• 企业400电话
  • 微网小程序
  • AI电话机器人
  • 电商代运营
  • 全 部 栏 目

    企业400电话 网络优化推广 AI电话机器人 呼叫中心 网站建设 商标✡知产 微网小程序 电商运营 彩铃•短信 增值拓展业务
    聊聊Numpy.array中[:]和[::]的区别在哪

    [:]和[::]的区别蛮大的,用的好可以节省时间,下面以实例进行分析

    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为1~5的数组,范围是左闭右开
    [2 3 4 5]
    >>> print(x[3:])#打印index=3之后的数组,包含index=3
    [ 4  5  6  7  8  9 10 11 12]
    >>> print(x[:9])#打印index=9之前的数组,不包含index=9
    [1 2 3 4 5 6 7 8 9]
    >>> print(x[1:-2])#打印index=1到倒数第2个index之间的数组
    [ 2  3  4  5  6  7  8  9 10]
    >>> print(x[-9:-2])#打印倒数第9个index和倒数第2个index之间的数组,左开右闭
    [ 4  5  6  7  8  9 10]

    array([::])

    >>> print(x[1::3])#以index=1为起始位置,间隔3
    [ 2  5  8 11]
    >>> print(x[::3])#默认从index=0开始,间隔3
    [ 1  4  7 10]
    >>> print(x[3::])#和[3:]一样
    [ 4  5  6  7  8  9 10 11 12]
    >>> print(x[::-1])#反向打印数据,从最后一个index开始,间隔为1
    [12 11 10  9  8  7  6  5  4  3  2  1]
    >>> print(x[::-3])#反向打印数据,从最后一个index开始,间隔为3
    [12  9  6  3]
    >>> print(x[7:2:-1])#反向打印index=2(不包含)到index=7之间的数据
    [8 7 6 5 4]

    也是碰到这方面的问题,没搞明白,干脆试了试就清楚了,应该[:]和[::]还有很多有趣的地方。

    补充:Numpy.array()详解 、np.array与np.asarray辨析、 np.array和np.ndarry的区别

    记录一下numpy.array()的详细用法,以及与np.asarray()和np.ndarray()的区别。

    1. Numpy.array()详解

    该函数的作用一言蔽之就是用来产生数组。

    1.1 函数形式

    numpy.array(object, 
        dtype=None, 
        copy=True, 
        order='K', 
        subok=False, 
        ndmin=0)

    1.2 参数详解

    object:必选参数,类型为array_like,可以有四种类型:数组,公开数组接口的任何对象,__array__方法返回数组的对象,或任何(嵌套)序列。np.array()的作用就是按照一定要求将object转换为数组。

    dtype:可选参数,用来表示数组元素的类型。如果没有给出,那么类型将被确定为保持序列中的对象所需的最小类型。注: This argument can only be used to ‘upcast' the array. For downcasting, use the .astype(t) method.

    copy:可选参数,类型为bool值。如果为true(默认值),则复制对象。否则的话只有在以下三种情况下才会返回副本:(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 。指定阵列的内存布局。该参数我至今还没有遇到过具体用法,这句话的意思就是我不会,故在此省略。

    subok:可选参数,类型为bool值。如果为True,则子类将被传递,否则返回的数组将被强制为基类数组(默认)。或者说,True:使用object的内部数据类型,False:使用object数组的数据类型。

    ndmin:可选参数,类型为int型。指定结果数组应具有的最小维数。

    返回对象

    out:输出ndarray,满足指定要求的数组对象。

    1.3 具体用法

    简单示例

    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参数使用示例

    import numpy as np
     
    #指定数组元素类型为复数类型
    DYX= np.array([1,2,3],dtype = complex)
    print(DYX) #[1.+0.j 2.+0.j 3.+0.j]
    print(DYX.dtype)  #complex128
     
    #由多个元素组成的数据类型:
    HXH = np.array([(1,2),(3,4)],dtype=[('a','i4'),('b','i8')])
    print(HXH)  #[(1, 2) (3, 4)]
    #下面的输出有点神奇,我也只能记住规律了。
    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

    上述代码中,numpy的数据类型,可以百度下

    subok参数使用示例

    import numpy as np
     
    DYX = np.array(np.mat('1 2; 3 4'))
    #没有显示的写出subok的值,但是默认为False
    print(DYX)
    #数组类型
    print(type(DYX))  #class 'numpy.ndarray'>
    """
    [[1 2]
     [3 4]]
    """
     
    HXH = np.array(np.mat('1 2; 3 4'), subok=True)
    print(HXH)
    #矩阵类型
    print(type(HXH))  #class 'numpy.matrixlib.defmatrix.matrix'>
    """
    [[1 2]
     [3 4]]
    """

    前文对subok的描述是这样的:“如果为True,则子类将被传递,否则返回的数组将被强制为基类数组(默认)”。

    在上文的代码中“np.mat('1 2; 3 4')”,就是子类,是矩阵类型。DYX = np.array(np.mat('1 2; 3 4'))中subok为False,返回的数组类型被强制为基类数组,所以DYX的类型是class 'numpy.ndarray'>,是数组;HXH = np.array(np.mat('1 2; 3 4'), subok=True)中subok为True,子类被传递,所以HXH的类型是矩阵class 'numpy.matrixlib.defmatrix.matrix'>。

    这就是区别所在。

    ndmin参数使用示例

    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)

    其他两个参数copy和order,我至今还没有遇到过,所以暂且不表。谁有介绍这两个参数用法的博客吗?

    2. Asarray和Array辨析

    Numpy.asaray的用法不再赘述,主要介绍一下二者的区别。

    2.1 object对象是普通迭代序列时

    import numpy as np
     
    data = [1,1,1]
    print(type(data)) #class 'list'> 列表类型
    arr_ar = np.array(data)
    arr_as = np.asarray(data)
     
    #输出上没有区别
    print(arr_ar) #[1 1 1]
    print(arr_as) #[1 1 1]
     
    data[1]=2
    #改变原序列对arr_ar和arr_as没影响
    print(arr_ar) #[1 1 1]
    print(arr_as) #[1 1 1]
     
    #此时data是[1, 2, 1]
    #改变arr_ar和arr_as对原序列没有影响
    arr_ar[1]=3
    print(data) #[1, 2, 1]
    arr_as[1]=3
    print(data)  #[1, 2, 1]

    可见在参数对象是普通迭代序列时,asarray和array没有区别(在我的理解范围内)。

    2.2 object对象是ndarray对象时

    import numpy as np 
    data = np.ones((3,))
    #print(type(data)) #class 'numpy.ndarray'> 数组类型
    arr_ar = np.array(data)
    arr_as = np.asarray(data)
     
    print(arr_ar) #[1. 1. 1.]
    print(arr_as) #[1. 1. 1.]
     
    """
    这边区别就出来了。修改原始序列后,
    np.array()产生的数组不变,
    但是np.asarray()产生的数组发生了变化
    """
    data[1]=2
    print(arr_ar) #[1. 1. 1.]
    print(arr_as) #[1. 2. 1.]  !!!
     
    """
    这边也有区别,修改array产生的数组,不影响原始序列
    修改asarray产生的数组,会影响原始序列
    """
    #此时data=[1. 2. 1.]
    arr_ar[2]=3
    print(data)  #[1. 2. 1.]
    arr_as[2]=3
    print(data)  #[1. 2. 3.]

    我们总结一下:

    相同点:array和asarray都可以将数组转化为ndarray对象。

    区别:当参数为一般数组时,两个函数结果相同;当参数本身就是ndarray类型时,array会新建一个ndarray对象,作为参数的副本,但是asarray不会新建,而是与参数共享同一个内存。重点就是这个共享内存。

    3.Numpy.ndarray()

    这是最近在一个项目里看到的用法,搜索了一下用法,只在stackoverflow看到了一个问题:“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只是一个创建ndarray的便利函数;它本身不是一个类。他讲到也可以使用numpy.ndarray创建一个数组,但这不是推荐的方法。 numpy.ndarray() 是一个类,而numpy.array() 是一个创建ndarray的方法/函数。

    在numpy docs中,如果你想从ndarray类创建一个数组,你可以用引用的2种方式来做:

    (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:数组应该使用array, zeros()或empty()构造。这里给出的参数引用用于实例化数组的低级方法(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-来自ndarray类:使用new创建数组有两种模式:如果buffer是None,则只使用shape,dtype和order。 如果buffer是公开buffer接口的对象,则解释所有关键字。】

    所以说老老实实用numpy.array()吧。

    以上为个人经验,希望能给大家一个参考,也希望大家多多支持脚本之家。

    您可能感兴趣的文章:
    • 浅谈numpy中np.array()与np.asarray的区别以及.tolist
    • 对numpy中array和asarray的区别详解
    • Python list与NumPy array 区分详解
    上一篇:Android+OpenCv4实现边缘检测及轮廓绘制出图像最大边缘
    下一篇:NumPy-ndarray 的数据类型用法说明
  • 相关文章
  • 

    © 2016-2020 巨人网络通讯 版权所有

    《增值电信业务经营许可证》 苏ICP备15040257号-8

    聊聊Numpy.array中[:]和[::]的区别在哪 聊聊,Numpy.array,中,和,的,