北京网站建设策划方案,怎么设置iis默认网站,为网站做安全认证服务,中国物联网企业排名本内容来自《跟着迪哥学Python数据分析与机器学习实战》#xff0c;该篇博客将其内容进行了整理#xff0c;加上了自己的理解#xff0c;所做小笔记。若有侵权#xff0c;联系立删。 迪哥说以下的许多函数方法都不用死记硬背#xff0c;多查API多看文档#xff0c;确实该篇博客将其内容进行了整理加上了自己的理解所做小笔记。若有侵权联系立删。 迪哥说以下的许多函数方法都不用死记硬背多查API多看文档确实跟着迪哥混就完事了~~~ Numpy官网API
以下代码段均在Jupyter Notebook下进行运行操作 每天过一遍腾讯阿里明天见~
一、 基本操作
Ⅰarray数组
导包
import numpy as np#导包起个别名np常规方法对列表中的每一个元素都1在python中是不可行的
array [1,2,2,3]
array 1---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
ipython-input-3-53772fbb9675 in module1 array [7,8,7,0,8,4,9,3,4]
---- 2 array 1TypeError: can only concatenate list (not int) to list#输出结果显示此处创建的是一个list结构无法执行上述操作。在Numpy中可以使用array()函数创建数组从而实现对每个元素都1操作
array np.array([1,2,2,3])
array 1array([2, 3, 3, 4])print(type(array))class numpy.ndarray#输出结果显示数据类型是ndarray也就是Numpy中的底层数据类型后续要进行各种矩阵操作的基本对象就是它。在Numpy中 如果对数组执行一个四则运算就相当于要对其中每一元素做相同的操作。
#arrar---[1,2,2,3]
arr array 1
arrarray([2, 3, 3, 4])#arrar---[1,2,2,3]
#arr---[2,3,3,4]
arr arrayarray([3, 5, 5, 7])#arrar---[1,2,2,3]
#arr---[2,3,3,4]
arr * arrayarray([ 2, 6, 6, 12])Ⅱ数组特性
arrayarray([1, 2, 2, 3])array.shape(4,)#表示当前为一维其中有4个元素two_arr np.array([[1,2,3],[2,3,4]])
two_arrarray([[1, 2, 3],[2, 3, 4]])two_arr.shape(2, 3)#表示当前为2行3列在使用ndarray数组时数组中的所有元素必须是同一类型的若不是同一类型数组元素会自动地向下进行转换。 int→float→str
yy np.array([1,3,4,5])
yyarray([1, 3, 4, 5])strint
yy np.array([1,3,4,5])
yyarray([1, 3, 4, 5], dtypeU11)floatint
yy np.array([1,3,4,5.0])
yyarray([1., 3., 4., 5.])strfloat
yy np.array([1,3.0,4.0,5.0])
yyarray([1, 3.0, 4.0, 5.0], dtypeU32)Ⅲ数组属性操作
two_arrarray([[1, 2, 3],[2, 3, 4]])当前数据格式
type(two_arr)numpy.ndarray当前数据类型
two_arr.dtypedtype(int32)当前数组中的元素个数
two_arr.size6当前数据维度
two_arr.ndim2二、索引与切片
Ⅰ数值索引
arrayarray([1, 2, 2, 3])下标从0开始左闭右开[1,3)
array[1:3]array([2, 2])负数表示从倒数开始取数据如[–2:]表示从数组中倒数第二个数据开始取到最后。
array[-2:]array([2, 3])索引操作在二维数据中也是同理
two_arrarray([[1, 2, 3],[2, 3, 4]])下标从0开始左上角为(0,0)第1行第2列
two_arr[1,2]4可以基于索引位置进行赋值操作前行后列通过逗号隔开[行,列]
two_arr[1,1] 9
two_arrarray([[1, 2, 3],[2, 9, 4]])下标从0开始取第1行数据
two_arr[1]array([2, 9, 4])下标从0开始取最后一列数据
two_arr[:,-1]array([3, 4])下标从0开始取第一列数据
two_arr[:,0]array([1, 2])Ⅱbool索引
arange(0,100,10)表示从0开始到100每隔10个数取一个元素
beyond np.arange(0,100,10)
beyondarray([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])mask np.array([0,0,1,1,0,0,1,1,1,0],dtypebool)
mask#0为False1为Truearray([False, False, True, True, False, False, True, True, True,False])beyond[mask]#通过mask作为索引(True)来找beyond中的数据array([20, 30, 60, 70, 80])rand(10)表示在[0,1)区间上随机选择10个数
random_arr np.random.rand(10)
random_arrarray([0.22612583, 0.69781025, 0.1703525 , 0.07685978, 0.38899791,0.75130758, 0.3418809 , 0.68655566, 0.43836518, 0.14533855])#判断其中每一个元素是否满足要求返回布尔类型。
mask random_arr 0.5
maskarray([False, True, False, False, False, True, False, True, False,False])#找到符合要求的索引位置
yy_array np.array([10,20,30,20,40,60])
np.where(yy_array 20)(array([2, 4, 5], dtypeint64),)#按照满足要求的索引来选择元素
yy_array[np.where(yy_array 20)]array([30, 40, 60])#可以对不同的数组进行对比
x np.array([1,4,7,8,5,2])
y np.array([1,4,7,2,5,8])
x yarray([ True, True, True, False, True, False])#逻辑与
np.logical_and(x,y)array([ True, True, True, True, True, True])#逻辑或
np.logical_or(x,y)array([ True, True, True, True, True, True])三、数据类型与数值计算
Ⅰ数据类型
yy_arr np.array([1,2,3,4],dtypenp.float32)
yy_arrarray([1., 2., 3., 4.], dtypefloat32)yy_arr.dtypedtype(float32)在Numpy中字符串的名字叫object
yy_arr np.array([1,1.1,beyond],dtypenp.object)
yy_arrarray([1, 1.1, beyond], dtypeobject)对创建好的数组进行类型转换
yy_arr np.array([1,2,3,4])
yy_arr1 np.asarray(yy_arr,dtypenp.float32)
yy_arr1array([1., 2., 3., 4.], dtypefloat32)Ⅱ复制与赋值
若用来对两个数组赋值的话如果对其中一个变量进行操作另一变量的结果也跟着发生变化说明它们根本就是一样的只不过用两个不同的名字表示罢了。
array_o np.array([[1,3,1],[2,3,1],[2,1,3]])
array_oarray([[1, 3, 1],[2, 3, 1],[2, 1, 3]])array_n array_o
array_narray([[1, 3, 1],[2, 3, 1],[2, 1, 3]])array_n[1,1] 666
array_narray([[ 1, 3, 1],[ 2, 666, 1],[ 2, 1, 3]])array_oarray([[ 1, 3, 1],[ 2, 666, 1],[ 2, 1, 3]])如果想让赋值后的变量与之前的变量无关需要通过复制操作。 此时改变其中一个数组的某个变量另一个数组依旧保持不变说明它们不仅名字不一样而且也根本不是同一件事。
array_y array_o.copy()
array_oarray([[ 1, 3, 1],[ 2, 666, 1],[ 2, 1, 3]])array_yarray([[ 1, 3, 1],[ 2, 666, 1],[ 2, 1, 3]])array_y[0,0] 1014
array_yarray([[1014, 3, 1],[ 2, 666, 1],[ 2, 1, 3]])array_oarray([[ 1, 3, 1],[ 2, 666, 1],[ 2, 1, 3]])Ⅲ数值运算
对数组中所有元素进行求和
yy_arr np.array([[1,2,1],[2,1,1,],[3,2,2],[1,1,1]])
np.sum(yy_arr)18对一个二维数组来说既可以对列求和也可以按行求和 指定axis参数表示可以按照第几个维度来进行计算 0为列维度、1为行维度
np.sum(yy_arr,axis0)array([7, 6, 5])np.sum(yy_arr,axis1)array([4, 4, 7, 3])yy_arrarray([[1, 2, 1],[2, 1, 1],[3, 2, 2],[1, 1, 1]])数组中所有元素进行累乘
yy_arr.prod()48数组中各列元素进行累乘
yy_arr.prod(axis0)array([6, 4, 2])数组中各行元素进行累乘
yy_arr.prod(axis1)array([ 2, 2, 12, 1])找数组中所有元素的最小值
yy_arr.min()1找数组中所有元素的最小值的索引
yy_arr.argmin()0找数组中每一列中元素的最小值
yy_arr.min(axis0)array([1, 1, 1])找数组中每一列中元素的最小值的索引
yy_arr.argmin(axis0)array([0, 1, 0], dtypeint64)找数组中每一行中元素的最小值
yy_arr.min(axis1)array([1, 1, 2, 1])找数组中每一行中元素的最小值的索引
yy_arr.argmin(axis1)array([0, 1, 1, 0], dtypeint64)求所有元素的均值
yy_arr.mean()1.5求每列元素的各自均值
yy_arr.mean(axis0)array([1.75, 1.5 , 1.25])求每行元素的各自均值
yy_arr.mean(axis1)array([1.33333333, 1.33333333, 2.33333333, 1. ])求所有元素的标准差
yy_arr.std()0.6454972243679028求每列元素的标准差
yy_arr.std(axis0)array([0.8291562, 0.5 , 0.4330127])求每行元素的标准差
yy_arr.std(axis1)array([0.47140452, 0.47140452, 0.47140452, 0. ])求所有元素的方差
yy_arr.var()0.4166666666666667求每列元素的方差
yy_arr.var(axis0)array([0.6875, 0.25 , 0.1875])求每行元素的方差
yy_arr.var(axis1)array([0.22222222, 0.22222222, 0.22222222, 0. ])比1小的全部赋值为1比2大的全部赋值为2
yy_arr.clip(1,2)array([[1, 2, 1],[2, 1, 1],[2, 2, 2],[1, 1, 1]])对数组中的元素四舍五入
yy_arr np.array([1.26,3.45,4.52])
yy_arr.round()array([1., 3., 5.])指定一个精度(2位小数)四舍五入
yy_arr.round(decimals2)array([1.26, 3.45, 4.52])Ⅳ矩阵乘法
x np.array([2,2])
y np.array([3,3])对应位置元素进行相乘
np.multiply(x,y)array([6, 6])在数组中进行矩阵乘法
np.dot(x,y)12np.dot(y,x)12很显然若是一维数组的话multiply就是各元素对应相乘最后的结果还是一维数组dot就是各元素对应相乘再相加是一个数
接下来看下二维数组的情况基本常识行列数需要满足前行乘后列原则
x.shape 2,1
xarray([[2],[2]])y.shape 1,2
yarray([[3, 3]])np.dot(x,y)array([[6, 6],[6, 6]])np.dot(y,x)array([[12]])四、常用功能模块
Ⅰ排序操作
beyond_arr np.array([[1.2,2.3,0.5],[1.5,1.9,2.2],[4.2,1.9,6.6],[9.5,10.0,14.1]])
beyond_arrarray([[ 1.2, 2.3, 0.5],[ 1.5, 1.9, 2.2],[ 4.2, 1.9, 6.6],[ 9.5, 10. , 14.1]])默认按行进行排序以元素值进行显示
np.sort(beyond_arr)array([[ 0.5, 1.2, 2.3],[ 1.5, 1.9, 2.2],[ 1.9, 4.2, 6.6],[ 9.5, 10. , 14.1]])默认按行进行排序以元素值所对应的索引进行显示
np.argsort(beyond_arr)array([[2, 0, 1],[0, 1, 2],[1, 0, 2],[0, 1, 2]], dtypeint64)指定按列进行排序以元素值进行显示
np.sort(beyond_arr,axis0)array([[ 1.2, 1.9, 0.5],[ 1.5, 1.9, 2.2],[ 4.2, 2.3, 6.6],[ 9.5, 10. , 14.1]])指定按列进行排序以元素值所对应的索引进行显示
np.argsort(beyond_arr,axis0)array([[0, 1, 0],[1, 2, 1],[2, 0, 2],[3, 3, 3]], dtypeint64)linspace(0,10,10)函数表示在010之间产生等间隔的10个数
yy_arr np.linspace(0,10,10)
yy_arrarray([ 0. , 1.11111111, 2.22222222, 3.33333333, 4.44444444,5.55555556, 6.66666667, 7.77777778, 8.88888889, 10. ])此时又新增一组数据想要按照大小顺序把它们插入刚创建的数组中应当放到什么位置
values np.array([2.5,6.5,9.5])
np.searchsorted(yy_arr,values)#算出合适的插入位置array([3, 6, 9], dtypeint64)将数据按照第一列的升序或者降序对整体数据进行排序 按照第一列进行降序
yy_arr np.array([[9,6,3],[2,8,5],[7,4,1],[10,55,42]])
yy_arrarray([[ 9, 6, 3],[ 2, 8, 5],[ 7, 4, 1],[10, 55, 42]])index np.lexsort([-1*yy_arr[:,0]])
indexarray([3, 0, 2, 1], dtypeint64)#得到按照第一列进行降序后的索引#将索引传入原数组中
yy_arr[index]array([[10, 55, 42],[ 9, 6, 3],[ 7, 4, 1],[ 2, 8, 5]])按照第一列进行升序
yy_arrarray([[ 9, 6, 3],[ 2, 8, 5],[ 7, 4, 1],[10, 55, 42]])index np.lexsort([yy_arr[:,0]])
indexarray([1, 2, 0, 3], dtypeint64)#得到按照第一列进行升序后的索引#将索引传入原数组中
yy_arr[index]array([[ 2, 8, 5],[ 7, 4, 1],[ 9, 6, 3],[10, 55, 42]])Ⅱ数组形状操作
beyond_arr np.arange(10)
beyond_arrarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])beyond_arr.shape(10,)#一维可以通过shape属性来改变数组形状前提是变换前后元素个数必须保持一致。
beyond_arr.shape 2,5
beyond_arrarray([[0, 1, 2, 3, 4],[5, 6, 7, 8, 9]])#二维 2行5列当创建一个数组之后还可以给它增加一个维度
yy np.arange(10)
yyarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])yy.shape(10,)#一维yy yy[np.newaxis,:]
yyarray([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])yy.shape(1, 10)#二维 1行10列也可以对数组进行压缩操作把多余的维度去掉
yy yy.squeeze()
yyarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])yy.shape(10,)#一维还可以对数组进行转置操作
beyond np.array([[1,2,4,5],[9,6,3,2],[7,5,6,3]])
beyondarray([[1, 2, 4, 5],[9, 6, 3, 2],[7, 5, 6, 3]])方法一
beyond.transpose()array([[1, 9, 7],[2, 6, 5],[4, 3, 6],[5, 2, 3]])方法二
beyond.Tarray([[1, 9, 7],[2, 6, 5],[4, 3, 6],[5, 2, 3]])Ⅲ数组的拼接
可以通过拼接将两份数据组合到一起 concatenate函数用于把数据拼接在一起注意原来a、b都是二维的拼接后的结果也是二维的相当于在原来的维度上进行拼接默认axis0也可以指定拼接维度。
a np.array([[2,4,1],[4,5,3]])
b np.array([[7,4,1],[4,5,6]])
np.concatenate((a,b))array([[2, 4, 1],[4, 5, 3],[7, 4, 1],[4, 5, 6]])np.concatenate((a,b),axis1)array([[2, 4, 1, 7, 4, 1],[4, 5, 3, 4, 5, 6]])还有另一种拼接方法 原始数据都是一维的但是拼接后是二维的相当于新创建一个维度。
a1 np.array([7,8,9])
b1 np.array([9,6,3])a1.shape(3,)#一维b1.shape(3,)#一维np.stack((a1,b1))array([[7, 8, 9],[9, 6, 3]])#拼接之后就变成了二维了类似还有hstack和vstack操作分别表示水平和竖直的拼接方式。
np.hstack((a1,b1))array([7, 8, 9, 9, 6, 3])np.vstack((a1,b1))array([[7, 8, 9],[9, 6, 3]])在数据维度等于1时它们的作用相当于stack,用于创建新轴。 在维度大于或等于2时它们的作用相当于cancatenate用于在已有轴上进行操作。
np.hstack((a,b))array([[2, 4, 1, 7, 4, 1],[4, 5, 3, 4, 5, 6]])np.vstack((a,b))array([[2, 4, 1],[4, 5, 3],[7, 4, 1],[4, 5, 6]])对于多维数组还可以将其拉平
aarray([[2, 4, 1],[4, 5, 3]])a.flatten()array([2, 4, 1, 4, 5, 3])Ⅳ创建数组函数
np.arange()可以自己定义数组的取值区间以及取值间隔这里表示在[2,20)区间上每隔2个数值取一个元素
np.arange(2,20,2)array([ 2, 4, 6, 8, 10, 12, 14, 16, 18])对数函数默认以10为底[0,1)平均取5个数取对数
np.logspace(0,1,5)array([ 1. , 1.77827941, 3.16227766, 5.62341325, 10. ])快速创建行向量
np.r_[0:5:1]array([0, 1, 2, 3, 4])快速创建列向量
np.c_[0:5:1]array([[0],[1],[2],[3],[4]])创建零矩阵里面包括3个元素
np.zeros(3)array([0., 0., 0.])创建3×3的零矩阵
np.zeros((3,3))array([[0., 0., 0.],[0., 0., 0.],[0., 0., 0.]])创建3×3的单位矩阵
np.ones((3,3))array([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]])想生成任意数值的数组可以根据需求来进行变换
np.ones((3,3))*8array([[8., 8., 8.],[8., 8., 8.],[8., 8., 8.]])指定一个空的指定好其大小之后再往里面进行填充
a np.empty(6)
aarray([0., 0., 0., 0., 0., 0.])全部填充为1
a.fill(1)
aarray([1., 1., 1., 1., 1., 1.])创建一个数组初始化一个零矩阵让它和某个数组的维度一致
yy np.array([5,22,10,14])
np.zeros_like(yy)array([0, 0, 0, 0])只有对角线有数值并且为1也就是创建指定维度的单位矩阵
np.identity(5)array([[1., 0., 0., 0., 0.],[0., 1., 0., 0., 0.],[0., 0., 1., 0., 0.],[0., 0., 0., 1., 0.],[0., 0., 0., 0., 1.]])Ⅴ随机模块
随机生成3行2列的数组
np.random.rand(3,2)array([[0.0321769 , 0.58387082],[0.49930902, 0.77043111],[0.52521361, 0.54218806]])返回区间[0,10)之间的随机整数
np.random.randint(10,size(5,4))array([[1, 8, 6, 7],[1, 8, 4, 5],[9, 3, 1, 4],[2, 2, 4, 7],[1, 7, 5, 2]])只返回一个随机值
np.random.rand()0.9361433744193344指定区间并选择随机数的个数
np.random.randint(0,10,3)array([3, 9, 7])指定分布类型以及所需参数来随机生成随机数初始化 例如高斯分布均值为0标准差为0.1
np.random.normal(0,0.1,10)array([-1.97e-01, -8.71e-02, -1.11e-01, 2.75e-02, -3.64e-02, -1.17e-01,-1.34e-01, 1.45e-01, 1.17e-04, -1.19e-03])返回的结果中小数点后面的位数实在太多了指定返回结果的小数位数
np.set_printoptions(precision2)
np.random.normal(0,0.1,10)array([ 0.07, -0.12, -0.06, -0.06, -0.13, -0.06, 0.02, -0.1 , 0.03,-0.15])数据一般都是按照采集顺序排列的但是在机器学习中很多算法都要求数据之间相互独立所以需要先对数据集进行洗牌操作
sq np.arange(10)
sqarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])np.random.shuffle(sq)
sqarray([4, 1, 0, 7, 2, 6, 3, 9, 8, 5])很容易发现当数据集变化时参数也发生变化 有些时候希望进行随机操作但却要求每次的随机结果都相同 此时就需要指定随机种子 这里每次都把种子设置成10说明随机策略相同无论执行多少次随机操作其结果都是相同的 我的理解就是随机种子的不同表示随机表的不同有很多随机表看你用哪一个不同的随机种子对应不同的随机表
np.random.seed(10)
np.random.normal(0,0.1,10)array([ 0.13, 0.07, -0.15, -0. , 0.06, -0.07, 0.03, 0.01, 0. ,-0.02])Ⅵ文件读写
Notebook的魔法指令相当于写了一个beyond.txt文件
%%writefile beyond.txt
1 2 3 7 8 9
5 6 9 1 4 7Writing beyond.txtdata np.loadtxt(beyond.txt)
dataarray([[1., 2., 3., 7., 8., 9.],[5., 6., 9., 1., 4., 7.]])数据中带有分隔符
%%writefile beyond1.txt
1,2,3,7,8,9
5,6,9,1,4,7Writing beyond1.txt#读取数据的时候也需要提前指定好分隔符
data np.loadtxt(beyond1.txt,delimiter,)
dataarray([[1., 2., 3., 7., 8., 9.],[5., 6., 9., 1., 4., 7.]])多加入一列描述可以把它当作无关项
%%writefile beyond2.txt
q,w,e,r,t,y
1,2,3,7,8,9
5,6,9,1,4,7Writing beyond2.txt#读取数据的时候可以去掉前几行直接从第1行开始读取
data np.loadtxt(beyond2.txt,delimiter,,skiprows1)
dataarray([[1., 2., 3., 7., 8., 9.],[5., 6., 9., 1., 4., 7.]])可以通过help来查看帮助文档
print(help(np.loadtxt))Help on function loadtxt in module numpy:loadtxt(fname, dtypeclass float, comments#, delimiterNone, convertersNone, skiprows0, usecolsNone, unpackFalse, ndmin0, encodingbytes, max_rowsNone, *, likeNone)Load data from a text file.Each row in the text file must have the same number of values.Parameters----------fname : file, str, pathlib.Path, list of str, generatorFile, filename, list, or generator to read. If the filenameextension is .gz or .bz2, the file is first decompressed. Notethat generators must return bytes or strings. The stringsin a list or produced by a generator are treated as lines.dtype : data-type, optionalData-type of the resulting array; default: float. If this is astructured data-type, the resulting array will be 1-dimensional, andeach row will be interpreted as an element of the array. In thiscase, the number of columns used must match the number of fields inthe data-type.comments : str or sequence of str, optionalThe characters or list of characters used to indicate the start of acomment. None implies no comments. For backwards compatibility, bytestrings will be decoded as latin1. The default is #.delimiter : str, optionalThe string used to separate values. For backwards compatibility, bytestrings will be decoded as latin1. The default is whitespace.converters : dict, optionalA dictionary mapping column number to a function that will parse thecolumn string into the desired value. E.g., if column 0 is a datestring: converters {0: datestr2num}. Converters can also beused to provide a default value for missing data (but see alsogenfromtxt): converters {3: lambda s: float(s.strip() or 0)}.Default: None.skiprows : int, optionalSkip the first skiprows lines, including comments; default: 0.usecols : int or sequence, optionalWhich columns to read, with 0 being the first. For example,usecols (1,4,5) will extract the 2nd, 5th and 6th columns.The default, None, results in all columns being read... versionchanged:: 1.11.0When a single column has to be read it is possible to usean integer instead of a tuple. E.g usecols 3 reads thefourth column the same way as usecols (3,) would.unpack : bool, optionalIf True, the returned array is transposed, so that arguments may beunpacked using x, y, z loadtxt(...). When used with astructured data-type, arrays are returned for each field.Default is False.ndmin : int, optionalThe returned array will have at least ndmin dimensions.Otherwise mono-dimensional axes will be squeezed.Legal values: 0 (default), 1 or 2... versionadded:: 1.6.0encoding : str, optionalEncoding used to decode the inputfile. Does not apply to input streams.The special value bytes enables backward compatibility workaroundsthat ensures you receive byte arrays as results if possible and passeslatin1 encoded strings to converters. Override this value to receiveunicode arrays and pass strings as input to converters. If set to Nonethe system default is used. The default value is bytes... versionadded:: 1.14.0max_rows : int, optionalRead max_rows lines of content after skiprows lines. The defaultis to read all the lines... versionadded:: 1.16.0like : array_likeReference object to allow the creation of arrays which are notNumPy arrays. If an array-like passed in as like supportsthe __array_function__ protocol, the result will be definedby it. In this case, it ensures the creation of an array objectcompatible with that passed in via this argument... versionadded:: 1.20.0Returns-------out : ndarrayData read from the text file.See Also--------load, fromstring, fromregexgenfromtxt : Load data with missing values handled as specified.scipy.io.loadmat : reads MATLAB data filesNotes-----This function aims to be a fast reader for simply formatted files. Thegenfromtxt function provides more sophisticated handling of, e.g.,lines with missing values... versionadded:: 1.10.0The strings produced by the Python float.hex method can be used asinput for floats.Examples-------- from io import StringIO # StringIO behaves like a file object c StringIO(0 1\n2 3) np.loadtxt(c)array([[0., 1.],[2., 3.]]) d StringIO(M 21 72\nF 35 58) np.loadtxt(d, dtype{names: (gender, age, weight),... formats: (S1, i4, f4)})array([(bM, 21, 72.), (bF, 35, 58.)],dtype[(gender, S1), (age, i4), (weight, f4)]) c StringIO(1,0,2\n3,0,4) x, y np.loadtxt(c, delimiter,, usecols(0, 2), unpackTrue) xarray([1., 3.]) yarray([2., 4.])This example shows how converters can be used to convert a fieldwith a trailing minus sign into a negative number. s StringIO(10.01 31.25-\n19.22 64.31\n17.57- 63.94) def conv(fld):... return -float(fld[:-1]) if fld.endswith(b-) else float(fld)... np.loadtxt(s, converters{0: conv, 1: conv})array([[ 10.01, -31.25],[ 19.22, 64.31],[-17.57, 63.94]])NoneNumpy工具包不仅可以读取数据而且可以将数据写入文件中
#把结果保存为npy格式
beyond np.array([[1,4,7,8],[5,2,3,6]])
np.save(yy.npy,beyond,)#读取之前保存的结果依旧是Numpy数组格式
np.load(yy.npy)array([[1, 4, 7, 8],[5, 2, 3, 6]])俺迪哥说了在数据处理过程中中间的结果都保存在内存中如果关闭Notebook或者重启IDE再次使用的时候就要从头再来十分耗时。如果能将中间结果保存下来下次直接读取处理后的结果就非常高效保存成“.npy”格式的方法非常实用。
