list[::-1] ：list[::-1],就是将list翻转过来的意思,从最后一个到第一个开始。
a = [1,3,4,2,'a','d']
print a[::-1]
>>> a = [1,3,4,2,'a','d']
print a[3::-1]
>>> [2,4,3,1]语法：[start:stop:step]
step代表切片步长；切片区间为[start，stop)，包含start但不包含stop
1.step > 0，从左往右切片
2.step <0，从右往左切片
3.start、stop、step 为空值时的理解：
start、stop默认为列表的头和尾，并且根据step的正负进行颠倒；step的默认值为1
4.start、stop为负，无论step正负，start、stop代表的是列表从左到右的倒数第几个元素
st = ['a', 'b', 'c', 'd', 'e', 'f', 'g']
print(st[2:6:2])
print(st[6:2:-2])
print(st[::1])
print(st[::-1]) # 倒序输出
print(st[-1])
输出结果：
['c', 'e']
['g', 'e']
['a', 'b', 'c', 'd', 'e', 'f', 'g']
['g', 'f', 'e', 'd', 'c', 'b', 'a']
gNUMPY
list = [[[1, 2, 3], [4, 5, 6], [7, 8, 9]], [[2, 2, 3], [4, 9, 6], [7, 8, 9]]]
list = np.array(list)
print(list[:, 1, :])
print(list[:, -1, 0])[[4 5 6]
[4 9 6]]
[7 7]
swapaxes和transpose的区别:
0.基本情况介绍
numpy作为一个高效率的矩阵计算工具，除了基本的加减乘除以及切片外，还有比较独特的索引功能。索引功能我们比较常见有序号索引以及转置，如下：
import numpy as np
arr = np.arange(20).reshape(4,5)
##
建立了一个4行5列的矩阵
##索引取其中的第4、3、1、2行
arr[[3,2,0,1]]
##获取其转置矩阵
arr.T
##变成了5行4列的矩阵
1.升级
当我们开始遇到多维数组时，题目中提到的transpose和swapaxes就开始发挥作用了。
1.1 transpose 按照多维数组的轴的索引进行变换。
乍一听是不是有点绕，别急，慢慢来。首先我们来了解下多维数组的轴是什么东东？
对于多维数组来说，一个维度就是一个轴。
我们知道一维为一条线，二维为一个平面，三维为一个空间，到四维已经超越了我们人类肉眼能够观测的空间。
- 对于一维数组来说，有一个轴，如 arr1 = np.array([1,2,3,4])，
arr1.ndim = 1 arr1.shape = (4,)
- 对于二维数组来说，有两个轴，如arr2 = np.array([[1,2,3,4],
[5,6,7,8]])，
arr1.ndim = 2 arr2.shape = (2,4)
- 对于三维数组来说，有三个轴，如arr3 = np.array([[[1,2,3,4],
[5,6,7,8]],
[[9,10,11,12],
[13,14,15,16]]])，
arr2.ndim = 3 arr3.shape = (2,2,4)
是否大概对轴有一个直观的了解？
言归正传，对于transpose来说，会将多维数组的轴编号，也就是给各个轴建立索引，我们自设一个三维数组，维数为（2，2，4），有三个轴：
arr = np.arange(16).reshape(2,2,4)
当我们进行变换时，有 arr.transpose(2,1,0),这里就是让索引2变换到了索引0的位置，索引0变到了索引2的位置，索引1保持不变，根据索引的变动，形状也发生相关位置的变化，如下：
这个时候，我们的多维数组就变成了：
1.2 swapaxes 对轴进行两两置换
理解了上面的transpose，应该再理解swapaxes就不难了。swapaxes实际上也是针对轴索引进行变化，区别就在于transpose可以一次搞三个，但是swapaxes只能两两置换。
对于swapaxes来说，括号内的两参数，交换位置和不交换，实际结果相同。
接上例：
arr.swapaxes(1,2)（实际上等价于arr.swapaxes(2,1)），那么原多维数组就变为：
