Iteração do Array NumPy

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('O array original é:')
print(a)
print('\n')
print('迭代输出元素：')
for x in np.nditer(a):
　　　　print(x, end=" ")

O resultado da saída é:

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=" ")

O resultado da saída é:

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

Da exemplo acima, pode-se ver que a e a.T têm a mesma ordem de iteração, ou seja, eles têm a mesma ordem de armazenamento em memória, mas a.T.copy(order = 'C') Os resultados da iteração são diferentes, pois ele e os dois primeiros têm uma forma de armazenamento diferente, o padrão é acessar por linha.

Controle da ordem de iteração

for x in np.nditer(a, order='F'): Fortran order, é prioridade de coluna;for x in np.nditer(a.T, order='C'): C order, é prioridade de linha;

import numpy as np
a = np.arange(0,100,5)
a = a.reshape(4,5)
print('O array original é:')
print(a)
print('\n')
print('A transposta do array original é:')
b = a.T
print(b)
print('\n')
print('Ordenar em estilo C:')
c = b.copy(order='C')
print(c)
for x in np.nditer(c):
　　　　print(x, end=" ")
print('\n')
print('Ordenar em estilo F:')
c = b.copy(order='F')
print(c)
for x in np.nditer(c):
　　　　print(x, end=" ")

O resultado da saída é:

O array original é:
[[ 0　5　10　15　20]
　[25　30　35　40　45]
　[50　55　60　65　70]
　[75　80　85　90　95]]
A transposta do array original é:
[[ 0　25　50　75]
　[　5　30　55　80]
　[10　35　60　85]
　[15　40　65　90]
　[20　45　70　95]]
Ordenar em estilo C:
[[ 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　
Ordenar em estilo F:
[[ 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

Pode ser explicitamente configurado para forçar o objeto nditer a usar uma certa ordem:

import numpy as np
a = np.arange(0,100,5)
a = a.reshape(4,5)
print('O array original é:')
print(a)
print('\n')
print('Ordenar em estilo C:')
for x in np.nditer(a, order='C'):
　　　　print(x, end=', ', )
print('\n')
print('Ordenar em estilo F:')
for x in np.nditer(a, order='F'):
　　　　print(x, end=" ")

O resultado da saída é:

O array original é:
[[ 0　5　10　15　20]
　[25　30　35　40　45]
　[50　55　60　65　70]
　[75　80　85　90　95]]
Ordenar em estilo C:
0,　5,　10,　15,　20,　25,　30,　35,　40,　45,　50,　55,　60,　65,　70,　75,　80,　85,　90,　95,　
Ordenar em estilo F:
0　25　50　75　5　30　55　80　10　35　60　85　15　40　65　90　20　45　70　95

Modificar o valor dos elementos do array

O objeto nditer tem outro parâmetro opcional op_flags. Pelo padrão, o nditer considera o array a ser iterado como um objeto apenas de leitura (read-Only), para modificar o valor dos elementos do array durante a iteração, é necessário especificar read-write ou write-Only mode.

import numpy as np
a = np.arange(0,100,5)
a = a.reshape(4,5)
print('O array original é:')
print(a)
print('\n')
for x in np.nditer(a, op_flags=['readwrite']):
　　　　x[...]=2*x
print('O array modificado é:')
print(a)

O resultado da saída é:

O array original é:
[[ 0　5　10　15　20]
　[25　30　35　40　45]
　[50　55　60　65　70]
　[75　80　85　90　95]]
O array modificado é:
[[ 0　10　20　30　40]
　[　50　60　70　80　90]
　[100　110　120　130　140]
　[150　160　170　180　190]]

Uso de loop externo

O construtor da classe nditer possui um parâmetro flags, que pode aceitar os seguintes valores:

No exemplo a seguir, o iterador percorre correspondente a cada coluna e combina em um array unidimensional.

import numpy as np
a = np.arange(0,100,5)
a = a.reshape(4,5)
print('O array original é:')
print(a)
print('\n')
print('O array modificado é:')
for x in np.nditer(a, flags=['external_loop'], order='F'):
　　　　print(x, end=" ")

O resultado da saída é:

O array original é:
[[ 0　5　10　15　20]
　[25　30　35　40　45]
　[50　55　60　65　70]
　[75　80　85　90　95]]
O array modificado é:
[ 0　25　50　75] [　5　30　55　80] [10　35　60　85] [15　40　65　90] [20　45　70　95]

Iteração de Broadcast

Se dois arrays forem broadcastáveis, o objeto de combinação nditer pode iterar neles ao mesmo tempo. Supondo que a dimensão do array a seja 3X4A dimensão do array b é 1X4 Se usar o seguinte iterador (o array b é broadcast para o tamanho do array a).

import numpy as np
a = np.arange(0,60,5)
a = a.reshape(3,4)
print('O primeiro array é:')
print(a)
print('\n')
print('O segundo array é:')
b = np.array([1,　2,　3,　4], dtype = int)
print(b)
print('\n')
print('O array modificado é:')
for x, y in np.nditer([a, b]):
　　　　print("%d:%d" % (x, y), end=" ")

O resultado da saída é:

O primeiro array é:
[[ 0　5　10　15]
　[20　25　30　35]
　[40　45　50　55]]
O segundo array é:
[1　2　3　4]
O array modificado é:
0:1,　5:2,　10:3,　15:4,　20:1,　25:2,　30:3,　35:4,　40:1,　45:2,　50:3,　55:4,