NumPy多维数组迭代如何工作？ （有和没有nditer）

Question

注意：我不确定这是否重复 - 如果是，请告诉我（并关闭问题）。

如果有一个具有1维NumPy数组vector ，那么如果有人写一个for循环的形式：

for element in vector :
    print(element)

结果将打印NumPy数组的每个元素。

如果有一个二维NumPy数组matrix ，那么如果有人写一个for循环的形式：

for vector in matrix :
    print(vector)

结果将打印2维NumPy数组的每一行，即它将打印1维NumPy数组，并且它不会单独打印数组的每个元素。

但是，如果有人将for循环写为：

import numpy
for element in numpy.nditer(matrix) :
     print(element)

结果将打印二维NumPy数组的每个元素。

问题：如果有一个三维NumPy数组， tensor会怎么样？

一个。 如果写一个for循环的形式：

for unknownType in tensor :
     print(unknownType)

这会打印构成二维NumPy（子） tensor阵列吗？

即，对于n维阵列NumPy的nArray ，确实for unknownType in nArray :遍历组成第（n-1）维NumPy的（子）的阵列nArray ？

湾 如果写一个for循环的形式：

for unknownType in numpy.nditer(tensor) :
    print(unknownType)

这会打印出tensor元素吗？ 或者它会打印成分二维NumPy（子）阵列tensor的组成1维NumPy（子）数组吗？

即n维NumPy数组nArray ， for unknownType in nditer(nArray) :迭代nArray的元素？ 或者它是否在nArray的成分（n-1）维NumPy（子）数组的成分（n-2）维NumPy（子）数组上进行nArray ？

从名字nditer我不清楚，因为我不知道“nd”代表什么（“iter”显然是“迭代”的缩写）。 并且可能人们可以将这些元素视为“0维NumPy数组”，因此给我的二维NumPy数组的示例是模糊的。

我查看了np.nditer文档，但说实话，我不明白这些示例或者他们试图演示的内容 - 它似乎是程序员为程序员编写的（我不是）。

Answer 1

一个）

for x in arr:迭代数组的第一维。

In [233]: for x in np.arange(24).reshape((2,3,4)):
     ...:     print(x.shape)
     ...:     
(3, 4)
(3, 4)

我认为它是for x in list(arr):... 它将数组分成一个子数组列表。

b）

用nditer控制迭代深度很棘手。 默认情况下，它会在元素级别进行迭代。 教程页面显示了使用缓冲区和顺序的一些技巧。 但我看到的最好的方法是使用ndindex 。

ndindex构造一个正确大小的虚拟数组，并执行multi_index迭代。

例如，迭代3d数组的前2个维度：

In [237]: arr = np.arange(24).reshape(2,3,4)
In [240]: for idx in np.ndindex(arr.shape[:2]):
     ...:     print(idx, arr[idx], arr[idx].sum())
     ...:      
(0, 0) [0 1 2 3] 6
(0, 1) [4 5 6 7] 22
(0, 2) [ 8  9 10 11] 38
(1, 0) [12 13 14 15] 54
(1, 1) [16 17 18 19] 70
(1, 2) [20 21 22 23] 86

我可以用同样的迭代

for i in range(2):
    for j in range(3):
         arr[i,j]...

要么

arr1 = arr.reshape(-1,4)
for ij in range(6):
    arr1[ij]....

速度基本相同 - 与同时在整个3d数组上工作的数组函数相比，或者采用某种axis参数的数据都比较差。

In [241]: arr.sum(axis=2)
Out[241]: 
array([[ 6, 22, 38],
       [54, 70, 86]])

---

numpy作为数组的类是np.ndarray 。 据推测， nditer就是这样命名的。 nditer是作为一种整合各种c级代码可以在数组上迭代的方式编写的，特别是几个可广播的代码。 np.nditer函数可以访问c级迭代器。 但是由于实际迭代仍然在Python代码中完成，所以几乎没有速度优势。

Answer 2

如果你只是使用for循环，那么迭代就在第一个维度上，如果数组只有一个维度，那么这将是元素，如果它是2D，它将是行，如果它是3D，它将迭代飞机，...

然而， nditer是ND（代表n维）迭代器。 它将迭代数组中的每个元素。 它（大致！）等同for item in your_array.ravel() （迭代数组的展平“视图”）。 对于1D数组，它迭代元素，对于2D数组，它首先迭代第一行中的元素，然后遍历第二行，依此类推。

请注意， nditer比它强大得多，它可以一次迭代多个数组，你可以缓冲迭代和许多其他东西。

---

但是对于NumPy，您通常不希望使用for -loop或np.nditer 。 有许多 “向量化”操作使得手动迭代（在大多数情况下）不必要。