分享一下我老师大神的人工智能教程。零基础！通俗易懂！风趣幽默！还带黄段子！希望你也加入到我们人工智能的队伍中来！https://blog.csdn.net/jiangjunshow
1. Single array iteration
>>> a = np.arange(6).reshape(2,3)>>> for x in np.nditer(a):... print x,...0 1 2 3 4 5
- 1
- 2
- 3
- 4
- 5
- 也即默认是行序优先（row-major order，或者说是 C-order），这样迭代遍历的目的在于，实现和内存分布格局的一致性，以提升访问的便捷性；
>>> for x in np.nditer(a.T):... print x,...0 1 2 3 4 5>>> for x in np.nditer(a.T.copy(order='C')):... print x,...0 3 1 4 2 5
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 也即对
a和a.T的遍历执行的是同意顺序，也即是它们在内存中的实际存储顺序。
2. 控制遍历顺序
for x in np.nditer(a, order='F'):Fortran order，也即是列序优先；for x in np.nditer(a.T, order='C'):C order，也即是行序优先；
3. 修改数组中元素的值
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。
>>> aarray([[0, 1, 2], [3, 4, 5]])>>> for x in np.nditer(a, op_flags=['readwrite']):... x[...] = 2 * x...>>> aarray([[ 0, 2, 4], [ 6, 8, 10]])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
4. 使用外部循环
将一维的最内层的循环转移到外部循环迭代器，使得 numpy 的矢量化操作在处理更大规模数据时变得更有效率。
>>> a = np.arange(6).reshape(2,3)>>> for x in np.nditer(a, flags=['external_loop']):... print x,...[0 1 2 3 4 5]>>>>>> for x in np.nditer(a, flags=['external_loop'], order='F'):... print x,...[0 3] [1 4] [2 5]
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
5. 追踪单个索引或多重索引（multi-index）
>>> a = np.arange(6).reshape(2,3)>>> aarray([[0, 1, 2], [3, 4, 5]])>>> it = np.nditer(a, flags=['f_index'])>>> while not it.finished:... print "%d <%d>" % (it[0], it.index),... it.iternext()...0 <0> 1 <2> 2 <4> 3 <1> 4 <3> 5 <5> # 索引的编号，以列序优先
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
>>> it = np.nditer(a, flags=['multi_index'])>>> while not it.finished:... print "%d <%s>" % (it[0], it.multi_index),... it.iternext()...0 <(0, 0)> 1 <(0, 1)> 2 <(0, 2)> 3 <(1, 0)> 4 <(1, 1)> 5 <(1, 2)>
- 1
- 2
- 3
- 4
- 5
- 6
references
分享一下我老师大神的人工智能教程。零基础！通俗易懂！风趣幽默！还带黄段子！希望你也加入到我们人工智能的队伍中来！https://blog.csdn.net/jiangjunshow