numpy中np.nditer、flags=[''multi_index''] 的用法说明

在看CS231n的时候，有这么一行代码

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

查了查np.nditer原来是numpy array自带的迭代器。这里简单写个demo解释一下np.nditer的用法。

先构建一个3x4的矩阵

然后输入命令

flags=['multi_index']表示对a进行多重索引，具体解释看下面的代码。

op_flags=['readwrite']表示不仅可以对a进行read（读取），还可以write（写入），即相当于在创建这个迭代器的时候，我们就规定好了有哪些权限。

迭代一下试一试

print it.multi_index表示输出元素的索引，可以看到输出的结果都是index。

it.iternext()表示进入下一次迭代，如果不加这一句的话，输出的结果就一直都是(0, 0)。

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

在看cs221n代码的时候碰到一行代码。

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

np.nditer()函数解析

class np.nditer()

参数：

op ： ndarray或array_like的序列。迭代的数组。

flags ： str的序列，可选。用于控制迭代器行为的标志。

“buffered”可在需要时启用缓冲。

“c_index”导致跟踪C顺序索引。

“f_index”导致跟踪Fortran-order索引。

“multi_index”导致跟踪多个索引或每个迭代维度一个索引元组。

“common_dtype”会将所有操作数转换为公共数据类型，并根据需要进行复制或缓冲。

“copy_if_overlap”使迭代器确定读操作数是否与写操作数重叠，并根据需要进行临时复制以避免重叠。在某些情况下，可能会出现误报（不必要的复制）。

“delay_bufalloc”延迟缓冲区的分配，直到进行reset（）调用。允许“allocate”操作数在其值复制到缓冲区之前进行初始化。

“external_loop”导致给定的值是具有多个值的一维数组，而不是零维数组。

当同时使用“buffered”和“external”循环时，“grow-inner”允许值数组大小大于缓冲区大小。

“ranged”允许将迭代器限制为iterindex值的子范围。

“refs_ok”允许迭代引用类型，例如对象数组。

“reduce_ok”允许迭代广播的“readwrite”操作数，也称为缩减操作数。

“zerosize_ok”允许itersize为零。

op_flags ： str列表，可选。这是每个操作数的标志列表。至少，必须指定“readonly”，“readwrite”或“writeonly”中的一个。

“readonly”表示只读取操作数。

“readwrite”表示将读取和写入操作数。

“writeonly”表示只会写入操作数。

“no_broadcast”阻止操作数被广播。

“contig”强制操作数数据是连续的。

“aligned”强制操作数数据对齐。

“nbo”强制操作数数据以本机字节顺序排列。

如果需要，“copy”允许临时只读副本。

“updateifcopy”允许在需要时使用临时读写副本。

如果在op参数中为None，则“allocate”会导致分配数组。

“no_subtype”阻止“allocate”操作数使用子类型。

“arraymask”表示此操作数是在写入设置了“writemasked”标志的操作数时用于选择元素的掩码。迭代器不强制执行此操作，但是当从缓冲区写回数组时，它只复制由此掩码指示的元素。

'writemasked'表示只写入所选'arraymask'操作数为True的元素。

“overlap_assume_elementwise”可用于标记仅在迭代器顺序中访问的操作数，以便在存在“copy_if_overlap”时允许不太保守的复制。

op_dtypes ： dtype的dtype 或tuple，可选。操作数所需的数据类型。如果启用了复制或缓冲，则数据将转换为原始类型或从其原始类型转换。

order： {‘C'，‘F'，‘A'，‘K'}，可选

控制迭代顺序。'C'表示C顺序，'F'表示Fortran顺序，'A'表示'F'顺序，如果所有数组都是Fortran连续，否则'C'顺序，‘K'表示接近数组元素出现的顺序在内存中尽可能。这也会影响“allocate”操作数的元素内存顺序，因为它们被分配为与迭代顺序兼容。默认为'K'。

casting ：{‘no', ‘equiv', ‘safe', ‘same_kind', ‘unsafe'}，可选。控制进行复制或缓冲时可能出现的数据转换类型。建议不要将此设置为“unsafe”，因为它会对累积产生不利影响。

“no”表示完全不应强制转换数据类型。

“equiv”表示只允许更改字节顺序。

“safe”表示只允许保留值的强制转换。

“same_kind”意味着只允许安全的类型或类型内的类型，如float64到float32。

“unsafe”表示可以进行任何数据转换。

op_axes ： 整数列表列表，可选。如果提供，则是每个操作数的int或None列表。操作数的轴列表是从迭代器的维度到操作数的维度的映射。可以为条目放置值-1，从而将该维度视为“newaxis”。

itershape ： 整数元组，可选。迭代器的理想形状。这允许“allocate”具有由op_axes映射的维度的操作数不对应于不同操作数的维度，以获得该维度不等于1的值。

buffersize ： int，可选。启用缓冲时，控制临时缓冲区的大小。设置为0表示默认值。

例子1：

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op_flags=['readwrite']模式：

基本迭代参数flag=['f_index'/'mulit_index']，可输出自身坐标it.index/it.multi_index。

“multi_index”表示对x进行表示对x进行多重索引。

print("%d <%s>" % (it[0], it.multi_index))表示输出元素的索引，可以看到输出的结果都是index。

下面分别举例子说明：

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()表示进入下一次迭代，如果不加这一句的话，输出的结果就一直都是0 <(0, 0)>且不间断地输出。

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)
# 单维迭代
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)
# 多维迭代
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)
# 列顺序迭代
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)
# 行顺序迭代
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> |

以上为个人经验，希望能给大家一个参考，也希望大家多多支持我们。如有错误或未考虑完全的地方，望不吝赐教。