花里胡哨！[:n],[::n],[:,:,n],[...,n]都是什么鬼！
花里胡哨！[:n],[::n],[:,:,n],[...,n]都是什么鬼！
我们在学习别人家的代码时，总是看到大神对数组各种犀利的取值、赋值、维度变换，看得我们眼（yi）花（lian）缭（meng）乱（bi），毫（zhua）无（er）脾（nao）气（sai）。有的时候，大神用[::3]，有的时候又用[:,:,3]，更加逆天的是还有[...,3],这个“...”又是什么？难道大神的代码会自动隐藏核心代码，以“...”取而代之？
还让不让人活了？佩服佩服。今天我们就来总结一波list和numpy数组的“:”操作。
先看list的“:”
list[:]
先从简单的来，相信大家用的也多。新建一个list变量a。比如
a = [0,3,8,11,15,16,20,17,28]a[:n]意思是取出a中的前n个元素，当n>len(a)时，不会报错哦，会返回a的所有元素。
a[:2]输出[0, 3]
a[:2000]输出[0, 3, 8, 11, 15, 16, 20, 17, 28] 。
如果
a[:-3]意思是取出a从第0个元素到倒数第三个元素之前的元素，即[0, 3, 8, 11, 15, 16]。而当n<-len(a)时，返回[]，这很好理解。
接下来a[:n]表示输出a的从第n个元素到最后一个元素，例如
a[2:]输出[8, 11, 15, 16, 20, 17, 28]。
a[-2:]输出后2个元素。同样的，如果abs(n)>len(a)也不会报溢出错误，和上述情况相同。
那么，a[:]是啥玩意呢？
a[:]输出的信息和a是一样的。a[:]可以看作是对a的复制，而不是a本身。举个栗子：
a = [1,2,3]
b = a
a[0] = 0
print(b)输出为[0, 2, 3]。这说明b仅仅是对a的引用。
而如果写成这样：
a = [1,2,3]
b = a[:]
a[0] = 0
print(b)输出就是[1, 2, 3]。此时b相当于对a的复制，改变a不会对b产生影响。
list[::]
接下来是“::”了，这是啥玩意？其实list[::]的意思是list[start:end:step]，其中，
-start:起始位置，默认=0；
-end:结束位置，默认=list的长度；
-step:步长，默认=1；
因此，a[::]就相当于是从a的第一个元素开始，到最后一个元素为止，一步一步的输出a的所有元素。
a[::2] (等价于a[0:len(a):2])就是每两跳输出一个值，即[0, 8, 15, 20, 28]。
再看numpy
这是重头戏。不论是keras、pytorch还是tensorflow，都对张量（即高维矩阵）有维度操作。有些框架对张量的操作是继承于numpy；有些和numpy的操作极为类似。因此如果想在深度学习中对张量灵活操作，需要好好理解这一块的内容。
import numpy as np
a = np.arange(9).reshape(3,3)
print(a)输出为
[[0 1 2]
[3 4 5]
[6 7 8]]是一个3x3的二维array。
先来一个简单的栗子
a[:,2]的输出是[2 5 8]。注意是a[:,2]而不是a[:2]，有个逗号在里面，这是对维度进行操作的显著标志。
怎么理解呢？在这种情况下，把“:”理解为all，然后从后往前看可能会更清晰一点。比如在a[:,2]中，从后往前看2表示取出第1维的第2列，“:”表示取出第0维的所有列。这样就会得到[2 5 8]。
画图说明，来个大的！
a = np.arange(120).reshape(2,3,4,5)得到shape为(2,3,4,5)的张量a，输出a为：
[[[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[ 10 11 12 13 14]
[ 15 16 17 18 19]]
[[ 20 21 22 23 24]
[ 25 26 27 28 29]
[ 30 31 32 33 34]
[ 35 36 37 38 39]]
[[ 40 41 42 43 44]
[ 45 46 47 48 49]
[ 50 51 52 53 54]
[ 55 56 57 58 59]]]
[[[ 60 61 62 63 64]
[ 65 66 67 68 69]
[ 70 71 72 73 74]
[ 75 76 77 78 79]]
[[ 80 81 82 83 84]
[ 85 86 87 88 89]
[ 90 91 92 93 94]
[ 95 96 97 98 99]]
[[100 101 102 103 104]
[105 106 107 108 109]
[110 111 112 113 114]
[115 116 117 118 119]]]]假如我要输出a[:,2,:,4],从后往前看就是，取出最后一维的第4列（红色框），取出第2维所有列，取出第1维的第2列（黄色框），取出第0维的所有列。
最后输出的结果就是红黄框交界的地方的值：
[[ 44, 49, 54, 59],
[104, 109, 114, 119]]同时也可以看到，输出结果的shape变成了两维。因此对于一个numpy多维array，[:,:,:,:,...,:]，将多少个“:”替换为具体的值，最后的结果就降低几维。
“...”在numpy中的操作
“...”在什么地方出现呢，当你要处理的多维array维度过高，而且你只处理其中的前几维或后几维，那么剩下的维度，就可以用“...”代替了。比如a[1,...]就是将a第0维的第1列取出，得到
[[[ 60 61 62 63 64]
[ 65 66 67 68 69]
[ 70 71 72 73 74]
[ 75 76 77 78 79]]
[[ 80 81 82 83 84]
[ 85 86 87 88 89]
[ 90 91 92 93 94]
[ 95 96 97 98 99]]
[[100 101 102 103 104]
[105 106 107 108 109]
[110 111 112 113 114]
[115 116 117 118 119]]]花式索引取值
对于这样一个代码：
#a还是取上一小节的值，即shape=(2,3,4,5)
a[[0,1],[1,2]] = 1
print(a)输出：
[[[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[ 10 11 12 13 14]
[ 15 16 17 18 19]]
[[ 1 1 1 1 1]
[ 1 1 1 1 1]
[ 1 1 1 1 1]
[ 1 1 1 1 1]]
[[ 1 1 1 1 1]
[ 1 1 1 1 1]
[ 1 1 1 1 1]
[ 1 1 1 1 1]]]
[[[ 60 61 62 63 64]
[ 65 66 67 68 69]
[ 70 71 72 73 74]
[ 75 76 77 78 79]]
[[ 80 81 82 83 84]
[ 85 86 87 88 89]
[ 90 91 92 93 94]
[ 95 96 97 98 99]]
[[100 101 102 103 104]
[105 106 107 108 109]
[110 111 112 113 114]
[115 116 117 118 119]]]]a[[0,0],[1,2]]的意思就是对维度=(0,1,...) ，和维度=(0,2,...)的元素都赋值为1。简单来说，可以将a[[0,0],[1,2]]看作是a的索引坐标，即a[x,y], 其中 x=[0,0], y=[1,2]。x和y的个数必须相等，因为是一一对应的。当然了，还可以是a[x,y,z]，也可以是a[x,y,z,w]的形式，因为a是四维的，只要x,y,z,w的值不要超过2，3，4，5就可以了（因为a的shape=(2,3,4,5)）。
对索引的操作还可以用
num = a[np.ix_([0,1],[0,1,2],[0,1])]表示对(0,0,0,...),(0,0,1,...),(0,1,0,...),(0,1,1,...),(0,2,0,...)等位置上的元素进行赋值1操作。大家可以输出看一下，这里就不再贴结果了。
太大了，来个小点的栗子
a = np.arange(24).reshape(2,3,4)
print(a)a为
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]试验两个骚操作：
a[:,0,1] = 99
print(a)它的意思是：
嗯，就是将1和13所在的位置赋值为99。
[[[ 0 99 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 99 14 15]
[16 17 18 19]
[20 21 22 23]]]而！
a[:,[0,1]] = 99是对下图红框内的元素进行骚操作，赋值为99
得到：
[[[99 99 99 99]
[99 99 99 99]
[ 8 9 10 11]]
[[99 99 99 99]
[99 99 99 99]
[20 21 22 23]]]嗯，请大家慢慢消化。
送个彩蛋！
对于高维array， [n,:]和[n,::]的结果是一样的，因为“:”是all的意思，即取出剩下的所有，而“::”是从头到尾逐个取出来，上面在list的":"操作中已经讲过了。
维度变换以及高维张量的相乘在深度学习中会经常被用到，更是烧脑，大家要多练习多实践，共勉！