Numpy初步使用&运行numpy文件&数组的创建&查看操作&文件IO操作&数据类型&数组的运算&复制和视图& 索引、切片和迭代&总结（2）_掌握使用numpy进行数据分析的基本内容,掌握文件的基本操作、数组的创建和使用-CSDN博客

本文链接：https://blog.csdn.net/weixin_43783902/article/details/124401568

本文详细介绍了NumPy库的基础知识，包括如何创建和操作数组，如加减乘除、逻辑运算，以及文件的读写。重点讲解了数组的轴数、形状、数据类型转换，并探讨了深拷贝与浅拷贝的区别。同时，文章还涵盖了索引、切片和迭代等高级特性，是学习NumPy的实用指南。

摘要由CSDN通过智能技术生成

前言

python学习笔记—Numpy day6（仅供学习使用）

一、使用说明

#numpy数字化python，用于研究数据
#快捷键执行代码：command+enter 0r shift + enter

1.help

keyboard 是快捷键展示，所有快捷键都可在里面查询
在这里插入图片描述

二、运行numpy文件

l = [1,2,3,4,5]
print('打印输出列表：',l)

点击左上角运行按钮即可
在这里插入图片描述

1.数组的引出

创建数组的最简单的方法就是使用array函数，将Python下的list转换为ndarray。
在这里插入图片描述

2.numpy数组可一次取多个，而python不行

在这里插入图片描述
筛选大于等于三的数据：

三、数组的创建

import numpy as np arr1 = np.ones(10) # 输出为：array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]) 
arr2 = np.zeros(10) # 输出为： array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
arr3 = np.full(shape = [2,3],fill_value=2.718) # 输出为： # array([[2.718, 2.718, 2.718], # [2.718, 2.718, 2.718]]) 
arr4 = np.arange(start = 0,stop = 20,step = 2) # 等差数列 输出为：array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18]) 
arr5 = np.linspace(start =0,stop = 9,num = 10) # 等差数列 输出为：array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
arr6 = np.random.randint(0,100,size = 10) # int随机数 输出为：array([ 4, 8, 79, 62, 34, 35, 2, 65, 47, 18]) 
arr7 = np.random.randn(5) # 正态分布 输出为：array([ 0.57807872, 0.37922855, 2.37936837, -0.28688769, 0.2882854 ])  
arr8 = np.random.random(size = 5) # float 随机数 输出为：array([0.59646412, 0.37960586, 0.38077327, 0.76983539, 0.22689201])

四、查看操作

jupyter扩展插件（不安装）
pip3 install jupyter_contrib_nbextensions -i https://pypi.tuna.tsinghua.edu.cn/simple
pip3 install jupyter_nbextensions_configurator -i https://pypi.tuna.tsinghua.edu.cn/simple
jupyter contrib nbextension install --user
jupyter nbextensions_configurator enable --user
退出，重新进入jupyter notebook就可以了

1.数组的轴数、维度

import numpy as np 
arr = np.random.randint(0,100,size = (3,4,5)) 
arr.ndim # 输出 3

2.数组尺寸形状

arr.shape # 输出 (3,4,5)

3.数组元素的总数

arr.size # 输出 345 = 60

4.数据类型

arr.dtype # 输出 dtype(‘int64’)

5.数组中每个元素的大小（以字节为单位）

arr.itemsize #输出是 8 ，因为数据类型是int64，64位，一个字节是8位，所以64/8 = 8

五、文件IO操作

1.保存数组

save方法保存ndarray到一个npy文件，也可以使用savez将多个array保存到一个.npz文件中

x = np.random.randn(5)
y = np.arange(0,10,1)
#save方法可以存一个ndarray
np.save("x_arr",x)
#如果要存多个数组，要是用savez方法，保存时以key-value形式保存，key任意（xarr、yarr）
np.savez("some_array.npz",xarr = x,yarr=y)

2.读取

load方法来读取存储的数组，如果是.npz文件的话，读取之后相当于形成了一个key-value类型的变量，
通过保存时定义的key来获取相应的array

np.load('x_arr.npy') # 直接加载
# 通过key获取保存的数组数据 
np.load('some_array.npz')['yarr']

3. 读写csv、txt文件

arr = np.random.randint(0,10,size = (3,4)) 
#储存数组到txt文件 
np.savetxt("arr.csv",arr,delimiter=',') # 文件后缀是txt也是一样的 
#读取txt文件，delimiter为分隔符，dtype为数据类型 
np.loadtxt("arr.csv",delimiter=',',dtype=np.int32)

六、数据类型

ndarray的数据类型：
int: int8、uint8、int16、int32、int64
float: float16、float32、float64
str
其中uint8代表着无符号数。

1.array创建时，指定

import numpy as np 
np.array([1,2,5,8,2],dtype = 'float32') 
# 输出 ：array([1., 2., 5., 8., 2.], dtype=float32)

2.asarray转换时指定

import numpy as np 
arr = [1,3,5,7,2,9,0] 
# asarray 将列表进行变换 
np.asarray(arr,dtype = 'float32') 
# 输出：array([1., 3., 5., 7., 2., 9., 0.], dtype=float32)

3.数据类型转换astype

import numpy as np 
arr = np.random.randint(0,10,size = 5,dtype = 'int16') 
# 输出：array([6, 6, 6, 6, 3], dtype=int16) 
# 使用astype进行转换 
arr.astype('float32') 
# 输出：array([1., 4., 0., 6., 6.], dtype=float32)