numpy.lib.Arrayterator

class numpy.lib.Arrayterator(var, buf_size=None)

用于大型数组的缓冲迭代器.

Arrayterator 创建一个缓冲迭代器,用于读取小的连续块中的大型数组.该类对于存储在文件系统中的对象很有用.它允许迭代对象,而无需将所有内容读取到内存中;而是读取小块并对其进行迭代.

Arrayterator 可以与任何支持多维切片的对象一起使用.这包括 NumPy 数组,但也包括例如 Scientific.IO.NetCDF 或 pynetcdf 中的变量.

参数:

vararray_like

要迭代的对象.

buf_sizeint, optional

缓冲区大小.如果提供了 buf_size ,则将读取到内存中的最大数据量为 buf_size 个元素.默认为 None,这将尽可能多地将元素读取到内存中.

参见

numpy.ndenumerate

多维数组迭代器.

numpy.flatiter

扁平数组迭代器.

numpy.memmap

创建一个内存映射,指向磁盘上二进制文件中存储的数组.

注释

该算法首先找到一个"运行维度",将沿该维度提取块.给定一个维度为 (d1, d2, ..., dn) 的数组,例如,如果 buf_size 小于 d1 ,则将使用第一个维度.另一方面,如果 d1 < buf_size < d1d2 ,则将使用第二个维度,依此类推.沿着这个维度提取块,当返回最后一个块时,该过程从下一个维度继续,直到读取所有元素.

示例

Try it in your browser!

>>> import numpy as np
>>> a = np.arange(3 * 4 * 5 * 6).reshape(3, 4, 5, 6)
>>> a_itor = np.lib.Arrayterator(a, 2)
>>> a_itor.shape
(3, 4, 5, 6)

现在我们可以迭代 a_itor ,它将返回大小为 2 的数组.由于 buf_size 小于任何维度,因此将首先迭代第一个维度:

>>> for subarr in a_itor:
...     if not subarr.all():
...         print(subarr, subarr.shape) 
>>> # [[[[0 1]]]] (1, 1, 1, 2)

Go BackOpen In Tab

属性:

var

buf_size

start

stop

step

shape

要迭代的数组的形状.

flat

Arrayterator 对象的一维扁平迭代器.