np.intersect1d() 默认去重并升序排序，不保留原序和重复元素；需保序保重用 a[np.isin(a, b)]；类型不一致（如int与float）会导致交集为空，须显式统一dtype。
用 np.intersect1d() 找两个 NumPy 数组的交集，但结果总被去重排序？
没错，np.intersect1d() 默认就干两件事：取交集 + 去重 + 升序排序。如果你传入 [3, 1, 2, 1] 和 [2, 1, 4]，返回的是 [1, 2]，不是按原数组顺序保留重复的 [1, 2, 1]。
想保留原始顺序或重复元素？它不支持——这不是 bug，是设计如此。真要按出现顺序取交集（比如做索引对齐），得换思路：
- 用布尔索引 +
np.isin()：比如a[np.isin(a, b)]，保留a中在b里存在的所有元素（含重复、保序） - 若还需去重但不排序，用
np.unique()配合return_index=True再按原 index 排序 -
assume_unique=True参数能加速，但前提是确认输入已无重复，否则结果错
用 np.setdiff1d() 算差集，为什么结果里还有 b 里的数？
np.setdiff1d(a, b) 意思是 “a 中有、b 中没有” 的元素，只作用于 a。它不会动 b，也不会返回 b - a。常见误解是以为它像集合对称差，其实完全不是。
典型翻车场景：
- 想求 “a 和 b 的差异全部”，得手动算两次：
np.concatenate([np.setdiff1d(a, b), np.setdiff1d(b, a)]) - 默认仍会去重+排序，和
intersect1d一样；需要保序？同样得用~np.isin(a, b)布尔掩码 - 如果 a 或 b 是浮点数组，注意精度问题：
0.1 + 0.2 != 0.3会导致差集“漏判”，优先转成整数或用np.isclose()自定义判断
拿 Python 原生 set 做交集/差集更快吗？
小数组（几千以内）用 set(a) & set(b) 可能略快，代码也短；但一超过几万，NumPy 向量化优势就压倒性胜出，尤其当数组已在内存中且 dtype 明确时。
更重要的是兼容性陷阱：
-
set会强制把 NumPy 标量转成 Python 类型，丢失 dtype 信息（比如np.int64变成int） - 不支持结构化数组、对象数组；
np.intersect1d()至少能报错提醒，set直接抛TypeError - 浮点比较行为不同：
set是精确相等，NumPy 函数默认也是，但没提供容差接口——这点必须自己兜底
交集/差集结果为空数组，但你知道它其实是 dtype 不一致导致的吗？
这是最隐蔽的坑：np.intersect1d(np.array([1, 2]), np.array([1.0, 2.0])) 返回空数组 []，不是因为没交集，而是因为 int 和 float 类型不匹配，底层比较全为 False。
检查方法很简单：
- 打印
a.dtype和b.dtype，不一致就先统一，比如都转.astype(float)或.astype(int) - 别依赖自动类型提升——
intersect1d和setdiff1d都不做隐式转换 - 字符串数组同理：
'1'和1永远不相等，哪怕看起来一样
类型对齐这事，不报错、不警告，只静默返回空，容易一路带到下游计算里才崩。
