numpy数组的实际数据存储在称为数据缓冲区的同构连续内存块中。有关更多信息，请参阅NumPy internals。使用（默认）row-major顺序，2D数组看起来像这样：
x1c 0d1x的数据
为了将多维数组的索引i，j，k，.Map到数据缓冲区中的位置（偏移量，以字节为单位），NumPy使用了 strides 的概念。Strides是内存中为了沿着数组的每个方向/维度从一个项目到下一个项目而要跳过的字节数。换句话说，它是每个维度的连续项目之间的字节分隔。
举例来说：

>>> a = np.arange(1,10).reshape(3,3)
>>> a
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

字符串
这个2D数组有两个方向，轴-0（垂直向下跨行）和轴-1（水平跨列），每个项目都有大小：

>>> a.itemsize  # in bytes
4

型
因此，从a[0, 0] -> a[0, 1]开始（沿沿着第0行水平移动，从第0列到第1列），数据缓冲区中的字节步长为4。a[0, 1] -> a[0, 2]、a[1, 0] -> a[1, 1]等也是如此。这意味着水平方向（轴-1）的步幅数为4字节。
然而，从a[0, 0] -> a[1, 0]（沿第0列垂直沿着移动，从第0行到第1行），您需要首先遍历第0行上的所有剩余项以到达第1行，然后遍历第1行以到达项a[1, 0]，即a[0, 0] -> a[0, 1] -> a[0, 2] -> a[1, 0]。因此，垂直方向（轴-0）的步幅数为3*4 = 12字节。注意，从a[0, 2] -> a[1, 0]开始，并且通常从第i行的最后一项到第（i+1）行的第一项，也是4个字节，因为数组a以行优先的顺序存储。
这就是为什么

>>> a.strides  # (strides[0], strides[1])
(12, 4)

型
下面是另一个例子，显示了2D数组的水平方向（轴-1）的步幅strides[1]不一定等于项目大小（例如，具有列优先顺序的数组）：

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

>>> b.strides
(4, 12)

型
这里strides[1]是item-size的倍数。虽然数组b看起来与数组a相同，但它是一个不同的数组：内部b存储为|1|4|7|2|5|8|3|6|9|（因为转置不影响数据缓冲区，而只是交换步幅和形状），而a和|1|2|3|4|5|6|7|8|9|。使它们看起来相似的是不同的步幅。也就是说，b[0, 0] -> b[0, 1]的字节步长是3*4=12字节，而b[0, 0] -> b[1, 0]是4字节，而对于a[0, 0] -> a[0, 1]是4字节，而对于a[0, 0] -> a[1, 0]是12字节。
最后但并非最不重要的是，NumPy允许创建现有数组的视图，并可以修改步幅和形状，参见stride tricks。例如：

>>> np.lib.stride_tricks.as_strided(a, shape=a.shape[::-1], strides=a.strides[::-1])
array([[1, 4, 7],
       [2, 5, 8],
       [3, 6, 9]])

型
这相当于转置数组a。
让我补充一下，但不涉及太多细节，甚至可以定义不是项目大小倍数的步幅。下面是一个例子：

>>> a = np.lib.stride_tricks.as_strided(np.array([1, 512, 0, 3], dtype=np.int16), 
                                        shape=(3,), strides=(3,))
>>> a
array([1, 2, 3], dtype=int16)

>>> a.strides[0]
3

>>> a.itemsize
2

型

只是为了添加到伟大的answer by @AndyK，我从Numpy MedKit学习了numpy步幅。在那里他们展示了使用问题如下：

给定输入：

x = np.arange(20).reshape([4, 5])
>>> x
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

字符串

预期输出：

array([[[  0,  1,  2,  3,  4],
        [  5,  6,  7,  8,  9]],

       [[  5,  6,  7,  8,  9],
        [ 10, 11, 12, 13, 14]],

       [[ 10, 11, 12, 13, 14],
        [ 15, 16, 17, 18, 19]]])

型
为此，我们需要知道以下术语：

shape-阵列沿沿着每个轴的尺寸。
strides-必须跳过的内存字节数，以便沿特定维度沿着前进到下一项。

>>> x.strides
(20, 4)

>>> np.int32().itemsize
4

型
现在，如果我们看看 * 预期输出 *：

array([[[  0,  1,  2,  3,  4],
        [  5,  6,  7,  8,  9]],

       [[  5,  6,  7,  8,  9],
        [ 10, 11, 12, 13, 14]],

       [[ 10, 11, 12, 13, 14],
        [ 15, 16, 17, 18, 19]]])

型
我们需要操纵数组的形状和步幅。输出形状必须是（3，2，5），即3个元素，每个元素包含两行（m == 2），每行有5个元素。
步长需要从（20，4）变为（20，20，4）。新输出数组中的每一项都从新的一行开始，每行由20个字节组成（5个元素，每个元素4个字节），每个元素占用4个字节（int 32）。
于是：

>>> from numpy.lib import stride_tricks
>>> stride_tricks.as_strided(x, shape=(3, 2, 5),
                                strides=(20, 20, 4))
...
array([[[  0,  1,  2,  3,  4],
        [  5,  6,  7,  8,  9]],

       [[  5,  6,  7,  8,  9],
        [ 10, 11, 12, 13, 14]],

       [[ 10, 11, 12, 13, 14],
        [ 15, 16, 17, 18, 19]]])

型
另一种办法是：

>>> d = dict(x.__array_interface__)
>>> d['shape'] = (3, 2, 5)
>>> s['strides'] = (20, 20, 4)

>>> class Arr:
...     __array_interface__ = d
...     base = x

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

       [[  5,  6,  7,  8,  9],
        [ 10, 11, 12, 13, 14]],

       [[ 10, 11, 12, 13, 14],
        [ 15, 16, 17, 18, 19]]])

型
我经常使用这个方法，而不是numpy.hstack或numpy.vstack，相信我，它的计算速度要快得多。
注意事项：
当使用这个技巧使用非常大的数组时，计算精确的 strides 并不是那么简单。我通常会创建一个所需形状的numpy.zeroes数组，并使用array.strides获取strides，并在函数stride_tricks.as_strided中使用它。
希望有帮助！

我已经改编了@Rick M.提出的工作，以适应我的问题，即移动任何形状的numpy数组的窗口切片。下面是代码：

def sliding_window_slicing(a, no_items, item_type=0):
    """This method perfoms sliding window slicing of numpy arrays

    Parameters
    ----------
    a : numpy
        An array to be slided in subarrays
    no_items : int
        Number of sliced arrays or elements in sliced arrays
    item_type: int
        Indicates if no_items is number of sliced arrays (item_type=0) or
        number of elements in sliced array (item_type=1), by default 0

    Return
    ------
    numpy
        Sliced numpy array
    """
    if item_type == 0:
        no_slices = no_items
        no_elements = len(a) + 1 - no_slices
        if no_elements <=0:
            raise ValueError('Sliding slicing not possible, no_items is larger than ' + str(len(a)))
    else:
        no_elements = no_items                
        no_slices = len(a) - no_elements + 1
        if no_slices <=0:
            raise ValueError('Sliding slicing not possible, no_items is larger than ' + str(len(a)))

    subarray_shape = a.shape[1:]
    shape_cfg = (no_slices, no_elements) + subarray_shape
    strides_cfg = (a.strides[0],) + a.strides
    as_strided = np.lib.stride_tricks.as_strided #shorthand
    return as_strided(a, shape=shape_cfg, strides=strides_cfg)

字符串
这个方法会自动计算 strides，它可以使用任何维度的 numpy 数组：

1D数组-通过多个切片进行切片

In [11]: a                                                                                                                                                     
Out[11]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [12]: sliding_window_slicing(a, 5, item_type=0)                                                                                                                          
Out[12]: 
array([[0, 1, 2, 3, 4, 5],
       [1, 2, 3, 4, 5, 6],
       [2, 3, 4, 5, 6, 7],
       [3, 4, 5, 6, 7, 8],
       [4, 5, 6, 7, 8, 9]])

型

1D数组-通过每个切片的元素数量进行切片

In [13]: sliding_window_slicing(a, 5, item_type=1)                                                                                                             
Out[13]: 
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6],
       [3, 4, 5, 6, 7],
       [4, 5, 6, 7, 8],
       [5, 6, 7, 8, 9]])

型

2D数组-通过多个切片进行切片

In [16]: a = np.arange(10).reshape([5,2])                                                                                                                      

In [17]: a                                                                                                                                                     
Out[17]: 
array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7],
       [8, 9]])

In [18]: sliding_window_slicing(a, 2, item_type=0)                                                                                                             
Out[18]: 
array([[[0, 1],
        [2, 3],
        [4, 5],
        [6, 7]],

       [[2, 3],
        [4, 5],
        [6, 7],
        [8, 9]]])

型

2D数组-通过每个切片中的多个元素进行切片

In [19]: sliding_window_slicing(a, 2, item_type=1)                                                                                                             
Out[19]: 
array([[[0, 1],
        [2, 3]],

       [[2, 3],
        [4, 5]],

       [[4, 5],
        [6, 7]],

       [[6, 7],
        [8, 9]]])

型