[:]和[::]的區(qū)別蠻大的，用的好可以節(jié)省時(shí)間，下面以實(shí)例進(jìn)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為1~5的數(shù)組，范圍是左閉右開(kāi)
[2 3 4 5]
>>> print(x[3:])#打印index=3之后的數(shù)組，包含index=3
[ 4  5  6  7  8  9 10 11 12]
>>> print(x[:9])#打印index=9之前的數(shù)組，不包含index=9
[1 2 3 4 5 6 7 8 9]
>>> print(x[1:-2])#打印index=1到倒數(shù)第2個(gè)index之間的數(shù)組
[ 2  3  4  5  6  7  8  9 10]
>>> print(x[-9:-2])#打印倒數(shù)第9個(gè)index和倒數(shù)第2個(gè)index之間的數(shù)組，左開(kāi)右閉
[ 4  5  6  7  8  9 10]

array([::])

>>> print(x[1::3])#以index=1為起始位置，間隔3
[ 2  5  8 11]
>>> print(x[::3])#默認(rèn)從index=0開(kāi)始，間隔3
[ 1  4  7 10]
>>> print(x[3::])#和[3:]一樣
[ 4  5  6  7  8  9 10 11 12]
>>> print(x[::-1])#反向打印數(shù)據(jù)，從最后一個(gè)index開(kāi)始，間隔為1
[12 11 10  9  8  7  6  5  4  3  2  1]
>>> print(x[::-3])#反向打印數(shù)據(jù)，從最后一個(gè)index開(kāi)始，間隔為3
[12  9  6  3]
>>> print(x[7:2:-1])#反向打印index=2(不包含)到index=7之間的數(shù)據(jù)
[8 7 6 5 4]

也是碰到這方面的問(wèn)題，沒(méi)搞明白，干脆試了試就清楚了，應(yīng)該[:]和[::]還有很多有趣的地方。

補(bǔ)充：Numpy.array()詳解 、np.array與np.asarray辨析、 np.array和np.ndarry的區(qū)別

記錄一下numpy.array()的詳細(xì)用法，以及與np.asarray()和np.ndarray()的區(qū)別。

1. Numpy.array()詳解

該函數(shù)的作用一言蔽之就是用來(lái)產(chǎn)生數(shù)組。

1.1 函數(shù)形式

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

1.2 參數(shù)詳解

object：必選參數(shù)，類(lèi)型為array_like，可以有四種類(lèi)型：數(shù)組，公開(kāi)數(shù)組接口的任何對(duì)象，__array__方法返回?cái)?shù)組的對(duì)象，或任何（嵌套）序列。np.array()的作用就是按照一定要求將object轉(zhuǎn)換為數(shù)組。

dtype：可選參數(shù)，用來(lái)表示數(shù)組元素的類(lèi)型。如果沒(méi)有給出，那么類(lèi)型將被確定為保持序列中的對(duì)象所需的最小類(lèi)型。注： This argument can only be used to ‘upcast' the array. For downcasting, use the .astype(t) method.

copy：可選參數(shù)，類(lèi)型為bool值。如果為true（默認(rèn)值），則復(fù)制對(duì)象。否則的話只有在以下三種情況下才會(huì)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 。指定陣列的內(nèi)存布局。該參數(shù)我至今還沒(méi)有遇到過(guò)具體用法，這句話的意思就是我不會(huì)，故在此省略。

subok：可選參數(shù)，類(lèi)型為bool值。如果為T(mén)rue，則子類(lèi)將被傳遞，否則返回的數(shù)組將被強(qiáng)制為基類(lèi)數(shù)組（默認(rèn)）。或者說(shuō)，True：使用object的內(nèi)部數(shù)據(jù)類(lèi)型，F(xiàn)alse：使用object數(shù)組的數(shù)據(jù)類(lèi)型。

ndmin：可選參數(shù)，類(lèi)型為int型。指定結(jié)果數(shù)組應(yīng)具有的最小維數(shù)。

返回對(duì)象

out：輸出ndarray，滿足指定要求的數(shù)組對(duì)象。

1.3 具體用法

簡(jiǎn)單示例

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參數(shù)使用示例

import numpy as np
 
#指定數(shù)組元素類(lèi)型為復(fù)數(shù)類(lèi)型
DYX= np.array([1,2,3],dtype = complex)
print(DYX) #[1.+0.j 2.+0.j 3.+0.j]
print(DYX.dtype)  #complex128
 
#由多個(gè)元素組成的數(shù)據(jù)類(lèi)型：
HXH = np.array([(1,2),(3,4)],dtype=[('a','<i4'),('b','<i8')])
print(HXH)  #[(1, 2) (3, 4)]
#下面的輸出有點(diǎn)神奇，我也只能記住規(guī)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

上述代碼中，numpy的數(shù)據(jù)類(lèi)型，可以百度下

subok參數(shù)使用示例

import numpy as np
 
DYX = np.array(np.mat('1 2; 3 4'))
#沒(méi)有顯示的寫(xiě)出subok的值，但是默認(rèn)為False
print(DYX)
#數(shù)組類(lèi)型
print(type(DYX))  #<class 'numpy.ndarray'>
"""
[[1 2]
 [3 4]]
"""
 
HXH = np.array(np.mat('1 2; 3 4'), subok=True)
print(HXH)
#矩陣類(lèi)型
print(type(HXH))  #<class 'numpy.matrixlib.defmatrix.matrix'>
"""
[[1 2]
 [3 4]]
"""

前文對(duì)subok的描述是這樣的：“如果為T(mén)rue，則子類(lèi)將被傳遞，否則返回的數(shù)組將被強(qiáng)制為基類(lèi)數(shù)組（默認(rèn)）”。

在上文的代碼中“np.mat('1 2; 3 4')”，就是子類(lèi)，是矩陣類(lèi)型。DYX = np.array(np.mat('1 2; 3 4'))中subok為False，返回的數(shù)組類(lèi)型被強(qiáng)制為基類(lèi)數(shù)組，所以DYX的類(lèi)型是<class 'numpy.ndarray'>，是數(shù)組；HXH = np.array(np.mat('1 2; 3 4'), subok=True)中subok為T(mén)rue，子類(lèi)被傳遞，所以HXH的類(lèi)型是矩陣<class 'numpy.matrixlib.defmatrix.matrix'>。

這就是區(qū)別所在。

ndmin參數(shù)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)

其他兩個(gè)參數(shù)copy和order，我至今還沒(méi)有遇到過(guò)，所以暫且不表。誰(shuí)有介紹這兩個(gè)參數(shù)用法的博客嗎？

2. Asarray和Array辨析

Numpy.asaray的用法不再贅述，主要介紹一下二者的區(qū)別。

2.1 object對(duì)象是普通迭代序列時(shí)

import numpy as np
 
data = [1,1,1]
print(type(data)) #<class 'list'> 列表類(lèi)型
arr_ar = np.array(data)
arr_as = np.asarray(data)
 
#輸出上沒(méi)有區(qū)別
print(arr_ar) #[1 1 1]
print(arr_as) #[1 1 1]
 
data[1]=2
#改變?cè)蛄袑?duì)arr_ar和arr_as沒(méi)影響
print(arr_ar) #[1 1 1]
print(arr_as) #[1 1 1]
 
#此時(shí)data是[1, 2, 1]
#改變arr_ar和arr_as對(duì)原序列沒(méi)有影響
arr_ar[1]=3
print(data) #[1, 2, 1]
arr_as[1]=3
print(data)  #[1, 2, 1]

可見(jiàn)在參數(shù)對(duì)象是普通迭代序列時(shí)，asarray和array沒(méi)有區(qū)別（在我的理解范圍內(nèi)）。

2.2 object對(duì)象是ndarray對(duì)象時(shí)

import numpy as np 
data = np.ones((3,))
#print(type(data)) #<class 'numpy.ndarray'> 數(shù)組類(lèi)型
arr_ar = np.array(data)
arr_as = np.asarray(data)
 
print(arr_ar) #[1. 1. 1.]
print(arr_as) #[1. 1. 1.]
 
"""
這邊區(qū)別就出來(lái)了。修改原始序列后，
np.array()產(chǎn)生的數(shù)組不變，
但是np.asarray()產(chǎn)生的數(shù)組發(fā)生了變化
"""
data[1]=2
print(arr_ar) #[1. 1. 1.]
print(arr_as) #[1. 2. 1.]  !!!
 
"""
這邊也有區(qū)別，修改array產(chǎn)生的數(shù)組，不影響原始序列
修改asarray產(chǎn)生的數(shù)組，會(huì)影響原始序列
"""
#此時(shí)data=[1. 2. 1.]
arr_ar[2]=3
print(data)  #[1. 2. 1.]
arr_as[2]=3
print(data)  #[1. 2. 3.]

我們總結(jié)一下：

相同點(diǎn)：array和asarray都可以將數(shù)組轉(zhuǎn)化為ndarray對(duì)象。

區(qū)別：當(dāng)參數(shù)為一般數(shù)組時(shí)，兩個(gè)函數(shù)結(jié)果相同；當(dāng)參數(shù)本身就是ndarray類(lèi)型時(shí)，array會(huì)新建一個(gè)ndarray對(duì)象，作為參數(shù)的副本，但是asarray不會(huì)新建，而是與參數(shù)共享同一個(gè)內(nèi)存。重點(diǎn)就是這個(gè)共享內(nèi)存。

3.Numpy.ndarray()

這是最近在一個(gè)項(xiàng)目里看到的用法，搜索了一下用法，只在stackoverflow看到了一個(gè)問(wèn)題：“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只是一個(gè)創(chuàng)建ndarray的便利函數(shù)；它本身不是一個(gè)類(lèi)。他講到也可以使用numpy.ndarray創(chuàng)建一個(gè)數(shù)組，但這不是推薦的方法。 numpy.ndarray() 是一個(gè)類(lèi)，而numpy.array() 是一個(gè)創(chuàng)建ndarray的方法/函數(shù)。

在numpy docs中，如果你想從ndarray類(lèi)創(chuàng)建一個(gè)數(shù)組，你可以用引用的2種方式來(lái)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：數(shù)組應(yīng)該使用array, zeros()或empty()構(gòu)造。這里給出的參數(shù)引用用于實(shí)例化數(shù)組的低級(jí)方法(ndarray(…))?！?/p>

（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-來(lái)自ndarray類(lèi)：使用new創(chuàng)建數(shù)組有兩種模式：如果buffer是None，則只使用shape，dtype和order。 如果buffer是公開(kāi)buffer接口的對(duì)象，則解釋所有關(guān)鍵字。】

所以說(shuō)老老實(shí)實(shí)用numpy.array()吧。

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。