不论是用numpy或者是tensorflow，在机器学习的过程中常常会用到[]来提取array中的元素，但是再找了很多的资源之后发现并没有比较好的解释
我在尝试之后给出list[]的用法和解析，希望能帮到大家
以这样的数据为例
1 2 3 4 5 6 7 8 9 10 | list1 = np.arange(24).reshape([2,3,4])‘'‘ [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] '‘' |
1.[a,b,c]类型
在array中取到了位置[a,b,c]的元素，不多做解释。
1 2 | print(list1[1,1,1]) # 17 |
2.[]中含有‘：’符号
只有：时，代表取某一维度的全部元素
：前后有数字时，相当于把那维当做一个list，1：3就代表取索引1，2的元素
其中的关系给出两个例子，大家可以思考其中的原理
1 2 3 4 5 6 7 8 9 10 11 | print(list1[:,:,1]) # 代表取出前两个维度的所有元素，只要第三维度的1索引元素‘'‘[[ 1 5 9] [13 17 21]]'‘'print(list1[:,1:3,-1]) # 取出第一个维度所有元素，第二个维度的索引1和2的元素，第三个维度倒数第一个的元素'''[[ 7 11] [19 23]]''' |
3.None出现的时候
None是用来增加维度的，在哪里出现就给哪里增加1维
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 | print(list1)print(list1[None]) # 相当于在最前面增加一维print(list1[None].shape)'''[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]][[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]](1, 2, 3, 4)'''print(list1)print(list1[:,:,None])print(list1[:,:,None].shape)‘'‘[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]][[[[ 0 1 2 3]] [[ 4 5 6 7]] [[ 8 9 10 11]]] [[[12 13 14 15]] [[16 17 18 19]] [[20 21 22 23]]]](2, 3, 1, 4)'‘' |
None的作用于np.newaxis的作用是一样的
下面给出一个例子，大家可以体会一下：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 | print(list1)print(list1[None,])print(list1[None,].shape)print(list1[np.newaxis,:])print(list1[np.newaxis,:].shape)‘'‘[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]][[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]](1, 2, 3, 4)[[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]](1, 2, 3, 4)'‘' |
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持IT俱乐部。
