Python 切片语法基础：[start:end:step] 全解

P.S. 目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步，增强我国的AI竞争力。想要系统学习AI知识的朋友可以看看我精心打磨的教程 http://blog.csdn.net/jiangjunshow，教程通俗易懂，高中生都能看懂，还有各种段子风趣幽默，从深度学习基础原理到各领域实战应用都有讲解，我22年的AI积累全在里面了。注意，教程仅限真正想入门AI的朋友，否则看看零散的博文就够了。

前言

很多刚学Python的朋友，一上来就被[start:end:step]这套切片语法搞得头大。
看着简单三个参数，组合起来花样百出，正数、负数、空着不写、倒序、步长跳跃……
明明一行代码能搞定的事，硬是写出了阅读理解的感觉。

我见过太多新手，循环写了几十行，只为取列表前几个元素、倒序输出、隔一个取一个。
殊不知Python切片一出，这些操作全是一行秒杀。

2026年了，Python早已是AI、数据分析、后端开发的绝对主力语言，切片更是日常编码里出场率最高的语法之一。不管是处理数据集、字符串清洗、数组裁剪，还是深度学习里的张量维度截取，都离不开它。

今天这篇文章，我就用最通俗、最接地气的方式，把[start:end:step]从入门到精通彻底讲透。
不讲虚的，全是真实可跑的代码，全是工作里真能用得上的技巧，看完你再也不会被切片绕晕。

一、先搞懂：Python 切片到底是什么？

一句话：
切片就是从序列（列表、字符串、元组、range、张量等）里，按规则「抠出一段子序列」的语法。

Python里所有可迭代、有序、支持下标访问的对象，基本都支持切片：

• list 列表
• str 字符串
• tuple 元组
• bytes / bytearray
• numpy array
• torch tensor（深度学习常用）

它的标准语法只有一种，死记这一个模板就行：

序列[start:end:step]

三个参数含义极简版：

• start：从哪里开始切（包含）
• end：切到哪里结束（不包含）
• step：步长，每隔几个取一个，可正可负

最关键的坑点：end 是开区间，不包含自身！
这是90%新手翻车的地方。

二、基础切片：只写 start 和 end

先从最简单的情况入手：只写[start:end]，默认step=1，也就是挨个取。

我们先定义一个测试列表，后面所有例子都用它，方便对照：

# 索引： 0 1 2 3 4 5 6 7 8nums=[10,20,30,40,50,60,70,80,90]

2.1 最基础：从 start 切到 end

# 从索引1开始，到索引4结束（不包含4）print(nums[1:4])# [20, 30, 40]

结果只有索引1、2、3，没有4，记住：左闭右开。

2.2 省略 start：从头开始切

[:end]等价于[0:end]

print(nums[:5])# 从开头到索引5（不含）[10,20,30,40,50]

2.3 省略 end：切到末尾

[start:]切到最后一个元素，包含末尾

print(nums[3:])# 从索引3到最后 [40,50,60,70,80,90]

2.4 全都省略：复制整个序列

[:]是Python里浅拷贝列表最常用的写法

print(nums[:])# [10,20,30,40,50,60,70,80,90]

在AI数据处理里，data[:]经常用来复制一份数据，避免修改原数组。

三、负数索引：从右边数，超级好用

Python支持负数下标，这是切片灵活性的关键之一。
规则：

• -1：最后一个元素
• -2：倒数第二个
• 以此类推

还是用上面的列表：

# 索引： 0 1 2 3 4 5 6 7 8# 负索引:-9 -8 -7 -6 -5 -4 -3 -2 -1nums=[10,20,30,40,50,60,70,80,90]

3.1 取最后 n 个元素

print(nums[-3:])# 最后3个 [70,80,90]

3.2 去掉最后 n 个元素

print(nums[:-2])# 去掉最后2个 [10,20,30,40,50,60,70]

3.3 中间一段用负数

print(nums[-5:-2])# 从-5到-2（不含）[50,60,70]

很多AI数据集处理、字符串截断，用负数索引一行搞定，比写len()计算清爽太多。

四、步长 step：跳跃式切片，真正的骚操作

step是切片的灵魂，默认是1，改成其他整数，就变成每隔step个取一个。

格式：

[start:end:step]

4.1 正步长：从左往右跳

print(nums[::2])# 从头到尾，步长2：[10,30,50,70,90]print(nums[1::3])# 从1开始，步长3：[20,50,80]

在处理时序数据、特征采样时，::2降采样非常常用。

4.2 步长为 -1：直接倒序

这是Python最经典的技巧：

print(nums[::-1])# [90,80,70,60,50,40,30,20,10]

字符串反转同样一行：

s="abcdef"print(s[::-1])# "fedcba"

比写循环、用reverse()优雅太多，而且不修改原对象。

4.3 步长为负：从右往左切

当step<0时，start要大于end，否则返回空列表。

print(nums[6:1:-1])# 从6到1（不含），倒着取 [70,60,50,40,30]

你可以理解为：

• step 正：左 → 右
• step 负：右 → 左

五、切片常见组合：工作中高频场景

我把2026年实际编码里最常用的切片场景整理出来，直接背，直接用。

5.1 取前 n 个元素

nums[:n]

5.2 取后 n 个元素

nums[-n:]

5.3 去掉前 k 个，取后面所有

nums[k:]

5.4 去掉后 k 个，取前面所有

nums[:-k]

5.5 列表浅拷贝

new_nums=nums[:]

5.6 奇偶下标分离

even=nums[::2]# 偶数下标 0,2,4...odd=nums[1::2]# 奇数下标 1,3,5...

5.7 字符串按步长采样

s="ABCDEFGHIJK"print(s[::3])# "ADGJ"

5.8 深度学习中常用：批量取前N条数据

# 假设batch_data是模型输入数据batch=batch_data[:32]# 取前32条样本

这些都是AI工程、数据处理里天天写的代码，学会切片，代码直接精简一半。

六、必踩的 5 个坑，99% 新手都中招

坑1：end 不包含自身，永远记不住

nums[2:5]# 取 2,3,4，没有5

解决办法：想要到索引x，就写end=x+1

坑2：start > end 且 step 为正 → 空列表

print(nums[5:2])# []

不会报错，直接空，很容易埋bug。

坑3：负数步长时，start < end → 空

print(nums[2:6:-1])# []

倒着切，必须左边下标 > 右边下标。

坑4：切片越界不会报错

Python非常宽容：

print(nums[100:200])# []print(nums[:1000])# 全部输出

不会抛IndexError，这点和直接取下标不同。

坑5：切片是新对象，不是原序列

a=[1,2,3]b=a[:]b[0]=999print(a)# [1,2,3] 没变

切片是浅拷贝，这在数据处理里非常重要，避免误改原始数据。

七、进阶：切片对象 slice()，代码更优雅

除了直接写[::]，Python还提供内置函数slice(start, end, step)，适合复用切片规则。

# 定义一个切片规则：从1到7，步长2s=slice(1,7,2)print(nums[s])# [20,40,60]

在工程代码里，把固定切片逻辑封装成slice对象，可读性暴增。
比如深度学习里固定裁剪特征：

crop_feature=slice(5,20)feat1=data1[crop_feature]feat2=data2[crop_feature]

八、实战案例：用切片简化真实业务代码

我给你看两段对比，你就知道切片有多香。

案例1：取列表前5个，倒序输出

不用切片：

nums=[1,2,3,4,5,6,7,8,9]temp=nums[:5]temp.reverse()print(temp)

用切片一行：

print(nums[:5][::-1])

案例2：字符串去除首尾各2个字符，再反转

s="ABCDEFGHIJK"# 切片版res=s[2:-2][::-1]print(res)

案例3：AI数据集按步长采样，减少计算量

# 时序数据，每5个点取1个data=torch.randn(1000)sample=data[::5]

代码少、速度快、可读性强，这就是Pythonic。

九、2026 年最新 Python 切片规范与技巧

根据2026年Python官方风格指南PEP 8以及AI工程实践，有几条最佳实践：

1. 尽量省略多余的0
   • 推荐nums[:5]，不写nums[0:5]
2. 尽量用负数索引处理尾部
   • 推荐nums[-3:]，不写nums[len(nums)-3:]
3. 步长不要写太复杂
   • 多层嵌套切片尽量拆成两行，避免可读性爆炸
4. 张量/数组优先用切片，少用循环
   • numpy、torch底层对切片做了极致优化，比Python循环快几十倍
5. 函数参数里支持切片时，优先封装slice对象
   • 让接口更清晰，便于维护

十、总结：一张表记住 [start🔚step] 所有规则

记住三句话：

1. 左闭右开，end不含
2. 负数从右数，-1是最后
3. 步长正负定方向，负步长要倒着写

只要吃透这三点，Python切片对你来说就再也没有难题。

不管是日常开发、数据清洗，还是深度学习张量操作，切片都是你最顺手的工具之一。
2026年写Python，还在写循环取元素，真的有点跟不上时代了。

P.S. 目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步，增强我国的AI竞争力。想要系统学习AI知识的朋友可以看看我精心打磨的教程 http://blog.csdn.net/jiangjunshow，教程通俗易懂，高中生都能看懂，还有各种段子风趣幽默，从深度学习基础原理到各领域实战应用都有讲解，我22年的AI积累全在里面了。注意，教程仅限真正想入门AI的朋友，否则看看零散的博文就够了。