numpy中np.nditer、flags=[multi_index] 的用法說明

在看CS231n的時候，有這么一行代碼

it = np.nditer(x, flags=['multi_index'], op_flags=['readwrite'])

查了查np.nditer原來是numpy array自帶的迭代器。這里簡單寫個demo解釋一下np.nditer的用法。

先構(gòu)建一個3x4的矩陣

然后輸入命令

flags=['multi_index']表示對a進行多重索引，具體解釋看下面的代碼。

op_flags=['readwrite']表示不僅可以對a進行read（讀?。?，還可以write（寫入），即相當(dāng)于在創(chuàng)建這個迭代器的時候，我們就規(guī)定好了有哪些權(quán)限。

迭代一下試一試

print it.multi_index表示輸出元素的索引，可以看到輸出的結(jié)果都是index。

it.iternext()表示進入下一次迭代，如果不加這一句的話，輸出的結(jié)果就一直都是(0, 0)。

補充：it = np.nditer(x, flags=['multi_index'], op_flags=['readwrite'])

在看cs221n代碼的時候碰到一行代碼。

it = np.nditer(x, flags=['multi_index'], op_flags=['readwrite'])

np.nditer()函數(shù)解析

class np.nditer()

參數(shù)：

op ： ndarray或array_like的序列。迭代的數(shù)組。

flags ： str的序列，可選。用于控制迭代器行為的標(biāo)志。

“buffered”可在需要時啟用緩沖。

“c_index”導(dǎo)致跟蹤C順序索引。

“f_index”導(dǎo)致跟蹤Fortran-order索引。

“multi_index”導(dǎo)致跟蹤多個索引或每個迭代維度一個索引元組。

“common_dtype”會將所有操作數(shù)轉(zhuǎn)換為公共數(shù)據(jù)類型，并根據(jù)需要進行復(fù)制或緩沖。

“copy_if_overlap”使迭代器確定讀操作數(shù)是否與寫操作數(shù)重疊，并根據(jù)需要進行臨時復(fù)制以避免重疊。在某些情況下，可能會出現(xiàn)誤報（不必要的復(fù)制）。

“delay_bufalloc”延遲緩沖區(qū)的分配，直到進行reset（）調(diào)用。允許“allocate”操作數(shù)在其值復(fù)制到緩沖區(qū)之前進行初始化。

“external_loop”導(dǎo)致給定的值是具有多個值的一維數(shù)組，而不是零維數(shù)組。

當(dāng)同時使用“buffered”和“external”循環(huán)時，“grow-inner”允許值數(shù)組大小大于緩沖區(qū)大小。

“ranged”允許將迭代器限制為iterindex值的子范圍。

“refs_ok”允許迭代引用類型，例如對象數(shù)組。

“reduce_ok”允許迭代廣播的“readwrite”操作數(shù)，也稱為縮減操作數(shù)。

“zerosize_ok”允許itersize為零。

op_flags ： str列表，可選。這是每個操作數(shù)的標(biāo)志列表。至少，必須指定“readonly”，“readwrite”或“writeonly”中的一個。

“readonly”表示只讀取操作數(shù)。

“readwrite”表示將讀取和寫入操作數(shù)。

“writeonly”表示只會寫入操作數(shù)。

“no_broadcast”阻止操作數(shù)被廣播。

“contig”強制操作數(shù)數(shù)據(jù)是連續(xù)的。

“aligned”強制操作數(shù)數(shù)據(jù)對齊。

“nbo”強制操作數(shù)數(shù)據(jù)以本機字節(jié)順序排列。

如果需要，“copy”允許臨時只讀副本。

“updateifcopy”允許在需要時使用臨時讀寫副本。

如果在op參數(shù)中為None，則“allocate”會導(dǎo)致分配數(shù)組。

“no_subtype”阻止“allocate”操作數(shù)使用子類型。

“arraymask”表示此操作數(shù)是在寫入設(shè)置了“writemasked”標(biāo)志的操作數(shù)時用于選擇元素的掩碼。迭代器不強制執(zhí)行此操作，但是當(dāng)從緩沖區(qū)寫回數(shù)組時，它只復(fù)制由此掩碼指示的元素。

'writemasked'表示只寫入所選'arraymask'操作數(shù)為True的元素。

“overlap_assume_elementwise”可用于標(biāo)記僅在迭代器順序中訪問的操作數(shù)，以便在存在“copy_if_overlap”時允許不太保守的復(fù)制。

op_dtypes ： dtype的dtype 或tuple，可選。操作數(shù)所需的數(shù)據(jù)類型。如果啟用了復(fù)制或緩沖，則數(shù)據(jù)將轉(zhuǎn)換為原始類型或從其原始類型轉(zhuǎn)換。

order： {‘C'，‘F'，‘A'，‘K'}，可選

控制迭代順序。'C'表示C順序，'F'表示Fortran順序，'A'表示'F'順序，如果所有數(shù)組都是Fortran連續(xù)，否則'C'順序，‘K'表示接近數(shù)組元素出現(xiàn)的順序在內(nèi)存中盡可能。這也會影響“allocate”操作數(shù)的元素內(nèi)存順序，因為它們被分配為與迭代順序兼容。默認為'K'。

casting ：{‘no', ‘equiv', ‘safe', ‘same_kind', ‘unsafe'}，可選?？刂七M行復(fù)制或緩沖時可能出現(xiàn)的數(shù)據(jù)轉(zhuǎn)換類型。建議不要將此設(shè)置為“unsafe”，因為它會對累積產(chǎn)生不利影響。

“no”表示完全不應(yīng)強制轉(zhuǎn)換數(shù)據(jù)類型。

“equiv”表示只允許更改字節(jié)順序。

“safe”表示只允許保留值的強制轉(zhuǎn)換。

“same_kind”意味著只允許安全的類型或類型內(nèi)的類型，如float64到float32。

“unsafe”表示可以進行任何數(shù)據(jù)轉(zhuǎn)換。

op_axes ： 整數(shù)列表列表，可選。如果提供，則是每個操作數(shù)的int或None列表。操作數(shù)的軸列表是從迭代器的維度到操作數(shù)的維度的映射。可以為條目放置值-1，從而將該維度視為“newaxis”。

itershape ： 整數(shù)元組，可選。迭代器的理想形狀。這允許“allocate”具有由op_axes映射的維度的操作數(shù)不對應(yīng)于不同操作數(shù)的維度，以獲得該維度不等于1的值。

buffersize ： int，可選。啟用緩沖時，控制臨時緩沖區(qū)的大小。設(shè)置為0表示默認值。

例子1：

默認情況下，nditer將視待迭代遍歷的數(shù)組為只讀對象（read-only），為了在遍歷數(shù)組的同時，實現(xiàn)對數(shù)組元素值得修改，必須指定op_flags=['readwrite']模式：

基本迭代參數(shù)flag=['f_index'/'mulit_index']，可輸出自身坐標(biāo)it.index/it.multi_index。

“multi_index”表示對x進行表示對x進行多重索引。

print("%d %s>" % (it[0], it.multi_index))表示輸出元素的索引，可以看到輸出的結(jié)果都是index。

下面分別舉例子說明：

import numpy as np
x = np.arange(6).reshape(2,3)
it = np.nditer(x, flags=['multi_index'], op_flags=['readwrite'])
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)>

it.iternext()表示進入下一次迭代，如果不加這一句的話，輸出的結(jié)果就一直都是0 (0, 0)>且不間斷地輸出。

0 (0, 0)>
0 (0, 0)>
0 (0, 0)>
0 (0, 0)>
0 (0, 0)>
0 (0, 0)>
......
......

例子2：

import numpy as np
x = np.arange(6).reshape(2,3)
# 單維迭代
it = np.nditer(x, flags=['f_index'])
while not it.finished:
    print("%d %s>" % (it[0], it.index))
    it.iternext()
# 0 0>
# 1 2>
# 2 4>
# 3 1>
# 4 3>
# 5 5>

import numpy as np
x = np.arange(6).reshape(2,3)
# 多維迭代
it = np.nditer(x, 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)>

例子3：

import numpy as np
x = np.arange(6).reshape(2,3)
# 列順序迭代
it = np.nditer(x, flags=['f_index'], order='F')
while not it.finished:
    print("%d %s>" % (it[0], it.index), end=' | ')
    it.iternext()
    
# 0 0> | 3 1> | 1 2> | 4 3> | 2 4> | 5 5> |

import numpy as np
x = np.arange(6).reshape(2,3)
# 行順序迭代
it = np.nditer(x, flags=['f_index'], order='C')
while not it.finished:
    print("%d %s>" % (it[0], it.index), end=' | ')
    it.iternext()
    
# 0 0> | 1 2> | 2 4> | 3 1> | 4 3> | 5 5> |

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。