numpy.
nditer
高效的多维迭代器对象,用于在数组上迭代。要开始使用此对象,请参见 introductory guide to array iteration .
要循环访问的数组。
用于控制迭代器行为的标志。
buffered 在需要时启用缓冲。
buffered
c_index 导致跟踪C顺序索引。
c_index
f_index 导致跟踪Fortran顺序索引。
f_index
multi_index 导致跟踪多索引或每个迭代维度一个的索引元组。
multi_index
common_dtype 使所有操作数转换为公共数据类型,并根据需要进行复制或缓冲。
common_dtype
copy_if_overlap 使迭代器确定读操作数是否与写操作数重叠,并根据需要制作临时副本以避免重叠。在某些情况下可能出现误报(不必要的复制)。
copy_if_overlap
delay_bufalloc 延迟缓冲区的分配,直到发出reset()调用。允许 allocate 将值复制到缓冲区之前要初始化的操作数。
delay_bufalloc
allocate
external_loop 导致 values 给定为具有多个值的一维数组,而不是零维数组。
external_loop
values
grow_inner 允许 value 当两者同时存在时,要使数组大小大于缓冲区大小 buffered 和 external_loop 使用。
grow_inner
value
ranged 允许将迭代器限制为iterindex值的子范围。
ranged
refs_ok 例如,启用引用类型的迭代。
refs_ok
reduce_ok 启用的迭代 readwrite 广播的操作数,也称为归约操作数。
reduce_ok
readwrite
zerosize_ok 允许 itersize 为零。
zerosize_ok
这是每个操作数的标志列表。至少,其中一个 readonly , readwrite 或 writeonly 必须指定。
readonly
writeonly
readonly 指示操作数只能从中读取。
readwrite 指示操作数将被读取和写入。
writeonly 指示操作数将只写入。
no_broadcast 阻止广播操作数。
no_broadcast
contig 强制操作数数据连续。
contig
aligned 强制对齐操作数数据。
aligned
nbo 强制操作数数据采用本机字节顺序。
nbo
copy 如果需要,允许临时只读副本。
copy
updateifcopy 如果需要,允许临时读写副本。
updateifcopy
allocate 如果数组在 op 参数。
op
no_subtype 防止 allocate 使用子类型的操作数。
no_subtype
arraymask 指示此操作数是在使用“writemasked”标志集写入操作数时用于选择元素的掩码。当一个数组将这些元素从后面写入时,迭代器只会将这些元素从后面写入,而不是从后面写入。
arraymask
writemasked 指示只有选定 arraymask 操作数为真时将写入。
writemasked
overlap_assume_elementwise 可用于标记仅按迭代器顺序访问的操作数,以便在 copy_if_overlap 是存在的。
overlap_assume_elementwise
操作数所需的数据类型。如果启用了复制或缓冲,则数据将转换为/从其原始类型转换。
控制迭代顺序“C”表示C顺序,“F”表示Fortran顺序,“A”表示“F”顺序(如果所有数组都是Fortran连续的),“C”顺序(否则),“K”表示尽可能接近数组元素在内存中出现的顺序。这也会影响元素的内存顺序 allocate 操作数,因为它们被分配为与迭代顺序兼容。默认值为“K”。
控制在进行复制或缓冲时可能发生的数据强制转换类型。不建议将此设置为“不安全”,因为它会对累积产生不利影响。
“否”表示完全不应强制转换数据类型。
“equiv”表示只允许更改字节顺序。
“safe”表示只允许保留值的强制转换。
“相同类型”意味着只允许安全的类型或类型内的类型,如float64到float32。
“不安全”表示可以进行任何数据转换。
如果提供,则是每个操作数的整数或无的列表。操作数的轴列表是从迭代器维度到操作数维度的映射。可以为条目放置值-1,从而将该维度视为 newaxis .
newaxis
迭代器所需的形状。这允许 allocate 由运算轴映射的维数与另一个操作数的维数不对应的操作数,其值不等于该维数的1。
启用缓冲时,控制临时缓冲区的大小。设置为0作为默认值。
笔记
nditer 替代物 flatiter . 后面的迭代器实现 nditer 也是由numpy c api公开的。
flatiter
Python公开提供了两个迭代接口,一个遵循Python迭代器协议,另一个镜像C风格的do-while模式。本地Python方法在大多数情况下更好,但是如果您需要迭代器的坐标或索引,请使用C样式的模式。
实例
我们可以这样写 iter_add 函数,使用Python迭代器协议:
iter_add
>>> def iter_add_py(x, y, out=None): ... addop = np.add ... it = np.nditer([x, y, out], [], ... [['readonly'], ['readonly'], ['writeonly','allocate']]) ... with it: ... for (a, b, c) in it: ... addop(a, b, out=c) ... return it.operands[2]
以下是相同的函数,但遵循C样式模式:
>>> def iter_add(x, y, out=None): ... addop = np.add ... it = np.nditer([x, y, out], [], ... [['readonly'], ['readonly'], ['writeonly','allocate']]) ... with it: ... while not it.finished: ... addop(it[0], it[1], out=it[2]) ... it.iternext() ... return it.operands[2]
下面是一个外积函数示例:
>>> def outer_it(x, y, out=None): ... mulop = np.multiply ... it = np.nditer([x, y, out], ['external_loop'], ... [['readonly'], ['readonly'], ['writeonly', 'allocate']], ... op_axes=[list(range(x.ndim)) + [-1] * y.ndim, ... [-1] * x.ndim + list(range(y.ndim)), ... None]) ... with it: ... for (a, b, c) in it: ... mulop(a, b, out=c) ... return it.operands[2]
>>> a = np.arange(2)+1 >>> b = np.arange(3)+1 >>> outer_it(a,b) array([[1, 2, 3], [2, 4, 6]])
下面是一个类似于“lambda”ufunc的示例函数:
>>> def luf(lamdaexpr, *args, **kwargs): ... '''luf(lambdaexpr, op1, ..., opn, out=None, order='K', casting='safe', buffersize=0)''' ... nargs = len(args) ... op = (kwargs.get('out',None),) + args ... it = np.nditer(op, ['buffered','external_loop'], ... [['writeonly','allocate','no_broadcast']] + ... [['readonly','nbo','aligned']]*nargs, ... order=kwargs.get('order','K'), ... casting=kwargs.get('casting','safe'), ... buffersize=kwargs.get('buffersize',0)) ... while not it.finished: ... it[0] = lamdaexpr(*it[1:]) ... it.iternext() ... return it.operands[0]
>>> a = np.arange(5) >>> b = np.ones(5) >>> luf(lambda i,j:i*i + j/2, a, b) array([ 0.5, 1.5, 4.5, 9.5, 16.5])
if操作数标志 "writeonly" or "readwrite" are used the operands may be views into the original data with the WRITEBACKIFCOPY flag. In this case nditer must be used as a context manager or the nditer.close method must be called before using the result. The temporary data will be written back to the original data when the `_ _调用exit_uuuuuuuuuuuuuuuuu函数,但不能在以下时间之前调用:
nditer.close
>>> a = np.arange(6, dtype='i4')[::-2] >>> with np.nditer(a, [], ... [['writeonly', 'updateifcopy']], ... casting='unsafe', ... op_dtypes=[np.dtype('f4')]) as i: ... x = i.operands[0] ... x[:] = [-1, -2, -3] ... # a still unchanged here >>> a, x (array([-1, -2, -3], dtype=int32), array([-1., -2., -3.], dtype=float32))
需要注意的是,一旦迭代器退出,就会挂起引用(如 x 在本例中)可以或不可以与原始数据共享数据 a . 如果写回语义是活动的,即如果 x.base.flags.writebackifcopy 是 True ,然后退出迭代器将切断 x 和 a 写信给 x 将不再写信给 a . 如果写回语义不是活动的,那么 x.data 仍将指向 a.data 对其中一个的写作会影响另一个。
上下文管理和 close 方法出现在版本1.15.0中。
中提供的值的数据类型 value . 如果启用了缓冲,这可能与操作数数据类型不同。仅在迭代器关闭之前有效。
操作数的迭代是否完成。
如果为True,则使用 delay_bufalloc 标志,并且尚未对其调用reset()函数。
如果为True,则使用 c_index 或 f_index 旗帜和财产 index 可用于检索。
如果为True,则使用 multi_index 旗帜和财产 multi_index 可用于检索。
当 c_index 或 f_index 如果使用了标志,则此属性提供对索引的访问。如果访问并 has_index 是假的。
has_index
迭代是否需要访问python api,例如,如果其中一个操作数是对象数组。
与迭代顺序相匹配的索引。
迭代器的大小。
的结构化视图 operands 在内存中,匹配重新排序和优化的迭代器访问模式。仅在迭代器关闭之前有效。
当 multi_index 如果使用了标志,则此属性提供对索引的访问。如果访问和访问,则引发ValueError has_multi_index 是假的。
has_multi_index
迭代器的维数。
迭代器操作数。
operands
操作数 [Slice]
形状元组,迭代器的形状。
价值 operands 在当前迭代中。通常,这是数组标量的元组,但是如果 external_loop 它是一维数组的元组。
方法
close ()
close
解析可写操作数中的所有写回语义。
copy ()
获取当前状态下迭代器的副本。
debug_print ()
debug_print
打印的当前状态 nditer 实例和调试信息到stdout。
enable_external_loop ()
enable_external_loop
如果在构造过程中没有使用“external_loop”,但需要这样做,则会修改迭代器,使其行为与指定标志时一样。
iternext ()
iternext
检查是否保留迭代,并在不返回结果的情况下执行单个内部迭代。
remove_axis (i)
remove_axis
移除轴 i 来自迭代器。
remove_multi_index ()
remove_multi_index
当指定了“multi_index”标志时,它将删除该标志,从而允许进一步优化内部迭代结构。
reset ()
reset
将迭代器重置为其初始状态。