Numpy(二)：广播和迭代

广播：

是 numpy 对不同形状(shape)的数组进行数值计算的方式， 对数组的算术运算通常在相应的元素上进行。

如果两个数组 a 和 b 形状相同，即满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。

>>> import numpy as np 

>>> a = np.array([1,2,3,4]) 
>>> b = np.array([10,20,30,40]) 
>>> c = a * b 
>>> print (c)

#当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制。如：

>>> a = np.array([[ 0, 0, 0],
           [10,10,10],
           [20,20,20],
           [30,30,30]])
>>> b = np.array([1,2,3])
>>> print(a + b)
[[ 1  2  3]
 [11 12 13]
 [21 22 23]
 [31 32 33]]
#4x3 的二维数组与长为 3 的一维数组相加，等效于把数组 b 在二维上重复 4 次再运算：

迭代：

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。

>>> import numpy as np
>>> a = np.arange(6).reshape(2,3)
>>> a
array([[0, 1, 2],
       [3, 4, 5]])
>>> for x in np.nditer(a):
	print (x, end=", " )

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）。
#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：

>>> a = np.arange(6).reshape(2,3)
>>> a.T
array([[0, 3],
       [1, 4],
       [2, 5]])
>>> for x in np.nditer(a.T):
    print (x, end=", " )

0, 1, 2, 3, 4, 5, 
>>> a.T.copy(order='C')
array([[0, 3],
       [1, 4],
       [2, 5]])

>>> for x in np.nditer(a.T.copy(order='C')):
    print (x, end=", " )

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。

#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；

#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 (a)
[[ 0  5 10 15]
 [20 25 30 35]
 [40 45 50 55]]
>>> for x in np.nditer(a, op_flags=['readwrite']): 
    x[...]=2*x 
>>> print (a)
[[  0  10  20  30]
 [ 40  50  60  70]
 [ 80  90 100 110]]

#迭代使用外部循环

nditer类的构造器拥有flags参数，它可以接受下列值：

参数	描述
c_index	可以跟踪 C 顺序的索引
f_index	可以跟踪 Fortran 顺序的索引
multi-index	每次迭代可以跟踪一种索引类型
external_loop	给出的值是具有多个值的一维数组，而不是零维数组

在下面的实例中，迭代器遍历对应于每列，并组合为一维数组。

>>> a = np.arange(0,60,5) 
>>> a = a.reshape(3,4)  
>>> a
array([[ 0,  5, 10, 15],
       [20, 25, 30, 35],
       [40, 45, 50, 55]])
>>> for x in np.nditer(a, flags =  ['external_loop'], order =  'F'):  
   print (x, end=", " )

[ 0 20 40], [ 5 25 45], [10 30 50], [15 35 55], 


#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)  
>>> a
array([[ 0,  5, 10, 15],
       [20, 25, 30, 35],
       [40, 45, 50, 55]])
>>> b = np.array([1,  2,  3,  4], dtype =  int)  
>>> b
array([1, 2, 3, 4])
>>> for x,y in np.nditer([a,b]):  
    print ("%d:%d"  %  (x,y), end=", " )

0:1, 5:2, 10:3, 15:4, 20:1, 25:2, 30:3, 35:4, 40:1, 45:2, 50:3, 55:4,