NumPy 数组迭代

NumPy 迭代器对象 numpy.nditer 提供了一种灵活访问一个或者多个数组元素的方式。

迭代器最基本的任务的可以完成对数组元素的访问。

接下来我们使用 arange() 函数创建一个 2X3 数组，并使用 nditer 对它进行迭代。

import　numpy　as　np
a = np.arange(12).reshape(2,6)
print　('原始数组是：')
print　(a)
print　('\n')
print('迭代输出元素：')
for x in np.nditer(a):
　　　　print　(x,　end="　"　)

输出结果为：

原始数组如下：
[[　0　1　2　3　4　5]
　[　6　7　8　9　10　11]]
迭代输出数组元素如下：
0　1　2　3　4　5　6　7　8　9　10　11

以上实例不是使用标准 C 或者 Fortran 顺序，选择的顺序是和数组内存布局一致的，这样做是为了提升访问的效率，默认是行序优先（row-major order，或者说是 C-order）。

这反映了默认情况下只需访问每个元素，而无需考虑其特定顺序。我们可以通过迭代上述数组的转置来看到这一点，并与以 C 顺序访问数组转置的 copy 方式做对比，如下实例：

import　numpy　as　np
a = np.arange(12).reshape(2,6)
for x in np.nditer(a.T):
　　　　print　(x,　end="　"　)
print　('\n')
for　x　in　np.nditer(a.T.copy(order='C')):
　　　　print　(x,　end="　"　)

输出结果为：

0　1　2　3　4　5　6　7　8　9　10　11　
0　6　1　7　2　8　3　9　4　10　5　11

Aus dem obigen Beispiel geht hervor, dass der Durchlauf von a und a.T identisch ist, das bedeutet, dass sie im Speicher die gleiche Speicherreihenfolge haben, aber a.T.copy(order = 'C') Die Ergebnisse des Durchlaufs sind unterschiedlich, da es sich um eine andere Speicherart handelt, die Standardmäßig nach Zeilenzugriff ist.

Steuerung der Durchlaufreihenfolge

for x in np.nditer(a, order='F'):Fortran order, das ist Spaltenpriorität;for x in np.nditer(a.T, order='C'):C order, das ist Zeilenpriorität;

import　numpy　as　np
a　=　np.arange(0,100,5)
a　=　a.reshape(4,5)
print　('原始数组是：')
print　(a)
print　('\n')
print　('Die Transposition des ursprünglichen Arrays ist:')
b　=　a.T
print　(b)
print　('\n')
print　('In der Reihenfolge des Stils C sortiert:')
c　=　b.copy(order='C')
print　(c)
for　x　in　np.nditer(c):
　　　　print　(x,　end="　"　)
print　('\n')
print　('In der Reihenfolge des Stils F sortiert:')
c　=　b.copy(order='F')
print　(c)
for　x　in　np.nditer(c):
　　　　print　(x,　end="　"　)

输出结果为：

原始数组是：
[[　0　5　10　15　20]
　[25　30　35　40　45]
　[50　55　60　65　70]
　[75　80　85　90　95]]
Die Transposition des ursprünglichen Arrays ist:
[[　0　25　50　75]
　[　5　30　55　80]
　[10　35　60　85]
　[15　40　65　90]
　[20　45　70　95]]
In der Reihenfolge des Stils C sortiert:
[[　0　25　50　75]
　[　5　30　55　80]
　[10　35　60　85]
　[15　40　65　90]
　[20　45　70　95]]
0　25　50　75　5　30　55　80　10　35　60　85　15　40　65　90　20　45　70　95　
In der Reihenfolge des Stils F sortiert:
[[　0　25　50　75]
　[　5　30　55　80]
　[10　35　60　85]
　[15　40　65　90]
　[20　45　70　95]]
0　5　10　15　20　25　30　35　40　45　50　55　60　65　70　75　80　85　90　95

Durch explizite Festlegung kann die nditer-Objekte gezwungen werden, eine bestimmte Reihenfolge zu verwenden:

import　numpy　as　np
a　=　np.arange(0,100,5)
a　=　a.reshape(4,5)
print　('原始数组是：')
print　(a)
print　('\n')
print　('In der Reihenfolge des Stils C sortiert:')
for　x　in　np.nditer(a,　order　=　'C'):
　　　　print　(x,　end=",　"　)
print　('\n')
print　('In der Reihenfolge des Stils F sortiert:')
for　x　in　np.nditer(a,　order　=　'F'):
　　　　print　(x,　end="　"　)

输出结果为：

原始数组是：
[[　0　5　10　15　20]
　[25　30　35　40　45]
　[50　55　60　65　70]
　[75　80　85　90　95]]
In der Reihenfolge des Stils C sortiert:
0,　5,　10,　15,　20,　25,　30,　35,　40,　45,　50,　55,　60,　65,　70,　75,　80,　85,　90,　95,　
In der Reihenfolge des Stils F sortiert:
0　25　50　75　5　30　55　80　10　35　60　85　15　40　65　90　20　45　70　95

Wertänderungen im Array

Der nditer-Objekt hat einen weiteren optionalen Parameter op_flags. Standardmäßig betrachtet nditer den zu durchlaufenden Array als schreibgeschütztes Objekt (read-nur), um gleichzeitig das Ändern des Wertes der Arrayelemente zu erreichen, muss read angegeben werden.-write oder write-nur Modus.

import　numpy　as　np
a　=　np.arange(0,100,5)
a　=　a.reshape(4,5)
print　('原始数组是：')
print　(a)
print　('\n')
for　x　in　np.nditer(a,　op_flags=['readwrite']):
　　　　x[...]=2*x
print　('修改后的数组是：')
print　(a)

输出结果为：

原始数组是：
[[　0　5　10　15　20]
　[25　30　35　40　45]
　[50　55　60　65　70]
　[75　80　85　90　95]]
修改后的数组是：
[[　0　10　20　30　40]
　[　50　60　70　80　90]
　[100　110　120　130　140]
　[150　160　170　180　190]]

Verwenden Sie den externen Zyklus

Der Konstruktor der Klasse nditer hat einen flags-Parameter, der die folgenden Werte akzeptieren kann:

Im folgenden Beispiel durchläuft der Iterator die zugehörigen Spalten und kombiniert sie zu einem ein-dimensionalen Array.

import　numpy　as　np
a　=　np.arange(0,100,5)
a　=　a.reshape(4,5)
print　('原始数组是：')
print　(a)
print　('\n')
print　('修改后的数组是：')
for　x　in　np.nditer(a,　flags　=　['external_loop'],　order　=　'F'):
　　　　print　(x,　end="　"　)

输出结果为：

原始数组是：
[[　0　5　10　15　20]
　[25　30　35　40　45]
　[50　55　60　65　70]
　[75　80　85　90　95]]
修改后的数组是：
[　0　25　50　75]　[　5　30　55　80]　[10　35　60　85]　[15　40　65　90]　[20　45　70　95]

广播迭代

如果两个数组是可广播的，nditer 组合对象能够同时迭代它们。 假设数组 a 的维度为 3X4，数组 b 的维度为 1X4 ，则使用以下迭代器（数组 b 被广播到 a 的大小）。

import　numpy　as　np
a　=　np.arange(0,60,5)
a　=　a.reshape(3,4)
print　('第一个数组为：')
print　(a)
print　('\n')
print　('第二个数组为：')
b　=　np.array([1,　2,　3,　4],　dtype　=　int)
print　(b)
print　('\n')
print　('修改后的数组为：')
for　x,y　in　np.nditer([a,b]):
　　　　print　("%d:%d"　%　(x,y),　end="　"　)

输出结果为：

第一个数组为：
[[　0　5　10　15]
　[20　25　30　35]
　[40　45　50　55]]
第二个数组为：
[1　2　3　4]
修改后的数组为：
0:1,　5:2,　10:3,　15:4,　20:1,　25:2,　30:3,　35:4,　40:1,　45:2,　50:3,　55:4,