Python 教程之 Numpy(8)—— 遍历数组

简介: Python 教程之 Numpy(8)—— 遍历数组

NumPy 包包含一个迭代器对象numpy.nditer。它是一个高效的多维迭代器对象,使用它可以迭代数组。使用 Python 的标准迭代器接口访问数组的每个元素。

# 用于遍历数组的 Python 程序
import numpy as geek
# 使用排列方法创建数组
a = geek.arange(12)
# 具有 3 行和 4 列的形状数组
a = a.reshape(3,4)
print('Original array is:')
print(a)
print()
print('Modified array is:')
# 迭代数组
for x in geek.nditer(a):
    print(x)

输出:

Original array is:
[[ 0 1 2 3]
 [ 4 5 6 7]
 [ 8 9 10 11]]
Modified array is:
0 1 2 3 4 5 6 7 8 9 10 11

选择迭代的顺序以匹配数组的内存布局,而不考虑特定的顺序。这可以通过迭代上述数组的转置来看出。

# 用于迭代转置的 Python 程序
# array
import numpy as geek 
# 使用排列方法创建数组
a = geek.arange(12)
# 具有 3 行和 4 列的形状数组
a = a.reshape(3,4) 
print('Original array is:')
print(a)
print()  
# 原始数组的转置
b = a.T 
print('Modified array is:')
for x in geek.nditer(b): 
    print(x)

输出:

Original array is:
[[ 0 1 2 3]
 [ 4 5 6 7]
 [ 8 9 10 11]]
Modified array is:
0 1 2 3 4 5 6 7 8 9 10 11

控制迭代顺序:

有时以特定顺序访问数组元素很重要,而与内存中元素的布局无关。nditer 对象提供了一个 order 参数来控制迭代的这一方面。。具有上述行为的默认设置是 order='K' 以保持现有顺序。这可以用 order='C' 覆盖 C 订单和 order='F' 用于 Fortran 订单。

代码#1:

# 用于使用特定顺序迭代数组的 Python 程序
import numpy as geek 
# 使用排列方法创建数组
a = geek.arange(12) 
# 具有 3 行和 4 列的形状数组 
a = a.reshape(3,4) 
print('Original array is:') 
print(a)
print()  
print('Modified array in C-style order:')
# 具有 3 行和 4 行的形状数组,以给定的顺序排列数组
for x in geek.nditer(a, order = 'C'): 
    print(x)

输出:

Original array is:
[[ 0 1 2 3]
 [ 4 5 6 7]
 [ 8 9 10 11]]
Modified array in C-style order:
0 1 2 3 4 5 6 7 8 9 10 11

代码#2:

# 用于使用特定顺序迭代数组的 Python 程序
import numpy as geek 
# 使用排列方法创建数组
a = geek.arange(0,60,5) 
# 具有 3 行和 4 列的形状数组
a = a.reshape(3,4) 
print('Original array is:') 
print(a)
print()  
print('Modified array in F-style order:')
# 以给定顺序迭代数组
for x in geek.nditer(a, order = 'F'): 
    print(x)

输出:

Original array is:
[[ 0 1 2 3]
 [ 4 5 6 7]
 [ 8 9 10 11]]
Modified array in F-style order:
0 4 8 1 5 9 2 6 10 3 7 11

修改数组值:

nditer 对象有另一个可选参数,称为op_flags。其默认值为只读,但可以设置为读写或只写模式。这将启用使用此迭代器修改数组元素。

# 用于修改数组值的 Python 程序
import numpy as geek
# 使用排列方法创建数组
a = geek.arange(12)
# 具有 3 行和 4 列的形状数组
a = a.reshape(3,4)
print('Original array is:')
print(a)
print()
# 修改数组值
for x in geek.nditer(a, op_flags = ['readwrite']):
    x[...] = 5*x
print('Modified array is:')
print(a)

输出:

Original array is:
[[ 0 1 2 3]
 [ 4 5 6 7]
 [ 8 9 10 11]]
Modified array is:
[[ 0 5 10 15]
 [20 25 30 35]
 [40 45 50 55]]

外环:

nditer构造函数有一个flags参数,可以取以下值

image.png

代码#1:

# 使用外部循环迭代数组值的 Python 程序
import numpy as geek 
# 使用排列方法创建数组
a = geek.arange(12) 
# 具有 3 行和 4 列的形状数组
a = a.reshape(3,4) 
print('Original array is:') 
print(a) 
print()  
print('Modified array is:') 
for x in geek.nditer(a, flags = ['external_loop'], order = 'C'):
    print(x)

输出:

Original array is:
[[ 0 1 2 3]
 [ 4 5 6 7]
 [ 8 9 10 11]]
Modified array is:
[ 0 1 2 3] [ 4 5 6 7] [8 9 10 11] 

代码#2:

# 使用 f_index 迭代数组值的 Python 程序
import numpy as geek 
# 使用排列方法创建数组
a = geek.arange(6)
# 具有 2 行和 3 列的形状数组
a = a.reshape(2,3)
print('Original array is:')
print(a)
print()
# 使用 f_index 参数迭代数组
it = geek.nditer(a, flags=['f_index'])
while not it.finished:
      print("%d <%d>" % (it[0], it.index), end=" ")
      it.iternext()

输出:

Original array is:
[[ 0 1 2]
 [ 3 4 5]]
0 <0> 1 <2> 2 <4> 3 <1> 4 <3> 5 <5>

广播迭代:

如果两个数组是可广播的,则组合的nditer对象能够同时对它们进行迭代。假设一个数组a的维度为3X4,并且还有另一个维度为1X4的数组b,则使用以下类型的迭代器(数组b广播到a的大小)。

# 用于迭代数组的 Python 程序
import numpy as geek
# 使用排列方法创建数组
a = geek.arange(12)
# 具有 3 行和 4 列的形状数组
a = a.reshape(3,4) 
print('First array is:') 
print(a)
print()  
# 使用数组方法创建第二个数组
print('Second array is:') 
b = geek.array([5, 6, 7, 8], dtype = int) 
print(b)  
print() 
print('Modified array is:')
for x,y in geek.nditer([a,b]): 
    print("%d:%d" % (x,y))

输出:

First array is:
[[ 0 1 2 3]
 [ 4 5 6 7]
 [ 8 9 10 11]]
Second array is:
[5 6 7 8]
Modified array is:
0:5 1:6 2:7 3:8 4:5 5:6 6:7 7:8 8:5 9:6 10:7 11:8

感谢大家的阅读,有什么问题的话可以在评论中告诉我。希望大家能够给我来个点赞+收藏+评论 ,你的支持是海海更新的动力!后面我会持续分享前端 & 后端相关的专业知识。


目录
相关文章
|
6月前
|
存储 Java 数据处理
(numpy)Python做数据处理必备框架!(一):认识numpy;从概念层面开始学习ndarray数组:形状、数组转置、数值范围、矩阵...
Numpy是什么? numpy是Python中科学计算的基础包。 它是一个Python库,提供多维数组对象、各种派生对象(例如掩码数组和矩阵)以及用于对数组进行快速操作的各种方法,包括数学、逻辑、形状操作、排序、选择、I/0 、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。 Numpy能做什么? numpy的部分功能如下: ndarray,一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组 用于对整组数据进行快速运算的标准数学函数(无需编写循环)。 用于读写磁盘数据的工具以及用于操作内存映射文件的工具。 线性代数、随机数生成以及傅里叶变换功能。 用于集成由C、C++
563 1
|
6月前
|
Java 数据处理 索引
(numpy)Python做数据处理必备框架!(二):ndarray切片的使用与运算;常见的ndarray函数:平方根、正余弦、自然对数、指数、幂等运算;统计函数:方差、均值、极差;比较函数...
ndarray切片 索引从0开始 索引/切片类型 描述/用法 基本索引 通过整数索引直接访问元素。 行/列切片 使用冒号:切片语法选择行或列的子集 连续切片 从起始索引到结束索引按步长切片 使用slice函数 通过slice(start,stop,strp)定义切片规则 布尔索引 通过布尔条件筛选满足条件的元素。支持逻辑运算符 &、|。
356 0
|
7月前
|
数据采集 存储 XML
Python爬虫技术:从基础到实战的完整教程
最后强调: 父母法律法规限制下进行网络抓取活动; 不得侵犯他人版权隐私利益; 同时也要注意个人安全防止泄露敏感信息.
1001 19
|
6月前
|
索引 Python
Python 列表切片赋值教程:掌握 “移花接木” 式列表修改技巧
本文通过生动的“嫁接”比喻,讲解Python列表切片赋值操作。切片可修改原列表内容,实现头部、尾部或中间元素替换,支持不等长赋值,灵活实现列表结构更新。
317 1
|
8月前
|
机器学习/深度学习 API 异构计算
JAX快速上手:从NumPy到GPU加速的Python高性能计算库入门教程
JAX是Google开发的高性能数值计算库,旨在解决NumPy在现代计算需求下的局限性。它不仅兼容NumPy的API,还引入了自动微分、GPU/TPU加速和即时编译(JIT)等关键功能,显著提升了计算效率。JAX适用于机器学习、科学模拟等需要大规模计算和梯度优化的场景,为Python在高性能计算领域开辟了新路径。
846 0
JAX快速上手:从NumPy到GPU加速的Python高性能计算库入门教程
|
7月前
|
数据采集 存储 JSON
使用Python获取1688商品详情的教程
本教程介绍如何使用Python爬取1688商品详情信息,涵盖环境配置、代码编写、数据处理及合法合规注意事项,助你快速掌握商品数据抓取与保存技巧。
|
9月前
|
XML Linux 区块链
Python提取Word表格数据教程(含.doc/.docx)
本文介绍了使用LibreOffice和python-docx库处理DOC文档表格的方法。首先需安装LibreOffice进行DOC到DOCX的格式转换,然后通过python-docx读取和修改表格数据。文中提供了详细的代码示例,包括格式转换函数、表格读取函数以及修改保存功能。该方法适用于Windows和Linux系统,解决了老旧DOC格式文档的处理难题,为需要处理历史文档的用户提供了实用解决方案。
1120 1
|
8月前
|
存储 数据采集 数据处理
Pandas与NumPy:Python数据处理的双剑合璧
Pandas与NumPy是Python数据科学的核心工具。NumPy以高效的多维数组支持数值计算,适用于大规模矩阵运算;Pandas则提供灵活的DataFrame结构,擅长处理表格型数据与缺失值。二者在性能与功能上各具优势,协同构建现代数据分析的技术基石。
677 0
|
8月前
|
并行计算 算法 Java
Python3解释器深度解析与实战教程:从源码到性能优化的全路径探索
Python解释器不止CPython,还包括PyPy、MicroPython、GraalVM等,各具特色,适用于不同场景。本文深入解析Python解释器的工作原理、内存管理机制、GIL限制及其优化策略,并介绍性能调优工具链及未来发展方向,助力开发者提升Python应用性能。
508 0
|
8月前
|
数据采集 索引 Python
Python Slice函数使用教程 - 详解与示例 | Python切片操作指南
Python中的`slice()`函数用于创建切片对象,以便对序列(如列表、字符串、元组)进行高效切片操作。它支持指定起始索引、结束索引和步长,提升代码可读性和灵活性。

热门文章

最新文章

推荐镜像

更多