nditer —— numpy ndarray 多维数组的迭代

分享一下我老师大神的人工智能教程。零基础！通俗易懂！风趣幽默！还带黄段子！希望你也加入到我们人工智能的队伍中来！https://blog.youkuaiyun.com/jiangjunshow

                       

1. Single array iteration

>>> a = np.arange(6).reshape(2,3)>>> for x in np.nditer(a):...     print x,...0 1 2 3 4 5
  
  
1
2
3
4
5

• 也即默认是行序优先（row-major order，或者说是 C-order），这样迭代遍历的目的在于，实现和内存分布格局的一致性，以提升访问的便捷性；

>>> for x in np.nditer(a.T):...     print x,...0 1 2 3 4 5>>> for x in np.nditer(a.T.copy(order='C')):...     print x,...0 3 1 4 2 5
  
  
1
2
3
4
5
6
7
8

• 也即对 a 和 a.T 的遍历执行的是同意顺序，也即是它们在内存中的实际存储顺序。

2. 控制遍历顺序

• for x in np.nditer(a, order='F'):Fortran order，也即是列序优先；
• for x in np.nditer(a.T, order='C'):C order，也即是行序优先；

3. 修改数组中元素的值

默认情况下，nditer将视待迭代遍历的数组为只读对象（read-only），为了在遍历数组的同时，实现对数组元素值得修改，必须指定 read-write 或者 write-only的模式。

>>> aarray([[0, 1, 2],       [3, 4, 5]])>>> for x in np.nditer(a, op_flags=['readwrite']):...     x[...] = 2 * x...>>> aarray([[ 0,  2,  4],       [ 6,  8, 10]])
  
  
1
2
3
4
5
6
7
8
9

4. 使用外部循环

将一维的最内层的循环转移到外部循环迭代器，使得 numpy 的矢量化操作在处理更大规模数据时变得更有效率。

>>> a = np.arange(6).reshape(2,3)>>> for x in np.nditer(a, flags=['external_loop']):...     print x,...[0 1 2 3 4 5]>>>>>> for x in np.nditer(a, flags=['external_loop'], order='F'):...     print x,...[0 3] [1 4] [2 5]
  
  
1
2
3
4
5
6
7
8
9
10

5. 追踪单个索引或多重索引（multi-index）

>>> a = np.arange(6).reshape(2,3)>>> aarray([[0, 1, 2],       [3, 4, 5]])>>> it = np.nditer(a, flags=['f_index'])>>> while not it.finished:...     print "%d <%d>" % (it[0], it.index),...     it.iternext()...0 <0> 1 <2> 2 <4> 3 <1> 4 <3> 5 <5>            # 索引的编号，以列序优先
  
  
1
2
3
4
5
6
7
8
9
10
11

>>> it = np.nditer(a, flags=['multi_index'])>>> while not it.finished:...     print "%d <%s>" % (it[0], it.multi_index),...     it.iternext()...0 <(0, 0)> 1 <(0, 1)> 2 <(0, 2)> 3 <(1, 0)> 4 <(1, 1)> 5 <(1, 2)>
  
  
1
2
3
4
5
6

references

• Iterating Over Arrays

           

分享一下我老师大神的人工智能教程。零基础！通俗易懂！风趣幽默！还带黄段子！希望你也加入到我们人工智能的队伍中来！https://blog.youkuaiyun.com/jiangjunshow