虽然可以使用某种形式的concatenate，但transpose通常适用于这类问题：

In [532]: arr.transpose(0,2,1,3).reshape(2,2,6)
Out[532]: 
array([[[ 0,  1,  4,  5,  8,  9],
        [ 2,  3,  6,  7, 10, 11]],

       [[12, 13, 16, 17, 20, 21],
        [14, 15, 18, 19, 22, 23]]])

字符串
没有最后的重塑，第一条“线”是

In [533]: arr.transpose(0,2,1,3)
Out[533]: 
array([[[[ 0,  1],
         [ 4,  5],
         [ 8,  9]],

型
对于所有不同维度的例子

In [534]: x=np.ones((2,3,4,5))
In [535]: x.transpose(0,2,1,3).shape
Out[535]: (2, 4, 3, 5)
In [536]: x.transpose(0,2,1,3).reshape(2,4,3*5).shape
Out[536]: (2, 4, 15)

型
有时候，计算转置需要一些反复试验，但是这里你想保持第一维不变，最后一个也是，所以我们只需要交换中间的两个。
转置本身生成一个视图，但是最后一次整形必须生成一个副本，因为它重新排序了“散乱”的值。

使用加倍的np.hstack（通过所有矩阵收集水平行）并返回到np.reshape的等效形状：

new_arr = np.hstack(np.hstack(arr)).reshape(arr.shape[0], arr.shape[2], -1)

array([[[ 0,  1,  4,  5,  8,  9],
        [ 2,  3,  6,  7, 10, 11]],

       [[12, 13, 16, 17, 20, 21],
        [14, 15, 18, 19, 22, 23]]])

new_arr.shape
(2, 2, 6)

尽管使用了列表解析，但这并没有创建一个中间数组，而且与Roman的答案相比，这是一个更快的选择（至少在我使用不同大小和形状运行的实验中是这样）：

np.concatenate([arr[:, :, i] for i in range(arr.shape[2])]).reshape(arr.shape[0], arr.shape[2], -1)

字符串