在您的情况下，您仍然需要从idx0和idx1中获取索引的成对范围的切片。
zip + slice是一个简单的方法：

[d[:, slice(*a)].mean() for a in zip(idx0, idx1)]

[3.5, 6.0, 4.5, 6.5]

如果你使用d.ravel()而不是d，事情会更容易，因为现在你可以使用np.add.reduceat找到元素的和，并直接计算平均值。
d.ravel()中对应于idx0和idx1的线性索引为

idx0r = idx0 + d.shape[1] * np.arange(d.shape[0])
idx1r = idx1 + d.shape[1] * np.arange(d.shape[0])

要获得要求和的范围的线性索引，可以执行以下操作

idx = (np.stack((idx0, idx1), axis=-1) + d.shape[1] * np.arange(d.shape[0])[:, None]).ravel()

你想要一个1D数组的原因是，如果最后一个元素等于d.size，你需要能够删除它，因为np.add.reduceat不接受超过数组末尾的索引：

if idx[-1] == d.size:
    idx = idx[:-1]

最后一个操作不复制数据：它只是创建了一个少了一个元素的视图。
现在可以直接求和：

sums = np.add.reduceat(d.ravel(), idx)[::2]

需要每隔一个元素取一次，因为idx1的第n个元素与idx0的第n+1个元素之间的和也存在于和中。
现在，您可以通过每个段的长度进行归一化：

means = sums / (idx1 - idx0)

TL;DR

idx = (np.stack((idx0, idx1), axis=-1) + d.shape[1] * np.arange(d.shape[0])[:, None]).ravel()
if idx[-1] == d.size:
    idx = idx[:-1]
means = np.add.reduceat(d.ravel(), idx)[::2] / (idx1 - idx0)

另一种方法是屏蔽而不是索引。首先创建遮罩：

mask = np.zeros((d.shape[0], d.shape[1] + 1), np.int8)
mask[np.arange(d.shape[0]), idx0] = 1
mask[np.arange(d.shape[0]), idx1] = -1
mask = mask.cumsum(axis=1)[:, :-1].astype(bool)

初始数组创建时多了一列，以适应idx1包含位于d.size[1]的元素的情况。
有许多方法你可以采取前进。
1.第一个可能是最简单的：使用掩码数组：

means = np.ma.array(d, mask=~mask).mean(axis=1)

1.另一种方法是将数据预乘以掩码并计算自己的总和：

means = (d * mask).sum(axis=1) / (idx1 - idx0)

1.第三种方法是应用掩码并使用np.add.reduceat，类似于另一个答案的建议，但在掩码数据上，这避免了添加不必要的数字：

n = (idx1 - idx0)
means = np.add.reduceat(d[mask], np.r_[0, n[:-1].cumsum()]) / n