聊聊Numpy.array中[:]和[::]的區別在哪
[:]和[::]的區別蠻大的，用的好可以節省時間，下面以實例進行分析
array([:])
>>> import numpy as np >>> >>> x=np.array([1,2,3,4,5,6,7,8,9,10,11,12]) >>> print(x[1:5])#打印index為1~5的數組，范圍是左閉右開 [2 3 4 5] >>> print(x[3:])#打印index=3之後的數組，包含index=3 [ 4 5 6 7 8 9 10 11 12] >>> print(x[:9])#打印index=9之前的數組，不包含index=9 [1 2 3 4 5 6 7 8 9] >>> print(x[1:-2])#打印index=1到倒數第2個index之間的數組 [ 2 3 4 5 6 7 8 9 10] >>> print(x[-9:-2])#打印倒數第9個index和倒數第2個index之間的數組，左開右閉 [ 4 5 6 7 8 9 10]
array([::])
>>> print(x[1::3])#以index=1為起始位置，間隔3 [ 2 5 8 11] >>> print(x[::3])#默認從index=0開始，間隔3 [ 1 4 7 10] >>> print(x[3::])#和[3:]一樣 [ 4 5 6 7 8 9 10 11 12] >>> print(x[::-1])#反向打印數據，從最後一個index開始，間隔為1 [12 11 10 9 8 7 6 5 4 3 2 1] >>> print(x[::-3])#反向打印數據，從最後一個index開始，間隔為3 [12 9 6 3] >>> print(x[7:2:-1])#反向打印index=2(不包含)到index=7之間的數據 [8 7 6 5 4]
也是碰到這方面的問題，沒搞明白，幹脆試瞭試就清楚瞭，應該[:]和[::]還有很多有趣的地方。
補充：Numpy.array()詳解 、np.array與np.asarray辨析、 np.array和np.ndarry的區別
記錄一下numpy.array()的詳細用法，以及與np.asarray()和np.ndarray()的區別。
1. Numpy.array()詳解
該函數的作用一言蔽之就是用來產生數組。
1.1 函數形式
numpy.array(object,
dtype=None,
copy=True,
order='K',
subok=False,
ndmin=0)
1.2 參數詳解
object：必選參數，類型為array_like，可以有四種類型：數組，公開數組接口的任何對象，__array__方法返回數組的對象，或任何（嵌套）序列。np.array()的作用就是按照一定要求將object轉換為數組。
dtype：可選參數，用來表示數組元素的類型。如果沒有給出，那麼類型將被確定為保持序列中的對象所需的最小類型。註： This argument can only be used to ‘upcast’ the array. For downcasting, use the .astype(t) method.
copy：可選參數，類型為bool值。如果為true（默認值），則復制對象。否則的話隻有在以下三種情況下才會返回副本：（1）.if __array__ returns a copy；（2）. if obj is a nested sequence；（3）. if a copy is needed to satisfy any of the other requirements (dtype, order, etc.)
order：{‘K’, ‘A’, ‘C’, ‘F’}，optional 。指定陣列的內存佈局。該參數我至今還沒有遇到過具體用法，這句話的意思就是我不會，故在此省略。
subok：可選參數，類型為bool值。如果為True，則子類將被傳遞，否則返回的數組將被強制為基類數組（默認）。或者說，True：使用object的內部數據類型，False：使用object數組的數據類型。
ndmin：可選參數，類型為int型。指定結果數組應具有的最小維數。
返回對象
out：輸出ndarray，滿足指定要求的數組對象。
1.3 具體用法
簡單示例
import numpy as np arr01 = np.array([1,2,3]) print(arr01) #[1 2 3] print(type(arr01)) #<class 'numpy.ndarray'> print(arr01.dtype) #int32 #Upcasting arr02 = np.array([1.,2.,3.]) print(arr02) #[1. 2. 3.] print(arr02.dtype) #float64 #More than one dimension: arr03 = np.array([[1,2],[3,4]]) print(arr03) """ [[1 2] [3 4]] """
dtype參數使用示例
import numpy as np
#指定數組元素類型為復數類型
DYX= np.array([1,2,3],dtype = complex)
print(DYX) #[1.+0.j 2.+0.j 3.+0.j]
print(DYX.dtype) #complex128
#由多個元素組成的數據類型：
HXH = np.array([(1,2),(3,4)],dtype=[('a','<i4'),('b','<i8')])
print(HXH) #[(1, 2) (3, 4)]
#下面的輸出有點神奇，我也隻能記住規律瞭。
print(HXH["a"]) #[1 3]
print(HXH["b"]) #[2 4]
print(HXH.dtype) #[('a', '<i4'), ('b', '<i8')]
print(HXH["a"].dtype) #int32
print(HXH["b"].dtype) #int64
TSL = np.array([(1,2,3),(4,5,6)],dtype=[("a","i"),("b","i"),("c","i")])
print(TSL["a"]) #[1 4]
print(TSL["a"].dtype) #int32
上述代碼中，numpy的數據類型，可以百度下
subok參數使用示例
import numpy as np
DYX = np.array(np.mat('1 2; 3 4'))
#沒有顯示的寫出subok的值，但是默認為False
print(DYX)
#數組類型
print(type(DYX)) #<class 'numpy.ndarray'>
"""
[[1 2]
[3 4]]
"""
HXH = np.array(np.mat('1 2; 3 4'), subok=True)
print(HXH)
#矩陣類型
print(type(HXH)) #<class 'numpy.matrixlib.defmatrix.matrix'>
"""
[[1 2]
[3 4]]
"""
前文對subok的描述是這樣的：“如果為True，則子類將被傳遞，否則返回的數組將被強制為基類數組（默認）”。
在上文的代碼中“np.mat(‘1 2; 3 4’)”，就是子類，是矩陣類型。DYX = np.array(np.mat(‘1 2; 3 4’))中subok為False，返回的數組類型被強制為基類數組，所以DYX的類型是<class ‘numpy.ndarray’>，是數組；HXH = np.array(np.mat(‘1 2; 3 4’), subok=True)中subok為True，子類被傳遞，所以HXH的類型是矩陣<class ‘numpy.matrixlib.defmatrix.matrix’>。
這就是區別所在。
ndmin參數使用示例
import numpy as np DYX = np.array([1,2,3],ndmin=0) print(DYX,DYX.shape) #[1 2 3] (3,) HXH = np.array([1,2,3],ndmin=1) print(HXH,HXH.shape) #[1 2 3] (3,) TSL = np.array([1,2,3],ndmin=2) print(TSL,TSL.shape) #[[1 2 3]] (1, 3)
其他兩個參數copy和order，我至今還沒有遇到過，所以暫且不表。誰有介紹這兩個參數用法的博客嗎？
2. Asarray和Array辨析
Numpy.asaray的用法不再贅述，主要介紹一下二者的區別。
2.1 object對象是普通迭代序列時
import numpy as np data = [1,1,1] print(type(data)) #<class 'list'> 列表類型 arr_ar = np.array(data) arr_as = np.asarray(data) #輸出上沒有區別 print(arr_ar) #[1 1 1] print(arr_as) #[1 1 1] data[1]=2 #改變原序列對arr_ar和arr_as沒影響 print(arr_ar) #[1 1 1] print(arr_as) #[1 1 1] #此時data是[1, 2, 1] #改變arr_ar和arr_as對原序列沒有影響 arr_ar[1]=3 print(data) #[1, 2, 1] arr_as[1]=3 print(data) #[1, 2, 1]
可見在參數對象是普通迭代序列時，asarray和array沒有區別（在我的理解范圍內）。
2.2 object對象是ndarray對象時
import numpy as np data = np.ones((3,)) #print(type(data)) #<class 'numpy.ndarray'> 數組類型 arr_ar = np.array(data) arr_as = np.asarray(data) print(arr_ar) #[1. 1. 1.] print(arr_as) #[1. 1. 1.] """ 這邊區別就出來瞭。修改原始序列後， np.array()產生的數組不變， 但是np.asarray()產生的數組發生瞭變化 """ data[1]=2 print(arr_ar) #[1. 1. 1.] print(arr_as) #[1. 2. 1.] !!! """ 這邊也有區別，修改array產生的數組，不影響原始序列 修改asarray產生的數組，會影響原始序列 """ #此時data=[1. 2. 1.] arr_ar[2]=3 print(data) #[1. 2. 1.] arr_as[2]=3 print(data) #[1. 2. 3.]
我們總結一下：
相同點：array和asarray都可以將數組轉化為ndarray對象。
區別：當參數為一般數組時，兩個函數結果相同；當參數本身就是ndarray類型時，array會新建一個ndarray對象，作為參數的副本，但是asarray不會新建，而是與參數共享同一個內存。重點就是這個共享內存。
3.Numpy.ndarray()
這是最近在一個項目裡看到的用法，搜索瞭一下用法，隻在stackoverflow看到瞭一個問題：“What is the difference between ndarray and array in numpy?”。
地址如下：https://stackoverflow.com/questions/15879315/what-is-the-difference-between-ndarray-and-array-in-numpy
numpy.array隻是一個創建ndarray的便利函數；它本身不是一個類。他講到也可以使用numpy.ndarray創建一個數組，但這不是推薦的方法。 numpy.ndarray() 是一個類，而numpy.array() 是一個創建ndarray的方法/函數。
在numpy docs中，如果你想從ndarray類創建一個數組，你可以用引用的2種方式來做：
（1）.using array(), zeros() or empty() methods: Arrays should be constructed using array, zeros or empty (refer to the See Also section below). The parameters given here refer to a low-level method (ndarray(…)) for instantiating an array.【1-使用array()， zeros()或empty()方法：數組應該使用array, zeros()或empty()構造。這裡給出的參數引用用於實例化數組的低級方法(ndarray(…))。】
（2）.from ndarray class directly: There are two modes of creating an array using new: If buffer is None, then only shape, dtype, and order are used. If buffer is an object exposing the buffer interface, then all keywords are interpreted.【2-來自ndarray類：使用new創建數組有兩種模式：如果buffer是None，則隻使用shape，dtype和order。 如果buffer是公開buffer接口的對象，則解釋所有關鍵字。】
所以說老老實實用numpy.array()吧。
以上為個人經驗，希望能給大傢一個參考，也希望大傢多多支持WalkonNet。
推薦閱讀：
- Numpy np.array()函數使用方法指南
- 關於NumPy中asarray的用法及說明
- python數學建模之Numpy 應用介紹與Pandas學習
- python數學建模是加深Numpy和Pandas學習
- NumPy-ndarray 的數據類型用法說明