Python Numpy索引-关于奇怪行为/不一致性的问题

这是一个基于我今天早些时候的一个问题的知识主题。我亲眼目睹了努比行为中的一些奇怪的矛盾

首先，如果运行此代码：

A = ones((10,4))
view = A[:,1]
view.fill(7)
A

这将把第2列改为所有7列，因为数组从0开始索引，而切片只是同一矩阵的视图。太棒了，这正是我想要的

现在，如果运行以下命令：

A = ones((10,4))
view = A[:,1:2]
view.fill(7)
A

A = ones((10,4))
view = A[:,(1,2)]
view.fill(7)
A

它将具有与第一个示例相同的效果。为什么a:b指定从a到b-1的列？这在语言中有具体的原因吗？如果我输入1:3，那应该是第1、2和3列，而不是第1和第2列

最后，如果您运行以下命令：

A = ones((10,4))
view = A[:,1:2]
view.fill(7)
A

A = ones((10,4))
view = A[:,(1,2)]
view.fill(7)
A

A上没有副作用。看起来，如果使用元组创建视图，它无法正确地在原始矩阵上传播任何其他副作用。有什么见解吗

为什么a:b指定从a到b-1的列

这是一个Python约定。普通列表也是如此，

range（a，b）

将返回一个列表，其中包含

a

到

b-1

，但不包括

b

。此约定的好处是，通过

a:b

进行切片，其中

a

和

b

是数字，将返回

b-a

元素/行/列，而不是更复杂的

a-b+1

看起来，如果使用元组创建视图，它就无法正确地在原始矩阵上传播任何进一步的副作用

这是一种Numpy特性，因为它只能创建基于切片的视图；这些可以有效地实现，而基于元组的切片则不能。您可以使用以下代码段模拟此行为，该代码段显示了Python索引语法在后台的作用：

class FakeArray(object):
    def __getitem__(self, idx):
        return "You can't change the original FakeArray through me"
    def __setitem__(self, idx, val):
        print("We could set elements %r to %r here" % (idx, val))

现在试试

>>> A = FakeArray()
>>> A[1:2]
"You can't change the original FakeArray through me"
>>> A[1:2] = 'ham'
We could set elements slice(1, 2, None) to 'ham'

---

所以

A[1:2]

是

A的缩写。uuu getitem\uuuuuuuuuuuuuuuuuuuuuuuuuuuuu（切片（1，2，无））

而

A[1:2]='ham'

是

A的缩写。uuu setitem\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu。因为实际上涉及到两种不同的方法，所以切片的行为可能非常不同，这取决于它是否是赋值语句的一部分。在Numpy的例子中，这种差异与
切片
和
元组
对象之间存在微妙的相互作用。
半开区间的使用并不特定于Numpy，而是在所有Python中使用。列表滑动的工作方式相同，
range（）
函数也是如此

与闭合间隔相比，使用半开放间隔有几个优点：

对于半开放区间，可以表示空的切片和范围，这对于闭合区间来说是困难的。这通常是有用的

半开放区间
[a，b）
的长度由
b-a
简单给出，对于封闭区间
[a，b]

相邻的间隔更容易表达。假设我们有一个算法，在列表
a
中的
k
元素块上运行。比较Python中的实现

for i in range(0, len(a), k):
    frobnicate(a[i:i + k])

对于封闭区间的实施情况：

for i in range(0, len(a) - 1, k):
    frobnicate(a[i:i + k - 1])

代码中将出现大量的
-1
，如果第一个间隔的右值等于第二个间隔的左值，则两个间隔相邻的属性将丢失

为什么a:b指定从a到b-1的列

这就是所有Python的工作方式，也是许多编程的传统。它允许许多事情的简单计算。例如，它允许切片长度
x[a:a+n]
be
n
并允许
x[：n]
和
x[n:]
将
x
分成两部分。你会习惯它，从长远来看，大多数程序员都喜欢它

看起来，如果使用元组创建视图，它就无法正确地在原始矩阵上传播任何进一步的副作用

当你做
A[：，（1，2）]
时，你没有视图，只有一个新的数组。当你只做切片时，比如
A[：，1:3]
，你的数组的条带仍然有连续的内存，所以有视图是有意义的。当你通过使用iterable（想象一下，为了更好地理解你使用的
（0,2）
），拥有像bahvior这样的视图将是低效和尴尬的。
Edsger Dijkstra的一本好书：约定是有道理的，但是，我想，如果我想在视图中获取一列及其邻居，我需要执行col:col+2。最后的编辑在元组问题上更有意义。这是一个令人讨厌的白痴ncrasy，因为有时用元组来选择我需要的列更有用。@Bjornen：这是一种折衷。如果Python使用闭合区间约定，则必须用
I:len（x）-1而不是
I:len（x）来抓取
I
。这是一种Numpy的特质。如果你知道像
ndarray
这样的类型是如何工作的，那么这并不是那么独特或微妙。@MikeGraham：我想是的，但是
np.ndarray
及其视图行为中涉及的各种设计选择对普通人来说并不明显（甚至是相当高级的）用户。事实上，相同的语法给出了一个切片的视图，但一个元组的新数组可以正确地称为一种特殊性，IMHO。只是为了记录，你不是用元组索引
ndarray
，而是用
ndarray
索引一个
ndarray，“选择元组中的所有序列和标量都转换为intp索引数组。”我同意这种“特殊性”在您第一次遇到它时可能会有点混乱，但另一种选择是禁用“奇特索引”，并强制人们使用
arra