如何在Python中使用省略号切片语法？

Question

这出现在Python的隐藏功能中，但我看不到很好的文档或示例来解释该功能如何工作。

Answer 1

省略号在 numpy 中用于对高维数据结构进行切片。

它的设计意思是此时，插入尽可能多的完整切片（

:

）以将多维切片扩展到所有维度。

示例：

>>> from numpy import arange
>>> a = arange(16).reshape(2,2,2,2)

现在，您有一个 2x2x2x2 阶的 4 维矩阵。要选择第 4 维中的所有第一个元素，可以使用省略号表示法

>>> a[..., 0].flatten()
array([ 0,  2,  4,  6,  8, 10, 12, 14])

相当于

>>> a[:,:,:,0].flatten()
array([ 0,  2,  4,  6,  8, 10, 12, 14])

在您自己的实现中，您可以自由地忽略上述合同并将其用于您认为合适的任何地方。

Answer 2

Ellipsis

，或

...

不是隐藏功能，它只是一个常数。它与 javascript ES6 完全不同，它是语言语法的一部分。没有内置类或 Python 语言结构使用它。

因此它的语法完全取决于您或其他人是否编写了代码来理解它。

Numpy 使用它，如文档中所述。一些例子这里。

在你自己的课堂上，你会这样使用它：

>>> class TestEllipsis(object):
...     def __getitem__(self, item):
...         if item is Ellipsis:
...             return "Returning all items"
...         else:
...             return "return %r items" % item
... 
>>> x = TestEllipsis()
>>> print x[2]
return 2 items
>>> print x[...]
Returning all items

当然，还有python文档和语言参考。但这些并没有多大帮助。

Answer 3

这是 Ellipsis 的另一个用途，它与切片无关：我经常在与队列的线程内通信中使用它，作为表示“完成”的标记；它在那里，它是一个对象，它是一个单例，它的名字意味着“缺乏”，而且它不是过度使用的 None （它可以作为正常数据流的一部分放入队列中）。 YMMV.

Answer 4

正如其他答案中所述，它可用于创建切片。 当您不想编写许多完整切片符号 (

:

)，或者当您不确定所操作的数组的维数是多少时，这很有用。

我认为重要的是要强调的是，即使没有更多的维度需要填充，它也可以使用，而其他答案却忽略了这一点。

示例：

>>> from numpy import arange
>>> a = arange(4).reshape(2,2)

这会导致错误：

>>> a[:,0,:]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: too many indices for array

这会起作用：

a[...,0,:]
array([0, 1])

Answer 5

与 Numpy 一起使用时，

Ellipsis

或

...

允许编写适用于一维向量和高维数组的通用函数。

例如，假设我们想编写一个（故意微不足道的）函数，从数组的每一行中提取一组特定的元素

def fun(arr):
    return arr[:, 1:4]

我们创建一个 2 维数组

>>> a = np.arange(3*5).reshape(3, 5)
>>> a

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

此函数对数组

a

的结果给出

>>> fun(a)

array([[ 1,  2,  3],
       [ 6,  7,  8],
       [11, 12, 13]])

但是，如果我们现在创建一个 1 维向量

b

>>> b =  np.arange(5)
>>> b

array([0, 1, 2, 3, 4])

该函数会抛出

b

错误，因为它只有一维

>>> fun(b)

IndexError: too many indices for array: array is 1-dimensional, but 2 were indexed

可以使用

Ellipsis

或

...

Numpy 表示法

编写适用于向量和数组的通用函数

def fun_ell(arr):
    return arr[..., 1:4]

对于矩阵（或高维数组）和向量都按预期工作

>>> fun_ell(a)

array([[ 1,  2,  3],
       [ 6,  7,  8],
       [11, 12, 13]])

>>> fun_ell(b)

array([1, 2, 3])

此功能对于更复杂的函数很有用，并在 Numpy 包中广泛使用。