欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

python之numpy库

程序员文章站 2023-11-19 16:28:34
python-numpy csv文件的写入和存取 写入csv文件 csv (comma‐separated value, 逗号分隔值),是一种常见的文件格式,用来存储批量数据...

python-numpy

csv文件的写入和存取

写入csv文件

csv (comma‐separated value, 逗号分隔值),是一种常见的文件格式,用来存储批量数据。

写入csv文件

np.savetxt(frame, array, fmt='%.18e', delimiter=none)
? 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:

>>> a = np.arange(100).reshape(5,20)
>>> np.savetxt('a.csv',a,fmt='%d',delimiter=',')

得到的文件是这样的

0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19
20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39
40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59
60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79
80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99

改变参数,以浮点数写入

>>> a = np.arange(100).reshape(5,20)
>>> np.savetxt('a.csv',a,fmt='%.1f',delimiter=',')
0.0,1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0,11.0,12.0,13.0,14.0,15.0,16.0,17.0,18.0,19.0
20.0,21.0,22.0,23.0,24.0,25.0,26.0,27.0,28.0,29.0,30.0,31.0,32.0,33.0,34.0,35.0,36.0,37.0,38.0,39.0
40.0,41.0,42.0,43.0,44.0,45.0,46.0,47.0,48.0,49.0,50.0,51.0,52.0,53.0,54.0,55.0,56.0,57.0,58.0,59.0
60.0,61.0,62.0,63.0,64.0,65.0,66.0,67.0,68.0,69.0,70.0,71.0,72.0,73.0,74.0,75.0,76.0,77.0,78.0,79.0
80.0,81.0,82.0,83.0,84.0,85.0,86.0,87.0,88.0,89.0,90.0,91.0,92.0,93.0,94.0,95.0,96.0,97.0,98.0,99.0

读取csv文件

读取csv文件

np.loadtxt(frame, dtype=np.float, delimiter=none, unpack=false)
? 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
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.,  24.,  25.,  26.,  27.,  28.,  29.,  30.,
         31.,  32.,  33.,  34.,  35.,  36.,  37.,  38.,  39.],
       [ 40.,  41.,  42.,  43.,  44.,  45.,  46.,  47.,  48.,  49.,  50.,
         51.,  52.,  53.,  54.,  55.,  56.,  57.,  58.,  59.],
       [ 60.,  61.,  62.,  63.,  64.,  65.,  66.,  67.,  68.,  69.,  70.,
         71.,  72.,  73.,  74.,  75.,  76.,  77.,  78.,  79.],
       [ 80.,  81.,  82.,  83.,  84.,  85.,  86.,  87.,  88.,  89.,  90.,
         91.,  92.,  93.,  94.,  95.,  96.,  97.,  98.,  99.]])
>>> b = np.loadtxt('a.csv',dtype=np.int,delimiter=',')
>>> b
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, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36,
        37, 38, 39],
       [40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56,
        57, 58, 59],
       [60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76,
        77, 78, 79],
       [80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96,
        97, 98, 99]])

csv只能有效存储一维和二维数组
np.savetxt() np.loadtxt()只能有效存取一维和二维数组

多维数据的存取

多维数据的写入

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(100).reshape(5,10,2)
>>> a.tofile("a.dat",sep=',',format='%d')

a.dat的内容:

0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99

如果不指定分隔符,则产生二进制文件,无法用文本编辑器看懂。

多维数据的读取

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

numpy的随机数函数

numpy的random子库
np.random.*

函数 说明
rand(d0,d1,…,dn) 根据d0-dn创建随机数数组,浮点数,[0,1),均匀分布
randn(d0,d1,…,dn) 根据d0-dn创建随机数数组,标准正态分布
randint(low[,high,shape]) 根据shape创建随机整数或整数数组,范围是[low,high)
seed(s) 随机数种子,s是给定的种子值
shuffle(a) 根据数组a的第1轴进行随排列,改变数组a
permutation(a) 根据数组a的第1轴产生一个新的乱序数组,不改变数组a
choice(a[,size,replace,p]) 从一维数组a中以概率p抽取元素,形成size形状新数组replace表示是否可能重用元素,默认为false
uniform(low,high,size) 产生具有均匀分布的数组,low起始值,high结束值,size为形状
normal(loc,scale,size) 产生具有正态分布的数组,loc为均值,scale标准差,size为形状
poisson(lam,size) 产生具有泊松分布的数组,lam为随机事件发生率,size为形状

numpy的统计函数

numpy直接提供的统计类函数
np.*

函数 说明
sum(a,axis=none) 根据给定axis计算数组a相关元素之和,axis整数或元组
mean(a,axis=none) 根据给定axis计算数组a相关元素的期望,axis整数或元组
average(a,axis=none,weights=none) 根据给定axis计算数组a相关元素的加权平均值
std(a,axis=none) 根据给定轴axis计算数组a相关元素的标准差
var(a,axis = none) 根据给定轴axis计算数组a相关元素的方差
min(a) max(a) 计算数组a中元素的最小值,最大值
argmin(a) argmax(a) 计算数组a中元素的最小值,最大值的降一维后下标
unravel_index(index,shape) 根据shape将一维下标index转换成多维下标
ptp(a) 计算数组a中元素最大值和最小值的差
median(a) 计算数组a中元素的中位数(中值)

axis=none 是统计函数的标配参数

numpy的梯度函数

函数 说明
np.gradient(f) 计算数组f中元素的梯度,当f为多维时,返回每个维度梯度

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)
>>> np.gradient(a)
array([  9. ,  -0.5,  -2. ,  -3. , -12. ])