您正在寻找sliding_window_view

a=np.arange(1,10)
np.lib.stride_tricks.sliding_window_view(a, 5)

字符串
→

array([[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
编辑（约copy）
你有两个相同的答案，相隔几秒钟：D（当我看到来自mozway的评论时，我应该知道答案即将到来）。
只有一句话：唯一的细微差别是mozway添加了copy()。他是对的：严格地说，需要执行与您的代码（for循环）等效的copy。因为sliding_window_view，正如其名称所示，不提供新数组，只是旧数组的视图。
因此，如果你稍后修改a，它也会修改输出数组。或者，如果相反，你修改输出数组的内容，它也会修改a。
也就是说，如果您的代码提供了数据的新副本这一事实只是一个副作用，并且如果拥有此视图并不是真正的问题，（因为你没有意图修改a，或者修改输出数组的内容。或者因为你不关心a之后发生了什么，...），那么，作为一个视图是一个巨大的优势。因为这意味着没有数据被移动或复制（除了几个字节的元数据）。
因此，即使a包含数十亿个数字，sliding_window_view也是瞬时的。因为它所要做的就是调整元数据（形状和步幅）。而复制不会是瞬时的。
所以，你的问题的正确答案是mozway的：要在python中做你要做的事情，你需要copy。但是如果不需要的话，你可以考虑不做拷贝，因为如果数组很大，那会改变很多cpu。

假设一个1->9的数组作为输入，你可以使用numpy.lib.stride_tricks.sliding_window_view：

from numpy.lib.stride_tricks import sliding_window_view as swv

a = np.arange(1, 10)

N = 5

out = swv(a, N).copy()

字符串
如果你有一个任意大的输入，并希望输出一个已知的大小：

a = np.arange(1, 100)

C = 5  # cols
R = 5  # rows

out = swv(a[:C+(R-1)], C).copy()

型
输出量：

array([[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

使用np.broadcast_to和numpy broadcasting的另一种方法：

a = np.array([1, 2, 3, 4, 5])

out = np.broadcast_to(a, (a.shape[0], a.shape[0])) + np.arange(a.shape[0])[:, None]

字符串
输出量：

>>> out
array([[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