眾所周知，Python中的列表和numpy陣列都支援用begin: end語法來表示[begin, end)區間的的切片索引：
import numpy as np
my_list= [1, 2, 3, 4, 5]
print(my_list[2: 4]) # [3, 4]
my_arr = np.array([1, 2, 3, 4, 5])
print(my_arr[2: 4]) # [3 4]
以上操作實際上等同於用slice切片索引物件對其進行切片：
print(my_list[slice(2, 4)]) # [3, 4]
print(my_arr[slice(2, 4)]) # [3 4]
numpy陣列還支援用列表和numpy陣列來表示切片索引，而列表則不支援：
print(my_arr[[2, 3]]) # [3 4]
print(my_arr[np.arange(2, 4)]) # [3, 4]
print(my_list[[2, 3]]) # TypeError: list indices must be integers or slices, not list
print(my_list[np.arange(2, 4)]) # TypeError: only integer scalar arrays can be converted to a scalar index
Pytorch的torch.utils.data.Dataset資料集支援單元素索引，但不支援切片：
from torchvision.datasets import FashionMNIST
from torchvision.transforms import Compose, ToTensor, Normalize
transform = Compose(
[ToTensor(),
Normalize((0.1307,), (0.3081,))
]
)
data = FashionMNIST(
root="data",
download=True,
train=True,
transform=transform
)
print(data[0], data[1]) # (tensor(...), 0) (tensor(...), 0)
print(data[[0, 1]]) # ValueError: only one element tensors can be converted to Python scalars
print(data[: 2]) # ValueError: only one element tensors can be converted to Python scalars
要想對torch.utils.data.Dataset進行切片，需要建立Subset物件:
import torch
indices = [0, 1] # or indices = np.arange(2)
data_0to1 = torch.utils.data.Subset(data, indices)
print(type(data_0to1)) # <class 'torch.utils.data.dataset.Subset'>
Subset物件同樣支援單元素索引操作且不支援切片：
print(data_0to1[0]) # (tensor(...), 0)
檢視Pytorch原始碼可知，Subset類的定義實際上是這樣的：
class Subset(Dataset[T_co]):
r"""
Subset of a dataset at specified indices.
Args:
dataset (Dataset): The whole Dataset
indices (sequence): Indices in the whole set selected for subset
"""
dataset: Dataset[T_co]
indices: Sequence[int]
def __init__(self, dataset: Dataset[T_co], indices: Sequence[int]) -> None:
self.dataset = dataset
self.indices = indices
def __getitem__(self, idx):
return self.dataset[self.indices[idx]]
def __len__(self):
return len(self.indices)
從以上程式碼片段可以清晰地看到Subset類用indices來儲存本身做為子集的索引集合，然後重寫（override）了__getitem__()方法來實現對子集的單元素索引。
有時我們會使用充滿寫死的切片索引，這使得程式碼難以閱讀，比如下面這段程式碼：
record = ".....100...513.25.."
cost = int(record[5: 8]) * float(record[11: 17])
print(cost) # 51325.0
與其這樣做，我們不如對切片進行命名：
SHARES = slice(5, 8)
PRICE = slice(11, 17)
cost = int(record[SHARES]) * float(record[PRICE])
print(cost) # 51325.0
在後一種版本中，由於避免了使用許多神祕難懂的寫死索引，我們的程式碼就變得清晰了許多。
正如我們前面所說，這裡的slice()函數會建立一個slice型別的切片物件，可以用在任何執行切片的地方：
items = [0, 1, 2, 3, 4, 5, 6]
a = slice(2, 4)
print(items[2: 4]) # [2, 3]
print(items[a]) # [2, 3]
items[a] = [10, 11]
print(items) # [0, 1, 10, 11, 4, 5, 6]
del items[a]
print(items) # [0, 1, 4, 5, 6]
如果有一個slice物件的範例s，可以分別用過s.start、s.stop以及s.step屬性來跌倒關於該物件的資訊。例如：
a = slice(5, 50, 2)
print(a.start, a.stop, a.step) # 5 10 2
此外，可以通過使用indices(size)方法將切片對映到特定大小的序列上。這會返回一個[start, stop, step)元組，所有的值都已經恰當地限制在邊界以內(當做索引操作時可避免出現IndexError異常)。例如：
s = 'HelloWorld'
print(a.indices(len(s)))
print(*a.indices(len(s)))
for i in range(*a.indices(len(s))):
print(s[i])
# W
# r
# d
要對迭代器和生成器做切片操作，普通的切片操作符在這裡是不管用的：
def count(n):
while True:
yield n
n += 1
c = count(0)
print(c[10: 20]) # TypeError: 'generator' object is not subscriptable
此時，itertools.islice()函數是最完美的選擇：
import itertools
for x in itertools.islice(c, 10, 20):
print(x)
# 10
# 11
# 12
# 13
# 14
# 15
# 16
# 17
# 18
# 19
注意，迭代器和生成器之所以沒法執行普通的切片操作，這是因為不知道它們的長度是多少（而且它們也沒有實現索引）。islice()產生的結果是一個迭代器，它可以產生出所需要的切片元素，但這是通過存取並丟棄起始索引之前的元素來實現的。之後的元素會由islice物件產生出來，直到到達結束索引為止。
還有一點需要重點強調的是islice()會消耗掉所提供的的迭代器中資料。由於迭代器中的元素只能存取一次，沒法倒回去，因此這裡就需要引起我們的注意了。如果之後還需要倒回去存取前面的元素，那也許就應該先將資料轉到列表中去。