在函数末尾加
.astype(int)更可控 - 注意
dtype=int在老版本 NumPy 中可能触发弃用警告，此时用dtype=np.int64更稳妥
性能陷阱：函数体不能含 Python 循环或慢操作
它的优势在于把索引广播一次就全算完。一旦你在传入的函数里写了 for、if 分支太多、或调用非向量化 Python 函数（如 math.sin），性能反而比不上预分配 + for 嵌套，还更难 debug。
实操建议：
- 优先用 NumPy 自带函数：
np.sin而非math.sin，np.where替代if/else块 - 避免在函数里查字典、读文件、调用
print—— 这些不会报错但会让整个数组生成变慢几个数量级 - 不确定是否向量化？先用小 shape 测试，
timeit对比np.fromfunction和双循环写法
真正难的是把业务逻辑“翻译”成广播友好的数组操作，而不是记住语法。写不出来就别强求，NumPy 不强迫你每一行都向量化。
