这篇教程nditer—numpy.ndarray 多维数组的迭代操作写得很实用，希望能帮到您。
1. Single array iteration>>> a = np.arange(6).reshape(2,3)>>> for x in np.nditer(a):... print x,...0 1 2 3 4 5 也即默认是行序优先（row-major order，或者说是 C-order），这样迭代遍历的目的在于，实现和内存分布格局的一致性，以提升访问的便捷性； >>> for x in np.nditer(a.T):... print x,...0 1 2 3 4 5>>> for x in np.nditer(a.T.copy(order='C')):... print x,...0 3 1 4 2 5 也即对 a 和 a.T 的遍历执行的是同意顺序，也即是它们在内存中的实际存储顺序。 2. 控制遍历顺序for x in np.nditer(a, order='F'):Fortran order，也即是列序优先；for x in np.nditer(a.T, order='C'):C order，也即是行序优先； 3. 修改数组中元素的值默认情况下，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。 >>> aarray([[0, 1, 2], [3, 4, 5]])>>> for x in np.nditer(a, op_flags=['readwrite']):... x[...] = 2 * x...>>> aarray([[ 0, 2, 4], [ 6, 8, 10]]) 4. 使用外部循环将一维的最内层的循环转移到外部循环迭代器，使得 numpy 的矢量化操作在处理更大规模数据时变得更有效率。 >>> a = np.arange(6).reshape(2,3)>>> for x in np.nditer(a, flags=['external_loop']):... print x,...[0 1 2 3 4 5]>>>>>> for x in np.nditer(a, flags=['external_loop'], order='F'):... print x,...[0 3] [1 4] [2 5] 5. 追踪单个索引或多重索引（multi-index）>>> a = np.arange(6).reshape(2,3)>>> aarray([[0, 1, 2], [3, 4, 5]])>>> it = np.nditer(a, flags=['f_index'])>>> while not it.finished:... print "%d <%d>" % (it[0], it.index),... it.iternext()...0 <0> 1 <2> 2 <4> 3 <1> 4 <3> 5 <5> # 索引的编号，以列序优先 >>> it = np.nditer(a, flags=['multi_index'])>>> while not it.finished:... print "%d <%s>" % (it[0], it.multi_index),... it.iternext()...0 <(0, 0)> 1 <(0, 1)> 2 <(0, 2)> 3 <(1, 0)> 4 <(1, 1)> 5 <(1, 2)> 补充：详解 Numpy.ndarray 向量、矩阵 & 多维数组是数值计算中必不可少的工具；通过对数组数据进行批量处理，避免了对数组元素显式地进行循环操作，这样做的结果是可以得到简洁、更易维护的代码，并且可以使用更底层的库来实现数组操作。因此，向量化计算相比按顺序逐元素进行计算要快得多。 在 Python科学计算环境中，Numpy 库提供了用于处理数组的高效数据结构，且Numpy的核心是使用C语言实现的，提供了很多处理和处理数组的函数。 NumPy支持比Python更多种类的数字类型,有5种基本数字类型：布尔值（bool） 整数（int） 无符号整数（uint） 浮点（float） 复数（complex） Numpy库的核心是表示 同质的多维数据 —— 每个元素占用相同大小的内存块， 并且所有块都以完全相同的方式解释。 如何解释数组中的每个元素由单独的数据类型对象指定， 其中一个对象与每个数组相关联。除了基本类型（整数，浮点数 等 ）之外， 数据类型对象还可以表示数据结构。 
1、创建 Numpy 数组NumPy提供了一个N维数组类型，即ndarray， 它描述了相同类型的“项目”集合。可以使用例如N个整数来索引项目。从数组中提取的项（ 例如 ，通过索引）由Python对象表示， 其类型是在NumPy中构建的数组标量类型之一。 数组标量允许容易地操纵更复杂的数据排列。 ndarray 与 array 的区别 np.array 只是一个便捷的函数，用来创建一个ndarray，它本身不是一个类。 ndarray 数组，是用 np.ndarray类的对象 表示n维数组对象 所以ndarray是一个类对象，而array是一个方法。 创建数组有5种常规机制： 从其他Python结构（例如，列表，元组）转换 numpy原生数组的创建（例如，arange、ones、zeros等） 从磁盘读取数组，无论是标准格式还是自定义格式 通过使用字符串或缓冲区从原始字节创建数组 使用特殊库函数（例如，random） 1、np.array一个 ndarray是具有相同类型和大小的项目的（通常是固定大小的）多维容器。 尺寸和数组中的项目的数量是由它的shape定义， 它是由N个非负整数组成的tuple（元组），用于指定每个维度的大小。 数组中项目的类型由单独的data-type object (dtype)指定， 其中一个与每个ndarray相关联。 与Python中的其他容器对象一样，可以通过对数组进行索引或切片（例如，使用N个整数）以及通过ndarray的方法和属性来访问和修改ndarray的内容。 不同的是,ndarrays可以共享相同的数据， 因此在一个ndarray中进行的更改可能在另一个中可见。 也就是说，ndarray可以是另一个ndarray 的 “view” ，它所指的数据由 “base” ndarray处理。 ndarrays也可以是Python拥有的内存strings或实现 buffer 或数组接口的对象的视图。 通过 np.array() & np.ndarray() 创建 # Create an array.np.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)np.ndarray(shape, dtype=float, buffer=None, offset=0, strides=None, order=None) 一个 ndarray是具有相同类型和大小的项目的多维容器。 尺寸和数组中的项目的数量是由它的shape定义， 它是由N个非负整数组成的tuple（元组），用于指定每个维度的大小。 不同的是,ndarrays可以共享相同的数据， 因此在一个ndarray中进行的更改可能在另一个中可见。 也就是说,ndarray可以是另一个ndarray 的 “view” ，它所指的数据由 “base” ndarray处理。 ndarrays也可以是Python拥有的内存strings或实现 buffer 或数组接口的对象的视图。 Examples： >>> np.array([1, 2, 3])array([1, 2, 3])>>> np.array([1, 2, 3.0])array([ 1., 2., 3.])>>> np.array([[1, 2], [3, 4]])array([[1, 2],[3, 4]])>>> np.array([1, 2, 3], ndmin=2)array([[1, 2, 3]])>>> np.array([1, 2, 3], dtype=complex)array([ 1.+0.j, 2.+0.j, 3.+0.j])>>> x = np.array([(1,2),(3,4)],dtype=[('a','<i4'),('b','<i4')])>>> x['a']array([1, 3])>>> np.array(np.mat('1 2; 3 4'))array([[1, 2],[3, 4]])>>> np.array(np.mat('1 2; 3 4'), subok=True)matrix([[1, 2],[3, 4]])>>> np.ndarray(shape=(2,2), dtype=float, order='F')array([[ -1.13698227e+002, 4.25087011e-303],[ 2.88528414e-306, 3.27025015e-309]]) #random>>> np.ndarray((2,), buffer=np.array([1,2,3]),offset=np.int_().itemsize,dtype=int) # offset = 1 * itemsize, i.e. skip first elementarray([2, 3])2、基本属性数组属性反映了数组本身固有的信息。通常，通过其属性访问数组允许您获取并有时设置数组的内部属性，而无需创建新数组。公开的属性是数组的核心部分，只有一些属性可以有意义地重置而无需创建新数组。有关每个属性的信息如下。 内存布局 以下属性包含有关数组内存布局的信息： 方法 描 述| ndarray.flags | 有关数组内存布局的信息。 | ndarray.shape | 数组维度的元组。 | ndarray.strides | 遍历数组时每个维度中的字节元组。 | ndarray.ndim | 数组维数。 | ndarray.data | Python缓冲区对象指向数组的数据的开头。 | ndarray.size | 数组中的元素数。 | ndarray.itemsize | 一个数组元素的长度，以字节为单位。 | ndarray.nbytes | 数组元素消耗的总字节数。 | ndarray.base | 如果内存来自其他对象，则为基础对象。 数据类型 可以在dtype属性中找到与该数组关联的数据类型对象 ： 方法 | 描 述| ndarray.dtype | 数组元素的数据类型。 其他属性 方法 | 描 述| ndarray.T | 转置数组。 | ndarray.real | 数组的真实部分。 | ndarray.imag | 数组的虚部。 | ndarray.flat | 数组上的一维迭代器。 | ndarray.ctypes | 一个简化数组与ctypes模块交互的对象。 3、Numpy 原生数组 创建 ndarray 方法 | 描 述 | eye(N[, M, k, dtype, order]) | 返回一个二维数组，对角线上有一个，其他地方为零| identity(n[, dtype]) | 返回标识数组。 | ones(shape[, dtype, order]) | 返回给定形状和类型的新数组，并填充为1| ones_like(a[, dtype, order, subok, shape]) | 返回形状与类型与给定数组相同的数组。| zeros(shape[, dtype, order]) | 返回给定形状和类型的新数组，并用零填充。| zeros_like(a[, dtype, order, subok, shape]) | 返回形状与类型与给定数组相同的零数组。 | full(shape, fill_value[, dtype, order]) | 返回给定形状和类型的新数组，并用fill_value填充| full_like(a, fill_value[, dtype, order, …]) | 返回形状和类型与给定数组相同的完整数组| empty(shape[, dtype, order]) | 返回给定形状和类型的新数组，而无需初始化条目| empty_like(prototype[, dtype, order, subok, …]) | 返回形状和类型与给定数组相同的新数组 zeros_like()、ones_like()、empty_like() 等带 _like() 的函数创建与参数数组的形状及类型相同的数组。 frombuffer()、fromstring()、fromfile() 等函数可以从字节序列或文件创建数组 4、np.arange| 方法 | 描 述 | arange([start,] stop[, step,][, dtype]) | 返回给定间隔内的均匀间隔的值。| linspace(start, stop[, num, endpoint, …]) | 返回指定间隔内的等间隔数字。| logspace(start, stop[, num, endpoint, base, …]) | 返回数以对数刻度均匀分布。 | geomspace(start, stop[, num, endpoint, …]) | 返回数字以对数刻度（几何级数）均匀分布。 | meshgrid(*xi, **kwargs) | 从坐标向量返回坐标矩阵。 | mgridnd_grid | 实例，它返回一个密集的多维 “meshgrid”| ogridnd_grid | 实例，它返回一个开放的多维 “meshgrid” 2、从现有的数据创建 方法 描 述| array(object[, dtype, copy, order, subok, ndmin]) | 创建一个数组| asarray(a[, dtype, order]) | 将输入转换为数组| asanyarray(a[, dtype, order]) | 将输入转换为ndarray，但通过ndarray子类| ascontiguousarray(a[, dtype]) | 返回内存中的连续数组（ndim > = 1）（C顺序）| asmatrix(data[, dtype]) | 将输入解释为矩阵| copy(a[, order]) | 返回给定对象的数组副本| frombuffer(buffer[, dtype, count, offset]) | 将缓冲区解释为一维数组| fromfile(file[, dtype, count, sep, offset]) | 根据文本或二进制文件中的数据构造一个数组| fromfunction(function, shape, **kwargs) | 通过在每个坐标上执行一个函数来构造一个数组| fromiter(iterable, dtype[, count]) | 从可迭代对象创建一个新的一维数组| fromstring(string[, dtype, count, sep]) | 从字符串中的文本数据初始化的新一维数组| loadtxt(fname[, dtype, comments, delimiter, …]) | 从文本文件加载数据 3、创建矩阵 方法 | 描 述 | mat(data[, dtype]) | 将输入解释为矩阵| bmat(obj[, ldict, gdict]) | 从字符串，嵌套序列或数组构建矩阵对象| tril(m[, k]) | 数组的下三角。 | triu(m[, k]) | 数组的上三角。 | vander(x[, N, increasing]) | 生成范德蒙矩阵 | diag(v[, k]) | 提取对角线或构造对角线数组。 | diagflat(v[, k]) | 使用展平的输入作为对角线创建二维数组。 | tri(N[, M, k, dtype]) | 在给定对角线处及以下且在其他位置为零的数组。 以上为个人经验，希望能给大家一个参考，也希望大家多多支持51zixue.net。如有错误或未考虑完全的地方，望不吝赐教。
Django csrf校验的实现
Python高级文件操作之shutil库详解 |
