Python打卡@2018-11-18（Numpy数组切片slice,获得子数组）

切片（slice）
切片符号用冒号（ : ）表示
切片表达式 x[start:stop:step]
如果以上 3 个参数都未指定，那么它们会被分别设置默认值 start=0 、 stop= 维度的大小（size of dimension） 和 step=1 。

一维数组

常用方法

x[:5] # 前五个元素
x[5:] # 索引五之后的元素
x[4:7] # 中间的子数组 ，末尾开区间，不包括索引为7的数
x[::2] # 每隔一个元素
x[1::2] # 每隔一个元素，从索引1开始

步长为负数的神操作

x[::-1] # 所有元素，逆序的
x[5::-2] # 从索引5开始逆序输出，间隔一个数，[5,3,1]

多维数组的切片

多维数组的切片的切片也以同样的方式 ：，
在重申一次，切片是开区间
x2[:2, :3] # 两行，三列 ，索引为2，但并不包括2，所以为0,1的2行，列也是同理。
x2[:3, ::2] # 所有行，每隔一列
子数组维度也可以同时被逆序 x2[::-1, ::-1]

通过切片形式索引获取数组的的子数组

一个冒号（ : ）表示空切片
x2[:, 0] # x2的第一列
print(x2[0, :]) # x2的第一行
print(x2[0]) #可以省略空切片，所以等于x2[0, :]

非副本视图的子数组

关于数组切片有一点很重要也非常有用，那就是数组切片返回的是数组数据的视图，而不是数值数据的副本。这一点也是 NumPy 数组切片和 Python 列表切片的不同之处：在Python 列表中，切片是值的副本。

In[31]: print(x2)
[[12 5 2 4]
[ 7 6 8 8]
[ 1 6 7 7]]
从中抽取一个 2×2 的子数组：
In[32]: x2_sub = x2[:2, :2]
print(x2_sub)
[[12 5]
[ 7 6]]
现在如果修改这个子数组，将会看到原始数组也被修改了！结果如下所示：
In[33]: x2_sub[0, 0] = 99
print(x2_sub)
[[99 5]
[ 7 6]]
In[34]: print(x2)
[[99 5 2 4]
[ 7 6 8 8]
[ 1 6 7 7]]
这种默认的处理方式实际上非常有用：它意味着在处理非常大的数据集时，可以获取或处理这些数据集的片段，而不用复制底层的数据缓存。

尽快数组视图形式给大数据修改提供了方便，但是数据副本还是有很多租用的，如果只是这种数据视图，势必有一些阻碍，先知当然把所有的问题都考虑到了，所以.copy()方法的作用是不可忽视的，他就是复制一个完全独立的子数组。