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,