Python中NumPy库——访问数组切片的介绍

一、基本切片操作

切片对象由冒号（ ）分隔:的三个参数组成：开始索引、结束索引和步长。

（1）开始索引：切片的起始位置，默认为0。

（2）结束索引：切片的结束位置（不包括该位置的元素）。

（3）步长：用于选择元素的间隔，默认为1。

代码示例：

import numpy as np
arr1 = np.arange(10)
print( arr1 )
# 从哪个元素到要求的元素
print( arr1[ 1 : 3]) # 从索引[1]开始，切到索引[3]之前
print( arr1[ 1 :  ]) # 从索引[1]开始，切到结尾
print( arr1[   : 3]) # 从数组开头开始，切到索引[3]之前
# 切除数组的开头与结尾
print( arr1[ 2 : -2]) # 切除开头 2 个和结尾 2 个
print( arr1[ 2 :   ]) # 切除开头 2 个
print( arr1[   : -2]) # 切除结尾 2 个
# 隔几个元素采样一次
print( arr1[ : : 2 ]) # 每 2 个元素采样一次
print( arr1[ : : 3 ]) # 每 3 个元素采样一次
print( arr1[ 1 : -1 : 2 ]) # 切除一头一尾后，每 2 个元素采样一次

输出的结果：

[0 1 2 3 4 5 6 7 8 9]
[1 2]
[1 2 3 4 5 6 7 8 9]
[0 1 2]
[2 3 4 5 6 7]
[2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7]
[0 2 4 6 8]
[0 3 6 9]
[1 3 5 7]

二、进阶切片操作

（1）在多维数据仓库中选择，可以使用多个切片对象来特定维度的子集。维度都可以有自己的切片对象。

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 选择第一行的所有列
sub_arr1 = arr[0,:]
sub_arr2 = arr[1,:]
print(sub_arr1)
print(sub_arr2)

输出的结果：

[1 2 3]
[4 5 6]

（2）使用布尔数据库来创建条件切片，只需选择满足条件的元素。

import numpy as np

arr = np.array([0, 1, 2, 3, 4, 5])
# 选择大于2的元素
condition = arr > 2
sub_arr = arr[condition]
print(sub_arr)

输出的结果：[3 4 5]

三、举例操作

import sys, os
sys.path.append(os.pardir)
import numpy as np
from dataset.mnist import load_mnist
from two_layer_net import TwoLayerNet
# 读入数据
(x_train, t_train), (x_test, t_test) = \ load_mnist(normalize=True, one_
hot_label = True)
network = TwoLayerNet(input_size=784, hidden_size=50, output_size=10)
x_batch = x_train[:3]
t_batch = t_train[:3]
grad_numerical = network.numerical_gradient(x_batch, t_batch)
grad_backprop = network.gradient(x_batch, t_batch)
# 求各个权重的绝对误差的平均值
for key in grad_numerical.keys():
 diff = np.average( np.abs(grad_backprop[key] - grad_numerical[key]) )
 print(key + ":" + str(diff))

x_batch = x_train[:3]

这行代码从训练数据x_train集中选择了前3个样本，将它们存储x_batch在变量中。这通常用于构建一个小型训练批次（mini-batch），以便在神经网络训练中使用。

具体来说：（1）x_train是训练数据集，通常包含多个样本，每个样本是一个输入数据。

（2）x_train[:3]使用切片操作，选择了前3个样本。切片操作[:3]表示从数据集的开始位置取出前3个元素（样本）。

所以，x_batch现在包含了训练数据集中的前3个样本。这个小批量通常用于神经网络的训练，一次输入多个样本以更新权重和计算损失。这有助于提高训练的效率和稳定性。