在一个数字数组上迭代

除此之外，还有没有不那么冗长的替代方案:

for x in xrange(array.shape[0]):
for y in xrange(array.shape[1]):
do_stuff(x, y)

我想到了这个:

for x, y in itertools.product(map(xrange, array.shape)):
do_stuff(x, y)

虽然省了一个凹痕，但还是很难看。

我希望看到类似于这个伪代码的东西:

for x, y in array.indices:
do_stuff(x, y)

有这种东西吗？

216515 次浏览
小开
最佳答案

我觉得你在找 数字。

>>> 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

关于表演，比列表内涵要慢一点。

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

如果您担心性能问题，那么可以通过查看 ndenumerate的实现来进一步优化，ndenumerate做两件事: 转换为数组和循环。如果知道自己有一个数组，就可以调用扁平迭代器的 .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
小开

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)]
小开

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不起作用，改用 y *= 0和 y += 3。

小开

我发现这里没有使用 Nditer ()的好的描述，所以，我要用一个。 根据 NumPy v1.21 dev0手册，NumPy 1.6中引入的迭代器对象 nditer 提供了许多灵活的方法来系统地访问一个或多个数组的所有元素。

我必须计算均方误差，我已经计算了 y 预测值，我从波士顿数据集中得到了 y 实际值，可以通过 sklearn 获得。

def cal_mse(y_actual, y_predicted):
""" this function will return mean squared error
args:
y_actual (ndarray): np array containing target variable
y_predicted (ndarray): np array containing predictions from DecisionTreeRegressor
returns:
mse (integer)
"""
sq_error = 0
for i in np.nditer(np.arange(y_pred.shape[0])):
sq_error += (y_actual[i] - y_predicted[i])**2
mse = 1/y_actual.shape[0] * sq_error
    

return mse

希望这个有所帮助:)。为进一步解释 探访


提交答案