问题现象

训练分类模型时，标签经常以「类别下标」的形式给出，比如[1, 0, 3]表示三个样本分别属于第 1、0、3 类。但损失函数通常要求标签是 one-hot 形式。转换过程看着简单，动手却常出错。

现象一：用循环逐行赋值写了十几行代码，数据量一大就跑得极慢，几万条标签要等半天。

现象二：用np.eye(n)[a]的思路取出来，结果形状不对：输入是一维数组时得到的是二维结果没问题，但输入本身是二维批次时，输出维度多了一层，送进模型就报维度不匹配。

现象三：硬编码了类别数（比如写死 10），一旦某个批次的标签没覆盖到全部类别，或者换了个类别数不同的数据集，代码立刻失效甚至越界报错。

现象四：在 TensorFlow 或 PyTorch 里想做同样的事，用np.eye生成的数组 dtype 默认是 float64，与模型的 float32 不兼容，出现类型转换告警或显存占用翻倍。

现象五：标签里出现了-1（表示忽略该样本），直接用-1做下标会触发「负索引」语义，不但不报错，还会在最后一列偷偷置 1，污染训练目标。

原因分析

要理解正确写法，先看清两件事：花式索引的规则与广播机制。

花式索引指的是用数组做下标。当用两个等长的一维数组分别作为行下标和列下标时，NumPy 会把它们配对：(row[0], c