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
文章目錄
- 【1x00】NumPy 矩陣庫
- 【1x01】numpy.mat()
- 【1x02】numpy.asmatrix()
- 【1x03】numpy.matrix()
- 【1x04】mat() / asmatrix() / matrix() 的區別
- 【1x05】numpy.bmat()
- 【1x06】numpy.matlib.empty()
- 【1x07】numpy.matlib.zeros()
- 【1x08】numpy.matlib.ones()
- 【1x09】numpy.matlib.eye()
- 【1x10】numpy.matlib.identity()
- 【1x11】numpy.matlib.repmat()
- 【1x12】numpy.matlib.rand()
- 【1x13】numpy.matlib.randn()
- 【2x00】NumPy 線性代數庫
- 【2x01】numpy.dot()
- 【2x02】numpy.vdot()
- 【2x03】numpy.inner()
- 【2x04】numpy.outer()
- 【2x05】numpy.matmul()
- 【2x06】numpy.tensordot()
- 【2x07】numpy.linalg.det()
- 【2x08】numpy.linalg.solve()
- 【2x09】numpy.linalg.inv()
- 【3x00】NumPy 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:
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=(aij) 是數域 P 上的一個 n 階矩陣,則所有 A=(aij) 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:
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。
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.]])