NumPy迭代數組的實現

Posted on by

迭代數組

NumPy中引入瞭 nditer 對象來提供一種對於數組元素的訪問方式。

一、單數組迭代

1. 使用 nditer 訪問數組的每個元素

>>>a = np.arange(12).reshape(3, 4)
>>>for x in np.nditer(a):
            print(x, end=' ')
0 1 2 3 4 5 6 7 8 9 10 11 

# 以上實例不是使用標準 C 或者 Fortran 順序，選擇的順序是和數組內存佈局一致的，
# 這樣做是為瞭提升訪問的效率，默認是行序優先（row-major order，或者說是 C-order）。
# 這反映瞭默認情況下隻需訪問每個元素，而無需考慮其特定順序。
# 我們可以通過迭代上述數組的轉置來看到這一點，
# 並與以 C 順序訪問數組轉置的 copy 方式做對比，如下實例：
>>>for x in np.nditer(a.T):
            print(x, end=' ')
0 1 2 3 4 5 6 7 8 9 10 11 

>>>for x in np.nditer(a.T.copy(order='C')):
            print(x, end=' ')
0 4 8 1 5 9 2 6 10 3 7 11 

2. 控制數組元素的迭代順序

使用參數 order 控制元素的訪問順序，參數的可選值有：

  • ‘C’：C order，即是行序優先；
  • ‘F’：Fortran order，即是列序優先；
  • ’K’：參考數組元素在內存中的順序；
  • ‘A’：表示’F’順序；
>>>a = np.arange(12).reshape(3, 4)
>>>for x in np.nditer(a, order='C'):
        print(x, end=' ')
0 1 2 3 4 5 6 7 8 9 10 11 

>>>a = np.arange(12).reshape(3, 4)
>>>for x in np.nditer(a, order='F'):
        print(x, end=' ')
0 4 8 1 5 9 2 6 10 3 7 11 

>>>a = np.arange(12).reshape(3, 4)
>>>for x in np.nditer(a, order='K'):
        print(x, end=' ')
0 1 2 3 4 5 6 7 8 9 10 11 

>>>a = np.arange(12).reshape(3, 4)
>>>for x in np.nditer(a, order='A'):
        print(x, end=' ')
0 1 2 3 4 5 6 7 8 9 10 11 

3. 修改數組值

在使用 nditer 對象迭代數組時，默認情況下是隻讀狀態。因此，如果需要修改數組，可以使用參數 op_flags = 'readwrite' or 'writeonly' 來標志為讀寫或隻讀模式。

此時，nditer 在迭代時將生成可寫的緩沖區數組，可以在此進行修改。為瞭在修改後，可以將修改的數據回寫到原始位置，需要在迭代結束後，拋出迭代結束信號，有兩種方式：

  • 使用 with 上下文管理器；
  • 在迭代結束後，調用迭代器的close方法；
>>>a = np.arange(12).reshape(3, 4)
>>>print(a)
>>>with np.nditer(a, op_flags=['readwrite']) as it:
        for x in it:
            x += 10
>>>print(a)
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[10 11 12 13]
 [14 15 16 17]
 [18 19 20 21]]

4. 使用外部循環，跟蹤索引或多索引

以上操作在迭代過程中，都是逐元素進行的，這雖然簡單，但是效率不高。可以使用參數 flags 讓 nditer 迭代時提供更大的塊。並可以通過強制設定 C 和 F 順序，得到不同的塊大小。

# 默認情況下保持本機的內存順序，迭代器提供單一的一維數組
# 'external_loop' 給出的值是具有多個值的一維數組，而不是零維數組
>>>a = np.arange(12).reshape(3, 4)
>>>print(a)
>>>for x in np.nditer(a, flags=['external_loop']):
        print(x, end=' ')
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[ 0  1  2  3  4  5  6  7  8  9 10 11], 

# 設定 'F' 順序
>>>a = np.arange(12).reshape(3, 4)
>>>print(a)
>>>for x in np.nditer(a, flags=['external_loop'], order='F'):
        print(x, end=' ')
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[0 4 8], [1 5 9], [ 2  6 10], [ 3  7 11], 

# 'c_index' 可以通過 it.index 跟蹤 'C‘ 順序的索引
>>>a = np.arange(12).reshape(3, 4)
>>>print(a)
>>>it = np.nditer(a, flags=['c_index'])
>>>for x in it:
            print("{}: ({})".format(x, it.index))
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
0: (0)
1: (1)
2: (2)
3: (3)
4: (4)
5: (5)
6: (6)
7: (7)
8: (8)
9: (9)
10: (10)
11: (11)

# 'f_index' 可以通過 it.index 跟蹤 'F‘ 順序的索引
>>>a = np.arange(12).reshape(3, 4)
>>>print(a)
>>>it = np.nditer(a, flags=['c_index'])
>>>for x in it:
            print("{}: ({})".format(x, it.index))
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
0: (0)
1: (3)
2: (6)
3: (9)
4: (1)
5: (4)
6: (7)
7: (10)
8: (2)
9: (5)
10: (8)
11: (11)

# 'multi_index' 可以通過 it.multi_index 跟蹤數組索引
>>>a = np.arange(12).reshape(3, 4)
>>>print(a)
>>>it = np.nditer(a, flags=['multi_index'])
>>>for x in it:
        print("{}: {}".format(x, it.multi_index))
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
0: (0, 0)
1: (0, 1)
2: (0, 2)
3: (0, 3)
4: (1, 0)
5: (1, 1)
6: (1, 2)
7: (1, 3)
8: (2, 0)
9: (2, 1)
10: (2, 2)
11: (2, 3)

external_loop 與 multi_index、c_index、c_index不可同時使用，否則將引發錯誤 ValueError: Iterator flag EXTERNAL_LOOP cannot be used if an index or multi-index is being tracked

5. 以特定數據類型迭代

當需要以其它的數據類型來迭代數組時，有兩種方法：

  • 臨時副本：迭代時，會使用新的數據類型創建數組的副本，然後在副本中完成迭代。但是，這種方法會消耗大量的內存空間。
  • 緩沖模式： 使用緩沖來支持靈活輸入，內存開銷最小。
# 臨時副本
>>>a = np.arange(12).reshape(3, 4)
>>>print(a.dtype)
>>>it = np.nditer(a, op_flags=['readonly', 'copy'],op_dtypes=[np.float64])
>>>for x in it:
        print("{}".format(x), end=', ')
int32
0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0,

# 緩沖模式

>>>a = np.arange(12).reshape(3, 4)
>>>print(a.dtype)
>>>it = np.nditer(a, flags=['buffered'],op_dtypes=[np.float64])
>>>for x in it:
        print("{}".format(x), end=', ')
int32
0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0, 

註意
默認情況下，轉化會執行“安全”機制，如果不符合 NumPy 的轉換規則，會引發異常：TypeError: Iterator operand 0 dtype could not be cast from dtype('float64') to dtype('float32') according to the rule 'safe'

二、廣播數組迭代

如果不同形狀的數組是可廣播的，那麼 dtype 可以迭代多個數組。

>>> a = np.arange(3)
>>> b = np.arange(6).reshape(2,3)
>>> for x, y in np.nditer([a,b]):
        print("%d:%d" % (x,y), end=' ')
0:0 1:1 2:2 0:3 1:4 2:5

到此這篇關於NumPy迭代數組的實現的文章就介紹到這瞭,更多相關NumPy迭代數組內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：