numpy 转存为matlab_Numpy学习打卡task01
今天带来的是Datawhale自主学习Numpy下学习打卡笔记第一部分—输入输出(为什么没有上,别问,问就是numpy.tan(90))。本文大致介绍了numpy的相关背景知识。本文素材来自网络及datawhale,纠错指正、深入探讨,咱们评论区见。
numpy是什么
numpy 读作“馕派”,是 Python 编程语言的一个库,它增加了对大型多维数组和矩阵的支持,以及对这些数组进行操作的大量高级数学函数的集合。NumPy 的祖先 Numeric 最初是由 Jim Hugunin 创建的,并得到了其他几个开发者的贡献。2005年,Travis Oliphant在对Numeric进行大量修改后,将竞争性的Numarray的功能融入到Numeric中,创建了NumPy。NumPy是一个开源软件,有许多贡献者。 NumPy的目标是Python的CPython参考实现,它是一个非优化的字节码解释器。为这个版本的Python编写的数学算法通常比编译后的等价物运行速度慢得多。NumPy通过提供多维数组和对数组进行有效操作的函数和运算符来部分解决慢的问题,需要使用NumPy重写一些代码,主要是内部循环。在Python中使用NumPy可以得到与MATLAB相当的功能,因为它们都是解释型的,而且只要大部分操作是在数组或矩阵上进行的,而不是在标量上进行的,它们都允许用户编写快速的程序。相比之下,MATLAB拥有大量的附加工具箱,尤其是Simulink,而NumPy则与Python内在地集成在一起,Python是一种更现代、更完整的编程语言。此外,还提供了互补的Python包,SciPy是一个增加了更多类似MATLAB功能的库,Matplotlib是一个提供类似MATLAB绘图功能的绘图包。在内部,MATLAB和NumPy都依靠BLAS和LAPACK进行高效的线性代数计算。广泛使用的计算机视觉库OpenCV的Python绑定利用NumPy数组来存储和操作数据。由于具有多个通道的图像被简单地表示为三维数组,因此用其他数组进行索引、切片或遮蔽是访问图像特定像素的非常有效的方法。NumPy数组作为OpenCV中图像、提取特征点、滤波核等的通用数据结构,极大地简化了编程工作流程和调试。【1】numpy开源地址:https://github.com/numpy/numpy
numpy的局限
在数组中插入或追加条目并不像使用 Python 的 list 那样简单。用于扩展数组的 np.pad(...) 例程实际上创建了具有所需形状和填充值的新数组,将给定数组复制到新数组中并返回。NumPy的np.concatenate([a1,a2])操作实际上并没有将两个数组连接起来,而是返回一个新的数组,按顺序填入两个给定数组的条目。使用 np.reshape(...)重塑一个数组的维度,只有在数组中的元素数量不变的情况下才有可能。这些情况源于NumPy的数组必须是连续内存缓冲区上的视图。一个名为Blaze的替换包试图克服这个限制。不能表达为向量化操作的算法通常会运行得很慢,因为它们必须用 "纯Python "来实现,而向量化可能会增加一些操作的内存复杂度,从常量到线性,因为必须创建和输入一样大的临时数组。一些小组已经实现了数值代码的运行时编译以避免这些问题;与NumPy互操作的开源解决方案包括scipy.weave、numexpr和Numba,Cython和Pythran是这些静态编译的替代品。许多现代大规模科学计算应用的要求超出了NumPy数组的能力。例如,NumPy数组通常被加载到计算机的内存中,这对于大型数据集的分析来说可能容量不足。此外,NumPy操作是在一台计算机的CPU上执行的。然而,许多线性代数操作可以通过在CPU的集群或专门的硬件(如GPU和TPU)上执行来加速,许多深度学习应用都依赖于这些硬件。因此,在过去的几年里,科学python生态系统中出现了一些替代性的数组实现,例如用于分布式数组的Dask和用于GPU计算的TensorFlow或JAX。由于Numpy的流行,它们通常实现了Numpy的API的一个子集或模仿它,因此用户可以改变他们的数组实现,而只需要对他们的代码进行最小的修改【1】。
numpy相关资源
numpy 开源社区地址 https://numpy.org/doc/stable/index.html 遇到不太了解的组件参数可以直接在搜索栏搜索例如:numpy.save()numpy 中文社区 https://www.numpy.org.cn/reference/由于还在翻译搬运中,所以部分内容可能更新不够及时,亲测无法使用搜索功能。numpy Github开源地址:https://github.com/numpy/numpy
俺的入门常用numpy操作命令合集:https://github.com/neowalter/DA_fundamental_python/blob/main/numpy_foundation.ipynb
更多资源numpy资源搜索方式(手把手系列)https://baidu.bqrdh.com/?q=bnVtcHk=
Datawhale学习讲义
numpy 二进制文件
save()
、savez()
和load()
函数以 numpy 专用的二进制类型(npy、npz)保存和读取数据,这三个函数会自动处理ndim、dtype、shape等信息,使用它们读写数组非常方便,但是save()
输出的文件很难与其它语言编写的程序兼容。
npy格式:以二进制的方式存储文件,在二进制文件第一行以文本形式保存了数据的元信息(ndim,dtype,shape等),可以用二进制工具查看内容。
npz格式:以压缩打包的方式存储文件,可以用压缩软件解压。
numpy.save(file, arr, allow_pickle=True, fix_imports=True)
Save an array to a binary file in NumPy.npy
format.numpy.load(file, mmap_mode=None, allow_pickle=False, fix_imports=True, encoding='ASCII')
Load arrays or pickled objects from.npy
,.npz
or pickled files.
【例】
import numpy as npoutfile = r'.\test.npy'np.random.seed(20200619)x = np.random.uniform(0, 1, [3, 5])np.save(outfile, x)y = np.load(outfile)print(y)# [[0.01123594 0.66790705 0.50212171 0.7230908 0.61668256]# [0.00668332 0.1234096 0.96092409 0.67925305 0.38596837]# [0.72342998 0.26258324 0.24318845 0.98795012 0.77370715]]
numpy.savez(file, *args, **kwds)
Save several arrays into a single file in uncompressed.npz
format.
savez()
第一个参数是文件名,其后的参数都是需要保存的数组,也可以使用关键字参数为数组起一个名字,非关键字参数传递的数组会自动起名为arr_0, arr_1, …
。
savez()
输出的是一个压缩文件(扩展名为npz),其中每个文件都是一个save()
保存的npy文件,文件名对应于数组名。load()
自动识别npz文件,并且返回一个类似于字典的对象,可以通过数组名作为关键字获取数组的内容。
【例】将多个数组保存到一个文件,可以使用numpy.savez()
函数。
import numpy as npoutfile = r'.\test.npz'x = np.linspace(0, np.pi, 5)y = np.sin(x)z = np.cos(x)np.savez(outfile, x, y, z_d=z)data = np.load(outfile)np.set_printoptions(suppress=True)print(data.files) # ['z_d', 'arr_0', 'arr_1']print(data['arr_0'])# [0. 0.78539816 1.57079633 2.35619449 3.14159265]print(data['arr_1'])# [0. 0.70710678 1. 0.70710678 0. ]print(data['z_d'])# [ 1. 0.70710678 0. -0.70710678 -1. ]
用解压软件打开 test.npz 文件,会发现其中有三个文件:arr_0.npy,arr_1.npy,z_d.npy
,其中分别保存着数组x,y,z
的内容。
文本文件
savetxt()
,loadtxt()
和genfromtxt()
函数用来存储和读取文本文件(如TXT,CSV等)。genfromtxt()
比loadtxt()
更加强大,可对缺失数据进行处理。
numpy.savetxt(fname, X, fmt='%.18e', delimiter=' ', newline='\n', header='', footer='', comments='# ', encoding=None)
Save an array to a text file.fname:文件路径
X:存入文件的数组。
fmt:写入文件中每个元素的字符串格式,默认’%.18e’(保留18位小数的浮点数形式)。
delimiter:分割字符串,默认以空格分隔。
numpy.loadtxt(fname, dtype=float, comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0, encoding='bytes', max_rows=None)
Load data from a text file.fname:文件路径。
dtype:数据类型,默认为float。
comments: 字符串或字符串组成的列表,默认为# , 表示注释字符集开始的标志。
skiprows:跳过多少行,一般跳过第一行表头。
usecols:元组(元组内数据为列的数值索引), 用来指定要读取数据的列(第一列为0)。
unpack:当加载多列数据时是否需要将数据列进行解耦赋值给不同的变量。
【例】写入和读出TXT文件。
import numpy as npoutfile = r'.\test.txt'x = np.arange(0, 10).reshape(2, -1)np.savetxt(outfile, x)y = np.loadtxt(outfile)print(y)# [[0. 1. 2. 3. 4.]# [5. 6. 7. 8. 9.]]
test.txt文件如下:
0.000000000000000000e+00 1.000000000000000000e+00 2.000000000000000000e+00 3.000000000000000000e+00 4.000000000000000000e+005.000000000000000000e+00 6.000000000000000000e+00 7.000000000000000000e+00 8.000000000000000000e+00 9.000000000000000000e+00
【例】写入和读出CSV文件。
import numpy as npoutfile = r'.\test.csv'x = np.arange(0, 10, 0.5).reshape(4, -1)np.savetxt(outfile, x, fmt='%.3f', delimiter=',')y = np.loadtxt(outfile, delimiter=',')print(y)# [[0. 0.5 1. 1.5 2. ]# [2.5 3. 3.5 4. 4.5]# [5. 5.5 6. 6.5 7. ]# [7.5 8. 8.5 9. 9.5]]
test.csv文件如下:
0.000,0.500,1.000,1.500,2.0002.500,3.000,3.500,4.000,4.5005.000,5.500,6.000,6.500,7.0007.500,8.000,8.500,9.000,9.500
genfromtxt()
是面向结构数组和缺失数据处理的。
numpy.genfromtxt(fname, dtype=float, comments='#', delimiter=None, skip_header=0, skip_footer=0, converters=None, missing_values=None, filling_values=None, usecols=None, names=None, excludelist=None, deletechars=''.join(sorted(NameValidator.defaultdeletechars)), replace_space='_', autostrip=False, case_sensitive=True, defaultfmt="f%i", unpack=None, usemask=False, loose=True, invalid_raise=True, max_rows=None, encoding='bytes')
Load data from a text file, with missing values handled as specified.names:设置为True时,程序将把第一行作为列名称。
data.csv文件如下:
id,value1,value2,value31,123,1.4,232,110,0.5,183,164,2.1,19
【例】
import numpy as npoutfile = r'.\data.csv'x = np.loadtxt(outfile, delimiter=',', skiprows=1)print(x)# [[ 1. 123. 1.4 23. ]# [ 2. 110. 0.5 18. ]# [ 3. 164. 2.1 19. ]]x = np.loadtxt(outfile, delimiter=',', skiprows=1, usecols=(1, 2))print(x)# [[123. 1.4]# [110. 0.5]# [164. 2.1]]val1, val2 = np.loadtxt(outfile, delimiter=',', skiprows=1, usecols=(1, 2), unpack=True)print(val1) # [123. 110. 164.]print(val2) # [1.4 0.5 2.1]
【例】
import numpy as npoutfile = r'.\data.csv'x = np.genfromtxt(outfile, delimiter=',', names=True)print(x)# [(1., 123., 1.4, 23.) (2., 110., 0.5, 18.) (3., 164., 2.1, 19.)]print(type(x)) # print(x.dtype)# [('id', 'print(x['id']) # [1. 2. 3.]print(x['value1']) # [123. 110. 164.]print(x['value2']) # [1.4 0.5 2.1]print(x['value3']) # [23. 18. 19.]
data1.csv文件
id,value1,value2,value31,123,1.4,232,110,,183,,2.1,19
【例】
import numpy as npoutfile = 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)) # print(x.dtype)# [('id', '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.]
文本格式选项
numpy.set_printoptions(precision=None,threshold=None, edgeitems=None,linewidth=None, suppress=None, nanstr=None, infstr=None,formatter=None, sign=None, floatmode=None, **kwarg)
Set printing options.precision
:设置浮点精度,控制输出的小数点个数,默认是8。threshold
:概略显示,超过该值则以“…”的形式来表示,默认是1000。linewidth
:用于确定每行多少字符数后插入换行符,默认为75。suppress
:当suppress=True
,表示小数不需要以科学计数法的形式输出,默认是False。nanstr
:浮点非数字的字符串表示形式,默认nan
。infstr
:浮点无穷大的字符串表示形式,默认inf
。
These options determine the way floating point numbers, arrays and other NumPy objects are displayed.
【例】
import numpy as npnp.set_printoptions(precision=4)x = np.array([1.123456789])print(x) # [1.1235]np.set_printoptions(threshold=20)x = np.arange(50)print(x) # [ 0 1 2 ... 47 48 49]np.set_printoptions(threshold=np.iinfo(np.int).max)print(x)# [ 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]eps = np.finfo(float).epsx = np.arange(4.)x = x ** 2 - (x + eps) ** 2print(x) # [-4.9304e-32 -4.4409e-16 0.0000e+00 0.0000e+00]np.set_printoptions(suppress=True)print(x) # [-0. -0. 0. 0.]x = np.linspace(0, 10, 10)print(x)# [ 0. 1.1111 2.2222 3.3333 4.4444 5.5556 6.6667 7.7778 8.8889# 10. ]np.set_printoptions(precision=2, suppress=True, threshold=5)print(x) # [ 0. 1.11 2.22 ... 7.78 8.89 10. ]
numpy.get_printoptions()
Return the current print options.
【例】
import numpy as npx = np.get_printoptions()print(x)# {# 'edgeitems': 3, # 'threshold': 1000, # 'floatmode': 'maxprec', # 'precision': 8, # 'suppress': False, # 'linewidth': 75, # 'nanstr': 'nan', # 'infstr': 'inf', # 'sign': '-', # 'formatter': None, # 'legacy': False# }
讲义地址:http://datawhale.club/t/topic/266
【1】WIKI百科 https://en.wikipedia.org/wiki/NumPy精彩推荐
数据分析的Python之路
IT项目管理
NLP学习笔记
numpy 转存为matlab_Numpy学习打卡task01相关推荐
- Matplotlib数据可视化学习打卡-Task01
学习目标: 半个月掌握 Matplotlib入门知识 学习目录: 1.认识matplotlib 2. 一个最简单的绘图例子 3. Figure的组成¶ 4. 两种绘图接口 5. 作业1:你在工作或学习 ...
- 寒假学习打卡第一篇文章-----numpy的学习
寒假学习打卡-----numpy的学习(技术咨询vx:keyichen_free day01 1.数组的创建 # 再进行所有的操作之前,要先导入numpy import numpy as np # 创 ...
- 学习打卡1-Matplotlib初相识
学习打卡1-Matplotlib初相识 一.认识matplotlib matplotlib是受MATLAB的启发构建的.MATLAB是数据绘图领域广泛使用的语言和工具.MATLAB语言是面向过程的.利 ...
- 坚持学习打卡的人,将来会变成什么样?
坚持打卡的人,将来会变成怎么样?让我们拭目以待.我组织了一个打卡活动,希望大家踊跃参加. 有一个励志故事: 在中国的最东边生长着一种竹子,名叫"毛竹".那里的农民到处播种,每天精心 ...
- 艾欧币 不需繁琐存币不用学习使用钱包
随着计算机和网络通信技术的迅猛的发展,互联网技术的应用逐渐向人类的各种活动领域***,其中所蕴藏的无限商机使得商家纷纷把目光投向电子商务. 什么是数字货币 DIGITAL CURRENCY 货币的本质 ...
- 普中科技开发板使用说明书_百度大脑加持,米尔科技FZ3深度学习计算卡评测
如果你要问我现在电子产业什么最热,那无疑是AI,而基于大数据训练的深度学习技术可以说是目前AI应用的最广,最成功的产品形态了,覆盖我们生活的方方面面,诸如购物.看病.新闻编辑等,在这高深技术的背后少不 ...
- zynq无法识别sd卡_百度米尔携手推出FZ3深度学习计算卡!
前言:百度大脑是百度 AI 核心技术引擎,包括视觉.语音.自然语言处理.知识图谱.深度学习等AI核心技术和AI开放平台. 基于 Xilinx Zynq UltraScale+ MPSoC 的 Edge ...
- cad截图软件_AutoCAD电气制图协会线上CAD学习打卡活动结束
为了给同学们营造一个良好的学习氛围,让同学们在轻松的氛围下完成自己的CAD学习计划,在6月10日,AutoCAD电气制图协会举办的为时7天的线上CAD学习打卡活动正式结束.此次线上CAD学习打卡活动由 ...
- Mathmatica的学习打卡day 16
Mathmatica的学习打卡day 16 ----太原理工大学机器人团队 今天的学习内容为二维数据作图(学习来自哔哩哔哩) ListPlot函数 ListPlot函数是用来绘制散点图的,ListPl ...
最新文章
- 实用c语言函数源码,C语言编写简单朗读小工具(有源码)
- FusionNet:基于稀疏雷达点云和RGB图像的深度图补全
- @EnableAspectJAutoProxy||AOP原理:【看给容器中注册了什么组件,这个组件什么时候工作,这个组件的功能是什么?】
- ZJOI 2008 瞭望塔 三分法
- ImportError: libgfortran.so.4: cannot open shared object file: No such file or directory
- centos下Linux网易云音乐,CentOS7.5安装网易云音乐
- Qt中QTableView应用
- 怎么查看正在连接的无线网密码
- JQuery EasyUI 结合ztrIee的后台页面开发
- 云模型的MATLAB实现
- 黄褐斑的食疗用什么,姬净美效果不错
- 编程计算下面的分段函数: y=e​√​x​​​​​−1 (0<x<1) y=|x|+2 (3≤x≤4) y=sin(x​2​​) (当x取其他值时)
- 荣耀全明星不显示服务器,新版本,新气象!这些荣耀全明星新版本的细节与豆知识你了解吗?...
- 亚太融媒+ |「APEC投资+/产业+」:私募基金与产业基金 | 稳略产业基金观察
- OpenBot--DIY自动驾驶智能小车
- vi新建一个shell脚本_如何在Vim中为Shell脚本创建自定义页眉模板
- FPGA中模为60的BCD码加法计数器
- Win/ubu双系统问题解决笔记
- 深度学习常用的训练数据集介绍以及下载
- 2022年自考专业考试(计算机应用)微型计算机及接口技术练习题
热门文章
- SCSF 系列:Smart Client Software Factory 中的 MVP 模式概述
- OC开发笔记之第二篇
- php 时分秒选择联动,微信小程序-年月日时分秒六级联动时间选择器
- 电脑显示计算机无法显示,如果计算机无法打开怎么办?
- python条件语句函数_python sum 函数中可以使用条件语句吗
- java 读取sql xml文件是否存在_java.oracle問題,如下,我看到一个XML文件有一个SQL。...
- Linux查看c语言组件进程,Linux下查看进程IO工具iopp
- osg节点函数功能汇总
- C++11中的std::function
- html除左侧浮动,html清除浮动的6种方法示例