Task03 输入和输出

Numpy 对于二进制文件的读写

#np.load和np.save是读写磁盘数组数据的两个主要函数，默认情况下，数组是以未压缩的原始二进制格式保存在扩展名为.npy的文件中。
import numpy as np
arr1 = np.arange(5)
np.save("test.npy",a)#这样就在程序所在的文件夹生成了一个.npy文件
#将.npy中的文件读取出来
import numpy as np 
arr2 = np.load("test.npy")
print(arr2)
#将多个数组保存到一个文件当中，可以使用np.savez函数
a=np.arange(3)
b=np.arange(4)
c=np.arange(5)
np.savez('array_save.npz',a,b,c_array=c)
data = np.load(array_save)#将保存的数据读进来

numpy对于文本文件的读写

#savetxt()与loadtxt()
outfile = r'.\test.txt'
x = np.arange(0, 10).reshape(2, -1)
np.savetxt(outfile, x)
y = np.loadtxt(outfile)#默认以空格分隔
print(y)
# [[0. 1. 2. 3. 4.]
#  [5. 6. 7. 8. 9.]]
#csv文件与txt文件同理，只不过改变一下后缀
outfile = r'.\data1.csv'
x = np.genfromtxt(outfile, delimiter=',', names=True)
print(x)
# [(1., 123., 1.4, 23.) (2., 110., nan, 18.) (3.,  nan, 2.1, 19.)]
print(type(x))  
# <class 'numpy.ndarray'>
print(x.dtype)
# [('id', '<f8'), ('value1', '<f8'), ('value2', '<f8'), ('value3', '<f8')]
print(x['id'])  # [1. 2. 3.]
print(x['value1'])  # [123. 110.  nan]
print(x['value2'])  # [1.4 nan 2.1]
print(x['value3'])  # [23. 18. 19.]

csv文件样式
id,value1,value2,value3
1,123,1.4,23
2,110,18
3,2.1,19

#统计相关的函数
#amin()，amax()的用法
import numpy as np
x = np.array([[11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25],
              [26, 27, 28, 29, 30],
              [31, 32, 33, 34, 35]])
y = np.amin(x)#amax()的用法与之相同
print(y)  # 11
y = np.amin(x, axis=0)
print(y)  # [11 12 13 14 15]
y = np.amin(x, axis=1)
print(y)  # [11 16 21 26 31]
#分位数：在一组从大到小排列的数据中，体现数据分布情况
#计算函数：np.percentile()

下面展示一些 内联代码片。

#1.根据 sepallength 列对数据集进行排序
import numpy as np
outfile = r'.\iris.csv'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1)
sepalLength = iris_data[:, 0]#选出第一列的所有元素
index = np.argsort(sepalLength)#取出对第一列排序后索引
print(iris_data[index][0:10])
#2.在鸢尾属植物数据集中找到最常见的花瓣长度值
import numpy as np
outfile = r'.\iris.csv'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1)
petallength = iris_data[:, 2]
vals, counts = np.unique(petallength, return_counts=True)#retun_counts返回新列表中的元素在旧列表中的位置,return_reverse返回旧列表中元素在新列表中的位置
print(vals[np.argmax(counts)])#输出所有花瓣取值中出现次数最多的值 1.4
#3.在鸢尾花数据集的 petalwidth（第4列）中查找第一次出现的值大于1.0的位置
import numpy as np
outfile = r'.\iris.csv'
iris_data = np.loadtxt(outfile, dtype=object, delimiter=',', skiprows=1)
petalwidth = iris_data[:, 3]
index = np.where(np.array(petalwidth, dtype=float) > 1.0)
print(index[0][0])
#4. 将数组a中大于30的值替换为30，小于10的值替换为10
a = np.random.uniform(1, 50, 20)
b = np.where(a<10, 10, a)
b = np.where(b>30, 30, b)
print(b)
#5.获取给定数组a中前5个最大值的位置
#思路：对于待排序的数组a，b=np.argsort(a),print(b[-5:])
#6.计算每行数组中给定的最大值
b=np.amax(a, axis=1)
#7.删除一维numpy数组中所有NaN值
a = np.array([1, 2, 3, np.nan, 5, 6, 7, np.nan])
b = np.isnan(a)
print(b)
c = np.where(np.logical_not(b)==True)
print(a[c])
#8.计算两个数组a和数组b之间的欧氏距离
distance = np.sqrt(np.sum((a-b)**2))
#9.找到一个一维数字数组a中的所有峰值。峰顶是两边被较小数值包围的点
#10.将numpy的datetime64对象转换为datetime的datetime对象
import numpy as np
import datatime
dt64 = np.datatime64("2020-11-13 23:38:20")
dt = dt64.astype(datatime.datatime)
#11.创建长度为10的numpy数组，从5开始，在连续的数字之间的步长为3
arr = np.arange(5,3*10+5,3)
print(arr)
#12.将本地图像导入并将其转换为numpy数组
from PLI import Image #导入PIL图像处理库中的Image
img1 = Image.open('test.jpg')
arr2 = np.array(img1)