np.roll()是最直接的循环移位方案，因其专为循环移位设计、自动模长处理偏移、支持多维与axis指定、返回新数组且性能优异，而NumPy并无np.shift()等替代函数。
为什么 np.roll() 是最直接的循环移位方案
NumPy 本身不提供“左移/右移”这类类 C 的位操作语义，但 np.roll() 就是专为循环移位设计的函数——它把数组首尾连成环，整体平移后截断回原长。不用手写索引拼接，也不用 np.concatenate() 拆分再合并，避免边界越界或 dtype 不一致问题。
常见错误现象：np.roll(arr, 1) 看似右移一位，实际是“最后元素挪到开头”，即逻辑上的**正向滚动**（类似 Unix 的 roll 概念），和直觉中的“右移”方向一致，但和某些信号处理库的定义可能相反，需先验证方向。
- 参数
shift为正数：元素向右滚动（末尾元素出现在开头） -
shift为负数：向左滚动（开头元素移到末尾） - 支持多维数组，用
axis指定维度，比如np.roll(arr, 2, axis=1)只滚动每行 - 原地修改？不支持——
np.roll()总是返回新数组，原数组不变
遇到负索引或超大偏移量时 np.roll() 怎么处理
你传 -5 或 1000，它不会报错，也不会截断，而是自动对数组长度取模。比如长度为 7 的数组，np.roll(arr, 10) 等价于 np.roll(arr, 3)，np.roll(arr, -2) 等价于 np.roll(arr, 5)。这是安全的设计，但也是容易被忽略的隐式行为。
使用场景：做滑动窗口预处理、相位校准、或者需要“任意步长但保持周期性”的场合，比如音频帧循环偏移、图像纹理平铺对齐。
立即学习“Python免费学习笔记（深入）”；
- 性能影响极小：底层是视图切片 + 拼接，C 实现，比 Python 循环快两个数量级
- 兼容性好：从 NumPy 1.0 开始就存在，无版本陷阱
- 注意浮点
shift：传入浮点数会触发警告并转为整数，比如np.roll(arr, 2.7)→ 实际执行2
想原地修改数组？别用 np.roll()，改用索引赋值
np.roll() 永远返回副本，如果你明确知道数组很大、内存敏感、且后续只读或只写一次，原地操作更省事。这时候绕过函数，直接用整数索引重排：
arr[:] = np.concatenate([arr[-2:], arr[:-2]]) # 左移2位（等效于 roll(arr, -2)）
但这种写法有坑：
- 必须用
arr[:] = ...而不是arr = ...，否则只是换引用，原变量没变 -
np.concatenate()会新建数组，其实也没真正“原地”——真原地得用np.take()配合mode='wrap'，比如：arr[:] = np.take(arr, np.arange(len(arr)) + 3, mode='wrap') - 多维时索引易错，
np.roll()的axis参数此时优势明显
和 np.shift() 混淆？NumPy 根本没有这个函数
搜 “numpy shift array” 常跳出一堆自定义 shift() 函数，甚至有人误以为 NumPy 内置了它。事实是：np.shift() 不存在，不是弃用，是压根没实现过。所有相关 Stack Overflow 回答里手动写的 shift()，本质都是对 np.roll() 的封装或 np.pad() + 切片的组合。
容易踩的坑：
- 复制粘贴网上带
np.shift()的代码 → 直接NameError - 用
scipy.ndimage.shift()？那是为图像插值设计的，会引入浮点插值、边界填充逻辑，和纯整数循环移位语义完全不同 - 在 pandas 中用
Series.shift()？它填NaN，不是循环，别混用
复杂点在于：移位方向、是否允许非整数偏移、要不要保留原始对象身份——这些需求一叠加，np.roll() 就成了唯一干净解。其他所谓“更灵活”的方案，往往只是把问题藏得更深而已。
