迭代数组
import numpy as np
a = np.arange(6).reshape(2, 3)
for x in np.nditer(a):
print(x, ' ', end='')
print()
print('*' * 30)
for x in np.nditer(a.T):
print(x, ' ', end='')
# 上述两组输出结果相同说明:选择顺序以匹配数组的内存布局,而不是使用标准C或Fortran排序。
# 这样做是为了提高访问效率,反映了默认情况下只需要访问每个元素而不关心特定排序的想法。
# 我们可以通过迭代前一个数组的转置来看到这一点,而不是以C顺序获取该转置的副本。
print()
print('*' * 30)
# 以C标准输出如下:'先转置再复制之后顺序发生变化'
for x in np.nditer(a.T.copy(order='C')):
print(x, ' ', end='')
# a和a.T的元素以相同的顺序遍历,即它们存储在内存中的顺序, 而 a.T.copy(order='C') 的元素以不同的顺序访问,因为它们被放入不同的内存中布局。
# 控制迭代顺序
# 于C顺序,可以使用order ='C'覆盖它,对于Fortran顺序,可以使用order ='F'覆盖它。
print()
print('*' * 30)
print('C顺序覆盖')
for x in np.nditer(a, order='C'):
print(x, ' ', end='')
print()
print('*' * 30)
print('F顺序覆盖')
for x in np.nditer(a, order='F'):
print(x, ' ', end='')
print()
print('*' * 30)
# 修改数组值两种方法
# 使用 with 语句将nditer用作上下文管理器,并在退出上下文时写回临时数据。
# 完成迭代后调用迭代器的 close 方法,这将触发回写。
print('修改前的数组值')
print(a)
with np.nditer(a, op_flags=['readwrite']) as it:
for x in it:
x[...] = 2 * x
print('*' * 30)
print('修改后的数组值')
print(a)
print('*' * 30)
# 使用外部循环
# 方法是将一维最内层循环移动到迭代器外部的代码中。 这样,NumPy的矢量化操作可以用在被访问元素的较大块上。
# 通过强制'C'和'F'顺序,我们得到不同的外部循环大小。通过指定迭代器标志来启用此模式。
for x in np.nditer(a, flags=['external_loop']):
print(x, ' ', end=' ')
print()
print('*' * 30)
for x in np.nditer(a, flags=['external_loop'], order='F'):
print(x, ' ', end=' ')
# 缓冲数组元素
# 在强制迭代顺序时,我们观察到外部循环选项可以以较小的块提供元素,因为不能以恒定的步幅以适当的顺序访问元素。
# 编写C代码时,这通常很好,但在纯Python代码中,这可能会导致性能显着降低。
# 通过启用缓冲模式,迭代器提供给内部循环的块可以变得更大,从而显着减少Python解释器的开销。
# 在强制Fortran迭代顺序的示例中,当启用缓冲时,内部循环可以一次性查看所有元素。
print()
print('*' * 30)
for x in np.nditer(a, flags=['external_loop', 'buffered'], order='F'):
print(x, ' ', end=' ')
# 这个输出和上个输出形成了鲜明的对比
# 作为特定类型数据迭代
print()
print('*' * 30)
b = np.arange(6).reshape(2, 3) - 3
for x in np.nditer(b, op_flags=['readonly', 'copy'], op_dtypes=['complex128']):
print(np.sqrt(x), ' ', end='')
print()
print('*' * 30)
for x in np.nditer(b, flags=['buffered'], op_dtypes=['complex128']):
print(np.sqrt(x), ' ', end='')
# 迭代器使用NumPy的转换规则来确定是否允许特定转换。
# 默认情况下,它会强制执行“安全”投射。
# 这意味着,例如,如果您尝试将64位浮点数组视为32位浮点数组,则会引发异常。
# 在许多情况下,规则'same_kind'是最合理的规则,因为它允许从64位转换为32位浮点数,但不允许从float转换为int或从complex转换为float。
print()
print('*' * 30)
for x in np.nditer(a, flags=['buffered'], op_dtypes=['complex128'],
casting='same_kind'):
print(x, end=' ')
输出如下:
0 1 2 3 4 5
******************************
0 1 2 3 4 5
******************************
0 3 1 4 2 5
******************************
C顺序覆盖
0 1 2 3 4 5
******************************
F顺序覆盖
0 3 1 4 2 5
******************************
修改前的数组值
[[0 1 2]
[3 4 5]]
******************************
修改后的数组值
[[ 0 2 4]
[ 6 8 10]]
******************************
[ 0 2 4 6 8 10]
******************************
[0 6] [2 8] [ 4 10]
******************************
[ 0 6 2 8 4 10]
******************************
1.7320508075688772j 1.4142135623730951j 1j 0j (1+0j) (1.4142135623730951+0j)
******************************
1.7320508075688772j 1.4142135623730951j 1j 0j (1+0j) (1.4142135623730951+0j)
******************************
0j (2+0j) (4+0j) (6+0j) (8+0j) (10+0j)
Numpy迭代数组
最新推荐文章于 2023-04-14 08:45:23 发布