一、python中“::-1”代表什么？

在Python中::-1表示將字符或數(shù)字倒序輸出（也稱【反轉(zhuǎn)】）。

舉個(gè)栗子，當(dāng)line = "abcde"時(shí)，使用語句line[::-1]，最后的運(yùn)行結(jié)果為：‘edcba’。

二、python中“:”的用法

在Python中a[i:j]表示復(fù)制字符串或數(shù)字從a[i]到a[j-1]（也稱【切片】）。 當(dāng)切片中，i 或 j 的位置被“:”替換時(shí)，切片結(jié)果如下：

• 當(dāng)i缺省時(shí)，默認(rèn)為i=0，即 a[:3]相當(dāng)于 a[0:3]；
• 當(dāng)j缺省時(shí)，默認(rèn)為j=len(a), 即a[1:]相當(dāng)于a[1:10]；
• 當(dāng)i,j都缺省時(shí)，a[::]就相當(dāng)于完整復(fù)制一份a。

備注：上例中，假設(shè) a = [0,1,2,3,4,5,6,7,8,9]。

參考：python中::-1代表什么？

在Python中：：-1表示將字符或數(shù)字倒序輸出。舉個(gè)栗子，當(dāng)line = "abcde"時(shí)，使用語句line[::-1]，最后的運(yùn)行結(jié)果為：'edcba'。下面請(qǐng)看詳細(xì)解釋。

一、反轉(zhuǎn)

：：-1涉及到將數(shù)字或字符倒序輸出

二、詳解

1、i：j

a = [0,1,2,3,4,5,6,7,8,9]
b = a[i:j] 表示復(fù)制a[i]到a[j-1]，以生成新的list對(duì)象
b = a[1:3] 那么，b的內(nèi)容是 [1,2]
當(dāng)i缺省時(shí)，默認(rèn)為0，即 a[:3]相當(dāng)于 a[0:3]
當(dāng)j缺省時(shí)，默認(rèn)為len(alist), 即a[1:]相當(dāng)于a[1:10]
當(dāng)i,j都缺省時(shí)，a[:]就相當(dāng)于完整復(fù)制一份a了

舉個(gè)栗子：

line = "abcde"
line[:-1]
結(jié)果為：'abcd'

2、：：-1

b = a[i:j:s]這種格式呢，i,j與上面的一樣，但s表示步進(jìn)，缺省為1.
所以a[i:j:1]相當(dāng)于a[i:j]
當(dāng)s<0時(shí)，i缺省時(shí)，默認(rèn)為-1. j缺省時(shí)，默認(rèn)為-len(a)-1
所以a[::-1]相當(dāng)于 a[-1:-len(a)-1:-1]，也就是從最后一個(gè)元素到第一個(gè)元素復(fù)制一遍。所以你看到一個(gè)倒序的東東。

舉個(gè)栗子：

line = "abcde"
line[::-1]
結(jié)果為：'edcba'
line[:-1]其實(shí)就是去除了這行文本的最后一個(gè)字符（換行符）后剩下的部分。

實(shí)際上問題不難，你自己動(dòng)手運(yùn)行一下就會(huì)非常清楚。

三、python中數(shù)組切片

1、NumPy 數(shù)組正切片的規(guī)則：

python 中【切片】的意思是將元素從一個(gè)給定的索引帶到另一個(gè)給定的索引。

• 我們像這樣傳遞切片而不是索引：[start：end]。
• 我們還可以定義步長(zhǎng)，如下所示：[start：end：step]。

備注：

如果我們不傳遞 start，則將其視為 0。如果我們不傳遞 end，則視為該維度內(nèi)數(shù)組的長(zhǎng)度。如果我們不傳遞 step，則視為 1。

numpy中一維數(shù)組切片：

a=np.array([1,2,3,4,5])
print(a)
>>>
array([1, 2, 3, 4, 5])
# 切片
print(a[0])#查詢
>>>
1
print(a[1:3])#切片
>>>
[2 3]

numpy中二維數(shù)組切片：

a = np.array([
    [1,2,3,4],
    [5,6,7,8],
    [9,10,11,12]
])
print(a[0,3])#第一行，第四列
>>>
4
print(a[:,3])#第四列
>>>
[ 4  8 12]
print(a[0,:])#第一行
>>>
[1 2 3 4]

"""
對(duì)數(shù)組使用均值函數(shù)mean()
"""
print(a.mean(axis=1))#計(jì)算同一列下，每一行各數(shù)字的平均值
>>>
[ 2.5  6.5 10.5]

print(a.mean(axis=0))#計(jì)算同一行下，每一列各數(shù)字的平均值
>>>
[5. 6. 7. 8.]

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[1:5]) # 裁切索引 1 到索引 5(不包括)的元素
>>>
[2 3 4 5]
print(arr[4:]) # 裁切數(shù)組中索引 4 到結(jié)尾的
>>>
[5 6 7]
print(arr[:4]) # 裁切從開頭到索引 4（不包括）的元素
>>>
[1 2 3 4]

2、NumPy 數(shù)組的負(fù)切片的規(guī)則：

使用減號(hào)運(yùn)算符從末尾開始引用索引：[-start：-end]。

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
# 從末尾開始的索引 3 到末尾開始的索引 1，對(duì)數(shù)組進(jìn)行切片：
print(arr[-3:-1])
>>>
[5 6]

3、NumPy 數(shù)組的使用【STEP步長(zhǎng)】切片的規(guī)則：

使用 step 值確定切片的步長(zhǎng)：[start: end: step]。

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[1:5:2]) # 從索引 1 到索引 5，返回相隔的元素
>>>
[2 4]
print(arr[::2])# 返回?cái)?shù)組中相隔的元素
>>>
[1 3 5 7]

3、NumPy 數(shù)組中 2-D 數(shù)組的切片規(guī)則：

從第二個(gè)元素開始，對(duì)從索引 1 到索引 4（不包括）的元素進(jìn)行切片。 結(jié)果的示例如下：

import numpy as np
arr = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
print(arr[1, 1:4]) # 從第二個(gè)元素開始，對(duì)從索引 1 到索引 4（不包括）的元素進(jìn)行切片
>>>
[7 8 9]

NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整數(shù)和切片的索引外，數(shù)組可以由整數(shù)數(shù)組索引、布爾索引及花式索引。

三、numpy中的整數(shù)數(shù)組索引

numpy中的整數(shù)數(shù)組索引的切片規(guī)則：

以下實(shí)例獲取數(shù)組中(0,0)，(1,1)和(2,0)位置處的元素。

import numpy as np
x = np.array([[1,2],[3,4],[5,5]])
y = x[[0,1,2],[0,1,0]]
print(y)
>>>
[1 4 5]

x = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11]])
x
>>>
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

# 切片模式一：輸出結(jié)果寫入單列表
rows = np.array([0,3,0,3])
cols = np.array([0,0,2,2])
y = x[rows,cols]
print(y)
>>>
[ 0  9  2 11]
# 切片模式二：輸出結(jié)果寫入二維數(shù)組
rows = np.array([[0,0],[3,3]])
cols = np.array([[0,2],[0,2]])
y = x[rows,cols]
print(y)
>>>
[[ 0  2]
 [ 9 11]]
# 切片模式二：輸出結(jié)果寫入2*3的數(shù)組
rows = np.array([[0,0,1],[3,2,3]])
cols = np.array([[0,2,1],[0,1,2]])
y = x[rows,cols]
print(y)
>>>
array([[0, 2, 1],
       [0, 1, 2]])

四、numpy中借助【切片 : 或 …與索引數(shù)組】組合進(jìn)行復(fù)雜切片

借助切片 : 或 … 與索引數(shù)組組合。如下面實(shí)例：

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
a
>>>
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
b = a[1:3,1:3]
b
>>>
array([[5, 6],
       [8, 9]])

c = a[1:3,[1,2]]
c
>>>
array([[5, 6],
       [8, 9]])
d = a[...,1:]   #  arr[..., 1] 等價(jià)于 arr[:, :, 1]
d
>>>
array([[2, 3],
       [5, 6],
       [8, 9]])

五、布爾索引

我們可以通過一個(gè)布爾數(shù)組來索引目標(biāo)數(shù)組。

布爾索引通過布爾運(yùn)算（如：比較運(yùn)算符）來獲取符合指定條件的元素的數(shù)組。

一、以下實(shí)例獲取大于 5 的元素：
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print (x)
>>> 
[[ 0 1 2]
 [ 3 4 5]
 [ 6 7 8]
 [ 9 10 11]]
print (x[x > 5]) # 現(xiàn)在我們會(huì)打印出大于 5 的元素
>>>
[ 6 7 8 9 10 11]

二、以下實(shí)例使用了 ~（取補(bǔ)運(yùn)算符）來過濾 NaN。
import numpy as np
a = np.array([np.nan, 1,2,np.nan,3,4,5]) 
print (a[~np.isnan(a)])
>>> 
[ 1. 2. 3. 4. 5.]
三、以下實(shí)例演示如何從數(shù)組中過濾掉非復(fù)數(shù)元素。
import numpy as np
a = np.array([1, 2+6j, 5, 3.5+5j]) 
print (a[np.iscomplex(a)])
>>> 
[2.0+6.j 3.5+5.j]

六、花式索引

花式索引指的是利用整數(shù)數(shù)組進(jìn)行索引。

花式索引根據(jù)索引數(shù)組的值作為目標(biāo)數(shù)組的某個(gè)軸的下標(biāo)來取值。

1. 對(duì)于使用一維整型數(shù)組作為索引，如果目標(biāo)是一維數(shù)組，那么索引的結(jié)果就是對(duì)應(yīng)位置的元素；
2. 如果目標(biāo)是二維數(shù)組，那么就是對(duì)應(yīng)下標(biāo)的行。

import numpy as np
x=np.arange(32).reshape((8,4))
print (x[[4,2,1,7]]) # 傳入順序索引數(shù)組

>>> 
[[16 17 18 19]
 [ 8 9 10 11]
 [ 4 5 6 7]
 [28 29 30 31]]
print (x[[-4,-2,-1,-7]]) # 傳入倒序索引數(shù)組
>>> 
[[16 17 18 19]
 [24 25 26 27]
 [28 29 30 31]
 [ 4 5 6 7]]
print (x[np.ix_([1,5,7,2],[0,3,1,2])]) # 傳入多個(gè)索引數(shù)組（要使用np.ix_）
>>> 
[[ 4 7 5 6]
 [20 23 21 22]
 [28 31 29 30]
 [ 8 11 9 10]]

原理：

np.ix_函數(shù)就是輸入兩個(gè)數(shù)組，產(chǎn)生笛卡爾積的映射關(guān)系

舉個(gè)例子：

將輸入數(shù)組[1,5,7,2]和數(shù)組[0,3,1,2]產(chǎn)生笛卡爾積，就是得到(1,0)，(1,3)，(1,1)，(1,2)；(5,0)，(5,3)，(5,1)，(5,2)；(7,0)，(7,3)，(7,1)，(7,2)；(2,0)，(2,3)，(2,1)，(2,2)；
就是按照坐標(biāo)(1,0)，(1,3)，(1,1)，(1,2)取得 x所對(duì)應(yīng)的元素4，7，5，6，(5,0)，(5,3)，(5,1)，(5,2)取得 x 所對(duì)應(yīng)的元素20，23，21，22…以此類推。

import numpy as np 
x=np.arange(32).reshape((8,4))
print (x[np.ix_([1,5,7,2],[0,3,1,2])])
>>>
[[ 4  7  5  6]
 [20 23 21 22]
 [28 31 29 30]
 [ 8 11  9 10]]

總結(jié)

到此這篇關(guān)于Python中數(shù)組切片的用法詳解的文章就介紹到這了,更多相關(guān)Python數(shù)組切片用法內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論