查看代码，
numpy.apply_along_axis我发现它只是遍历其他维度，将您的函数应用于每个“行”。还有一些额外的代码可以使尺寸约为2。但是对于2d
X，归结为：
result = np.empty_like(X)for i, x in enumerate(X): result[i] = func1d(x)
还有一些代码可以推断出
result应具有的形状。例如，如果
func1d为
np.sum，
result则将为1d，而不是输入的2d。
因此，此功能没有特殊的“效率”。多个输入的扩展可以是普通的Python zip：
result = np.empty_like(X) for i,(x,y) in enumerate(zip(X,Y)): result[i] = func1d(x,y)
np.ndindex是用于生成索引的便捷工具。值得看一下它的代码。它使用通用的numpy迭代器，
np.nditer请参见：http
:
//docs.scipy.org/doc/numpy/reference/arrays.nditer.html
例如，f可以采用3个形状为（2,2）的数组x，y，z；（3，）; （5，）并产生形状（4,4）的结果。
我有形状（50，100，2，2）的X，Y，Z；（50，100，3）; （50，100，5）并想要形状的结果（50，100，4，4）
for i,j in np.ndindex(50,100): result[i,j,:,:] = f(X[i,j,:,:], Y[i,j,:,:], Z[i,j,:,:])
“：”不是必需的，但要清楚地表明我们正在对其中两个维度进行索引，并对其余维度进行切片。如果要在第1维和第3维上进行迭代，然后对第2维切片，则需要使用它们。
