迭代一个numpy数组
有没有更详细的替代这个:
for x in xrange(array.shape[0]): for y in xrange(array.shape[1]): do_stuff(x, y)
我想出了这个:
for x, y in itertools.product(map(xrange, array.shape)): do_stuff(x, y)
这节省了一个缩进,但仍然非常丑陋。
我希望看起来像这样的伪代码:
for x, y in array.indices: do_stuff(x, y)
有这样的事吗?
我想你正在寻找numeumerate 。
>>> a =numpy.array([[1,2],[3,4],[5,6]]) >>> for (x,y), value in numpy.ndenumerate(a): ... print x,y ... 0 0 0 1 1 0 1 1 2 0 2 1
关于performance。 这比列表理解慢了一点。
X = np.zeros((100, 100, 100)) %timeit list([((i,j,k), X[i,j,k]) for i in range(X.shape[0]) for j in range(X.shape[1]) for k in range(X.shape[2])]) 1 loop, best of 3: 376 ms per loop %timeit list(np.ndenumerate(X)) 1 loop, best of 3: 570 ms per loop
如果你担心性能,可以通过查看ndenumerate
的实现来进一步优化, ndenumerate
有2件事情,转换为数组和循环。 如果你知道你有一个数组,你可以调用平面迭代器的.coords
属性。
a = X.flat %timeit list([(a.coords, x) for x in a.flat]) 1 loop, best of 3: 305 ms per loop
如果你只需要索引,你可以试试numpy.ndindex
:
>>> a = numpy.arange(9).reshape(3, 3) >>> [(x, y) for x, y in numpy.ndindex(a.shape)] [(0, 0), (0, 1), (0, 2), (1, 0), (1, 1), (1, 2), (2, 0), (2, 1), (2, 2)]
见nditer
import numpy as np Y = np.array([3,4,5,6]) for y in np.nditer(Y, op_flags=['readwrite']): y += 3 Y == np.array([6, 7, 8, 9])
y = 3
将不起作用,请改用y *= 0
和y += 3
。