【原】numpy中數(shù)組的遍歷技巧

生信修煉手冊 2020-06-11

展開全文

在numpy中,，當需要循環(huán)處理數(shù)組中的元素時,，能用內(nèi)置通函數(shù)實現(xiàn)的肯定首選通函數(shù)，只有當沒有可用的通函數(shù)的情況下,，再來手動進行遍歷,，遍歷的方法有以下幾種

1. 內(nèi)置for循環(huán)

最基礎(chǔ)的遍歷方法還是for循環(huán)，用法如下

# 一維數(shù)組,，和普通的python序列對象一致
>>> a
array([0, 1, 2, 3, 4])
>>> for i in a:
... print(i)
...
0
1
2
3
4
# 二維數(shù)組,，每次遍歷一行，以列表的形式返回一行的元素
>>> a = np.arange(12).reshape(3, 4)
>>> a
array([[ 0, 1, 2, 3],
       [ 4, 5, 6, 7],
       [ 8, 9, 10, 11]])

>>> for i in a:
... print(i)
...
[0 1 2 3]
[4 5 6 7]
[ 8 9 10 11]

for循環(huán)中得到的是對應(yīng)元素的副本,，所以通過上述方式只能訪問,，不能修改原始數(shù)組中的值。

2. flat迭代器

數(shù)組的flat屬性返回的是數(shù)組的迭代器,，通過這個迭代器,，可以一層for循環(huán)就搞定多維數(shù)組的訪問，用法如下

>>> a
array([[ 0, 1, 2, 3],
       [ 4, 5, 6, 7],
       [ 8, 9, 10, 11]])
>>> for i in a.flat:
...     print(i)
...
0
1
2
3
4
5
6
7
8
9
10
11

3. nditer迭代器

numpy中的nditer函數(shù)可以返回數(shù)組的迭代器,，該迭代器的功能比flat更加強大和靈活,，在遍歷多維數(shù)組時,，通過order參數(shù)可以指定遍歷的順序，C表示C語言的風格,，優(yōu)先處理行,，F(xiàn)表示Fortran語言的風格，優(yōu)先處理列,，用法如下

>>> a
array([[ 0, 1, 2, 3],
       [ 4, 5, 6, 7],
       [ 8, 9, 10, 11]])
# 默認按行處理
>>> for i in np.nditer(a, order='C'):
... print(i)
...
0
1
2
3
4
5
6
7
8
9
10
11
# 按列處理
>>> for i in np.nditer(a, order='F'):
... print(i)
...
0
4
8
1
5
9
2
6
10
3
7
11

普通的遍歷只能訪問元素,，而nditer可以允許我們在遍歷的同時修改原始數(shù)組中的元素，只需要op_flags參數(shù)即可,，用法如下

>>> a
array([[ 0, 1, 2, 3],
       [ 4, 5, 6, 7],
       [ 8, 9, 10, 11]])
>>> for i in np.nditer(a, op_flags = ['readwrite']):
... i *= 2
...
>>> a
array([[ 0, 2, 4, 6],
       [ 8, 10, 12, 14],
       [16, 18, 20, 22]])

>>> for i in np.nditer(a, op_flags = ['writeonly']):
... i += 2
...
>>> a
array([[ 2, 4, 6, 8],
       [10, 12, 14, 16],
       [18, 20, 22, 24]])

nditer更強大的功能在于廣播遍歷,，通過內(nèi)置的廣播機制，可以實現(xiàn)兩個數(shù)組的組合,，用法如下

>>> a = np.arange(12).reshape(3, 4)
>>> a
array([[ 0, 1, 2, 3],
       [ 4, 5, 6, 7],
       [ 8, 9, 10, 11]])
>>> b = np.arange(4)
>>> b
array([0, 1, 2, 3])
>>> np.nditer([a, b])
<numpy.nditer object at 0x7f9db6b11170>
>>> for x,y in np.nditer([a,b]):
... print(x,y)
...
0 0
1 1
2 2
3 3
4 0
5 1
6 2
7 3
8 0
9 1
10 2
11 3
```

```
>>> b = np.arange(3).reshape(-1, 1)
>>> b
array([[0],
       [1],
       [2]])
>>> a
array([[ 0, 1, 2, 3],
       [ 4, 5, 6, 7],
       [ 8, 9, 10, 11]])
>>> for x,y in np.nditer([a,b]):
... print(x,y)
...
0 0
1 0
2 0
3 0
4 1
5 1
6 1
7 1
8 2
9 2
10 2
11 2