NumPy不提供原生集合运算，np.union1d和np.intersect1d是唯一内置选择，但仅支持一维数组，强制去重排序，返回升序无重复ndarray，不保留顺序或重复项。
NumPy 本身不提供原生的集合运算函数，np.union1d 和 np.intersect1d 是唯一可靠选择，但它们会强制去重和排序——这不是“集合”语义的错，而是设计使然。
为什么不能直接用 np.array 做集合运算？
Python 的 set 支持 |（并）、&（交），但 NumPy 数组不支持这些操作符；尝试 a | b 会报 TypeError: ufunc 'bitwise_or' not supported for the input types。更关键的是，NumPy 的核心目标是向量化数值计算，不是模拟 Python 集合行为。
常见误操作包括：
- 用布尔索引模拟交集（如
a[np.isin(a, b)]），结果保留重复项和原始顺序——这其实是“子集筛选”，不是数学意义上的交集 - 对未排序数组调用
np.intersect1d后惊讶于结果被重排 - 传入 2D 数组给
np.union1d，触发ValueError: Input arrays must be 1-dimensional
np.union1d 和 np.intersect1d 的真实行为
这两个函数本质是“对两个一维数组做去重 + 排序 + 求并/交”，返回结果总是升序、无重复的 ndarray。它不关心输入是否已排序，也不保留任何原始结构信息。
立即学习“Python免费学习笔记（深入）”；
实操要点：
- 输入必须是一维：若你有
arr2d，先用arr2d.ravel()或arr2d.flatten()展平 - 数据类型需一致：混合
int和float可能导致隐式转换（如1和1.0被视为相同），但字符串与数字混用会直接报错 - 性能上，时间复杂度约 O(n log n)，因为内部调用了
np.unique；若已知输入无重复且有序，手动合并（双指针）更快，但需自己实现
示例：
import numpy as np a = np.array([3, 1, 4, 1]) b = np.array([2, 1, 4, 5]) <p>print(np.union1d(a, b)) # [1 2 3 4 5] print(np.intersect1d(a, b)) # [1 4]
需要保留顺序或重复项时怎么办？
如果你要的是“按 a 中出现顺序返回交集元素”，或者“并集要包含所有重复项（即多重集并）”，np.union1d/np.intersect1d 就不合适了——它们的设计目标里没有这些需求。
替代方案取决于场景：
- 保留顺序的交集：用
np.array([x for x in a if x in set(b)])（小数组可行；大数组建议先b_set = set(b)避免重复构造） - 判断某个值是否在数组中：别用
x in np.array(...)（慢！），改用np.isin([x], b).item()或直接np.any(b == x)（后者对单个标量更快） - 多重集操作（如计数交集）：转向
collections.Counter，再转回 NumPy（例如np.array(list((Counter(a) & Counter(b)).elements()))）
最常被忽略的一点：这些函数返回的新数组默认是 float64 或推断类型，但如果你的原始数据是 uint8 图像像素值，强制去重排序后可能溢出或精度丢失——务必检查 dtype 是否符合下游使用要求。
