Question

为什么以下操作存在差异？它们是如何在库中实现的？

print(prov_img[:19][:20].shape)
Output : (19, 1250)

print(prov_img[:19,:20].shape)
Output : (19, 20)

Answer 1

prov_img这里是一个二维数组。

此代码段为您提供prov_img的前19行（第0行至第18行）和20列（第0列至第19列）：

>>> prov_img[:19,:20].shape
(19, 20)

在这里，prov_img[:19]为您提供了prov_img的前19行，然后添加[:20]表示您再次从prov_img[:19]获得的矩阵中获取前20行：

>>> prov_img[:19][:20].shape
(19, 1250)

由于prov_img[:19]中有19行，因此切割前20行最终会为您提供所有19行。列中没有切片，因此输出为(19, 1250)，其中1250是prov_img矩阵（2d数组）中的列数。

Answer 2

prov_img是一个二维数组

prov_img[:19, :]  # (19, 1250) - 19 rows of prov_img
(prov_img[:19, :])[:20, :]  # (19, 1250); a slice of rows, again

20没问题，它只需要整个事情，实际上

prov_img[:19, :][:,:]

每个[]都是独立评估的。

prov_img[:19, :20]

这将选择19行，并从这20列中选择。

prov_img[:19, :][:, :20]

是一回事。

按顺序应用索引时，您必须清楚了解每个阶段的情况。分阶段测试它们。

通常，如果您可以一次索引所有尺寸，请执行此操作。它总是比同等的顺序版本好。

Answer 3

为了更好地理解，我将再添加一个例子：

<强>代码：

x = np.zeros((20,20))

print(x[:3].shape)
print(x[:3][:3].shape)
print(x[:3, :3].shape)

<强>给出：

(3, 20)
(3, 20)
(3, 3)

<强>因此...

你从这两个得到的结果相同：

print(x[:3].shape)
print(x[:3][:3].shape)

因为x[:3]，给出前三列，x[:3][:3]给出前三列的前三列。