Python 數據分析三劍客之 NumPy（六）：矩陣 / 線性代數庫與 IO 操作

NumPy 系列文章：

• Python 數據分析三劍客之 NumPy（一）：理解 NumPy / 數組基礎
• Python 數據分析三劍客之 NumPy（二）：數組索引 / 切片 / 廣播 / 拼接 / 分割
• Python 數據分析三劍客之 NumPy（三）：數組的迭代與位運算
• Python 數據分析三劍客之 NumPy（四）：字符串函數總結與對比
• Python 數據分析三劍客之 NumPy（五）：數學 / 算術 / 統計 / 排序 / 條件 / 判斷函數合集
• Python 數據分析三劍客之 NumPy（六）：矩陣 / 線性代數庫與 IO 操作

---

---

這裏是一段防爬蟲文本，請讀者忽略。
本文原創首發於 CSDN，作者 TRHX。
博客首頁：https://itrhx.blog.csdn.net/
本文鏈接：https://itrhx.blog.csdn.net/article/details/105511641

---

【1x00】NumPy 矩陣庫

numpy.matlib 模塊是 NumPy 的矩陣庫，該矩陣庫包含多種函數，函數返回的是一個矩陣，而不是 Ndarray 對象。

官方文檔介紹：https://numpy.org/doc/1.18/reference/routines.matlib.html

【1x01】numpy.mat()

numpy.mat() 函數將輸入數組轉換爲爲矩陣。

基本語法：numpy.mat(data[, dtype=None])

參數	描述
data	輸入數據，如果 data 爲字符串，則需要用逗號或空格分隔列，用分號分隔行
dtype	輸出矩陣的數據類型，可選項

應用舉例：

>>> import numpy as np
>>> a = np.mat([1, 2, 3])
>>> a
matrix([[1, 2, 3]])
>>> a[0]
matrix([[1, 2, 3]])
>>> a[0,1]
2

>>> import numpy as np
>>> a = np.array([[1, 2], [3, 4]])
>>> a
array([[1, 2],
       [3, 4]])
>>> b = np.mat(a)
>>> b
matrix([[1, 2],
        [3, 4]])

【1x02】numpy.asmatrix()

numpy.asmatrix() 函數將輸入數組轉換爲爲矩陣。

基本語法：numpy.asmatrix(data[, dtype=None])

參數	描述
data	輸入數據，如果 data 爲字符串，則需要用逗號或空格分隔列，用分號分隔行
dtype	輸出矩陣的數據類型，可選項

應用舉例：

>>> import numpy as np
>>> a = np.array([[1, 2], [3, 4]])
>>> np.asmatrix(a)
matrix([[1, 2],
        [3, 4]])

【1x03】numpy.matrix()

numpy.matrix() 函數從類似數組的對象或數據字符串中返回一個矩陣。

注意：此函數已經不建議再使用，在未來的版本當中可能會被刪除。

基本語法：class numpy.matrix(data[, dtype=None, copy=True])

參數	描述
data	數組或者字符串，如果 data 爲字符串，則需要用逗號或空格分隔列，用分號分隔行
dtype	輸出矩陣的數據類型，可選項
copy	是否複製數據到一個新矩陣，可選項

應用舉例：

>>> import numpy as np
>>> a = np.matrix('1 2; 3 4')
>>> a
matrix([[1, 2],
        [3, 4]])
>>> 
>>> b = np.matrix([[1, 2], [3, 4]])
>>> b
matrix([[1, 2],
        [3, 4]])

【1x04】mat() / asmatrix() / matrix() 的區別

如果輸入已經是一個矩陣或一個數組，則 mat() 和 asmatrix() 函數不會執行復制操作，相當於 matrix(data, copy=False)

對比舉例：

>>> import numpy as np
>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.mat(a)
>>> c = np.matrix(a)
>>> d = np.asmatrix(a)
>>> 
>>> a
array([[1, 2],
       [3, 4]])
>>> b
matrix([[1, 2],
        [3, 4]])
>>> c
matrix([[1, 2],
        [3, 4]])
>>> d
matrix([[1, 2],
        [3, 4]])
>>> 
>>> a[1][1] = 0
>>> 
>>> a
array([[1, 2],
       [3, 0]])
>>> b
matrix([[1, 2],
        [3, 0]])
>>> c              # matrix() 函數默認執行 copy 操作，所以數據不變
matrix([[1, 2],
        [3, 4]])
>>> d
matrix([[1, 2],
        [3, 0]])

【1x05】numpy.bmat()

numpy.bmat() 函數用於從字符串、嵌套序列或數組生成矩陣對象，一般用於創建複合矩陣。

基本語法：numpy.bmat(obj[, ldict=None, gdict=None])

參數	描述
obj	數組或者字符串，如果 data 爲字符串，則需要用逗號或空格分隔列，用分號分隔行
ldict	字典，用於替換當前幀中的本地操作數。如果 obj 不是字符串或 gdict 爲 None，則將被忽略
gdict	字典，用於替換當前幀中的全局操作數。如果 obj 不是字符串則忽略

應用舉例：

>>> import numpy as np
>>> a = np.mat('1 1; 1 1')
>>> b = np.mat('2 2; 2 2')
>>> c = np.mat('3 4; 5 6')
>>> d = np.mat('7 8; 9 0')
>>> 
>>> np.bmat([[a, b], [c, d]])
matrix([[1, 1, 2, 2],
        [1, 1, 2, 2],
        [3, 4, 7, 8],
        [5, 6, 9, 0]])
>>> np.bmat(np.r_[np.c_[a, b], np.c_[c, d]])
matrix([[1, 1, 2, 2],
        [1, 1, 2, 2],
        [3, 4, 7, 8],
        [5, 6, 9, 0]])
>>> np.bmat('a,b; c,d')
matrix([[1, 1, 2, 2],
        [1, 1, 2, 2],
        [3, 4, 7, 8],
        [5, 6, 9, 0]])

【1x06】numpy.matlib.empty()

numpy.matlib.empty() 函數用於創建一個給定形狀和數據類型的新矩陣。

基本語法：numpy.matlib.empty(shape[, dtype=None, order='C'])

參數	描述
shape	定義新矩陣的形狀
dtype	數據類型，可選項
order	以行優先（C）或列優先（Fortran）的順序存儲多維數據在內存中，可選項

應用舉例：

>>> import numpy as np
>>> print(np.matlib.empty((2, 2)))
[[9.90263869e+067 8.01304531e+262]
 [2.60799828e-310 0.00000000e+000]]
>>> print(np.matlib.empty((2, 2), dtype=int))
[[ -793016358  -243407933]
 [ -959331519 -2060787213]]

【1x07】numpy.matlib.zeros()

numpy.matlib.zeros() 函數創建一個以 0 填充的給定形狀和類數據型的矩陣。

基本語法：numpy.matlib.zeros(shape[, dtype=None, order='C'])

參數	描述
shape	定義新矩陣的形狀
dtype	數據類型，可選項
order	以行優先（C）或列優先（Fortran）的順序存儲多維數據在內存中，可選項

應用舉例：

>>> import numpy as np
>>> np.matlib.zeros((2, 3))
matrix([[0., 0., 0.],
        [0., 0., 0.]])

【1x08】numpy.matlib.ones()

numpy.matlib.ones() 函數創建一個以 1 填充的給定形狀和類數據型的矩陣。

基本語法：numpy.matlib.ones(shape[, dtype=None, order='C'])

參數	描述
shape	定義新矩陣的形狀
dtype	數據類型，可選項
order	以行優先（C）或列優先（Fortran）的順序存儲多維數據在內存中，可選項

應用舉例：

>>> import numpy as np
>>> np.matlib.ones((2, 3))
matrix([[1., 1., 1.],
        [1., 1., 1.]])

【1x09】numpy.matlib.eye()

numpy.matlib.eye() 函數創建一個對角線元素爲 1，其他位置爲零的矩陣。

基本語法：numpy.matlib.eye(n[, M=None, k=0, dtype=<class 'float'>, order='C'])

參數	描述
n	返回的矩陣的行數，int 類型
M	返回的矩陣的列數，int 類型，可選項，默認爲 n
k	對角線索引，可選項，0 表示主對角線，正值表示上對角線，負值表示下對角線，該對角線上元素的值將會是 1
dtype	返回矩陣的數據類型，可選項
order	以行優先（C）或列優先（Fortran）的順序存儲多維數據在內存中，可選項

應用舉例：

>>> import numpy as np
>>> print(np.matlib.eye(n=3, k=1))
[[0. 1. 0.]
 [0. 0. 1.]
 [0. 0. 0.]]
>>> print(np.matlib.eye(n=3, k=-1))
[[0. 0. 0.]
 [1. 0. 0.]
 [0. 1. 0.]]
>>> print(np.matlib.eye(n=3, M=4, k=0, dtype=int))
[[1 0 0 0]
 [0 1 0 0]
 [0 0 1 0]]

【1x10】numpy.matlib.identity()

numpy.matlib.identity() 函數創建一個給定大小的單位矩陣。

單位矩陣：在矩陣的乘法中，有一種矩陣起着特殊的作用，如同數的乘法中的1，這種矩陣被稱爲單位矩陣。它是個方陣，從左上角到右下角的對角線（稱爲主對角線）上的元素均爲1。除此以外全都爲0。

基本語法：numpy.matlib.identity(n[, dtype=None])

參數	描述
n	返回的單位矩陣的大小，int 類型
dtype	可選項，返回的單位矩陣的數據類型

應用舉例：

>>> import numpy as np
>>> print(np.matlib.identity(3, dtype=int))
[[1 0 0]
 [0 1 0]
 [0 0 1]]

【1x11】numpy.matlib.repmat()

numpy.matlib.repmat() 函數用於重複數組或矩陣 m*n 次。

基本語法：numpy.matlib.repmat(a, m, n)

參數	描述
a	待處理的數組對象
m,n	沿第一軸和第二軸重複的次數

應用舉例：

>>> import numpy as np
>>> a = np.array(1)
>>> b = np.arange(4)
>>> a
array(1)
>>> b
array([0, 1, 2, 3])
>>> 
>>> print(np.matlib.repmat(a, 2, 3))
[[1 1 1]
 [1 1 1]]
>>> print(np.matlib.repmat(b, 2, 2))
[[0 1 2 3 0 1 2 3]
 [0 1 2 3 0 1 2 3]]

【1x12】numpy.matlib.rand()

numpy.matlib.rand() 函數創建一個給定大小的矩陣，其中的數據在 [0, 1) 區間隨機取值來填充。

基本語法：numpy.matlib.rand(*args)

參數解釋：*args：輸出矩陣的形狀，如果給定爲 N 個整數，則每個整數指定一維的大小，如果以元組形式給出，則該元組表示輸出矩陣完整的形狀。

應用舉例：

>>> import numpy as np
>>> print(np.matlib.rand(2, 3))
[[0.27957871 0.48748368 0.0970184 ]
 [0.71062224 0.92503824 0.72415015]]
>>>
>>> print(np.matlib.rand((2, 3)))
[[0.08814715 0.0307317  0.77775332]
 [0.81158748 0.09173265 0.77497881]]
>>>
>>> print(np.matlib.rand(2, 3), 4)     # 如果第一個參數是元組，則其他參數將被忽略
[[0.53407924 0.56006372 0.63903716]
 [0.56132381 0.90300814 0.44074964]] 4

【1x13】numpy.matlib.randn()

numpy.matlib.randn() 函數創建一個標準正態分佈的隨機矩陣。

標準正態分佈，是一個在數學、物理及工程等領域都非常重要的概率分佈，在統計學的許多方面有着重大的影響力。期望值μ=0，即曲線圖象對稱軸爲Y軸，標準差 σ=1 條件下的正態分佈，記爲 N（0，1）。

標準正態分佈又稱爲 u 分佈，是以 0 爲均數、以 1 爲標準差的正態分佈，記爲 N（0，1）

基本語法：numpy.matlib.randn(*args)

參數解釋：*args：輸出矩陣的形狀，如果給定爲 N 個整數，則每個整數指定一維的大小，如果以元組形式給出，則該元組表示輸出矩陣完整的形狀。

應用舉例：

>>> import numpy as np
>>> print(np.matlib.randn(2, 3))
[[ 0.82976978 -0.9798698   0.71262414]
 [ 2.31211127 -0.5090537   1.12357032]]
>>> 
>>> print(2.5 * np.matlib.randn((2, 4)) + 3)         # 2 x 4 矩陣 N(3, 6.25)
[[-0.66974538  4.9354863   2.46138048  7.05576713]
 [ 0.80688217  1.79017491  3.78979646 -1.99071372]]

【2x00】NumPy 線性代數庫

線性代數是數學的一個分支，它的研究對象是向量，向量空間（或稱線性空間），線性變換和有限維的線性方程組。NumPy 中也提供了線性代數函數庫 numpy.linalg。

官方文檔介紹：https://numpy.org/doc/1.18/reference/routines.linalg.html

【2x01】numpy.dot()

numpy.dot() 函數用於計算兩個數組的點積。

基本語法：numpy.dot(a, b[, out=None])

參數	描述
a	第一個數組
b	第二個數組
out	可選項，放置結果的備用輸出數組

• 如果 a 和 b 均爲一維數組，計算的是這兩個數組對應下標元素的乘積和（數學上稱之爲內積）；
• 如果 a 和 b 均爲二維數組，計算的是兩個數組的矩陣乘積；
• 如果 a 和 b 均爲多維數組，它的通用計算公式爲：dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])，即結果數組中的每個元素都是數組 a 的最後一維上的所有元素與數組 b 的倒數第二維上的所有元素的乘積和。

應用舉例：

>>> import numpy as np
>>> a = np.array([[1,2],[3,4]])
>>> b = np.array([[11,12],[13,14]])
>>> print(np.dot(a,b))     # [[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]
[[37 40]
 [85 92]]
>>> 
>>> c = np.arange(3*4*5*6).reshape((3,4,5,6))
>>> d = np.arange(3*4*5*6)[::-1].reshape((5,4,6,3))
>>> print(np.dot(c, d)[2,3,2,1,2,2])
499128
>>> print(sum(c[2,3,2,:] * d[1,2,:,2]))
499128

【2x02】numpy.vdot()

numpy.vdot() 函數返回兩個向量的點積，如果第一個參數是複數，那麼它的共軛複數會用於計算。 如果參數是多維數組，它會被展開。

共軛複數：兩個實部相等，虛部互爲相反數的複數互爲共軛複數。

基本語法：numpy.vdot(a, b)

應用舉例：

>>> import numpy as np
>>> a = np.array([1+2j, 3+4j])
>>> b = np.array([5+6j, 7+8j])
>>> print(np.vdot(a, b))       # a 的共軛複數用於計算：(1-2j) * (5+6j) + (3-4j) * (7+8j)
(70-8j)
>>> print(np.vdot(b, a))       # b 的共軛複數用於計算：(1+2j) * (5-6j) + (3+4j) * (7-8j)
(70+8j)
>>> 
>>> 
>>> c = np.array([[1, 4], [5, 6]])
>>> d = np.array([[4, 1], [2, 2]])
>>> print(np.vdot(c, d))              # 1*4 + 4*1 + 5*2 + 6*2
30

【2x03】numpy.inner()

numpy.inner() 函數計算一維數組的點積，對於其他維度，返回最後一個軸上的和的乘積。

基本語法：numpy.inner(a, b)

應用舉例：

>>> import numpy as np
>>> a = np.array([[1,2],[3,4]])
>>> b = np.array([[11,12],[13,14]])
>>> print(np.inner(a,b))       # [[1*11+2*12, 1*13+2*14], [3*11+4*12, 3*13+4*14]]
[[35 41]
 [81 95]]
>>> 
>>> 
>>> c = np.array([1,2,3])
>>> d = np.array([0,1,0])
>>> print(np.inner(c,d))      # 1*0+2*1+3*0
2

【2x04】numpy.outer()

numpy.outer() 函數計算兩個向量的外積。

基本語法：numpy.outer(a, b[, out=None])

參數	描述
a	第一個向量，如果不是一維的則在計算前會將其展平
b	第一個向量，如果不是一維的則在計算前會將其展平
out	結果存儲的位置，可選項，類似於 (M, N) 結構的 Ndarray 對象

外積一般指兩個向量的向量積，若兩向量：a = [a0, a1, ..., aM] b = [b0, b1, ..., bN]，外積如下：

[[a0*b0  a0*b1 ... a0*bN ]
 [a1*b0    .
 [ ...          .
 [aM*b0            aM*bN ]]

應用舉例：

>>> import numpy as np
>>> a = np.array([1, 2, 3, 4])
>>> b = np.array([5, 6, 7, 8])
>>> print(np.outer(a, b))
[[ 5  6  7  8]
 [10 12 14 16]
 [15 18 21 24]
 [20 24 28 32]]
>>> 
>>> c = np.array(['a', 'b', 'c'], dtype=object)
>>> print(np.outer(c, [1, 2, 3]))
[['a' 'aa' 'aaa']
 ['b' 'bb' 'bbb']
 ['c' 'cc' 'ccc']]

【2x05】numpy.matmul()

numpy.matmul() 函數計算兩個矩陣的乘積。

矩陣的乘積運算：

設 A 爲 m x p 的矩陣，B 爲 p x n 的矩陣，那麼稱 m x n 的矩陣 C 爲矩陣 A 與 B 的乘積，記作 C = AB，其中矩陣 C 中的第 i 行第 j 列元素可以表示爲：

$(AB)_{ij} = \sum_{k=1}^p a_{ik}b_{kj} = a_{i1}b_{1j} + a_{i2}b_{2j} + ... + a_{ip}b_{pj}$

---

$A = \left[ \begin{matrix} a_{1,1} & a_{1,2} & a_{1,3} \\ a_{2,1} & a_{2,2} & a_{2,3} \end{matrix} \right] \qquad\qquad\qquad\qquad\qquad\qquad B = \left[ \begin{matrix} b_{1,1} & b_{1,2} \\ b_{2,1} & b_{2,2} \\ b_{3,1} & b_{3,2} \end{matrix} \right]$

$C = AB = \left[ \begin{matrix} a_{1,1}b_{1,1} & a_{1,2}b_{2,1} & a_{1,3}b_{3,1}, & a_{1,1}b_{1,2} & a_{1,2}b_{2,2} & a_{1,3}b_{3,2} \\ a_{2,1}b_{1,1} & a_{2,2}b_{2,1} & a_{2,3}b_{3,1}, & a_{2,1}b_{1,2} & a_{2,2}b_{2,2} & a_{2,3}b_{3,2} \end{matrix} \right]$

---

矩陣相乘的條件：

• 當矩陣 A 的列數（column）等於矩陣 B 的行數（row）時，A 與 B 可以相乘；
• 矩陣 C 的行數等於矩陣 A 的行數，C 的列數等於 B 的列數；
• 乘積 C 的第 m 行第 n 列的元素等於矩陣 A 的第 m 行的元素與矩陣 B 的第 n 列對應元素乘積之和。

---

應用舉例：

>>> import numpy as np
>>> a = np.array([[1,0], [0,1]])
>>> b = np.array([[4,1], [2,2]])
>>> print(np.matmul(a, b))
[[4 1]
 [2 2]]
>>> 
>>> c = np.array([[1,0], [0,1]])
>>> d = np.array([1,2])
>>> print(np.matmul(c, d))
[1 2]
>>> print(np.matmul(d, c))
[1 2]
>>> 
>>> e = np.arange(8).reshape(2,2,2)
>>> f = np.arange(4).reshape(2,2)
>>> print(np.matmul(e, f))
[[[ 2  3]
  [ 6 11]]

 [[10 19]
  [14 27]]]

【2x06】numpy.tensordot()

numpy.tensordot() 函數計算兩個不同維度矩陣的乘積。

基本語法：numpy.tensordot(a, b, axes=2)

參數	描述
a	第一個矩陣
b	第二個矩陣
axis	指定收縮的軸 如果是一個整型 m，表示指定數組 a 的後 m 個軸和數組 b 的前 m 個軸分別進行內積，即對應位置元素相乘、再整體求和 如果是一個列表 [m, n]，那麼表示 a 的第 m+1 個 (索引爲m) 軸和 b 的第 n+1 (索引爲n) 個軸進行內積

應用舉例：

>>> import numpy as np
>>> a = np.random.randint(0, 9, (3, 4))
>>> b = np.random.randint(0, 9, (4, 5))
>>> a
array([[4, 0, 3, 6],
       [1, 3, 2, 2],
       [6, 1, 3, 4]])
>>> b
array([[1, 0, 0, 7, 6],
       [3, 8, 7, 5, 0],
       [4, 7, 0, 8, 0],
       [3, 8, 5, 0, 1]])
>>> print(np.tensordot(a, b, 1))
[[34 69 30 52 30]
 [24 54 31 38  8]
 [33 61 27 71 40]]
>>>
>>> c = np.array(range(1, 9)).reshape(2, 2, 2)
>>> d = np.array(('a', 'b', 'c', 'd'), dtype=object).reshape(2, 2)
>>> c
array([[[1, 2],
        [3, 4]],

       [[5, 6],
        [7, 8]]])
>>> d
array([['a', 'b'],
       ['c', 'd']], dtype=object)
>>> print(np.tensordot(c, d))
['abbcccdddd' 'aaaaabbbbbbcccccccdddddddd']

【2x07】numpy.linalg.det()

numpy.linalg.det() 函數計算矩陣的行列式。

陣行列式是指矩陣的全部元素構成的行列式，設 A=(a_ij) 是數域 P 上的一個 n 階矩陣，則所有 A=(a_ij) 中的元素組成的行列式稱爲矩陣 A 的行列式，記爲 |A| 或 det(A)

一個 2×2 矩陣的行列式可表示如下：

$det = \left[ \begin{matrix} a & b \\ c & d \end{matrix} \right] = ad - bc$

應用舉例：

>>> import numpy as np
>>> a = np.array([[1, 2], [3, 4]])
>>> print(np.linalg.det(a))
-2.0000000000000004

【2x08】numpy.linalg.solve()

numpy.linalg.solve() 函數求解線性矩陣方程或線性標量方程組。

---

$\left \{ \begin{aligned} 3x+y=9 \\ x+2y=8 \end{aligned} \right. \qquad用矩陣可表示爲：\qquad \left[ \begin{matrix} 3 & 1 \\ 1 & 2 \end{matrix} \right] \left[ \begin{matrix} x & y \end{matrix} \right] = \left[ \begin{matrix} 9 & 8 \end{matrix} \right]$

---

應用舉例：

>>> import numpy as np
>>> a = np.array([[3,1], [1,2]])
>>> b = np.array([9,8])
>>> print(np.linalg.solve(a, b))
[2. 3.]

【2x09】numpy.linalg.inv()

numpy.linalg.inv() 函數計算矩陣的逆矩陣。

設 A 是數域上的一個 n 階矩陣，若在相同數域上存在另一個 n 階矩陣 B，使得：AB = BA = E，則我們稱 B 是 A 的逆矩陣，而 A 則被稱爲可逆矩陣。注：E 爲單位矩陣。

應用舉例：

>>> import numpy as np
>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.linalg.inv(a)
>>> print(b)
[[-2.   1. ]
 [ 1.5 -0.5]]
>>> 
>>> a * b == b * a
array([[ True,  True],
       [ True,  True]])

【3x00】NumPy IO 操作

NumPy IO 操作即讀寫磁盤上的文本數據或二進制數據，在 NumPy 中有專門的 .npy / npy 文件，.npy 文件用於儲存單個 Ndarray 對象；.npz 文件用於儲存多個 Ndarray 對象。

【3x01】numpy.save()

numpy.save() 函數將數組保存到二進制文件（.npy 文件）中。

基本語法：numpy.save(file, arr[, allow_pickle=True, fix_imports=True])

參數	描述
file	要保存的文件名，可以帶路徑，文件後綴爲 .npy，若路徑末尾沒有後綴，則會默認加上 .npy 後綴
arr	要保存的數組
allow_pickle	bool 值，可選項，是否允許使用 Python pickle 保存數組對象 Python pickle 用於在保存到磁盤文件或從磁盤文件讀取之前，對對象進行序列化和反序列化 pickle 序列化後的數據，可讀性差，人一般無法識別
fix_imports	bool 值，可選項，強制以 Python 2 兼容方式對 Python 3 上的數組對象進行處理 如果 fix_imports 爲True，則 pickle 將嘗試將新的 Python 3 名稱映射到 Python 2 中使用的舊模塊名稱，以便 pickle 數據流可被 Python 2 讀取

應用舉例：

>>> import numpy as np
>>> a = np.array([[1,2,3], [4,5,6]])
>>> np.save('D:\\file\\outfile.npy', a)

【3x02】numpy.load()

numpy.load() 函數用於讀取 .npy / npz 文件裏面的內容。

基本語法：numpy.load(file[, mmap_mode=None, allow_pickle=False, fix_imports=True, encoding='ASCII'])

參數	描述
file	要讀取的 npy 文件對象
mmap_mode	可選項，讀取文件的模式，可選參數 r+ r w+ c，與 Python 讀取文件模式類似，模式含義參見 numpy.memmap
allow_pickle	bool 值，可選項，是否允許使用 Python pickle 保存數組對象 Python pickle 用於在保存到磁盤文件或從磁盤文件讀取之前，對對象進行序列化和反序列化 pickle 序列化後的數據，可讀性差，人一般無法識別
fix_imports	bool 值，可選項，強制以 Python 2 兼容方式對 Python 3 上的數組對象進行處理 如果 fix_imports 爲True，則 pickle 將嘗試將新的 Python 3 名稱映射到 Python 2 中使用的舊模塊名稱，以便 pickle 數據流可被 Python 2 讀取
encoding	str 類型，可選項，讀取 Python2 字符串時使用什麼編碼 僅當在 Python3 中加載 Python 2 生成的 pickled 文件（包括包含對象數組的 npy/npz 文件）時纔有用 不允許使用 latin1、ASCII 和 bytes 以外的值，因爲它們可能損壞數字數據。默認值爲 ASCII

應用舉例：

>>> import numpy as np
>>> a = np.array([[1,2,3], [4,5,6]])
>>> np.save('D:\\file\\outfile.npy', a)
>>> np.load('D:\\file\\outfile.npy')
array([[1, 2, 3],
       [4, 5, 6]])

【3x03】numpy.savez()

numpy.savez() 函數將多個數組保存到二進制文件（.npz 文件）中。

基本語法：numpy.savez(file, *args[, **kwds])

參數	描述
file	要保存的文件名，可以帶路徑，文件後綴爲 .npz，若路徑末尾沒有後綴，則會默認加上 .npz 後綴
args	保存的數組，由於 Python 不知道外面 savez 的數組的名稱，因此將使用 arr_0，arr_1 等名稱保存數組，這些參數可以是任何表達式
kwds	關鍵字參數，可選項，數組將與關鍵字名稱一起保存在文件中

應用舉例：

>>> import numpy as np
>>> a = np.array([[1,2,3],[4,5,6]])
>>> b = np.arange(0, 1.0, 0.1)
>>> c = np.sin(b)           # c 使用關鍵字參數 sin_array
>>> np.savez('D:\\file\\outfile.npz', a, b, sin_array=c)
>>> r = np.load('D:\\file\\outfile.npz')
>>> print(r.files)         # 查看各個數組名稱
['sin_array', 'arr_0', 'arr_1']
>>> 
>>> print(r['arr_0'])      # 數組 a
[[1 2 3]
 [4 5 6]]
>>> 
>>> print(r['arr_1'])      # 數組 b
[0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
>>> 
>>> print(r['sin_array'])  # 數組 c
[0.         0.09983342 0.19866933 0.29552021 0.38941834 0.47942554
 0.56464247 0.64421769 0.71735609 0.78332691]

【3x04】numpy.savetxt()

numpy.savetxt() 函數將數組保存到文本文件中（txt）。

基本語法：numpy.savetxt(fname, X[, fmt='%.18e', delimiter=' ', newline='n', header='', footer='', comments='# ', encoding=None])

參數	描述
fname	要保存的文件名，可以帶路徑，如果文件後綴爲 .gz，則文件將自動以壓縮格式 gzip 保存
X	要保存的數組
fmt	格式序列或多格式字符串，可選項
delimiter	指定各種分隔符、針對特定列的轉換器函數、需要跳過的行數等，可選項
newline	字符串或字符分隔線，可選項
header	寫入文件開頭的字符串，可選項
footer	寫入文件末尾的字符串，可選項
comments	註釋，在 header 和 footer 字符串之前添加的字符串，可選項
encoding	對輸出文件進行編碼，可選項

應用舉例：

>>> import numpy as np
>>> a = np.array([1,2,3,4,5])
>>> np.savetxt('D:\\file\\outfile.txt', a)
>>> np.loadtxt('D:\\file\\outfile.txt')
array([1., 2., 3., 4., 5.])
>>> 
>>> b = np.arange(0,10,0.5).reshape(4,-1)
>>> np.savetxt('D:\\file\\outfile2.txt', b, fmt="%d", delimiter=',')  # 保存爲整數，以逗號分隔
>>> np.loadtxt('D:\\file\\outfile2.txt', delimiter=',')               # 讀取數據時也要指定相同的分隔符
array([[0., 0., 1., 1., 2.],
       [2., 3., 3., 4., 4.],
       [5., 5., 6., 6., 7.],
       [7., 8., 8., 9., 9.]])

【3x05】numpy.loadtxt()

numpy.loadtxt() 函數用於讀取文本文件（txt）裏面的內容。

基本語法：numpy.loadtxt(fname[, dtype=<class 'float'>, comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0, encoding='bytes', max_rows=None])

重要參數解釋：

參數	描述
fname	要讀取的文件，文件名或生成器。如果文件擴展名是 .gz 或 .bz2，則首先將文件解壓縮，注意，生成器應返回字節字符串
dtype	可選項，結果數組的數據類型
comments	str 或 str 序列，可選項，用於指示註釋開始的字符或字符列表
delimiter	str 類型，可選項，指定分隔符
skiprows	int 類型，可選項，跳過前 n 行，一般用於跳過第一行表頭
usecols	int 類型的索引值，讀取指定的列
unpack	bool 值，可選項，如果爲True，則會對返回的數組進行轉置
ndmin	int 類型，可選項，返回的數組將至少具有 ndmin 維度，否則一維軸將被壓縮
encoding	str 類型，可選項，用於解碼輸入文件的編碼
max_rows	int 類型，可選項，讀取 skiprows 行之後的最大行內容。默認值是讀取所有行

應用舉例：

>>> import numpy as np
>>> a = np.array([1,2,3,4,5])
>>> np.savetxt('D:\\file\\outfile.txt', a)
>>> np.loadtxt('D:\\file\\outfile.txt')
array([1., 2., 3., 4., 5.])

【3x06】numpy.genfromtxt()

numpy.genfromtxt() 函數同樣用於讀取文本文件（txt）裏面的內容。該函數比 loadtxt() 函數功能更加強大，genfromtxt() 主要面向結構數組和缺失數據處理。

官方文檔介紹：https://numpy.org/doc/1.18/reference/generated/numpy.genfromtxt.html

推薦文章：https://www.cnblogs.com/Simplelee/p/8975763.html

主要語法：numpy.genfromtxt(fname[, dtype=<class 'float'>, comments='#', delimiter=None, skip_header=0, skip_footer=0, converters=None, missing_values=None, filling_values=None, usecols=None, encoding='bytes'])

主要參數解釋：

參數	描述
fname	要讀取的文件，文件名或生成器。如果文件擴展名是 .gz 或 .bz2，則首先將文件解壓縮，注意，生成器應返回字節字符串
dtype	可選項，結果數組的數據類型
comments	str 或 str 序列，可選項，用於指示註釋開始的字符或字符列表
delimiter	str 類型，可選項，指定分隔符
skip_header	int 類型，可選項，文件開頭要跳過的行數
skip_footer	int 類型，可選項，文件末尾要跳過的行數
converters	變量，可選項，將列的數據轉換爲值的一組函數 還可以爲丟失的數據提供默認值：converters = {3: lambda s: float(s or 0)}
missing_values	變量，可選項，與缺少的數據相對應的字符串集，默認情況下使用空格表示缺失
filling_values	變量，可選項，缺少數據時用作默認值的一組值
usecols	序列，可選項，讀取指定的列
encoding	str 類型，可選項，用於解碼輸入文件的編碼

應用舉例：

>>> import numpy as np
>>> a = np.array([1,2,3,4,5])
>>> np.savetxt('D:\\file\\outfile.txt', a)
>>> np.genfromtxt('D:\\file\\outfile.txt')
array([1., 2., 3., 4., 5.])
>>>
>>> b = np.arange(0,10,0.5).reshape(4,-1)
>>> np.savetxt('D:\\file\\outfile2.txt', b, fmt="%d", delimiter=",")
>>> np.genfromtxt('D:\\file\\outfile2.txt', delimiter=',')
array([[0., 0., 1., 1., 2.],
       [2., 3., 3., 4., 4.],
       [5., 5., 6., 6., 7.],
       [7., 8., 8., 9., 9.]])