当索引看起来像数字的内容时，Python 中的“三个点”是什么意思？

问题描述：

下面是什么意思x[...]？

a = np.arange(6).reshape(2,3)
for x in np.nditer(a, op_flags=['readwrite']):
    x[...] = 2 * x

解决方案 1：

虽然建议的重复文章“Python 省略号对象有什么作用？”在一般情况下回答了这个问题，但我认为，在循环python中使用它需要添加信息。nditer

https://docs.scipy.org/doc/numpy/reference/arrays.nditer.html#modifying-array-values

Python 中的常规赋值操作只是更改本地或全局变量字典中的引用，而不是直接修改现有变量。这意味着，简单地对 x 赋值并不会将值放入数组元素中，而是将 x 从数组元素引用切换为对所赋值的引用。要真正修改数组元素，应该使用省略号对 x 进行索引。

该部分包含您的代码示例。

所以用我的话来说，就地 x[...] = ...修改会破坏与变量的链接，而不是改变它。它类似于但适用于任何维度（包括 0 维）的数组。在这种情况下，它不仅仅是一个数字，而是一个数组。x`x = ...nditerx[:] = ...`x

nditer也许与此迭代最接近的nditer是：

In [667]: for i, x in np.ndenumerate(a):
     ...:     print(i, x)
     ...:     a[i] = 2 * x
     ...:     
(0, 0) 0
(0, 1) 1
...
(1, 2) 5
In [668]: a
Out[668]: 
array([[ 0,  2,  4],
       [ 6,  8, 10]])

请注意，我必须a[i]直接索引和修改。我不能使用x = 2*x。在这个迭代中，x它是一个标量，因此不可变。

In [669]: for i,x in np.ndenumerate(a):
     ...:     x[...] = 2 * x
  ...
TypeError: 'numpy.int32' object does not support item assignment

但在这种nditer情况下x是一个 0d 数组，并且可变。

In [671]: for x in np.nditer(a, op_flags=['readwrite']):
     ...:     print(x, type(x), x.shape)
     ...:     x[...] = 2 * x
     ...:     
0 <class 'numpy.ndarray'> ()
4 <class 'numpy.ndarray'> ()
...

因为它是 0d，所以x[:]不能用来代替x[...]

----> 3     x[:] = 2 * x
IndexError: too many indices for array

更简单的数组迭代也可能提供见解：

In [675]: for x in a:
     ...:     print(x, x.shape)
     ...:     x[:] = 2 * x
     ...:     
[ 0  8 16] (3,)
[24 32 40] (3,)

这将对的行（第一维）进行迭代a。 x然后是一维数组，可以使用x[:]=...或进行修改x[...]=...。

如果我添加external_loop下一节中的标志，它x现在是一个一维数组，并且x[:] =可以正常工作。但x[...] =仍然有效，而且更通用。 x[...]所有其他nditer示例都使用了它。

In [677]: for x in np.nditer(a, op_flags=['readwrite'], flags=['external_loop']):
     ...:     print(x, type(x), x.shape)
     ...:     x[...] = 2 * x
[ 0 16 32 48 64 80] <class 'numpy.ndarray'> (6,)

比较这个简单的行迭代（在二维数组上）：

In [675]: for x in a:
     ...:     print(x, x.shape)
     ...:     x[:] = 2 * x
     ...:     
[ 0  8 16] (3,)
[24 32 40] (3,)

这将对的行（第一维）进行迭代a。 x然后是一维数组，可以使用x[:] = ...或进行修改x[...] = ...。

请通读本页并进行实验，nditer直至最后。 本身nditer在 中用处不大python。它不会加速迭代——除非你将代码移植到cython。np.ndindex是少数numpy使用 的非编译函数之一nditer。

解决方案 2：

省略号的...意思是as many : as needed。

对于没有时间的人，这里有一个简单的例子：

In [64]: X = np.reshape(np.arange(9), (3,3))

In [67]: Y = np.reshape(np.arange(2*3*4), (2,3,4))

In [70]: X
Out[70]:
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [71]: X[:,0]
Out[71]: array([0, 3, 6])

In [72]: X[...,0]
Out[72]: array([0, 3, 6])

In [73]: Y
Out[73]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

In [74]: Y[:,0]
Out[74]:
array([[ 0,  1,  2,  3],
       [12, 13, 14, 15]])

In [75]: Y[...,0]
Out[75]:
array([[ 0,  4,  8],
       [12, 16, 20]])

In [76]: X[0,...,0]
Out[76]: array(0)

In [77]: Y[0,...,0]
Out[77]: array([0, 4, 8])

这使得每次只操作一个维度变得容易。

有一件事 - 在任何给定的索引表达式中只能有一个省略号，否则您的表达式对于:每个表达式中应该放入多少个省略号会产生歧义。

解决方案 3：

我相信一个很好的类比（大多数人可能已经习惯了）是这样的思考：

import numpy as np

random_array = np.random.rand(2, 2, 2, 2)

这样的情况下，[:, :, :, 0] and [..., 0]都是一样的。

你可以用它来分析特定的维度，比如你有一批 50 个 128x128 RGB 图像（50，3，128，128），如果你想在每个颜色通道的每个图像中切出一块，你可以这样做image[:,:,50:70, 20:80] or image[...,50:70,20:80]

请注意，您不能在语句中多次使用它，因为这[...,0,...]是无效的。

解决方案 4：

无需长篇解释:-) 在 Numpy 中，省略号（3 个点）仅表示“索引与数组形状匹配所需的数量:” 。

:本身是表示所考虑维度中所有元素的快捷方式。

例如，对于一个形状(n, p, q, r, s)，即一个具有 5 个维度的数组，可以使用省略号来替换 0、1、2、3、4 或 5 个连续的:。这些形式是等效的：

• a[:, :, :, 4, 2]和a[..., 4, 2]

• a[4, :, :, :, 2]和a[4, ..., 2]

• a[4, 2, :, :, :]和a[4, 2, ...]

• a[:, :, :, :, 4]和a[..., 4]

• a[:, :, :, :, :]和a[...]

以及任何带有如下切片的变体：

• a[1:2, :, :, :, 2:6]和a[1:2, ..., 2:6]

这可以用来简化返回数组切片的索引，而不是使用连续的索引:来包含相应的整个维度。这种简化隐藏了数组的实际形状，并可能导致切片错误。

确实，索引中只能有一个省略号，否则 Numpy 如何知道如何分配所需的省略号:？