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。
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。
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。
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
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.
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])
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。