Numpy iterable与array_like这两个概念

在使用Numpy的时候，有些时候会涉及到iterable与array_like这两个概念，这篇文章就来详细探讨一下这两个概念。

阅读更多：Numpy 教程

`iterable`是什么？

在Python中，我们称一个对象为iterable，当它支持迭代，也就是可以通过for循环来遍历其中的每一个元素时。例如list、tuple、str等都是iterable的。

lst = [1, 2, 3]
for i in lst:
  print(i)

输出：

1
2
3

我们可以使用Python内置的iter()函数把一个iterable转成一个iterator，然后使用next()函数一步步迭代，直到最后一个元素，再调用next()会抛出StopIteration的异常。

lst = [1, 2, 3]
it = iter(lst)
print(next(it))  # 1
print(next(it))  # 2
print(next(it))  # 3
print(next(it))  # 抛出StopIteration

因此，通过for … in或者iter()与next()函数，我们可以遍历iterable中的每一个元素。

`array_like`是什么？

在Numpy中，有一种叫做array_like的对象。它是一个广义的概念，指的是任何可以被当做数组来使用的对象，比如：

一个Python的list，可以被视为一维数组；
一个tuple的元素类型相同，可以被视为一个元素类型相同的多维数组（比如numpy的1×1的ndarray）；
一个numpy的ndarray或者子类；
一个可迭代对象，并且包含的元素类型是相同的，可以被视为一个元素类型相同的多维数组。

同样的，我们也可以使用Python内置的iter()函数把一个array_like转成一个iterator，然后用next()函数一步步迭代其中的每一个元素。

import numpy as np

a = np.array([1, 2, 3])
it = iter(a)
print(next(it))  # 1
print(next(it))  # 2
print(next(it))  # 3

因此，array_like其实就是包含多个元素的一维、多维数组。

`iterable` vs `array_like`

现在我们来看一下iterable和array_like的区别。

首先，iterable是一类Python对象，可以通过for … in遍历每一个元素，但它不一定是数组，也就不能调用数组相关的操作。

接着，array_like并不仅仅是Python对象，还包括了一维、多维的ndarray，它们都支持数组相关的操作，比如reshape()、dot()等等。

例如，我们可以使用numpy的一些函数来创建一个array_like对象，比如zeros()、ones()等等。

import numpy as np

a = np.zeros((2, 3))
print(a)

输出：

array([[0., 0., 0.],
       [0., 0., 0.]])

此时的a就是一个2×3的ndarray，也可以被称为一个array_like对象。

另外，对于一些函数，接收到的数据类型必须是array_like类型，这时候如果你给它一个iterable对象，程序会抛出一个TypeError的异常。

例如，我们来看一下numpy的numpy.max()函数的参数类型：

import numpy as np

a = np.array([1, 2, 3])
lst = [4, 5, 6]

print(np.max(a))        # 3
print(np.max(lst))      # 6
print(np.max(lst, 1))   # TypeError: 'list' object is not callable

第一行和第二行说明了np.max()函数可以接收array_like类型的参数，也可以接收Python的list类型的参数，但是第三行抛出了TypeError的异常，这是因为我们在传入list类型的参数时，使用了一个额外的参数“axis”，这证明了numpy的一些函数在处理iterable和array_like时的差异。

因此，我们可以把iterable和array_like看做两个不同的概念，具有不同的功能和使用方法。

在实际使用中，我们应当充分理解iterable和array_like的概念，避免类型不匹配而导致的错误。