NumPy 迭代器对象 numpy.nditer 提供了一种灵活访问一个或者多个数组元素的方式。
迭代器最基本的任务的可以完成对数组元素的访问。
接下来我们使用 arange() 函数创建一个 2X3 数组，并使用 nditer 对它进行迭代。
import numpy as np
a=np.arange(6).reshape(2,3)
print('原始数组是：')
print(a)
print('\n')
print('迭代输出元素：')
for x in np.nditer(a):
print(x,end=',')
print('\n')
-------------------执行以上程序，返回的结果为-------------------
原始数组是：
[[0 1 2]
[3 4 5]]
迭代输出元素：
0,1,2,3,4,5,
以上实例不是使用标准 C 或者 Fortran 顺序，选择的顺序是和数组内存布局一致的，这样做是为了提升访问的效率，默认是行序优先（row-major order，或者说是 C-order）。
这反映了默认情况下只需访问每个元素，而无需考虑其特定顺序。我们可以通过迭代上述数组的转置来看到这一点，并与以 C 顺序访问数组转置的 copy 方式做对比，如下实例：
import numpy as np
a=np.arange(6).reshape(2,3)
for x in np.nditer(a.T):
print(x,end=',')
print('\n')
for x in nd.nditer(a.T.copy(order='C')):
print(x,end=',')
-------------------执行以上程序，返回的结果为-------------------
0,1,2,3,4,5,
0,3,1,4,2,5,
从上述例子可以看出，a 和 a.T 的遍历顺序是一样的，也就是他们在内存中的存储顺序也是一样的，但是 a.T.copy(order = 'C') 的遍历结果是不同的，那是因为它和前两种的存储方式是不一样的，默认是按行访问。
控制遍历顺序
for x in np.nditer(a, order='F'):Fortran order，即是列序优先；for x in np.nditer(a.T, order='C'):C order，即是行序优先；
import numpy as np
a=np.arange(0,60,5).reshape(3,4)
print('原始数组是：')
print(a)
print('\n')
print('原始数组的转置是：')
b=a.T
print(b)
print('\n')
print('以C风格顺序排序')
c=b.copy(order='C')
print(c)
for x in np.nditer(c):
print(x,end=',')
print('\n')
print('以F风格顺序排序')
c=b.copy(order='F')
print(c)
for x in np.nditer(c):
print(x,end=',')
print('\n')
-------------------执行以上程序，返回的结果为-------------------
原始数组是：
[[ 0 5 10 15]
[20 25 30 35]
[40 45 50 55]]
原始数组的转置是：
[[ 0 20 40]
[ 5 25 45]
[10 30 50]
[15 35 55]]
以C风格顺序排序
[[ 0 20 40]
[ 5 25 45]
[10 30 50]
[15 35 55]]
0,20,40,5,25,45,10,30,50,15,35,55,
以F风格顺序排序
[[ 0 20 40]
[ 5 25 45]
[10 30 50]
[15 35 55]]
0,5,10,15,20,25,30,35,40,45,50,55,
修改数组中元素的值
nditer 对象有另一个可选参数 op_flags。 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 read-write 或者 write-only 的模式。
import numpy as np
a=np.arange(0,60,5).reshape(3,4)
print('原始数组是：')
print(a)
for x in np.nditer(a,op_flags=['readwrite']):
x[...]=2*x
print('修改后的数组是：')
print(a)
-------------------执行以上程序，返回的结果为-------------------
原始数组是：
[[ 0 5 10 15]
[20 25 30 35]
[40 45 50 55]]
修改后的数组是：
[[ 0 10 20 30]
[ 40 50 60 70]
[ 80 90 100 110]]
使用外部循环
nditer类的构造器拥有flags参数，它可以接受下列值：
| 参数 | 描述 |
|---|
c_index |
可以跟踪 C 顺序的索引 |
f_index |
可以跟踪 Fortran 顺序的索引 |
multi-index |
每次迭代可以跟踪一种索引类型 |
external_loop |
给出的值是具有多个值的一维数组，而不是零维数组 |
在下面的实例中，迭代器遍历对应于每列，并组合为一维数组。
import numpy as np
a=np.arange(0,60,5).reshape(3,4)
print('我们的数组是：')
print(a)
print('\n')
print('修改后的数组是：')
for x in np.nditer(a,flags=['external_loop'],order='F')
print(x,end=',')
-------------------执行以上程序，返回的结果为-------------------
我们的数组是：
[[ 0 5 10 15]
[20 25 30 35]
[40 45 50 55]]
修改后的数组是：
[ 0 20 40],[ 5 25 45],[10 30 50],[15 35 55],
广播迭代
如果两个数组是可广播的，nditer 组合对象能够同时迭代它们。 假设数组 a 的维度为 3X4，数组 b 的维度为 1X4 ，则使用以下迭代器（数组 b 被广播到 a 的大小）。
import numpy as np
a=np.arange(0,60,5).reshape(3,4)
print('第一个数组为：')
print(a)
print('\n')
print('第二个数组为：')
b=np.array([1,2,3,4],dtype=int)
print(b)
print('\n')
for x,y in np.nditer([a,b]):
print('%d:%d'%(x,y),end=',')
-------------------执行以上程序，返回的结果为-------------------
第一个数组为：
[[ 0 5 10 15]
[20 25 30 35]
[40 45 50 55]]
第二个数组为：
[1 2 3 4]
0:1,5:2,10:3,15:4,20:1,25:2,30:3,35:4,40:1,45:2,50:3,55:4,
