[当我尝试学习slice（）的工作原理时，使用range（）与slice（）时遇到了一些有趣的结果。我不知道如何解释该机制。任何帮助将不胜感激。
例如：给定一个np数组：
a = np.array(range(100)).reshape(10,10)
[a[slice(0,10,2)]和a[range(0,10,2)]相同。
但是，
a[(slice(0,10,2),slice(0,10,2))]
是
[[0,2...],[20,22...],[40,42,44]...]
但是
a[(range(0,10,2),range(0,10,2))]
是
[0,22,44,66...]
任何人都可以解释吗？
通常，用范围索引和使用切片索引是两个非常不同的东西。您偶然遇到了一个给出相等结果的案例，尽管请注意，切片版本会创建基础缓冲区的view，而使用range对象建立索引将创建新的基础缓冲区。
所以请注意：
>>> a = np.array(range(100)).reshape(10,10)
>>> s = a[slice(0,10,2)]
>>> r = a[range(0,10,2)]
>>> a[0,0] = 1000
>>> a
array([[1000, 1, 2, 3, 4, 5, 6, 7, 8, 9],
[ 10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
[ 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[ 30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
[ 40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
[ 50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
[ 60, 61, 62, 63, 64, 65, 66, 67, 68, 69],
[ 70, 71, 72, 73, 74, 75, 76, 77, 78, 79],
[ 80, 81, 82, 83, 84, 85, 86, 87, 88, 89],
[ 90, 91, 92, 93, 94, 95, 96, 97, 98, 99]])
>>> s
array([[1000, 1, 2, 3, 4, 5, 6, 7, 8, 9],
[ 20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[ 40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
[ 60, 61, 62, 63, 64, 65, 66, 67, 68, 69],
[ 80, 81, 82, 83, 84, 85, 86, 87, 88, 89]])
>>> r
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
[20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
[40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
[60, 61, 62, 63, 64, 65, 66, 67, 68, 69],
[80, 81, 82, 83, 84, 85, 86, 87, 88, 89]])
使用切片时，您将获得切片语义。范围对象被视为索引序列。这会触发advanced indexing behavior
因此来自文档：
当索引包含的整数数组与被索引有维度，索引很简单，但是与切片不同。
所以，ARR[[x1, x2, ..., xn], [y1, y2, ..., yn]]会给您类似
[ARR[x1,y1], ARR[x2,y2], ... ARR[xn, yn]]