聊聊Numpy.array中[:]和[::]的区别在哪

>>> 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]

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

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]]
"""

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

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]]
"""

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)

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]

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.]