NumPy 1.20+ 官方推荐 sliding_window_view，基于内存视图零拷贝、速度快；一维输入得二维输出，聚合需指定 axis=1；支持多维但步长固定为1，边界不补零仅保留完整窗口。
用 numpy.lib.stride_tricks.sliding_window_view 最直接
这是 NumPy 1.20+ 官方推荐的无循环滑动窗口方案，底层基于内存视图，不复制数据，速度极快且语义清晰。
常见错误是传入窗口大小后忽略输出维度变化：对一维数组 a 调用 sliding_window_view(a, window_shape=3) 得到的是 shape 为 (len(a)-2, 3) 的二维数组，后续聚合需明确轴向（通常是 axis=1）。
- 支持多维：如对图像（H,W）做 3×3 窗口，
sliding_window_view(img, (3,3))输出 shape 为(H-2, W-2, 3, 3) - 不支持步长 ≠ 1：若需跨步（如 stride=2），得先切片再调用，例如
sliding_window_view(a[::2], 3) - 边界不补零也不截断：默认只生成完整窗口，长度不足的末尾直接丢弃
手动构造索引 + np.take 或高级索引（兼容旧版 NumPy）
当环境受限（如 NumPy 内存占用略高（会临时存所有窗口数据）。
关键点在于索引数组的构造：对长度为 N 的数组，窗口长 L，则起始位置为 np.arange(N - L + 1)；再叠加 np.arange(L) 构成偏移矩阵，最后用 arr[indices] 一次性取出所有窗口。
- 示例（一维）：
idx = np.arange(len(a) - 2)[:, None] + np.arange(3); windows = a[idx] -
np.take在某些场景下比高级索引更稳（尤其当a是非 C 连续数组时） - 注意
idx形状必须是二维，否则广播失败；[:, None]是关键，别写成[..., None]
避免误用 np.convolve 做通用窗口计算
np.convolve 本质是相关运算，仅适用于线性加权求和（如移动平均、卷积核），不能直接用于中位数、最大值等非线性操作。
常见误用：想算滑动中位数却套用 convolve，结果完全错误。它内部做的是 sum(window * kernel)，kernel 必须提前给定且长度固定。
- 适合场景：滑动平均（
kernel = np.ones(w)/w）、梯度近似（[-1, 0, 1]） - 边界模式有限：
mode='valid'（默认）丢弃边界，'same'补零，无法实现镜像填充或自定义 padding - 性能虽好，但功能窄——不是万能替代品
性能与内存的关键取舍点
所有无循环方法都在「时间换空间」或「空间换时间」之间权衡，实际选型要看数据规模和后续操作。
-
sliding_window_view内存最优（零拷贝），但返回视图对象，若后续做大量写入或 reshape，可能触发隐式复制 - 手动索引法（
arange + broadcasting）会分配完整窗口数据内存，例如 1e6 长度、窗口长 100 → 1e6×100 元素，约 800MB float64，极易爆内存 - 真大数据建议分块处理：用
sliding_window_view切出小段，逐段聚合（如windows.mean(axis=1)），避免中间数组膨胀
最易被忽略的是：窗口聚合后是否还需保留窗口结构？如果只要一个标量序列（如每窗一个均值），就别留着二维数组——立刻降维，否则后续操作成本指数上升。
