np.lib.stride_tricks.sliding_window_view是NumPy 1.20+官方滑动窗口工具，返回共享内存的只读视图；一维需指定window_shape，多维必须用axis明确滑动轴，不支持非1步长或直接赋值。
滑动窗口的基本用法：从一维数组开始
np.lib.stride_tricks.sliding_window_view 是 NumPy 1.20+ 引入的官方滑动窗口工具，比手动 as_strided 更安全、语义更清晰。它不复制数据，而是返回一个视图（view），底层共享原数组内存。
对一维数组，只需指定窗口长度：
import numpy as np x = np.array([1, 2, 3, 4, 5]) windowed = np.lib.stride_tricks.sliding_window_view(x, window_shape=3) # 结果 shape: (3, 3) → [[1,2,3], [2,3,4], [3,4,5]]
注意：window_shape 必须 ≤ 原数组长度，否则报 ValueError: window shape cannot be larger than the array。
多维数组的滑动：明确指定 axis 参数
二维或更高维时，默认在**所有轴上滑动**，这通常不是你想要的。必须用 axis 显式控制滑动方向。
常见场景：
- 图像局部均值：在最后两个轴（H, W）上滑动，
axis=(-2, -1) - 时间序列批处理：在第 0 轴（时间步）滑动，
axis=0 - 对某列做滑窗统计：在列维度滑动需先转置或用
axis=1
示例（按行滑动，每行取长度为 2 的窗口）：
x2d = np.array([[1,2,3,4],
[5,6,7,8]])
w2d = np.lib.stride_tricks.sliding_window_view(x2d, window_shape=2, axis=1)
# shape: (2, 3, 2) → 每行生成 3 个窗口漏掉 axis 会导致意外的高维输出，比如对 (2,4) 数组直接用 window_shape=2，会得到 (2,3,2,2) —— 因为它在两个轴都滑了。
性能与内存：视图 ≠ 零开销
虽然返回的是视图，但新数组的 strides 和 shape 可能导致缓存不友好。尤其当窗口大、步长大、原始数组稀疏时，实际访问效率可能低于显式循环。
关键限制：
- 不能对结果直接赋值（它是只读视图），改写会触发
ValueError: assignment destination is read-only - 无法用于
np.ndarray子类（如torch.Tensor或jax.Array），仅支持原生 NumPy 数组 - 不支持非整数步长（即“跳跃滑窗”需额外切片，如
w[::2]）
若需可写或自定义步长，得回退到 as_strided（但要自己校验内存边界，风险更高）。
替代方案对比：什么时候不该用 sliding_window_view
它很简洁，但不是万能的：
- 需要重叠率 ≠ 1（例如步长=3，窗口=5）？
sliding_window_view只支持步长=1；得组合[::step]切片或用skimage.util.view_as_windows - 输入是 list / pandas.Series？必须先转
np.array，否则报AttributeError: 'list' object has no attribute 'ndim' - 做归约操作（如每窗口求均值）？直接链式调用更高效：
windows.mean(axis=-1)，别先转成 Python list 再算
最易被忽略的一点：该函数不检查窗口是否超出边界——它只检查 window_shape 是否超长，但如果你传入 axis=1 而数组该轴长度为 0，错误信息会非常模糊，建议提前 assert x.shape[axis] >= window_shape。
