NumPy多维数组迭代是如何工作的？（有无nditer）

Question

注：我不确定这是否是重复的——请告诉我是否是重复的（并结束问题）。

如果有一个一维NumPy数组vector，那么如果编写一个for循环，格式如下：

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，那么如果编写一个for循环的形式：

for vector in matrix :
    print(vector)

结果将打印二维NumPy数组的每一行，即打印一维NumPy数组，并且将而不是分别打印数组的每个元素。

但是，如果改为将for循环写入：

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会发生什么？

a.如果要编写窗体的for循环：

for unknownType in tensor :
     print(unknownType)

这是否会打印构成tensor的二维NumPy（sub-）数组？

即，对于n维NumPy数组nArray，是否for unknownType in nArray :在nArray的组成（n-1）维NumPy（子）数组上迭代？

b.如果一个人写了表单的for循环：

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

这会打印tensor的元素吗？或者它会打印组成二维NumPy（子）数组的一维NumPy（子）数组吗？

即，对于n维NumPy数组nArray，是否for unknownType in nditer(nArray) :迭代nArray的元素？或者它是否迭代组成（n-2）维NumPy（sub-）数组的组成（n-1）维NumPy（sub-）数组的nArray？

从名称nditer我不清楚，因为我不知道“nd”代表什么（“iter”显然是“iter”的缩写）。而且人们可能认为元素是“0维NumPy数组”，所以给我的2维NumPy数组的例子是模棱两可的。

我已经看过^{} documentation了，但老实说，我不理解这些例子，也不理解它们试图演示的内容——它似乎是由程序员（我不是）为程序员编写的。

Answer 1

如果只使用for循环，则迭代在第一个维度上，如果数组只有一个维度，则这将是元素，如果是2D，则是行，如果是3D，则将在平面上迭代。。。

然而nditer是一个ND（代表n维）迭代器。它将遍历数组中的每个元素。大概是吧相当于for item in your_array.ravel()（在数组的平坦“视图”上迭代）。对于一维数组，它在元素上迭代；对于二维数组，它首先在第一行中的元素上迭代，然后在第二行上迭代，依此类推。

注意nditer比它强大得多，它可以一次在多个数组上迭代，您可以缓冲迭代和许多其他东西。

---

但是对于NumPy，您通常不想使用for-循环或np.nditer。有许多“矢量化”操作使得手动迭代（在大多数情况下）不必要。

Answer 2

（一）

for x in arr:迭代数组的第一个维度。

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):...。它将数组分解成一个子数组列表。

（二）

用nditer控制迭代的深度是很棘手的。默认情况下，它在元素级别迭代。教程页面显示了一些使用缓冲区和顺序的技巧。但我看到的最好的方法是使用ndindex。

ndindex构造一个大小合适的伪数组，并执行multi_index迭代。

例如，要在三维数组的前二维上迭代：

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

我可以做同样的迭代

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

或者

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

速度基本上是一样的——与同时处理整个3d数组的数组函数或采用某种axis参数的数组函数相比，这一切都很糟糕。

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

---

numpy as数组的类是np.ndarray。大概nditer就是这样命名的。nditer是作为一种整合c级代码可以在数组上迭代的各种方法而编写的，特别是一些可广播的数组。np.nditer函数允许访问c级迭代器。但由于实际的迭代仍在Python代码中完成，因此几乎没有速度优势。