修改索引值python_python-在NumPy中跟踪多索引和修改值

在您的第一个迭代示例中：

In [1]: arr = np.arange(12).reshape(3,4)

In [2]: for x in np.nditer(arr, op_flags=['readwrite']):

...: print(x, type(x))

...: x[...] = 2 * x

...:

0

1

2

3

4

....

11

In [3]: x

Out[3]: array(22)

In [4]: arr

Out[4]:

array([[ 0, 2, 4, 6],

[ 8, 10, 12, 14],

[16, 18, 20, 22]])

打开multi_index：

In [9]: it = np.nditer(arr, flags=['multi_index'],op_flags=['readwrite'])

In [10]: while not it.finished:

...: print(it[0], it.multi_index)

...: it.iternext()

...:

0 (0, 0)

2 (0, 1)

4 (0, 2)

...

20 (2, 2)

22 (2, 3)

通过arr的元素进行相同的迭代,但是还会生成2d索引元组.它是nditer对象,具有各种方法和属性.在这种情况下,它具有multi_index属性.和当前迭代变量是在它[0].

我可以使用[…]就位或通过在arr中建立索引来修改元素：

In [11]: it = np.nditer(arr, flags=['multi_index'],op_flags=['readwrite'])

In [13]: while not it.finished:

...: it[0][...] *= 2

...: arr[it.multi_index] += 100

...: it.iternext()

...:

In [14]: arr # values are doubled and add by 100

Out[14]:

array([[100, 104, 108, 112],

[116, 120, 124, 128],

[132, 136, 140, 144]])

没有multi_index,我仍然可以创建一个nditer对象,并使用未完成的语法进行迭代.而不是访问x […],我不得不使用它[0] […].

np.ndindex是一种生成multi_index的更方便的方法.看一下它的代码.它是使用np.nditer的少数numpy函数之一.

In [26]: for idx in np.ndindex(arr.shape):

...: print(idx)

...: arr[idx] -= 100

...:

(0, 0)

(0, 1)

...

(2, 3)

In [27]: arr

Out[27]:

array([[ 0, 4, 8, 12],

[16, 20, 24, 28],

[32, 36, 40, 44]])

但

尽管与nditer一起玩很有趣,但它并不实际,至少在纯Python代码中不是这样.作为在cython或纯c代码中使用它的垫脚石,它最有用.请参阅迭代页面的最终示例.