[:][:] 和 [:,:] 在 NumPy 中有什么区别？答案

【问题标题】：What is the difference in NumPy between [:][:] and [:,:]?[:][:] 和 [:,:] 在 NumPy 中有什么区别？
【发布时间】：2020-03-09 19:08:05
【问题描述】：

我对python编程很熟悉，但是我发现了一些奇怪的情况，以下两行代码提供了不同的结果（假设两个数组是二维的）：

A[:][:] = B[:][:]

和

A[:,:] = B[:,:]

不知有没有什么情况，解释一下。

有什么提示吗？

例子：

>>> x = numpy.array([[1, 2], [3, 4], [5, 6]])
>>> x
array([[1, 2],
       [3, 4],
       [5, 6]])
>>> x[1][1]
4                 # expected behavior
>>> x[1,1]
4                 # expected behavior
>>> x[:][1]
array([3, 4])     # huh?
>>> x[:,1]
array([2, 4, 6])  # expected behavior

【问题讨论】：

一个是多维列表，另一个是锯齿状列表。见ict.social/python/basics/multidimensional-lists-in-python
@RobertHarvey 问题是关于numpy.ndarray 对象，真的，你不能仅仅从这里知道对象的类型，而且无论如何，python 列表没有“维度”。
好吧，好吧。但这不是问题要问的。
@RobertHarvey 好吧，问题不是锯齿状，而是 numpy.ndarray 对象实现真正的多维数组，并且不能锯齿状。该链接非常糟糕，给人很多误导性的印象，即它试图将其伪装成不仅仅是有用的抽象，而是“技术上如何实现事物”。
这个问题可以以现在的形式回答吗？

标签： python arrays numpy numpy-ndarray numpy-slicing

【解决方案1】：

让我们退后一步。试试这个：

>>> x = np.arange(6)

>>> x
array([0, 1, 2, 3, 4, 5])

>>> x[:]
array([0, 1, 2, 3, 4, 5])

>>> x[:][:]
array([0, 1, 2, 3, 4, 5])

>>> x[:][:][:][:][:][:][:][:][:][:]
array([0, 1, 2, 3, 4, 5])

看起来x[:] 等于x。（实际上，x[:] 创建了x 的副本。）

因此，x[:][1] == x[1]。

这是否符合我们的预期？为什么x[:] 应该是x 的副本？如果您熟悉切片，这些示例应该会阐明：

>>> x[0:4]
array([0, 1, 2, 3])

>>> x[0:6]
array([0, 1, 2, 3, 4, 5])

>>> x[0:]
array([0, 1, 2, 3, 4, 5])

>>> x[:]
array([0, 1, 2, 3, 4, 5])

我们可以省略0 和6，numpy 会计算出我们的最大尺寸。

关于您问题的第一部分，要创建B 的副本，您可以执行以下任一操作：

A = B[:, :]
A = B[...]
A = np.copy(B)

【讨论】：