1、基本使用
import numpy as np"""
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。
"""
a = np.arange(6).reshape(2,3)
print ('原始数组是:')
print (a)
print ('迭代输出元素:')
for x in np.nditer(a):print (x, end=", " )
print("\n ")
"""
原始数组是:
[[0 1 2][3 4 5]]
迭代输出元素:
0, 1, 2, 3, 4, 5, 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)。
"""
# 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:
a = np.arange(6).reshape(2, 3)
for x in np.nditer(a.T):print(x, end=", ") # 0, 1, 2, 3, 4, 5,
print('\n')for x in np.nditer(a.T.copy(order='C')):print(x, end=", ") # 0, 3, 1, 4, 2, 5,
print('\n')print(a.T)
print(a.T.copy(order='C'))
"""
[[0 3][1 4][2 5]]
[[0 3][1 4][2 5]]从上述例子可以看出,a 和 a.T 的遍历顺序是一样的,也就是他们在内存中的存储顺序也是一样的,但是 a.T.copy(order = 'C') 的遍历结果是不同的,那是因为它和前两种的存储方式是不一样的,默认是按行访问。
"""
2、控制遍历顺序
for x in np.nditer(a, order=‘F’):Fortran order,即是列序优先;
for x in np.nditer(a.T, order=‘C’):C order,即是行序优先;
方式一、使用copy
a = np.arange(0,60,5)
a = a.reshape(3,4)
print ('原始数组是:')
print (a)
print ('原始数组的转置是:')
b = a.T
print (b)
print ('以 C 风格顺序排序:')
c = b.copy(order='C')
print (c)
for x in np.nditer(c):print (x, end=", " )
print ('\n')
print ('以 F 风格顺序排序:')
c = b.copy(order='F')
print (c)
for x in np.nditer(c):print (x, end=", " )
"""
原始数组是:
[[ 0 5 10 15][20 25 30 35][40 45 50 55]]
原始数组的转置是:
[[ 0 20 40][ 5 25 45][10 30 50][15 35 55]]
以 C 风格顺序排序:
[[ 0 20 40][ 5 25 45][10 30 50][15 35 55]]
0, 20, 40, 5, 25, 45, 10, 30, 50, 15, 35, 55, 以 F 风格顺序排序:
[[ 0 20 40][ 5 25 45][10 30 50][15 35 55]]
0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55,
"""
方式二、显式设置,强制 nditer 对象使用某种顺序
# 可以通过显式设置,来强制 nditer 对象使用某种顺序:
a = np.arange(0,60,5)
a = a.reshape(3,4)
print ('原始数组是:')
print (a)
print ('以 C 风格顺序排序:')
for x in np.nditer(a, order = 'C'):print (x, end=", " )
print ('\n')
print ('以 F 风格顺序排序:')
for x in np.nditer(a, order = 'F'):print (x, end=", " )"""
原始数组是:
[[ 0 5 10 15][20 25 30 35][40 45 50 55]]
以 C 风格顺序排序:
0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 以 F 风格顺序排序:
0, 20, 40, 5, 25, 45, 10, 30, 50, 15, 35, 55,
"""
3、修改数组中元素的值
nditer 对象有另一个可选参数 op_flags。 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。
a = np.arange(0,60,5)
a = a.reshape(3,4)
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)
"""
原始数组是:
[[ 0 5 10 15][20 25 30 35][40 45 50 55]]
修改后的数组是:
[[ 0 10 20 30][ 40 50 60 70][ 80 90 100 110]]
"""
4、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)。
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=", " )
"""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, """
https://www.runoob.com/numpy/numpy-terating-over-array.html