考虑以下：
import numpy as np
arr = np.arange(3 * 4 * 5).reshape((3, 4, 5))
如果我使用
arr切片slice，我会得到：arr[:, 0:2, :].shape
# (3, 2, 5)
如果现在我使用
arr和slice()的混合物对tuple()进行切片，则会得到：arr[:, (0, 1), :].shape
# (3, 2, 5)
np.all(arr[:, (0, 1), :] == arr[:, :2, :])
# True
和：
arr[:, :, (0, 1)].shape
# (3, 4, 2)
np.all(arr[:, :, (0, 1)] == arr[:, :, :2])
# True
但是，如果我这样做：
arr[:, (0, 1), (0, 1)].shape
# (3, 2)
基本上是
arr[:, 0, 0]和arr[:, 1, 1]串联在一起的。我期望得到：
arr[:, (0, 1), (0, 1)].shape
# (3, 2, 2)
np.all(arr[:, (0, 1), (0, 1)] == arr[:, :2, :2])
# True
但显然并非如此。
如果我将两个单独的切片连接在一起，我将能够获得所需的结果，即：
arr[:, (0, 1), :][:, :, (0, 1)].shape
# (3, 2, 2)
np.all(arr[:, (0, 1), :][:, :, (0, 1)] == arr[:, :2, :2])
# True
是否可以获得与
arr[:, (0, 1), :][:, :, (0, 1)]相同的结果，但使用单个切片？现在，这个例子并不是那么有趣，因为我可以用
tuple()替换slice()，但是如果那不是真的，那么所有这些都变得更加重要了，例如：arr[:, (0, 2, 3), :][:, :, (0, 2, 3, 4)]
# [[[ 0 2 3 4]
# [10 12 13 14]
# [15 17 18 19]]
# [[20 22 23 24]
# [30 32 33 34]
# [35 37 38 39]]
# [[40 42 43 44]
# [50 52 53 54]
# [55 57 58 59]]]
对于
arr[:, (0, 2, 3), (0, 2, 3, 4)]来说，语法会更方便。编辑
@Divakar @hpaulj和@MadPhysicist的评论/答案指向正确广播的Iterable，等效于多个串联切片。
但是，情况并非如此，例如：
s = np.ix_((0, 1), (0, 1, 2, 3))
arr[s[0], slice(3), s[1]]
# [[[ 0 5 10]
# [ 1 6 11]
# [ 2 7 12]
# [ 3 8 13]]
#
# [[20 25 30]
# [21 26 31]
# [22 27 32]
# [23 28 33]]]
但：
arr[(0, 1), :, :][:, :3, :][:, :, (0, 1, 2, 3)]
# [[[ 0 1 2 3]
# [ 5 6 7 8]
# [10 11 12 13]]
#
# [[20 21 22 23]
# [25 26 27 28]
# [30 31 32 33]]]
和：
np.all(arr[:2, :3, :4] == arr[(0, 1), :, :][:, :3, :][:, :, (0, 1, 2, 3)])
# True
np.all(arr[s[0], slice(3), s[1]] == arr[(0, 1), :, :][:, :3, :][:, :, (0, 1, 2, 3)])
# False
最佳答案
如果要实现以编程方式对数组进行切片的功能，则答案是slice对象，而不是索引序列。例如，:2变为slice(None, 2)：
np.all(arr[:, slice(None, 2), slice(None, 2)] == arr[:, :2, :2])
切片选择轴的一部分。索引数组没有：它们选择单个元素。在这种情况下，索引的形状决定了输出的形状。
如果要跨多个维度选择任意索引，则索引数组的形状必须与所需输出相同，或者向其广播：
arr[:, [[0], [2], [3]], [[0, 2, 3, 4]]]
关于python - 具有多个元组的NumPy切片，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/56328467/