Python Numpy:b/w A[：i][：j]和A[：i，：j]的差异

为什么以下操作会有所不同，它们是如何在库中实现的

print(prov_img[:19][:20].shape)
Output : (19, 1250)

print(prov_img[:19,:20].shape)
Output : (19, 20)

---

prov_img

是一个二维数组

prov_img[:19, :]  # (19, 1250) - 19 rows of prov_img
(prov_img[:19, :])[:20, :]  # (19, 1250); a slice of rows, again

20

没问题，它只需要有效地完成整个过程

prov_img[:19, :][:,:]

每个

[]

都是独立评估的

prov_img[:19, :20]

这将从这20列中选择19行和

prov_img[:19, :][:, :20]

是一样的

当按顺序应用索引时，您必须清楚地知道每个阶段发生了什么。分阶段进行测试

---

通常，如果可以一次索引所有维度，请这样做。它总是比同等的顺序版本更好。

为了更好地理解，我将在您的示例中再添加一个示例：

代码：

x = np.zeros((20,20))

print(x[:3].shape)
print(x[:3][:3].shape)
print(x[:3, :3].shape)

(3, 20)
(3, 20)
(3, 3)

给出：

x = np.zeros((20,20))

print(x[:3].shape)
print(x[:3][:3].shape)
print(x[:3, :3].shape)

(3, 20)
(3, 20)
(3, 3)

所以…

这两种方法得到的结果相同：

print(x[:3].shape)
print(x[:3][:3].shape)

---

因为

x[：3]

给出前三列，

x[：3][：3]

给出前三列的前三列。

prov\u img

在这里是一个2d数组

此代码段为您提供了

prov\u img

的前19行（第0行到第18行）和20列（第0列到第19列）：

>>> prov_img[:19,:20].shape
(19, 20)

---

这里，

prov img[：19]

为您提供了

prov img

的前19行，然后添加

[：20]

表示您将再次从从

prov img[：19]

中获取的矩阵中的前20行：

>>> prov_img[:19][:20].shape
(19, 1250)

由于在

prov\u img[：19]

中有19行，因此从中分割前20行最终将为您提供全部19行。列中没有切片，因此您得到的输出为

（191250）

，其中1250是

prov\u img

矩阵（2d数组）中的列数