Python numpy中切片 [:, : -1] [:, [-1] ] 分别表示什么

最近在做数据集处理的时候，发现一个很有意思的东西，其实很早的发现了，只是现在才想起来总结。

我们在做数据切片的时候，都知道[ 起点 : 终点 : 步长 ]

包括一些常规的正负的操作，在这里我就不多说了，想要了解可以看一下这篇博客：彻底搞懂切片

本次我就简单分享几个有意思的特殊切片：

[ : , : -1]

[ : , [-1]]

[ : , -1]

如果一个一个详细的讲的话很难讲清楚，如果大家想要理解的话，可以画一个图去尝试理解一下。

下面直接效果展示：

一、**[ : , : -1]**

举例：

import numpy as np
xy = [
    [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],
]
xy = np.array(xy)
x_data = xy[:,:-1]
print(x_data)

效果：

[[ 1  2  3  4]
 [ 6  7  8  9]
 [11 12 13 14]
 [16 17 18 19]
 [21 22 23 24]]

二、**[ : , [-1]]**

举例：

import numpy as np
xy = [
    [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],
]
xy = np.array(xy)
x_data = xy[:,[-1]]
print(x_data)

效果：

[[ 5]
 [10]
 [15]
 [20]
 [25]]

三、**[ : , -1]**

举例：

import numpy as np
xy = [
    [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],
]
xy = np.array(xy)
x_data = xy[:,-1]
print(x_data)

效果：

[ 5 10 15 20 25]

四、总结

效果明显，那么这种切片怎么用呢，下面我附上一小段代码，感兴趣的朋友可以理解一下，并且在这个基础上优化，这个只是半成品。

import torch.nn
import numpy as np

# delimiter 分隔符  dtype 数据类型
xy = np.loadtxt('dataset/diabetes.csv.gz', delimiter=",", dtype=np.float32)
# 数据类型如下
# -0.294118,0.487437,0.180328,-0.292929,0,0.00149028,-0.53117,-0.0333333,0
# -0.882353,-0.145729,0.0819672,-0.414141,0,-0.207153,-0.766866,-0.666667,1
# -0.0588235,0.839196,0.0491803,0,0,-0.305514,-0.492741,-0.633333,0
# -0.882353,-0.105528,0.0819672,-0.535354,-0.777778,-0.162444,-0.923997,0,1

# 最后一列是分类的tag  我们不要 所以切片时不读最后一个
x_data = torch.from_numpy(xy[:, :-1])  # 创建好的就是一个tensor
# [-1] 意思是要最后这一列
y_data = torch.from_numpy(xy[:, [-1]])


class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        # 这里用三个层吧
        self.linear1 = torch.nn.Linear(8, 6)  # 输入 8 维 输出 6 维
        self.linear2 = torch.nn.Linear(6, 4)  # 输入 6 维 输出 4 维
        self.linear3 = torch.nn.Linear(4, 1)  # 输入 4 维 输出 1 维
        # 之前用的是nn.Function.sigmoid 现在用的是nn下的sigmoid 它是一个模块 在这里当作一个运算的层
        # 激活函数 给模型添加一个非线性的变换  可以尝试不同的激活函数
        self.sigmoid = torch.nn.Sigmoid()

    def forward(self, x):
        # 注意 以下一个传递的过程  就用一个变量 从头用到尾
        x = self.sigmoid(self.linear1(x))  # O1
        x = self.sigmoid(self.linear2(x))  # O2
        x = self.sigmoid(self.linear3(x))  # y_hat   有些激活函数的取值范围是[0,1] 这个还是有一定的风险的  建议最后一次激活函数用 sigmoid
        return x


model = Model()

criterion = torch.nn.BCELoss()

optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(10000):
    # Forward
    y_pred = model(x_data)  # 实际开发过程中 使用的是mini batch 这里数据量比较小  所以直接全部扔进来了
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    # Backward
    optimizer.zero_grad()
    loss.backward()

    # Update
    optimizer.step()

注释写的很详细啦~

半成品，待优化…….

• 本文作者： 李宝璐
• 本文链接： https://libaolu312.github.io/2023/07/19/Python-numpy中切片-1-1-分别表示什么/
• 版权声明： 本博客所有文章除特别声明外，均采用 MIT 许可协议。转载请注明出处！