小编给大家分享一下Numpy.array中[:]和[::]的区别有哪些，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！
>>> 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]
>>> 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。
该函数的作用一言蔽之就是用来产生数组。
numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)
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。
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？
Numpy.asaray的用法不再赘述，主要介绍一下二者的区别。
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）。
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。
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。
（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。
以上是“Numpy.array中[:]和[::]的区别有哪些”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
