np.intersect1d求交集会自动去重并升序排列，不保留原始顺序和重复元素；需保留重复用np.isin(a,b)布尔索引，无法禁用排序；多维数组须先ravel()；字符串或object类型不支持，应改用Python原生集合操作。

用 np.intersect1d 求交集，但默认会去重和排序

如果你传入的是普通一维数组，np.intersect1d 最直接——但它会自动去重 + 升序排列，这和 Python 原生 set(a) & set(b) 行为一致，但不保留原始顺序或重复元素。

常见误用场景：想保留重复值（比如统计共同出现次数），结果发现输出变短了、顺序乱了。

• 要保留重复？得自己用布尔索引：np.isin(a, b) 配合 a[np.isin(a, b)]
• 要避免排序？加参数 assume_unique=True 并确保输入已去重，再配合 return_indices=False（但排序仍会发生，本质不可禁）
• 多维数组不支持直接用——必须先 ravel() 或按轴手动处理

用 np.union1d 求并集，同样强制去重+升序

它等价于 np.unique(np.concatenate([a, b]))，底层调的就是 np.unique。所以别指望它保留频次、顺序或结构。

典型踩坑：拼接两个含重复的数组，期望得到“所有元素合起来”，结果长度比 len(a)+len(b) 小很多。

• 真要保留所有元素（不去重）？直接用 np.concatenate([a, b]) 或 np.hstack([a, b])
• 要按原顺序合并且去重？得手写循环或用 dict.fromkeys() 转回 Python list 再转 numpy（np.array(list(dict.fromkeys(list(a)+list(b)))))）
• 二维数组求行级并集？得用 np.vstack + np.unique(..., axis=0)，注意 axis=0 才是按行去重

需要保留原始形状或计数？绕开 xxx1d 函数更稳

NumPy 的集合操作函数设计目标是“数学意义下的集合”，不是“数据处理意义上的合并”。一旦你关心重复、顺序、维度对齐，它们就容易成为障碍。

Python Dependency Candidate Fetcher 2

根据包的能力以及 Jupyter 环境中的导入语句，从候选列表中挑选最适合用户表格工作流的 Python 包。

下载

比如：两个相同 shape 的布尔数组，想找出都为 True 的位置——这不是交集，是逻辑与：a & b；想合并 mask，用 a | b 更自然、更快。

• 统计共同元素频次？用 np.histogram 或 np.bincount（需非负整数）配合 np.intersect1d 结果做映射
• 求两个 2D 数组对应位置的“元素级交集”？不存在这种操作——交集是集合概念，不是逐元素运算
• 性能敏感时，np.isin 比 np.intersect1d 快不少，尤其当 b 较大而 a 较小时

遇到 ValueError: object arrays are not supported 怎么办

这是最常卡住人的错误：你传了 list of lists、嵌套结构、或 dtype=object 的数组给 intersect1d/union1d。

它们只接受 flat 数值型数组（int/float/bool 等），不支持 Python 对象。

• 检查 a.dtype 和 b.dtype，如果是 object，先尝试 np.array(a.tolist()) 或显式指定 dtype
• 字符串数组可以，但要用 np.char 模块做集合操作（如 np.char.add 不适用，得换思路）
• 真要处理不规则结构？老实用 Python 的 set、collections.Counter，别硬塞进 NumPy

实际用的时候，先问自己一句：我到底要的是数学集合，还是带上下文的数据子集？答案不同，选的函数就该完全不同。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！