NumPy - 遍历数组
NumPy - 数组迭代
Section titled “NumPy - 数组迭代”在处理数组时，遍历元素是一种常见的需求。虽然标准的 Python for 循环可以用于 NumPy 数组，但对于大型数组，尤其是多维数组，它们通常效率不高。NumPy 提供了一个高度优化的迭代器对象 numpy.nditer（NumPy 迭代器对象），用于高效地进行多维迭代。
使用 np.nditer 进行基本迭代
Section titled “使用 np.nditer 进行基本迭代”np.nditer 允许你使用 Python 的标准迭代器协议（for ... in ...）访问数组中的每个元素。默认情况下，它选择与数组内存布局匹配的迭代顺序，以获得更好的性能。
示例 1：迭代 2D 数组
Section titled “示例 1：迭代 2D 数组”import numpy as np
a = np.arange(0, 60, 5).reshape(3, 4)
print(f"Original array:\n{a}\n")
print("Iterating elements using np.nditer:")for x in np.nditer(a): print(x, end=' ')print() # 换行输出（默认顺序通常是 C 风格，即行主序）：
Original array:[[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
Iterating elements using np.nditer:0 5 10 15 20 25 30 35 40 45 50 55示例 2：迭代顺序与转置
Section titled “示例 2：迭代顺序与转置”默认的迭代顺序取决于数组在内存中的存储方式。迭代一个转置后的数组（a.T）可能会以不同的顺序生成元素，如果转置改变了内存的连续性。
import numpy as np
a = np.arange(0, 60, 5).reshape(3, 4)
print(f"Original array (C-order layout):\n{a}\n")
print("Transpose of the array:")b = a.T # 转置print(f"{b}\n")
print("Iterating over the transpose 'b':") # 基于底层数据，顺序可能仍然是 C 风格的for x in np.nditer(b): print(x, end=' ')print()输出：
Original array (C-order layout):[[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
Transpose of the array:[[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]]
Iterating over the transpose 'b':0 5 10 15 20 25 30 35 40 45 50 55注意：即使 b 是转置后的数组，如果 C 风格遍历底层数据更高效，np.nditer 可能仍然选择 C 风格的遍历方式。实际的顺序取决于内存布局。
控制迭代顺序
Section titled “控制迭代顺序”你可以使用 order 参数强制 np.nditer 遵循特定的迭代顺序（C 风格/行主序 或 F 风格/列主序）。
order='C': 强制 C 风格顺序（行主序）。order='F': 强制 Fortran 风格顺序（列主序）。order='A': 如果数组是 F 连续的（F-contiguous），则以 Fortran 顺序迭代；否则以 C 顺序迭代。order='K': 按照元素在内存中的布局顺序进行迭代（保持顺序 - 默认）。
示例：C 顺序 vs F 顺序 迭代
Section titled “示例：C 顺序 vs F 顺序 迭代”import numpy as np
a = np.arange(0, 60, 5).reshape(3, 4)print(f"Original array:\n{a}\n")
print("Iterating in C-style order (row-major):")for x in np.nditer(a, order='C'): print(x, end=' ')print('\n')
print("Iterating in F-style order (column-major):")for x in np.nditer(a, order='F'): print(x, end=' ')print()输出：
Original array:[[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
Iterating in C-style order (row-major):0 5 10 15 20 25 30 35 40 45 50 55
Iterating in F-style order (column-major):0 20 40 5 25 45 10 30 50 15 35 55示例：基于内存布局的顺序
Section titled “示例：基于内存布局的顺序”如果数组以 Fortran 顺序显式创建或复制，np.nditer（使用默认的 ‘K’ 或显式的 ‘F’ 参数）将高效地进行列向迭代。
import numpy as np
a = np.arange(0, 60, 5).reshape(3, 4)b = a.T # 转置
print("Iterating 'b' (transpose) with default ('K') order:")# 仍然以 C 风格遍历原始数据布局for x in np.nditer(b): print(x, end=' ')print('\n')
print("Creating a copy of 'b' in F-order ('c = b.copy(order='F')'):")c = b.copy(order='F') # 现在 'c' 确实是 F 连续的print(f"Is 'c' F-contiguous? {c.flags.f_contiguous}")
print("Iterating 'c' with default ('K') order (now efficient F-style):")for x in np.nditer(c): print(x, end=' ')print()输出：
Iterating 'b' (transpose) with default ('K') order:0 5 10 15 20 25 30 35 40 45 50 55
Creating a copy of 'b' in F-order ('c = b.copy(order='F')'):Is 'c' F-contiguous? TrueIterating 'c' with default ('K') order (now efficient F-style):0 20 40 5 25 45 10 30 50 15 35 55迭代期间修改数组值
Section titled “迭代期间修改数组值”默认情况下，np.nditer 将数组元素视为只读。要在迭代期间修改元素，你需要指定相应的 op_flags（操作标志）参数。常用的值有 ['readonly']（默认）、['readwrite'] 或 ['writeonly']。
修改时，你需要使用省略号 (...) 来为迭代器产生的元素赋值：x[...] = value。
import numpy as np
a = np.arange(0, 60, 5).reshape(3, 4)print(f"Original array:\n{a}\n")
# 迭代并修改元素（乘以 2）for x in np.nditer(a, op_flags=['readwrite']): x[...] = 2 * x
print(f"Modified array:\n{a}")输出：
Original array:[[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
Modified array:[[ 0 10 20 30] [ 40 50 60 70] [ 80 90 100 110]]外部循环 (flags=['external_loop'])
Section titled “外部循环 (flags=['external_loop'])”flags=['external_loop'] 选项会改变迭代器的行为。它不是生成单个元素（0 维数组），而是生成数组的一维块（chunks）。这可以提高某些操作的效率，因为它减少了 Python 循环的开销。
块的大小由缓冲决定，并且迭代遵循指定的 order 参数。
使用外部循环和 F 顺序（列主序）遍历列：
import numpy as np
a = np.arange(0, 60, 5).reshape(3, 4)
print(f"Original array:\n{a}\n")
print("Iterating with external_loop (F-order yields columns as 1D arrays):")for x in np.nditer(a, flags=['external_loop'], order='F'): print(x, end=' ')print()输出：
Original array:[[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
Iterating with external_loop (F-order yields columns as 1D arrays):[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]如果你向 np.nditer 提供多个可以广播（broadcast）到共同形状的数组，迭代器可以并发地遍历它们，生成对应的元素元组。
同时迭代一个 3x4 的数组 a 和一个 1x4 的数组 b。迭代期间，b 将被广播以匹配 a 的形状。
import numpy as np
a = np.arange(0, 60, 5).reshape(3, 4)print(f"First array 'a':\n{a}\n")
b = np.array([1, 2, 3, 4], dtype=int)print(f"Second array 'b': {b}\n")
print("Iterating over 'a' and broadcast 'b' concurrently:")for x, y in np.nditer([a, b]): print(f"{x}:{y}", end=' ')print()输出：
First array 'a':[[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
Second array 'b': [1 2 3 4]
Iterating over 'a' and broadcast 'b' concurrently:0:1 5:2 10:3 15:4 20:1 25:2 30:3 35:4 40:1 45:2 50:3 55:4