apply_along_axis沿着输入数组的1D切片应用提供的函数，切片沿指定的轴截取。因此，在您的示例中，new_func应用于数组沿着第一个轴的每个切片。如果你使用一个向量值函数，而不是一个标量，它会变得更清晰，就像这样：

In [20]: b = np.array([[1,2,3], [4,5,6], [7,8,9]])

In [21]: np.apply_along_axis(np.diff,0,b)
Out[21]: 
array([[3, 3, 3],
       [3, 3, 3]])

In [22]: np.apply_along_axis(np.diff,1,b)
Out[22]: 
array([[1, 1],
       [1, 1],
       [1, 1]])

这里，numpy.diff（即相邻阵列元素的算术差）沿着输入阵列的第一或第二轴（维度）的每个切片应用。

该函数在沿着轴=0的1-d阵列上执行。您可以使用“axis”参数指定另一个轴。该范例的用法是：

np.apply_along_axis(np.cumsum, 0, b)

对沿着维度0的每个子阵列执行该函数。因此，它适用于一维函数，并为每个一维输入返回一个一维数组。
另一个例子是：

np.apply_along_axis(np.sum, 0, b)

为一维数组提供标量输出。当然，你可以只在cumsum或sum中设置axis参数来完成上面的操作，但这里的要点是，它可以用于你编写的任何一维函数。

你的错误来自于两个误解，即轴0到底是什么，以及apply_沿着_axis应该用于什么：
误解一：
在你的数组中，轴0是不是[1，2，3]，它将在b[0，：]中找到，并表示轴1的第一个切片。从轴0开始的第一个切片用索引**B[：，0]**找到，这将返回[1，4，7]。从轴0开始的3个切片或向量将执行计算：

>>> b = np.array([[1,2,3], [4,5,6], [7,8,9]])
>>> b[:,0]
array([1, 4, 7])
>>> b[:,1]
array([2, 5, 8])
>>> b[:,2]
array([3, 6, 9])

误区二：
你想应用的函数实际上是元素方面的。在改变轴时，你不会看到任何差异，因为该操作并不应用于轴，而是独立地应用于每个元素，并且不会影响数组的形状：

>>> b*0.5
array([[0.5, 1. , 1.5],
       [2. , 2.5, 3. ],
       [3.5, 4. , 4.5]])

现在，让我们再深入一点，对矩阵进行平方，以便在每个元素之间添加更多变化，并执行np.diff，如该字段中的另一个答案所示：

>>> b**=2
>>> b
array([[ 1,  4,  9],
       [16, 25, 36],
       [49, 64, 81]])

让我们取轴0的每一个切片，并将np.diff应用于每个切片：

>>> b[:,0]
array([ 1, 16, 49])
>>> np.diff(b[:,0])
array([15, 33])

>>> b[:,1]
array([ 4, 25, 64])
>>> np.diff(b[:,1])
array([21, 39])

>>> b[:,2]
array([ 9, 36, 81])
>>> np.diff(b[:,2])
array([27, 45])

回想一下，np.diff函数等价于：

>>> b[1::,0]-b[0:-1,0]
array([15, 33])

此函数返回X[i+1]-X[i]与i=[0，len（X）-1]之间的差值，其中X是一个向量
因此，函数np.diff的结果沿着轴0应用：

>>> np.apply_along_axis(np.diff, 0, b)
array([[15, 21, 27],
       [33, 39, 45]])

最后，你可能会期待这个答案，而不是上面的那个：

array([[15, 33],
       [21, 39],
       [27, 45]])

然后回到原始数组，并理解函数np.diff应用于轴，因此从numpy的Angular 来看是垂直的