2020-07-26-python切片疑惑解析

Python中对于数组和列表进行切片操作是很频繁的，我主要简单总结一下常用集中索引化方式

一维： [ : n]、[m : ] 、[-1]、[::-1]

[m : ] ：代表列表中的第m项到最后一项（从0开始）

[ : n] ：代表列表中的第0项到第n-1项（含左不含右）

[-1]：取最后一个元素

[::-1]：取从后向前（相反）的元素（倒序）

import numpy as np

X = np.array([1,2,3,4,5,6,7,8] )
print(X.shape)
print('\n')
print(X[3:])
print(X[:7])
print(X[::-1][:3]) # 在进行了[::-1]之后得到倒序数组，再取[：3]

结果如下：

(8,)
[4 5 6 7 8]
[1 2 3 4 5 6 7]
[8,7,6]

二维： X[:,0] 、X[:,1] 、 X[:, m:n]

X[:,0]是numpy中数组的一种写法，表示对一个二维数组，取该二维数组第一维中的所有数据，第二维中取第0个数据，直观来说

X[:,0]：取第二维（所有行）的第0个数据,就是第0列

X[:,1] ：取第二维（所有行）的第1个数据，就是第1列

X[:, m:n]，即取所有数据的第m到n-1列数据，含左不含右

示例如下：

import numpy as np

X = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11],[12,13,14],[15,16,17],[18,19,20]])
print(X.shape)
print('\n')
print (X[:,1:3])

结果如下：

(7, 3)

[[ 1  2]
 [ 4  5]
 [ 7  8]
 [10 11]
 [13 14]
 [16 17]
 [19 20]]

三维 X[:,:,0]、X[:,:,1]、X[:,:,m:n]

类比于二维，原理相同

X[:,:,0]：取第三维矩阵中第0列的所有数据

X[:,:,1]：取第三维矩阵中第1列的所有数据

X[:,:,m:n]：取第三维矩阵中第m列到第n-1列的所有数据

1
2
3

注：shape（9,5,2）指的是最外层有9个括号，每个括号里嵌套5个括号，在5个括号里又每个有2个元素

判断的时候先先出数组的shape，根据shape进行判断

# !usr/bin/env python
# encoding:utf-8
from __future__ import division

import numpy as np


def simple_test():
    '''
    简单的小实验
    '''
    data_list = [[1, 2, 3], [1, 2, 1], [3, 4, 5], [4, 5, 6], [5, 6, 7], [6, 7, 8], [6, 7, 9], [0, 4, 7], [4, 6, 0],[2, 9, 1], [5, 8, 7], [9, 7, 8], [3, 7, 9]]
    # data_list.toarray()
    data_list = np.array(data_list)
    print('X[:,0]结果输出为：')
    print( data_list[:, 0])

    print(  'X[:,1]结果输出为：')
    print( data_list[:, 1])

    print('X[:,m:n]结果输出为：')

    print( data_list[:, 0:1])

    data_list = [[[1, 2], [1, 0], [3, 4], [7, 9], [4, 0]], [[1, 4], [1, 5], [3, 6], [8, 9], [5, 0]],
                 [[8, 2], [1, 8], [3, 5], [7, 3], [4, 6]],
                 [[1, 1], [1, 2], [3, 5], [7, 6], [7, 8]], [[9, 2], [1, 3], [3, 5], [7, 67], [4, 4]],
                 [[8, 2], [1, 9], [3, 43], [7, 3], [43, 0]],
                 [[1, 22], [1, 2], [3, 42], [7, 29], [4, 20]], [[1, 5], [1, 20], [3, 24], [17, 9], [4, 10]],
                 [[11, 2], [1, 110], [3, 14], [7, 4], [4, 2]]]
    data_list = np.array(data_list)
    print(data_list.shape)
    print('X[:,:,0]结果输出为：')

    print( data_list[:, :, 0])

    print('X[:,:,1]结果输出为：')

    print(data_list[:, :, 1])

    print('X[:,:,m:n]结果输出为：')

    print( data_list[:, :, 0:1])



if __name__ == '__main__':
    simple_test()

部分结如下：

X[:,:,0]结果输出为：
[[ 1  1  3  7  4]
 [ 1  1  3  8  5]
 [ 8  1  3  7  4]
 [ 1  1  3  7  7]
 [ 9  1  3  7  4]
 [ 8  1  3  7 43]
 [ 1  1  3  7  4]
 [ 1  1  3 17  4]
 [11  1  3  7  4]]
X[:,:,1]结果输出为：
[[  2   0   4   9   0]
 [  4   5   6   9   0]
 [  2   8   5   3   6]
 [  1   2   5   6   8]
 [  2   3   5  67   4]
 [  2   9  43   3   0]
 [ 22   2  42  29  20]
 [  5  20  24   9  10]
 [  2 110  14   4   2]]

[start：end：step]

start:开始索引；end:结束索引；step:步长（步长为正时，从左到右索引，正序取值；步长为负时，从右到左索引，倒序取值）

[::2] 步长为2

[3:7:2] 第3个元素开始，第6个元素结束，步长为2

参考

https://blog.csdn.net/Together_CZ/article/details/79593952