因为它没有被提到足够清楚（我也在寻找它）：
a相当于：

a = my_array[:, :, :, 8]
b = my_array[:, :, :, 2:7]

是：

a = my_array.take(indices=8, axis=3)
b = my_array.take(indices=range(2, 7), axis=3)

我认为一种方法是使用slice(None)：

>>> m = np.arange(2*3*5).reshape((2,3,5))
>>> axis, start, end = 2, 1, 3
>>> target = m[:, :, 1:3]
>>> target
array([[[ 1,  2],
        [ 6,  7],
        [11, 12]],

       [[16, 17],
        [21, 22],
        [26, 27]]])
>>> slc = [slice(None)] * len(m.shape)
>>> slc[axis] = slice(start, end)
>>> np.allclose(m[slc], target)
True

我有一种模糊的感觉，我以前用过一个函数，但现在似乎找不到了。

这有点晚了，但是Numpy的默认方法是numpy.take。（因为它支持花哨的索引，所以它总是假设这是可能的）。（在许多情况下，您需要的是数据的 * 视图 *，而不是副本），回退到另一个答案中已经提到的slice(None)选项，可能用一个很好的函数来 Package 它

def simple_slice(arr, inds, axis):
    # this does the same as np.take() except only supports simple slicing, not
    # advanced indexing, and thus is much faster
    sl = [slice(None)] * arr.ndim
    sl[axis] = inds
    return arr[tuple(sl)]

这是 * 非常 * 晚的聚会，但我有一个替代切片函数，执行比其他答案稍好：

def array_slice(a, axis, start, end, step=1):
    return a[(slice(None),) * (axis % a.ndim) + (slice(start, end, step),)]

下面是测试每个答案的代码，每个版本都标有发布答案的用户名：

import numpy as np
from timeit import timeit

def answer_dms(a, axis, start, end, step=1):
    slc = [slice(None)] * len(a.shape)
    slc[axis] = slice(start, end, step)
    return a[slc]

def answer_smiglo(a, axis, start, end, step=1):
    return a.take(indices=range(start, end, step), axis=axis)

def answer_eelkespaak(a, axis, start, end, step=1):
    sl = [slice(None)] * m.ndim
    sl[axis] = slice(start, end, step)
    return a[tuple(sl)]

def answer_clemisch(a, axis, start, end, step=1):
    a = np.moveaxis(a, axis, 0)
    a = a[start:end:step]
    return np.moveaxis(a, 0, axis)

def answer_leland(a, axis, start, end, step=1):
    return a[(slice(None),) * (axis % a.ndim) + (slice(start, end, step),)]

if __name__ == '__main__':
    m = np.arange(2*3*5).reshape((2,3,5))
    axis, start, end = 2, 1, 3
    target = m[:, :, 1:3]
    for answer in (answer_dms, answer_smiglo, answer_eelkespaak,
                   answer_clemisch, answer_leland):
        print(answer.__name__)
        m_copy = m.copy()
        m_slice = answer(m_copy, axis, start, end)
        c = np.allclose(target, m_slice)
        print('correct: %s' %c)
        t = timeit('answer(m, axis, start, end)',
                   setup='from __main__ import answer, m, axis, start, end')
        print('time:    %s' %t)
        try:
            m_slice[0,0,0] = 42
        except:
            print('method:  view_only')
        finally:
            if np.allclose(m, m_copy):
                print('method:  copy')
            else:
                print('method:  in_place')
        print('')

以下是结果：

answer_dms

Warning (from warnings module):
  File "C:\Users\leland.hepworth\test_dynamic_slicing.py", line 7
    return a[slc]
FutureWarning: Using a non-tuple sequence for multidimensional indexing is 
deprecated; use `arr[tuple(seq)]` instead of `arr[seq]`. In the future this will be 
interpreted as an array index, `arr[np.array(seq)]`, which will result either in an 
error or a different result.
correct: True
time:    2.2048302
method:  in_place

answer_smiglo
correct: True
time:    5.9013344
method:  copy

answer_eelkespaak
correct: True
time:    1.1219435999999998
method:  in_place

answer_clemisch
correct: True
time:    13.707583699999999
method:  in_place

answer_leland
correct: True
time:    0.9781496999999995
method:  in_place

• DSM's answer在评论中包含了一些改进建议。
• EelkeSpaak's answer应用了这些改进，从而避免了警告并且速度更快。
• 包含np.take的Śmigło's answer会产生更差的结果，并且虽然它不是仅查看，但它确实会创建副本。
• 包含np.moveaxis的clemisch's answer需要最长的时间才能完成，但令人惊讶的是，它会引用回前一个数组的内存位置。
• 我的答案消除了对中间切片列表的需要。当切片轴朝向开始时，它还使用较短的切片索引。这给出了最快的结果，随着轴接近0，还会有额外的改进。

我还为每个版本添加了一个step参数，以防您需要。

有一种优雅的方法可以访问数组x的任意轴n：使用numpy.moveaxis ¹将感兴趣的轴移到前面。

x_move = np.moveaxis(x, n, 0)  # move n-th axis to front
x_move[start:end]              # access n-th axis

问题是你可能需要在其他数组上使用moveaxis来保持轴顺序的一致性，因为x_move数组只是一个视图，所以你对它的前一个轴所做的每一个改变都对应着x在第n个轴上的改变（也就是说你可以读/写x_move）。
1)与moveaxis(x, n, 0)相反，您也可以使用swapaxes来不用担心n和0的顺序，我更喜欢moveaxis而不是swapaxes，因为它只改变了n的顺序。

这确实是非常非常晚了！但是我得到了Leland's answer并对其进行了扩展，这样它就可以使用多个轴和切片参数。

from numpy import *

def slicer(a, axis=None, slices=None):
    if not hasattr(axis, '__iter__'):
        axis = [axis]
    if not hasattr(slices, '__iter__') or len(slices) != len(axis):
        slices = [slices]
    slices = [ sl if isinstance(sl,slice) else slice(*sl) for sl in slices ]
    mask = []
    fixed_axis = array(axis) % a.ndim
    case = dict(zip(fixed_axis, slices))
    for dim, size in enumerate(a.shape):
        mask.append( case[dim] if dim in fixed_axis else slice(None) )
    return a[tuple(mask)]

它适用于可变数量的轴，并以切片元组作为输入

>>> a = array( range(10**4) ).reshape(10,10,10,10)
>>> slicer( a, -2, (1,3) ).shape
(10, 10, 2, 10)
>>> slicer( a, axis=(-1,-2,0), slices=((3,), s_[:5], slice(3,None)) ).shape
(7, 10, 5, 3)

一个稍微紧凑的版本

def slicer2(a, axis=None, slices=None):
    ensure_iter = lambda l: l if hasattr(l, '__iter__') else [l]
    axis = array(ensure_iter(axis)) % a.ndim
    if len(ensure_iter(slices)) != len(axis):
        slices = [slices]
    slice_selector = dict(zip(axis, [ sl if isinstance(sl,slice) else slice(*sl) for sl in ensure_iter(slices) ]))
    element = lambda dim_: slice_selector[dim_] if dim_ in slice_selector.keys() else slice(None)
    return a[( element(dim) for dim in range(a.ndim) )]

我没有看到任何关于Ellipsis对象的注解，所以想包含另一个稍微不同的解决方案，它适用于正轴和负轴。这个解决方案有一个函数，可以沿着所需的维度生成切片。
我包含这个的主要原因是为了确保学习动态切片的人也学习使用省略号。

def _slice_along_axis(slice_inds,axis=-1):
    '''
    Returns a slice such that the 1d slice provided by slice_inds, slices along the dimension provided.
    '''
    from_end=False
    if axis<0: # choosing axis at the end
        from_end = True
        axis = -1-axis
    explicit_inds_slice = axis*(slice(None),) 
    if from_end:
        return (Ellipsis,slice_inds) + explicit_inds_slice
    else:
        return  explicit_inds_slice + (slice_inds,)

为了使用这个函数，你可以像往常一样简单地调用切片。

a = my_array[:, :, :, 8]
b = my_array[:, :, :, 2:7]
c = my_array[...,3] # (equivalent to my_array.take(axis=-1,indices=3)

相当于

a = my_array[_slice_along_axis(8,axis=3)]
b = my_array[_slice_along_axis(slice(2,7),axis=3)]
c = my_array[_slice_along_axis(3,axis=-1)]

这种方法的一个优点是，切片可以生成一次，然后在其他数组中使用，即使其他数组中的维数不相同（负轴的情况）。