NumPy库的介绍与使用教程(二）

最新推荐文章于 2024-07-14 19:14:59 发布
最新推荐文章于 2024-07-14 19:14:59 发布
阅读量607 收藏 12
点赞数 1
分类专栏： Python && C++ 文章标签： python numpy csv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45152498/article/details/107088251
版权

本教程是NumPy库的介绍与使用的第二部分。
第一部分请参考：https://blog.csdn.net/qq_45152498/article/details/107051486?utm_source=app
在这里插入图片描述

NumPy数据存取与函数

1.数据的CSV文件存取

(1)CSV文件
CSV (Comma-Separated Value，逗号分隔值)
CSV是一种常见的文件格式，用来存储批量数据。
在这里插入图片描述 (2)如何将数组写入CSV文件？ 

np.savetxt(frame, array, fmt='%.18e', delimiter=None) #介绍部分参数
  • frame：文件、字符串或产生器，可以是.gz或.bz2的压缩文件。
  • array：存入文件的数组。
  • fmt：写入文件的格式，例如：%d、%.2f 、%.18e。
  • delimiter：分割字符串，默认是任何空格。

示例

import numpy as np

a = np.arange(18).reshape(2,9)

a
Out[4]: 
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8],
       [ 9, 10, 11, 12, 13, 14, 15, 16, 17]])

np.savetxt('a.csv', a, fmt='%d', delimiter=',') #将数组保存成CSV文件

fo = open('a.csv',"r") #打开a.csv文件

for line in fo:
    print(line) #在屏幕上显示文件内容
        
0,1,2,3,4,5,6,7,8
9,10,11,12,13,14,15,16,17

fo.close() #关闭文件

(3)如何读取CSV文件到数组？ 

np.loadtxt(frame, dtype=np.float, delimiter=None, unpack=FaIse) #介绍部分参数
  • frame：文件、字符串或产生器，可以是.gz或.bz2的压缩文件。
  • dtype：数据类型，可选。
  • delimiter：分割字符串，默认是任何空格。
  • unpack：如果True，读入属性将分别写入不同变量。

示例

b = np.loadtxt('a.csv', delimiter=',')

b
Out[18]: 
array([[ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.],
       [ 9., 10., 11., 12., 13., 14., 15., 16., 17.]])

b = np.loadtxt('a.csv', dtype=np.int, delimiter=',') #改变数据类型

b
Out[20]: 
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8],
       [ 9, 10, 11, 12, 13, 14, 15, 16, 17]])

c = np.loadtxt('a.csv', dtype=np.int, delimiter=',', unpack=True)

c
Out[32]: 
array([[ 0,  9],
       [ 1, 10],
       [ 2, 11],
       [ 3, 12],
       [ 4, 13],
       [ 5, 14],
       [ 6, 15],
       [ 7, 16],
       [ 8, 17]])

q,w,e,r,t,y,u,i,o = np.loadtxt('a.csv', dtype=np.int, delimiter=',', unpack=True) #读入到不同数组

q
Out[34]: array([0, 9])

o
Out[35]: array([ 8, 17])

(4)CSV文件的局限性
       CSV只能有效存储一维和二维数组，也就是说np.savetxt()和np.loadtxt()只能有效存取一维和二维数组。

2.多维数据的存取

(1)任意维度数据存取 

a.tofile(frame, sep=", format='%s')
  • frame：文件、字符串。
  • sep：数据分割字符串，如果是空串，写入文件为二进制。
  • format：写入数据的格式。

示例

a = np.arange(24).reshape(2,3,4)

a
Out[36]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

a.tofile("b.dat", sep=',', format='%d')

f = open("b.dat", 'r')

for line in f:
    print(line) #显示文件内容
0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23

f.close()

(2)读取文件还原数据 

np.fromfile(frame, dtype=float, count=-1, sep=")

  • frame：文件、字符串。

  • dtype：读取的数据类型。

  • count：读入元素个数，-1表示读入整个文件。

  • sep：数据分割字符串，如果是空串，写入文件为二进制。

读取文本文件

a = np.arange(24).reshape(2,3,4)

a.tofile("b.dat", sep=',', format='%d') #生成文本文件，维度信息丢失

c = np.fromfile("b.dat", dtype=np.int, sep=',')

c
Out[22]: 
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9,  10,  11,  12,  13,  14,  15,  16,  17,  18,  19,  20,  21,  22,  23])

c = np.fromfile("b.dat", dtype=np.int, sep=',').reshape(2,3,4) #变换数组维度

c
Out[24]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

读取二进制文件

a = np.arange(24).reshape(2,3,4)

a.tofile("b.dat", format='%d') #生成二进制文件，维度信息丢失

c = np.fromfile("b.dat", dtype=np.int)

c
Out[33]: 
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9,  10,  11,  12,  13,  14,  15,  16,  17,  18,  19,  20,  21,  22,  23])

c = np.fromfile("b.dat", dtype=np.int).reshape(2,3,4) #变换数组维度

c
Out[37]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

注意：
       ①该方法读取时需要知道存入文件时数组的维度和元素类型；②a.tofile()和np.fromfile()可以配合使用达到数据缓存的目的；③可以通过元数据文件来存储额外信息。
(3)NumPy的便捷文件存取 

np.save(fname, array) 或 np.savez(fname, array)
  • fname：文件名，以.npy为扩展名，压缩扩展名为.npz
  • array：数组变量
np.load(fname)

fname：文件名，以.npy为扩展名，压缩扩展名为.npz
示例

import numpy as np

a = np.arange(24).reshape(2,3,4)

np.save("a.npy",a) #这个文件需要打开电脑的隐藏项目才可以看到

b = np.load("a.npy")

b
Out[5]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
3.NumPy的随机数函数

NumPy的random子库

np.random.*

np.random的随机数函数(1)
在这里插入图片描述

import numpy as np

a = np.random.rand(2,3,4)

a
Out[3]: 
array([[[0.36471364, 0.34718866, 0.36064756, 0.78410878],
        [0.12830901, 0.83901722, 0.34417573, 0.51421197],
        [0.58124066, 0.99361486, 0.53174879, 0.5647538 ]],

       [[0.08715647, 0.31419565, 0.43201921, 0.29539433],
        [0.83393732, 0.53002474, 0.11969182, 0.32529073],
        [0.47897925, 0.48837353, 0.05193301, 0.08979494]]])

sn = np.random.randn(2,3,4)

sn
Out[5]: 
array([[[ 1.18758174, -1.20623701, -0.33194348,  1.10717503],
        [ 0.55046098, -0.37949067, -0.39361895,  1.61583474],
        [ 0.08805425,  0.08435202, -0.04118038, -0.71567655]],

       [[ 1.92751269,  0.5885066 , -0.48169842,  2.16505115],
        [ 0.19945011,  0.13902858,  1.42570701, -0.26348193],
        [-0.86675236,  1.19701332,  0.28535783,  1.75732157]]])
        
b = np.random.randint(100,200,(3,4))

b
Out[7]: 
array([[192, 102, 187, 102],
       [164, 148, 195, 132],
       [112, 117, 199, 155]])
       
np.random.seed(10) #更改随机数种子

np.random.randint(100,200,(3,4))
Out[10]: 
array([[109, 115, 164, 128],
       [189, 193, 129, 108],
       [173, 100, 140, 136]])

np.random.seed(10) #种子不变，数组不变

np.random.randint(100,200,(3,4))
Out[12]: 
array([[109, 115, 164, 128],
       [189, 193, 129, 108],
       [173, 100, 140, 136]])

np.random的随机数函数(2)
在这里插入图片描述

a = np.random.randint(100,200,(3,4))

a
Out[15]: 
array([[116, 111, 154, 188],
       [162, 133, 172, 178],
       [149, 151, 154, 177]])

np.random.shuffle(a)

a #a发生了变化
Out[17]: 
array([[116, 111, 154, 188],
       [149, 151, 154, 177],
       [162, 133, 172, 178]])
       
a = np.random.randint(100,200,(3,4))

a
Out[23]: 
array([[177, 122, 123, 194],
       [111, 128, 174, 188],
       [109, 115, 118, 180]])

np.random.permutation(a)
Out[25]: 
array([[109, 115, 118, 180],
       [111, 128, 174, 188],
       [177, 122, 123, 194]])

a #a没有变化
Out[26]: 
array([[177, 122, 123, 194],
       [111, 128, 174, 188],
       [109, 115, 118, 180]])
       
b = np.random.randint(100,200,8)

b
Out[28]: array([117, 146, 107, 175, 128, 133, 184, 196])

np.random.choice(b,(3,2)) #可以重复选取元素
Out[29]: 
array([[117, 128],
       [133, 128],
       [196, 117]])

np.random.choice(b,(3,2),replace=False) #不可以重复选取元素
Out[30]: 
array([[133, 175],
       [146, 196],
       [184, 128]])

np.random.choice(b,(3,2),p=b/np.sum(b)) #设定数值大的出现概率大
Out[32]: 
array([[196, 107],
       [146, 196],
       [133, 133]])

np.random的随机数函数(3)
在这里插入图片描述

u = np.random.uniform(0,10,(3,4))

u
Out[34]: 
array([[4.36353698, 3.56250327, 5.87130925, 1.49471337],
       [1.71238598, 3.97164523, 6.37951564, 3.72519952],
       [0.02406761, 5.48816356, 1.26971841, 0.79792681]])

n = np.random.normal(10,5,(3,4))

n
Out[36]: 
array([[13.57941572,  4.07115727,  6.81836048,  6.94593078],
       [ 3.40304302,  7.19135792, 11.02692287,  5.23319662],
       [11.60758976,  2.39530663, -0.80726459, 11.72656647]])

m = np.random.poisson(0.3,(3,4))

m
Out[38]: 
array([[0, 1, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 1, 0]])
4.NumPy的统计函数

NumPy直接提供的统计类函数

np.*

NumPy的统计函数(1)
在这里插入图片描述

import numpy as np

a = np.arange(15).reshape(3,5)

a
Out[3]: 
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

np.sum(a)
Out[4]: 105

np.mean(a,axis=1) #内层元素
Out[5]: array([ 2.,  7., 12.])

np.mean(a,axis=0) #最外层元素
Out[6]: array([5., 6., 7., 8., 9.])

np.average(a,axis=0,weights=[10,5,1])
Out[8]: array([2.1875, 3.1875, 4.1875, 5.1875, 6.1875])

np.std(a)
Out[9]: 4.320493798938574

np.var(a)
Out[10]: 18.666666666666668

NumPy的统计函数(2)
在这里插入图片描述

b = np.arange(15,0,-1).reshape(3,5)

b
Out[12]: 
array([[15, 14, 13, 12, 11],
       [10,  9,  8,  7,  6],
       [ 5,  4,  3,  2,  1]])

np.max(b)
Out[13]: 15

np.argmax(b) #扁平化(变成一维)后的下标
Out[14]: 0

np.unravel_index(np.argmax(b),b.shape) #重塑成多维下标
Out[15]: (0, 0)

np.ptp(b)
Out[16]: 14

np.median(b)
Out[17]: 8.0
5.NumPy的梯度函数

在这里插入图片描述
梯度：连续值之间的变化率，即斜率。
XY坐标轴连续三个x坐标对应的Y轴值：a，b，c
其中，b的梯度是： (c-a)/2

a = np.random.randint(0,20,5)

a
Out[19]: array([13, 18, 17, 12,  6])

np.gradient(a)
Out[20]: array([ 5. ,  2. , -3. , -5.5, -6. ])
#2=(17-13)/2  -6=(6-12)/1
b = np.random.randint(0,50,(3,5))

b
Out[22]: 
array([[47, 19, 21,  7,  0],
       [11, 23,  8, 17, 28],
       [ 0, 25, 33, 16, 26]])

np.gradient(b)
Out[23]: 
[array([[-36. ,   4. , -13. ,  10. ,  28. ],
        [-23.5,   3. ,   6. ,   4.5,  13. ],
        [-11. ,   2. ,  25. ,  -1. ,  -2. ]]), #最外层维度的梯度
 array([[-28. , -13. ,  -6. , -10.5,  -7. ],
        [ 12. ,  -1.5,  -3. ,  10. ,  11. ],
        [ 25. ,  16.5,  -4.5,  -3.5,  10. ]])] #第二层维度的梯度

本文内容参考：
中国大学慕课北京理工大学嵩天老师所讲的Python数据分析与展示
如有错误或者不足之处，欢迎大家留言指正！

☆下山☆
关注
专栏目录
Python：Numpy库的使用
衍生星球的博客
04-18 4141
Python标准库中提供了一个array类型，用于保存数组类型数据，然而这个类型不支持多维数据，处理函数也不够丰富，不适合数值运算。因此，Python语言的第三方库numpy得到了迅速发展，至今，numpy已经成为了科学计算事实上的标准库。numpy库处理的最基础数据类型是由同种元素构成的多维数组（ndarray），简称“数组”。数组中所有元素的类型必须相同，数组中元素可以用整数索引，序号从0开始。ndarray类型的维度（dimensions）叫做轴（axes）,轴的个数叫做秩（rank）。
numpy库的使用
北落师门XY的博客
12-03 1410
初始化输入 以下均基于已进行 import numpy as np zeros Z = np.zeros((3,3)) Z[1][1]=1 Z[1,2]=999 print(Z,end='\n\n') print(Z[1],end='\n\n') print(Z[:,2]) [[ 0. 0. 0.] [ 0. 1. 999.] [ 0. 0. ...
Python Numpy库常见用法入门教程
09-18
主要介绍了Python Numpy库常见用法,结合实例形式详细Fenix了Python numpy库基本功能、原理以及数组常见操作技巧,需要的朋友可以参考下
NumPy库使用详解
最新发布
Chujun123528的博客
07-14 498
它提供了高性能的多维数组对象（ndarray）以及对这些数组进行操作的各种函数和工具，使得在Python中进行大规模数据处理和数值计算变得更加简单和高效。通过这些例子，我们可以看到NumPy库在数组创建、数组运算、切片和索引、数学和统计函数、线性代数以及生成特殊数组等方面的强大功能。这使得数组运算更加灵活和高效。NumPy的数组切片和索引功能与Python内置的列表类似，但提供了更多的灵活性和高效性。NumPy提供了丰富的数组运算函数，包括元素级运算、数组与标量的运算、矩阵运算等。
Numpy库使用入门
qq_47997583的博客
06-24 320
（一）ndarray对象的基本操作 1. ndarray对象 ndarray对象的属性 ndarray元素数据类型 2. 创建ndarray对象 方法一：从组合数据类型中创建 方法二：使用np函数创建 3. 维度变换函数 4. 数据类型转换函数 （二）数据的索引和切片 1. 一维数组索引与切片 2. 多维数组索引与切片 （三）数组运算 1. 标量运算 2. 一元函数 3. 二元函数 4. 线性代数库 （四）随机数 1. 基础np随机数生成函数 2. np的高级随机数函数 3. 概率分布函数 （五）统计函数与
NumPy库入门教程：基础知识总结
SeizeeveryDay的博客
08-08 300
视学算法|作者知乎专栏|来源中国统计网 | 转自numpy可以说是Python运用于人工智能和科学计算的一个重要基础，近段时间恰好学习了numpy，pandas，sklearn等...
numpy 库使用
weixin_30391339的博客
04-24 161
numpy 库简单使用 一、numpy库简介 　　Python标准库中提供了一个array类型，用于保存数组类型的数据，然而这个类型不支持多维数据，不适合数值运算。作为Python的第三方库numpy便有了用武之地。 　　numpy库处理的最基础数据类型是用同种元素构成的多维数组(ndarray)，简称数组。数组中所有元素的类型必须相同，数组中元素可以用整数索引，序号从0开始。ndarray...
NumPy库的使用
傅里叶变不出的博客
03-11 228
NumPy库概述 NumPy库是一个开源的python科学计算基础库，底层实现是由C语言实现的，运算快速高效。
pythonnumpy教程-PythonNumpy库常见用法入门教程.pdf
06-11
Python的Numpy库是进行数值计算的核心工具，尤其在科学计算和数据分析领域有着广泛的应用。Numpy库的主要特点是它的ndarray对象，这是一个高效处理多维数据的结构。它与Python的列表不同，ndarray的元素类型是固定的...
python3.6下Numpy库下载与安装图文教程
12-25
今天在做Plotly的散点图时，需要Numpy 这个库的使用。 没有安装Numpy这个库的时候，报错一般是下图这样：ModuleNotFoundError: No module named ‘numpy’ 看到这个错，肯定是Numpy这个库没有安装导致的结果。 下面...
window10系统下在Python3.8中安装numpy库教程
12-21
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也...登录https://pypi.org/project/numpy/#files地址，找到对应python版本的NumPy库。其中cp38代表3.8版本 我对应的版
numpy库的使用【知识整理】
Droke_Zhou的博客
02-13 1138
numpy库的使用（基础）综述代码模块txt文件读取矩阵生成及格式类型判断矩阵数据读取矩阵切片及布尔型处理类型转换行列极值、求和及向量矩阵转换矩阵初始化矩阵的基础运算及变化方法矩阵的扩张及排序小结 综述 学生党整理一些关于数据分析的知识：主要贴一些numpy库的用法，方便查询，包括txt文件读取（有报错）、矩阵的初始化及输出、矩阵的切割及合成、矩阵的扩张、矩阵的基本计算方式、排序、找极值、类型转换...
Python - Numpy库的使用（简单易懂）
qq_61386381的博客
07-25 4020
目录 numpy多维数组——数组的创建 1、array函数创建数组对象 2、通过arange、linspace函数创建等差数组对象 3、通过logspace函数创建等比数列数组 函数 zeros ones diag eye full numpy多维数组——生成随机数 函数 seed rand randn randint 函数 binomial normal 和不常用函数 shuffle函数 numpy多维数组——数组的属性 属性 .ndim .shape .szie......
科学计算库Numpy的详细使用方法【很全面】
不懂哦的博客
04-17 2022
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

☆下山☆

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值