对于第1部分，从NumPy for MATLAB Users开始，有一些示例显示了对任意片的只读访问和可变访问。
只读模式类似于您已经描述过的A[:, m][m]，它首先对列进行切片，然后对行进行切片，并提供返回数据的只读视图。
为了获得用于修改子数组的干净索引，我们提供了一个方便的函数np.ix_，它将其参数拼接成一个类似R或类似MATLAB的切片：

indxs = np.ix_([1,3], [1,3])
A[indxs] = B

这背后的原因是NumPy遵循某些形状一致性规则（称为“广播”规则），这些规则涉及如何根据数据中存在的形状推断所需的形状。当NumPy对行索引和列索引对执行此操作时，它会尝试按元素对它们进行配对。
因此，A[[1, 3], [1, 3]]在NumPy选择的约定下被解释为“为我获取索引（1，1）和索引（3，3）处的A的值”，这与MATLAB、Octave或R中相同语法的约定不同。
如果你想手动解决这个问题，不用np.ix_，你仍然可以，但是你必须写下你的索引来利用NumPy的广播规则，这意味着你必须给予NumPy一个理由，让他相信你想要一个2x2的索引网格，而不是一个1x2的两个特定点的列表。
你可以通过把你的行条目放到列表中来欺骗它相信这一点：rows = [[1], [3]]。现在当NumPy检查它的形状（1 x 2而不是1 x nothing）时，它会说，“啊哈，列最好也是1 x 2”，并自动提升列列表，使其与每个可能的行单独匹配。这就是为什么这也会起作用：

A[[[1], [3]], [1, 3]] = B

对于问题的第二部分，问题是您希望让NumPy知道您的[False, True, False, True]数组是布尔数组，不应该隐式转换为任何其他类型的数组。
这可以通过许多方法来实现，但一个简单的方法是构造一个布尔值的np.array，它的dtype将是bool：

indxs = np.array([False, True, False, True])
print A[:, indxs][indxs] # remember, this one is read only

A[np.ix_(indxs, indxs)] = B

另一个有用的NumPy便利工具是np.s_，它不是一个函数（它是numpy.lib.index_tricks.IndexExpression的一个示例），但可以像函数一样使用。
np.s_允许你使用元素获取语法（在Python中叫做 getitem 语法，在__getitem__方法之后，任何新式的类示例都会有）。

In [60]: np.s_[[1,3], [1,3]]
Out[60]: ([1, 3], [1, 3])

In [61]: np.s_[np.ix_([1,3], [1,3])]
Out[61]: 
(array([[1],
       [3]]), array([[1, 3]]))

In [62]: np.s_[:, [1,3]]
Out[62]: (slice(None, None, None), [1, 3])

In [63]: np.s_[:, :]
Out[63]: (slice(None, None, None), slice(None, None, None))

In [64]: np.s_[-1:1:-2, :]
Out[64]: (slice(-1, 1, -2), slice(None, None, None))

所以np.s_基本上只是镜像回切片索引对象的样子，如果你把它放在方括号里，以访问一些数组的数据。
特别是，前两个np.s_示例向您展示了普通A[[1,3], [1,3]]和使用np.ix_([1,3], [1,3])之间的区别，以及它们如何产生不同的切片。