Python 使用3个索引对4维数组进行切片时会发生什么情况？

我试图理解为什么我的算法的准确性突然发生了巨大的变化。当我发现在标准化我的四维训练/测试集时，我只使用了3个索引时，我做了一个小小的改变，添加了一个forth

：

。现在我很好奇——下面的旧代码/新代码也会这样做吗？如果不是，那么仅使用3个索引对4维数组进行索引是如何工作的

旧版：

   # standardize all non-binary variables
   channels = 14 # int(X.shape[1])
   mu_f     = np.zeros(shape=channels)
   sigma_f  = np.zeros(shape=channels)

   for i in range(channels):
      mu_f[i]    = np.mean(X_train[:,i,:])
      sigma_f[i] = np.std(X_train[:,i,:])   

   for i in range(channels):
      X_train[:, i, :]  -= mu_f[i]   
      X_test[:, i, :]   -= mu_f[i]

      if (sigma_f[i] != 0):
         X_train[:, i, :]  /= sigma_f[i]
         X_test[:, i, :]   /= sigma_f[i]

   # standardize all non-binary variables
   channels = 14
   mu_f     = np.zeros(shape=channels)
   sigma_f  = np.zeros(shape=channels)

   for i in range(channels):
      mu_f[i]    = np.mean(X_train[:,i,:,:])
      sigma_f[i] = np.std(X_train[:,i,:,:])   

   for i in range(channels):
      X_train[:, i, :, :]  -= mu_f[i]   
      X_test[:, i, :, :]   -= mu_f[i]

      if (sigma_f[i] != 0):
         X_train[:, i, :, :]  /= sigma_f[i]
         X_test[:, i, :, :]   /= sigma_f[i]

新建：

   # standardize all non-binary variables
   channels = 14 # int(X.shape[1])
   mu_f     = np.zeros(shape=channels)
   sigma_f  = np.zeros(shape=channels)

   for i in range(channels):
      mu_f[i]    = np.mean(X_train[:,i,:])
      sigma_f[i] = np.std(X_train[:,i,:])   

   for i in range(channels):
      X_train[:, i, :]  -= mu_f[i]   
      X_test[:, i, :]   -= mu_f[i]

      if (sigma_f[i] != 0):
         X_train[:, i, :]  /= sigma_f[i]
         X_test[:, i, :]   /= sigma_f[i]

   # standardize all non-binary variables
   channels = 14
   mu_f     = np.zeros(shape=channels)
   sigma_f  = np.zeros(shape=channels)

   for i in range(channels):
      mu_f[i]    = np.mean(X_train[:,i,:,:])
      sigma_f[i] = np.std(X_train[:,i,:,:])   

   for i in range(channels):
      X_train[:, i, :, :]  -= mu_f[i]   
      X_test[:, i, :, :]   -= mu_f[i]

      if (sigma_f[i] != 0):
         X_train[:, i, :, :]  /= sigma_f[i]
         X_test[:, i, :, :]   /= sigma_f[i]

---

我不明白为什么额外的

：

有什么不同。当我对一个简单的

np.mean（X[：，1]）

v

np.mean（X，1，：，：]）等进行时间测试时，它不起作用

至于
plonser的
建议，你可以对整个事情进行矢量化，关键是要意识到
mean
和
std
需要添加一些参数。检查他们的文档并使用示例数组

Xmean = np.mean(X,axis=(0,2,3),keepdims=True)
X -= Xmean
X /= Xmean

你想知道为什么它会慢一些，或者你如何能加快速度吗？…因为几乎所有的东西都可以在你的代码中矢量化，这会提高性能…那太好了！如果你在这里添加一个答案，这会更有意义。要回答你的问题，是的，它们都做完全相同的事情。实际上，你可以省去所有的trailing
：
仍然会得到相同的结果。他将变量命名为
X\u train
：）这只是一个示例。谢谢。您是否也确定我的旧代码与我的新代码对
X\u train
中的不同类型的值返回相同的结果？否。可能我在您尝试的操作中遗漏了一些细微差别。您需要设置并行函数并对其进行测试，包括值和速度。