将数组范围作为参数传递给函数？

Question

有没有办法将数组范围作为参数传递给函数？ 类似的东西：

> blah(ary,arg1=1:5)

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

Answer 1

Python 只接受方括号内的1:5 语法。解释器将其转换为slice 对象。然后对象的__getitem__ 方法应用切片。

查看numpy/lib/index_tricks.py 了解一些利用此功能的功能。实际上它们不是函数，而是定义了自己的__getitem__ 方法的类。该文件可能会给你一些想法。

但如果你没有做到这一点，那么可能性包括：

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

nd_grid、mgrid、ogrid 扩展“切片”概念以接受虚构的“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，任何在切片上展开的内容都不会知道另一个参数的形状。所以np.r_[:-1] 只返回[]。

而None 可以用于slice：例如slice(None,None,-1) 等同于 [::-1]。

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]

Answer 3

你可以这样试试：

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]

Answer 4

只是saw it happen today，我觉得这很奇怪，注意他们将参数test_idx作为普通范围

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

那么这到底是做什么的呢？

用它来分割一个 Numpy 数组

ndarray[范围(105, 150), :]

但是，当我通过复制 ndarray 值对其进行测试时，将其实例化并尝试自己对其进行切片（基本上是创建一个列表），它不允许我在看起来的切片上传递该范围。

[[ 0.73088538 1.57698181], [ 0.17316034 0.1348488 ]]

当您单击设置新值时，我从 ndarray 中提取/复制了它

埃里克 = [[ 0.73088538 1.57698181], [ 0.17316034 0.1348488 ]]

-- 语法错误。语法无效

必须将逗号作为语法接受并将其实例化为列表 obj

埃里克 = [[ 0.73088538, 1.57698181], [ 0.17316034, 0.1348488 ]]

埃里克[:]

（有效，返回整个东西）

埃里克[范围(0, 1), :]

-- 类型错误。列表索引必须是整数或切片，而不是元组

（中断，我们之前测试过切片是有效的，所以它与范围有关）

用自制的 Numpy Array 再试一次（剧透，它有效）

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

---

结论

您可以将范围作为参数传递，如第一部分所示，在某些时候代码没有执行，但必须这样做使用它正在做的事情的性质（使用它来切片列表），但是如果使用正确的脚手架，一切似乎都可以在使用 Numpy 数组时证明。

---

---

示例代码

我也会放 function def 以防 git 被删除，即使我链接了线路。

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()