fill_diagonal介绍了如何使用diag_indices。具体来说，np.diag_indices(3,ndim=3)为它设置的3个diag值生成3d索引。
让我们来看看2D索引：

In [266]: I,J=np.diag_indices(3,2)
In [267]: I,J
Out[267]: (array([0, 1, 2]), array([0, 1, 2]))

字符串
然后使用3D数组：

In [268]: A = np.zeros((3,3,3))

In [269]: A[:,I,J]
Out[269]: 
array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])

型
选择（3，3）块。然后用a（3，3）设置它们：

In [270]: A[:,I,J]=np.arange(1,10).reshape(3,3)
In [271]: A
Out[271]: 
array([[[1., 0., 0.],
        [0., 2., 0.],
        [0., 0., 3.]],

       [[4., 0., 0.],
        [0., 5., 0.],
        [0., 0., 6.]],

       [[7., 0., 0.],
        [0., 8., 0.],
        [0., 0., 9.]]])

型
这就是你想要的对角线填充模式。
仔细阅读fill_diagonal等函数的文档。如果有令人困惑的部分，请查看它是用Python编写的，这样您就可以更好地了解它在做什么。

另一种方法，没有花哨的索引，但与大步发挥。

# My mre. I prefer to create array that way. Yours are not reusable (you ommited commas and stuff)
# Plus, it is preferable to have very distinguishable number, or else, I
# may end up, for example, copying the same layer again and again, without
# noticing it, since they are all the same
A=np.arange(27).reshape(3,3,3)
B=np.arange(30,39).reshape(3,3)

# Now we want diagonals of A replaced by B
# The trick for that is to create another view of A, showing only its diagonals
s1,s2,s3=A.strides
DiagA = np.lib.stride_tricks.as_strided(A, shape=B.shape, strides=(s1,s2+s3))

# And change the values of this view with those of B
DiagA[:]=B

# Since the data used by DiagA and A are the same (DiagA is a view, not
# a copy), this alter also A

字符串
棘手的部分显然是DiagA=...行。但它值得理解，因为当你理解它的作用时，它经常会有帮助。这是创建A的视图（因此与A的数据相同），形状以B的形状开始（因此3，3）。和使用给定步幅访问其元素。
ND数组arr的步幅是元组（s1，s2，...，sN），例如元素arr[i1,i2,...,iN]的地址是arr[0,0,...0] + i1*s1+i2*s2+...+iN*sN的地址。
所以A的跨距（s1，s2，s3）是这样的：A[i,j,k]的地址是第一个元素A[0,0,0] + i*s1+j*s2+k*s3的地址。
而（s1 ′，s2 ′）视图DiagA的跨距如DiagA[i,j]的地址是DiagA[0,0] + s1'*i+s2'*j的地址。在这里，我调整了步幅，使s1'=s1和s2'=s2+s3。所以Diag[i,j]的地址是Diag[0,0] + s1*i+s2*j+s3*j的地址。这种情况发生，因为它是相同的数据（相同的[0...0]元素，也是A[i,j,j]的地址。
所以DiagA[i,j]只是A[i,j,j]的视图。
这个视图是读写的。所以我可以用DiagA[:]=B来修改那些A[i,j,j]。
它的美妙之处在于，它不需要任何成本（当然，DiagA[:]=B的成本是在另一个2D数组上复制2D数组的成本）。但是DiagA的创建本身并没有花费任何成本。没有内存，也没有CPU（或几乎如此）。这只是步幅的一个调整，元数据的一个或两个变化，仅此而已。
Tbh，它需要真正的大数组才值得。Hpaulj的方法对于3x3x3数组快两倍。对于100x100x100阵列，情况大致相同。只有使用200x200x200阵列，我的方法才能达到更快的速度（90 μs vs 120 μs）。当你仔细想想，这两个都是非常快的，考虑到我们谈论的是8000000个元素的数组。因为两者，本质上只是处理它们的40000个元素的副本）