将数组范围作为参数传递给函数？

Question

有没有一种方法将数组范围作为参数传递给函数？ 类似于：

> blah(ary,arg1=1:5)

def blah(ary,arg1): print ary[arg1]

- sten

---

你需要的是slice(1, 5)。 - Ashwini Chaudhary

Answer 1

Python只接受方括号中的1:5语法。解释器会将其转换为slice对象，然后该对象的__getitem__方法应用该切片。

请查看numpy/lib/index_tricks.py以了解一些利用此功能的函数。实际上它们不是函数，而是定义自己的__getitem__方法的类。那个文件可能会给您带来启示。

但如果您没有达到那个水平，那么可能性包括：

blah(arr, slice(1, 5))
blah(arr, np.r_[1:5])

nd_grid、mgrid和ogrid将“切片”概念扩展到接受虚拟的“步长”值：

mgrid[-1:1:5j]
# array([-1. , -0.5,  0. ,  0.5,  1. ])

请注意，在将切片传递给您的blah函数之前扩展任何内容，都不会知道其他参数的形状。因此，np.r_[:-1]只返回[]。

而且，slice中可以使用None：例如，slice(None,None,-1)等同于[::-1]。

- hpaulj

---

如何检查我收到的参数是切片(slice)还是普通数字？我知道可以使用isinstance(x, slice)来判断。 - sten

Answer 2

你可以使用 slice 函数。

>>> def blah(ary,arg1):
...     print ary[arg1]
>>> blah(range(10), slice(1, 5))
[1, 2, 3, 4]

- SethMMorton

Answer 3

你可以尝试像这样：

你的HTML代码

def blah(ary, arg):
    arg = map(int, arg.split(":"))
    print ary[arg[0]:arg[1]]

blah([1,2,3,4,5,6],"2:5")

输出：

[3, 4, 5]

- Hackaholic

Answer 4

刚刚今天看到它发生，我觉得很好奇，注意到他们将参数 test_idx作为一个简单的范围传递。

plot_decision_regions(X=X_combined_std, y=y_combined,
                      classifier=ppn, test_idx=range(105, 150))

最终这样做有什么作用？

用它来切割一个Numpy数组

ndarray[range(105, 150), :]

然而，当我通过复制ndarray值、实例化并尝试自己切片（基本上是创建一个列表）进行测试时，似乎无法在切片中传递该范围。

[[0.73088538 1.57698181]，[0.17316034 0.1348488]]

当您单击设置新值时，我从ndarray中提取/复制的

erick = [[0.73088538, 1.57698181]，[0.17316034, 0.1348488]]

- SyntaxError。无效语法

必须放逗号才能被接受为语法并将其实例化为列表对象

erick = [[0.73088538，1.57698181]，[0.17316034，0.1348488]]

erick [:]

（有效，返回整个内容）

erick [range（0,1），：]

- TypeError。列表索引必须是整数或切片，而不是元组

（出现错误，我们之前测试过切片工作，所以它与范围有关）

试着用自制的Numpy数组再次尝试（提示：它能正常工作）

erickNpa = np.asarray(erick, dtype=np.float32)
erickNpa[range(0, 1), :]

---

结论

如第一部分所示，您可以将范围作为参数传递。在某些情况下，代码无法执行，但这与它正在执行的操作的性质有关（使用它来切片列表），但是通过正确的支架，当使用Numpy数组时似乎一切正常。

---

---

示例代码

我还会放置函数定义，以防Git被关闭，即使我已经链接了该行。

def plot_decision_regions(X, y, classifier, test_idx=None, resolution=0.02):

    # setup marker generator and color map
    markers = ('s', 'x', 'o', '^', 'v')
    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
    cmap = ListedColormap(colors[:len(np.unique(y))])

    # plot the decision surface
    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),
                           np.arange(x2_min, x2_max, resolution))
    Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
    Z = Z.reshape(xx1.shape)
    plt.contourf(xx1, xx2, Z, alpha=0.3, cmap=cmap)
    plt.xlim(xx1.min(), xx1.max())
    plt.ylim(xx2.min(), xx2.max())

    for idx, cl in enumerate(np.unique(y)):
        plt.scatter(x=X[y == cl, 0], 
                    y=X[y == cl, 1],
                    alpha=0.8, 
                    c=colors[idx],
                    marker=markers[idx], 
                    label=cl, 
                    edgecolor='black')

    # highlight test examples
    if test_idx:
        # plot all examples
        X_test, y_test = X[test_idx, :], y[test_idx]

        plt.scatter(X_test[:, 0],
                    X_test[:, 1],
                    c='',
                    edgecolor='black',
                    alpha=1.0,
                    linewidth=1,
                    marker='o',
                    s=100, 
                    label='test set')


# Training a perceptron model using the standardized training data:



X_combined_std = np.vstack((X_train_std, X_test_std))
y_combined = np.hstack((y_train, y_test))

plot_decision_regions(X=X_combined_std, y=y_combined,
                      classifier=ppn, test_idx=range(105, 150))
plt.xlabel('petal length [standardized]')
plt.ylabel('petal width [standardized]')
plt.legend(loc='upper left')

plt.tight_layout()
#plt.savefig('images/03_01.png', dpi=300)
plt.show()

- Mr-Programs