numpy.unique() 默认返回排序后唯一数组，保持首次出现顺序需用 return_index=True；多维去重支持 axis 参数但不能与 return_counts 同用；性能优于 pandas 但对字符串、NaN 处理有差异。
numpy.unique() 是去重的首选，但要注意返回值结构
直接调用 numpy.unique() 就能完成基础去重，但它默认返回排序后的唯一数组，不是原始顺序。如果你需要保持首次出现顺序，得配合 return_index=True 手动索引还原。
- 默认行为：
np.unique([3,1,2,1,3])返回array([1, 2, 3])—— 已升序排列 - 保序去重：
_, idx = np.unique(arr, return_index=True); arr[np.sort(idx)] - 多维数组去重按行/列：加参数
axis=0或axis=1，此时返回的是去重后的子数组，不是标量
二维数组按行去重时，axis=0 不能和 return_counts 混用
这是个容易踩的坑：np.unique(arr_2d, axis=0) 支持，但加上 return_counts=True 会报 ValueError: The axis argument must be None when used with return_counts=True —— NumPy 明确禁止这种组合。
- 想统计每行重复次数？先用
np.unique(arr_2d, axis=0, return_index=True)获取唯一行索引，再用np.apply_along_axis或scipy.stats.mode辅助计数 - 更稳妥的做法：转成 tuple 或 structured array 后再用一维
unique，例如arr.view([('', arr.dtype)] * arr.shape[1]).ravel() -
axis参数只对return_index和return_inverse有效，return_counts必须为None
性能对比：numpy.unique vs pandas.drop_duplicates
纯数值数组且不关心索引时，np.unique() 比 pandas.DataFrame.drop_duplicates() 快 2–5 倍；但一旦涉及字符串、混合类型或需保留原始位置，pandas 更稳。
- 100 万整数去重：
np.unique()约 15ms，pd.Series(arr).drop_duplicates()约 60ms - 含 NaN 的 float 数组：
np.unique()把所有 NaN 当相等处理（符合 IEEE），而 pandas 默认把 NaN 视为不同值，行为不一致 - 如果后续要接 DataFrame 操作，别硬转回 numpy —— 直接用 pandas，避免类型转换开销
去重后想还原原始形状？inverse_index 是关键线索
np.unique(..., return_inverse=True) 返回的 inverse_index 是压缩/还原的桥梁，不是“原始下标”。它表示每个唯一值在原数组中对应的位置索引，常用于量化或编码场景。
立即学习“Python免费学习笔记（深入）”；
- 示例：
u, inv = np.unique([2,1,2,3], return_inverse=True)→u=[1,2,3],inv=[1,0,1,2] - 还原原数组：
u[inv]得到[2,1,2,3]，和输入一致 - 注意：
inv长度等于原数组长度，不是唯一值长度；别误当成原始下标直接切片
真正麻烦的是带缺失值、结构化 dtype 或自定义比较逻辑的去重——那些时候 np.unique 就力不从心了，得换方案。
