[二] Numpy数据存取与函数
2024-05-20 23:12:34
Numpy数据存取与函数
一维和二维数据的存取
CSV文件, np.loadtxt(), np.savetxt()
多维数据的存取
a.tofile(), np.fromfile()
np.save(), np.load()
numpy的随机函数(np.random)
rand(), randn(), randint(), seed()
shuffle(), permutation(), choice()
uniform(), normal(), poisson()
numpy的统计函数
sum(), mean(), average(), std(), var()
min(), max(), argmin(), argmax(), unravel_index(), ptp(), median()
numpy的梯度函数
np.gradient()
CSV文件：存取一维和二维数据
- CSV文件是一种常见的文件格式，用来存储批量数据。
- CSV文件只能有效的存储一维和二维数组。
- np.savetxt(), np.loadtxt()只能有效的存取一维和二维数组。
Numpy将数据存入CSV文件，函数如下：
import numpy as np
a = np.arange(100).reshape(5, 20)
np.savetxt('a.csv', a, fmt="%d", delimiter=',')
Numpy读入CSV文件，函数如下：
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.int32, 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]])
多维数据的存取
- 数据存入:tofile，数据加载loadfile
- 便捷的文件存取方法：np.save，np.load
多维数据的存入：tofile函数
a = np.arange(100).reshape(5, 10, 2)
a.tofile("b.dat", sep=",", format='%d')
结果将会平铺为一维数据，如下
多维数据的加载：np.fromfile函数
c = np.fromfile("b.dat", dtype=np.int32, sep=",")
c
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])
# 要想还原数据，还要知道原先数组的尺寸
c = c.reshape(5, 10, 2)
c
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]]])
便捷的文件存取：np.save，np.load
np.save("a.npy", a)
b = np.load("a.npy")
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]]])
两种存取方法比较
Numpy的随机数函数
np.random的随机数函数（一）
a = np.random.rand(3, 4, 5)
a
array([[[0.15257507, 0.02480371, 0.62325075, 0.30554174, 0.71039419],[0.16793472, 0.11053303, 0.18702078, 0.59347635, 0.18655296],[0.34498871, 0.82380281, 0.62474943, 0.09706273, 0.84723209],[0.32304167, 0.97391336, 0.34865744, 0.69825689, 0.33477139]],[[0.97218235, 0.547869 , 0.01222512, 0.47606408, 0.55055613],[0.18585335, 0.06653516, 0.32867498, 0.59954051, 0.36819215],[0.23493346, 0.75768867, 0.48641578, 0.98568222, 0.83763441],[0.44208099, 0.96234619, 0.93853069, 0.23875454, 0.64855734]],[[0.21927259, 0.54326216, 0.5728762 , 0.30291199, 0.30875352],[0.70463617, 0.16616126, 0.9389809 , 0.99866047, 0.84941496],[0.66782308, 0.80883132, 0.83030115, 0.21593487, 0.11052866],[0.50227729, 0.7373498 , 0.08622482, 0.1546465 , 0.7673344 ]]])
sn = np.random.randn(3, 4, 5)
sn
array([[[-0.13899166, 0.81753401, -1.51661175, 1.12756715,0.47075786],[ 1.58396047, -0.21436527, 1.60210739, 0.50196767,-0.70752227],[-1.07846307, 0.24308953, 1.31379971, 1.37007777,1.0744217 ],[ 0.91036789, 1.22711205, -0.36849642, 0.32428547,0.14387649]],[[-1.02127348, -0.41833756, -0.95767588, 0.51808076,0.96952932],[-0.86687153, 1.51265849, 0.10725677, 0.54024379,-1.16591356],[ 1.45679455, -1.12580397, 0.70885802, -1.13800884,0.46957394],[ 2.03218182, -0.53277405, -2.19688155, -0.20649949,2.00457427]],[[-0.04384466, -0.67094456, -0.50440545, -1.38355559,-1.75376971],[-0.52912614, 0.44385732, -1.89686488, 0.16396965,0.96562041],[ 1.37031847, -0.20085887, 0.56562333, -0.27319559,-1.34236485],[-0.28952533, -0.5397941 , -0.61748276, 1.35898526,-1.09242035]]])
b = np.random.randint(100, 200, (3, 4))
b
array([[178, 153, 195, 183],[197, 160, 146, 157],[161, 134, 120, 156]])
np.random.seed(10)
np.random.randint(100, 200, (3, 4))
array([[109, 115, 164, 128],[189, 193, 129, 108],[173, 100, 140, 136]])
# 使用同一个种子，可以发现生成结果是相同的
np.random.seed(10)
np.random.randint(100, 200, (3, 4))
array([[109, 115, 164, 128],[189, 193, 129, 108],[173, 100, 140, 136]])
np.random的随机数函数（二）
a = np.random.randint(100, 200, (3, 4))
a
array([[116, 111, 154, 188],[162, 133, 172, 178],[149, 151, 154, 177]])
# 原来的数组a改变了
np.random.shuffle(a)
a
array([[116, 111, 154, 188],[149, 151, 154, 177],[162, 133, 172, 178]])
a = np.random.randint(100, 200, (3, 4))
a
array([[125, 113, 192, 186],[130, 130, 189, 112],[165, 131, 157, 136]])
np.random.permutation(a)
array([[125, 113, 192, 186],[130, 130, 189, 112],[165, 131, 157, 136]])
# 使用permutation乱序数组时，不会改变原来的数组a
a
array([[125, 113, 192, 186],[130, 130, 189, 112],[165, 131, 157, 136]])
np.random的随机数函数（三）
u = np.random.uniform(0, 10, (3,4))
u
array([[6.01038953, 8.05223197, 5.21647152, 9.08648881],[3.19236089, 0.90459349, 3.00700057, 1.13984362],[8.28681326, 0.46896319, 6.26287148, 5.47586156]])
n = np.random.normal(0, 1, (3,3))
n
array([[-0.49561818, 0.52563742, -0.38964647],[ 0.9372965 , -0.8169742 , 1.01961544],[-0.34143633, 0.7512814 , -0.36225179]])
p = np.random.poisson(0.5, (3, 3))
p
array([[0, 1, 0],[2, 1, 0],[1, 0, 0]])
### Numpy的统计函数
numpy统计函数（一）
a = np.arange(15).reshape(3, 5)
a
array([[ 0, 1, 2, 3, 4],[ 5, 6, 7, 8, 9],[10, 11, 12, 13, 14]])
np.sum(a)
105
np.mean(a, axis=1)
array([ 2., 7., 12.])
np.mean(a, axis=0)
array([5., 6., 7., 8., 9.])
np.average(a, axis=0, weights=[10, 5, 1])
array([2.1875, 3.1875, 4.1875, 5.1875, 6.1875])
np.std(a)
4.320493798938574
np.var(a)
18.666666666666668
numpy统计函数（二）
b = np.arange(15, 0, -1).reshape(3, 5)
b
array([[15, 14, 13, 12, 11],[10, 9, 8, 7, 6],[ 5, 4, 3, 2, 1]])
np.max(b)
15
np.min(b)
1
np.argmax(b)
0
# 生成多维下标
np.unravel_index(np.argmax(b), b.shape)
(0, 0)
np.ptp(b)
14
np.median(b)
8.0
numpy的梯度函数
a = np.random.randint(0, 20, (5))
a
array([18, 3, 16, 18, 16])
np.gradient(a)
array([-15. , -1. , 7.5, 0. , -2. ])
b = np.random.randint(0, 50,(3, 5))
b
array([[14, 15, 17, 25, 46],[48, 42, 17, 32, 17],[41, 16, 41, 26, 12]])
np.gradient(b)
[array([[ 34. , 27. , 0. , 7. , -29. ],[ 13.5, 0.5, 12. , 0.5, -17. ],[ -7. , -26. , 24. , -6. , -5. ]]),array([[ 1. , 1.5, 5. , 14.5, 21. ],[ -6. , -15.5, -5. , 0. , -15. ],[-25. , 0. , 5. , -14.5, -14. ]])]
[二] Numpy数据存取与函数相关推荐
- Numpy数据存取与函数
Python数据存取与函数 CSV文件 `np.savetxt()` `np.loadtxt()` CSV文件的局限性 多维数据的存取 `tofile()` `np.fromfile()` 需要注意: ...
- 第一周——数据分析之表示 —— Numpy 数据存取与函数
数据的CSV文件的存取 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 np.savetxt(frame, array, ...
- Matplotlib——直方图_hist()函数_histogram()函数_二维数据
一个简单的直方图可以直观地展示数据的分布,包括数值分布的区间.密度和形状. 在实际的工作过程中,我们可能需要对数据进行数学建模和统计分析,这些数据处理技术往往基于数据符合的某些假设,而直方图是检查数据 ...
- 用Numpy和Pandas分析二维数据笔记
用Numpy和Pandas分析二维数据 上节课,我们利用numpy和pandas分析了一维数据.在这节课中,你将学到这两种库的更多特性.并用它们来分析 二维数据,这节课后,你将能够使用pandas重新 ...
- Python使用numpy函数vsplit垂直（行角度）拆分numpy数组（返回拆分后的numpy数组列表）实战：垂直拆分二维numpy数组、split函数垂直拆分二维numpy数组
Python使用numpy函数vsplit垂直(行角度)拆分numpy数组(返回拆分后的numpy数组列表)实战:垂直拆分二维numpy数组.split函数垂直拆分二维numpy数组 目录
- Python使用numpy函数hsplit水平（按列）拆分numpy数组（返回拆分后的numpy数组列表）实战：水平（按列）拆分二维numpy数组、split函数水平（按列）拆分二维numpy数组
Python使用numpy函数hsplit水平(按列)拆分numpy数组(返回拆分后的numpy数组列表)实战:水平(按列)拆分二维numpy数组.split函数水平(按列)拆分二维numpy数组 目 ...
- iterp2函数--------二维数据内插值
[语法说明] 1.zi=interp1(x,y,z,xi,yi):返回矩阵zi,其元素包含对应于参量xi和yi的元素.用户可以输入行向量和列向量xi和yi,此时,输出向量zi与矩阵meshgrid(x ...
- boost::python模块包装几个 C++ 函数 将二维数组操作为采用 NumPy 数组的 Python 函数作为参数
boost::python模块包装几个 C++ 函数 将二维数组操作为采用 NumPy 数组的 Python 函数作为参数 实现功能 C++实现代码 实现功能 boost::python模块包装几个 ...
- Numpy中使用astype函数将字符串格式数据转换为数值数据类型
Numpy中使用astype函数将字符串格式数据转换为数值数据类型 目录 Numpy中使用astype函数将字符串格式数据转换为数值数据类型 numpy是什么?numpy和list有哪些区别? Num ...
最新文章
- 推荐|一个地面机器人采集的大型数据集
- python3和2的区别大吗_python3和2为什么区别大吗
- Wind7系统下 wifi设置
- unix系统编码 java_Java 正确的做字符串编码转换
- 导师都有哪些“秘密”没有告诉你？
- 因为你的电脑安装了即点即用_即你所爱
- 你会通过Docker部署war包吗
- django CBV装饰器 自定义django中间件 csrf跨站请求伪造 auth认证模块
- 程序员谨防加班猝死之十大建议
- Linux常用的基本命令14
- HALCON: HALCON 20.11.0.0 Progress主要新特性
- 32 开漏输出 高电平_关于各种IO输出类型详解
- 安全管家安卓_网速管家安卓5.4版本全面上线，多场景网络体验全面升级
- html点击登陆、注册等时候出现等待图标代码
- C++输入大写字母转小写字母
- 安卓桌面软件_抖音上火爆的动态桌面壁纸（视频桌面），狂拽酷炫吊炸天！
- 【学习日记】Dom基础
- 在图3-30 中，某学院的以太网交换机有三个接口分别和学院三个系的以太网相连，另外三个接口分别和电子邮件服务器、万维网服务器以及一个连接互联网的路由器相连。图中的A,B和C都是100Mbit/s以太网
- asp.net控件，服务器标记的格式不正确问题解决方法
- Android-skin-support 换肤原理全面解析