[:][:] 和 [:,:] 之间的 NumPy 有什么区别？

Question

我对 python 编程非常熟悉，但是我发现了一些奇怪的情况，其中以下两行代码提供了不同的结果（假设两个 arrays 是二维的）：

A[:][:] = B[:][:]

和

A[:,:] = B[:,:]

我想知道是否有任何情况，解释。

有什么提示吗？

例子：

>>> x = numpy.array([[1, 2], [3, 4], [5, 6]])
>>> x
array([[1, 2],
       [3, 4],
       [5, 6]])
>>> x[1][1]
4                 # expected behavior
>>> x[1,1]
4                 # expected behavior
>>> x[:][1]
array([3, 4])     # huh?
>>> x[:,1]
array([2, 4, 6])  # expected behavior

Answer 1

让我们退后一步。 尝试这个：

>>> x = np.arange(6)

>>> x
array([0, 1, 2, 3, 4, 5])

>>> x[:]
array([0, 1, 2, 3, 4, 5])

>>> x[:][:]
array([0, 1, 2, 3, 4, 5])

>>> x[:][:][:][:][:][:][:][:][:][:]
array([0, 1, 2, 3, 4, 5])

看起来x[:]等于x 。 （实际上， x[:]创建了x的副本。）

因此， x[:][1] == x[1] 。

---

这是否符合我们的预期？ 为什么x[:]应该是x的副本？ 如果您熟悉切片，这些示例应该可以阐明：

>>> x[0:4]
array([0, 1, 2, 3])

>>> x[0:6]
array([0, 1, 2, 3, 4, 5])

>>> x[0:]
array([0, 1, 2, 3, 4, 5])

>>> x[:]
array([0, 1, 2, 3, 4, 5])

我们可以省略0和6 ，numpy 将计算出我们的最大尺寸。

---

关于问题的第一部分，要创建B的副本，您可以执行以下任何操作：

A = B[:, :]
A = B[...]
A = np.copy(B)

Answer 2

通常，我们使用像x,y这样的坐标，首先是水平坐标，然后是垂直坐标。 因此， numpy通过按此顺序给出两个坐标，可以方便地访问 2D arrays 中的元素。

但是，二维数组实际上是 arrays 的数组； 注意定义：

foo = numpy.array([
    [1, 2],
    [3, 4],
    [5, 6]
])

如果忽略numpy.array构造函数，这是一个列表列表。 外部列表包含三个元素（每个元素都是一个列表），索引 1 处的值是foo[1] == [3, 4] 。 这是有道理的，因为矩阵表示为rows列表，因此外部列表中使用的索引控制垂直坐标，即您访问的行。

因此，在像foo[1][0] == 3这样的表达式中，索引 1 是垂直坐标，而 0 是水平坐标。 也就是说，它相当于写foo[x,y] 。 与通常的约定相比，它是倒退的，但它从逻辑上遵循矩阵是行列表这一事实。 如果矩阵是列列表，则foo[x][y]将是正确的。

对于numpy arrays，这同样适用于切片运算符。 表达式foo[:][1]等价于foo[1,:] ，而不是foo[:,1] 。