Python 根据numpy数组的值更改其各个元素

我试图迭代numpy数组的每个元素，并以半随机的方式更改其值。原因是，我将把该方法应用于不同的数组：我希望更改它们，但不希望以相同的方式更改它们

以下是我迄今为止所做的尝试：

with np.nditer(smatrix, op_flags=['readwrite']) as it:
    for element in it:
        if element < 0:
            element = element - uniform(0.1,0.2)
        if 0 <= element < 0.05:
            element = uniform(0.15,0.3)
        elif 0.05 <= element < 1:
            element = 0
        elif 1 == element:
            element = 1

与np.nditer（smatrix，op_flags=['readwrite']）一样：
对于其中的元素：
如果元素<0：
元素=元素-均匀（0.1,0.2）
如果0如果您想将转换应用于
numpy.array
的每个单元格，则
numpy.vectorize
是正确的工具。
首先，您需要函数，该函数将使用单个单元格的内容作为输入，它本身将被馈送到
矢量化
，并且
返回所需的值，请参见代码：

import numpy as np
import random
def f(x):
    if x < 0:
        return x-random.uniform(0.1,0.2)
    if 0 <= x < 0.05:
        return random.uniform(0.15,0.3)
    if 0.05 <= x < 1:
        return 0.0
    if x == 1:
        return 1.0
    return x
vf = np.vectorize(f)

data = np.array([-4.3,0.03,0.9,1.0,1.9])
altered_data = vf(data)

正如您可以检查的那样，它对所有值都起到了预期的作用。请注意，我添加了“不对元素执行任何操作”行为（
返回x
）作为安全措施，以防元素大于
1

有关
numpy.vectorize
的更多信息，请阅读

编辑：修复了评论中报告的问题，问题是
f
有时
return
ed
int
有时
float
，而它应该总是
return
float
，我认为
nditer
需要一个更强有力的免责声明。对于初学者来说，它不是一个好的迭代工具。正确使用它很难，而且速度也不是特别快。这个Python版本实际上是在编译代码中使用它的垫脚石，如主
nditer
页面末尾的
cython
示例所示：


有更快的方法来进行这种数组计算，但我将尝试解释为什么
nditer
不起作用

问题在于基本Python迭代。在循环中：

alist = [0,0,0]
for element in alist:
    element = 1

alist
未被修改。
element=1
只重新分配
element
变量，但不修改迭代变量本身。如果可能的话，您可以使用mutate
元素本身

使用
nditer
时，迭代变量是
ndarray
本身，并且是可变的：

In [69]: smatrix = np.zeros((2,2),int)                                          
In [70]: with np.nditer(smatrix, op_flags=['readwrite']) as it: 
    ...:     for element in it: 
    ...:         print(element, type(element)) 
    ...:         element[...] = 1 
    ...:                                                                        
0 <class 'numpy.ndarray'>
0 <class 'numpy.ndarray'>
0 <class 'numpy.ndarray'>
0 <class 'numpy.ndarray'>
In [71]: smatrix                                                                
Out[71]: 
array([[1, 1],
       [1, 1]])

[69]中的
：smatrix=np.zero（（2,2），int）
在[70]中：使用np.nditer（smatrix，op_flags=['readwrite']），如下所示：
…：对于其中的元素：
…：打印（元素，类型（元素））
…：元素[…]=1
...:                                                                        
0
0
0
0
在[71]中：smatrix
出[71]：
数组（[[1,1]，
[1, 1]])

如果这不清楚，请更仔细地查看中的示例。注意使用
out
参数和
x[：]=[-1，-2，-3]
等表达式

如果这种关于变异变量的说法令人困惑，那么这就很好地表明，
nditer
在这一点上太高级了。
我用不同的2D数组尝试了您的解决方案，发现了一个问题，如果第一个值=1示例：data=np.array（[[0.02,0,0.1,1]，[1,0.05,0,0.01]）[[0.17426108 0.25596603 0.1.][1.0.0.29732222 0.23448857]]data=np.array（[1,0,0.1,1]，[1,0.05,0,0.01]）[[1,0,0 1][1,0]
vectorize
执行一次尝试计算以确定返回的数据类型。若要跳过此操作，请定义一个
otypes
参数。
vectorize
如果必须在多维数组上使用标量函数，则非常方便，但它比更显式的Python迭代慢。
alist = [0,0,0]
for element in alist:
    element = 1

In [69]: smatrix = np.zeros((2,2),int)                                          
In [70]: with np.nditer(smatrix, op_flags=['readwrite']) as it: 
    ...:     for element in it: 
    ...:         print(element, type(element)) 
    ...:         element[...] = 1 
    ...:                                                                        
0 <class 'numpy.ndarray'>
0 <class 'numpy.ndarray'>
0 <class 'numpy.ndarray'>
0 <class 'numpy.ndarray'>
In [71]: smatrix                                                                
Out[71]: 
array([[1, 1],
       [1, 1]])