Ding Jiaxiong【2022-12-16】
Gitee仓库:https://gitee.com/DingJiaxiong/machine-learning-study.git

导入numpy

import numpy as np

认识数组

# 由Python列表初始化Numpy数组
a = np.array([1, 2, 3, 4, 5, 6])
a

## 二维数组
a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
a

# 访问数组数据
print(a[0])  ## 打印“第一行”

数组的更多信息

在 NumPy 中，维度称为轴。这意味着，如果有一个如下所示的 2维 数组：

[[0., 0., 0.],[1., 1., 1.]]

这个数组有2个轴，第一个轴的长度为2，第二个轴的长度为3

创建基本数组

要创建一个 NumPy 数组，可以使用函数 np.array().

a = np.array([1, 2, 3])
a

创建一个填充 0 的数组：

np.zeros(2)

或者一个填充 1 的数组：

np.ones(2)

empty 创建一个数组，其初始内容是随机的，并且取决于内存的状态。

np.empty(2)

创建包含一系列元素的数组：

np.arange(4)

array([0, 1, 2, 3])

包含一系列均匀间隔数据的数组。

np.arange(2, 9, 2)  # 从2 到 9 ，不包含9，步长为2

array([2, 4, 6, 8])

使用 np.linspace() 创建一个数组，其值在指定的时间间隔内线性分布：

np.linspace(0, 10, num=5)  # 这个就包含后面那个数

array([ 0. ,  2.5,  5. ,  7.5, 10. ])

指定数据类型

默认数据类型为浮点型 （np.float64），但可以使用 dtype 关键字显式指定所需的数据类型。

x = np.ones(2, dtype=np.int64)
x

array([1, 1], dtype=int64)

x.dtype

dtype('int64')

添加、删除和排序元素

使用 np.sort() 对元素进行排序很简单。可以在调用函数时指定轴、种类和顺序。

arr = np.array([2, 1, 5, 3, 7, 4, 6, 8])
arr

array([2, 1, 5, 3, 7, 4, 6, 8])

使用以下命令快速按升序对数字进行排序：

np.sort(arr)

array([1, 2, 3, 4, 5, 6, 7, 8])

如果从这些数组开始：

a = np.array([1, 2, 3, 4])
b = np.array([5, 6, 7, 8])

你可以用 np.concatenate() 连接它们.

np.concatenate((a, b))

array([1, 2, 3, 4, 5, 6, 7, 8])

或者，如果从这些数组开始：

x = np.array([[1, 2], [3, 4]])
x

array([[1, 2],[3, 4]])

y = np.array([[5, 6]])
y

array([[5, 6]])

可以将它们与以下内容连接起来：

np.concatenate((x, y), axis=0)

array([[1, 2],[3, 4],[5, 6]])

数组的形状和大小

创建一个数组：

array_example = np.array([[[0, 1, 2, 3],[4, 5, 6, 7]],[[0, 1, 2, 3],[4, 5, 6, 7]],[[0, 1, 2, 3],[4, 5, 6, 7]]])

数组的维数

array_example.ndim

3

数组中元素的总数

array_example.size  # 3 x 2 x 4 = 24

24

数组的形状

array_example.shape

(3, 2, 4)

重塑数组

使用 arr.reshape() 将为数组提供新形状，而无需更改数据。

a = np.arange(6)
a

array([0, 1, 2, 3, 4, 5])

使用 reshape() 来重塑数组。

b = a.reshape(3, 2)
b

array([[0, 1],[2, 3],[4, 5]])

使用 np.reshape，可以指定一些可选参数：

np.reshape(a, newshape=(1, 6), order='C')

array([[0, 1, 2, 3, 4, 5]])

a 是要重塑的数组。

newshape形状是您想要的新形状。

order:C 表示使用类似 C 的索引顺序读取/写入元素，F 表示使用类似 Fortran 的索引顺序读取/写入元素，A 表示如果 a 在内存中是 Fortran 连续的，则以类似 Fortran 的索引顺序读取/写入元素，否则类似 C 的顺序

将一维数组转换为二维数组【即如何向数组中添加新轴】

可以使用 np.newaxis 和 np.expand_dims 来增加现有数组的维度。
使用 np.newaxis 在使用一次时，数组的维度将增加一维。 即一维变二维, 二维变三维…

a = np.array([1, 2, 3, 4, 5, 6])a.shape

(6,)

使用 np.newaxis 添加新轴：

a2 = a[np.newaxis, :]
a2

array([[1, 2, 3, 4, 5, 6]])

a2.shape

(1, 6)

a

array([1, 2, 3, 4, 5, 6])

可以使用 np.newaxis 显式转换具有行向量或列向量的一维数组。例如，可以通过沿第一维插入轴将一维数组转换为行向量：

row_vector = a[np.newaxis, :]
row_vector.shape

(1, 6)

row_vector

array([[1, 2, 3, 4, 5, 6]])

对于列向量，可以沿第二个维度插入轴：

col_vector = a[:, np.newaxis]
col_vector.shape

(6, 1)

col_vector

array([[1],[2],[3],[4],[5],[6]])

还可以通过在指定位置插入新轴来扩展数组

a = np.array([1, 2, 3, 4, 5, 6])
a.shape

(6,)

使用np.expand_dims在索引位置 1 处添加轴，如下所示：

b = np.expand_dims(a, axis=1)
b

array([[1],[2],[3],[4],[5],[6]])

b.shape

(6, 1)

使用以下命令在索引位置 0 处添加轴：

c = np.expand_dims(a, axis=0)
c.shape

(1, 6)

索引和切片

可以像对 Python 列表进行切片一样对 NumPy 数组进行索引和切片。

data = np.array([1, 2, 3])

data

array([1, 2, 3])

data[1]

2

data[0:2]

array([1, 2])

data[1:]

array([2, 3])

data[-2:]

array([2, 3])

如果想从数组中选择满足某些条件的值，使用 NumPy 很简单。

a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
a

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

打印数组中小于 5 的所有值。

print(a[a < 5])

[1 2 3 4]

选择等于或大于 5 的数字，并使用该条件为数组编制索引。

five_up = (a > 5)
print(a[five_up])

[ 6  7  8  9 10 11 12]

选择可被 2 整除的元素：

divisible_by_2 = a[a % 2 == 0]
divisible_by_2

array([ 2,  4,  6,  8, 10, 12])

使用 & 和 | 运算符选择满足两个条件的元素：

c = a[(a > 2) & (a < 11)]
c

array([ 3,  4,  5,  6,  7,  8,  9, 10])

使用逻辑运算符 & | 来返回布尔值，这些值指定数组中的值是否满足特定条件。

five_up = (a > 5) | (a == 5)
five_up

array([[False, False, False, False],[ True,  True,  True,  True],[ True,  True,  True,  True]])

使用 np.nonzero() 从数组中选择元素或索引。

a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
a

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

使用 np.nonzero() 打印小于 5 的元素的索引：

b = np.nonzero(a < 5)
b

(array([0, 0, 0, 0], dtype=int64), array([0, 1, 2, 3], dtype=int64))

返回了一个数组元组：每个维度一个。第一个数组表示在其中找到这些值的行索引，第二个数组表示在其中找到这些值的列索引。

如果要生成元素所在的坐标列表，可以“打包”数组，循环访问坐标列表，然后打印它们

list_of_coordinates = list(zip(b[0], b[1]))for coord in list_of_coordinates:print(coord)

(0, 0)
(0, 1)
(0, 2)
(0, 3)

使用 np.nonzero() 打印数组中小于 5 的元素：

print(a[b])

[1 2 3 4]

如果要查找的元素在数组中不存在，则返回的索引数组将为空。

not_there = np.nonzero(a == 42)
not_there

(array([], dtype=int64), array([], dtype=int64))

从现有数据创建数组

a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
a

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

从数组的某个部分创建新数组。

arr1 = a[3:8]
arr1

array([4, 5, 6, 7, 8])

还可以垂直和水平堆叠两个现有数组

a1 = np.array([[1, 1],[2, 2]])
a2 = np.array([[3, 3],[4, 4]])

a1

array([[1, 1],[2, 2]])

a2

array([[3, 3],[4, 4]])

使用 vstack 垂直堆叠它们:

np.vstack((a1, a2))

array([[1, 1],[2, 2],[3, 3],[4, 4]])

用hstack水平堆叠它们:

np.hstack((a1, a2))

array([[1, 1, 3, 3],[2, 2, 4, 4]])

可以使用 hsplit 将一个数组拆分为几个较小的数组。

x = np.arange(1, 25).reshape(2, 12)
x

array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12],[13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24]])

将此数组拆分为三个形状相等的数组

np.hsplit(x, 3)

[array([[ 1,  2,  3,  4],[13, 14, 15, 16]]),array([[ 5,  6,  7,  8],[17, 18, 19, 20]]),array([[ 9, 10, 11, 12],[21, 22, 23, 24]])]

如果要在第三列和第四列之后拆分数组，

np.hsplit(x, (3, 4))

[array([[ 1,  2,  3],[13, 14, 15]]),array([[ 4],[16]]),array([[ 5,  6,  7,  8,  9, 10, 11, 12],[17, 18, 19, 20, 21, 22, 23, 24]])]

使用 view 方法创建一个新的数组对象，该对象查看与原始数组相同的数据（浅拷贝）).

视图是一个重要的NumPy概念！NumPy 函数以及索引和切片等操作将尽可能返回视图。这样可以节省内存并且速度更快（无需复制数据）。但是，重要的是要注意这一点 - 修改视图中的数据也会修改原始数组！

a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

通过对a切片创建数组b1

b1 = a[0, :]
b1

array([1, 2, 3, 4])

b1[0] = 99
b1

array([99,  2,  3,  4])

a

array([[99,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

使用 copy 方法将创建数组及其数据的完整副本（深拷贝）。

b2 = a.copy()
b2

array([[99,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

b2[0][0] = 10000
b2

array([[10000,     2,     3,     4],[    5,     6,     7,     8],[    9,    10,    11,    12]])

a

array([[99,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

基础数组操作

假设创建了两个数组，一个称为“data”，另一个称为“ones”

data = np.array([1, 2])
ones = np.ones(2, dtype=int)
data

array([1, 2])

ones

array([1, 1])

直接加

data + ones

array([2, 3])

当然，可以做的不仅仅是加

data - ones

array([0, 1])

data * data

array([1, 4])

data / data

array([1., 1.])

找到数组中元素的总和

a = np.array([1, 2, 3, 4])
a

array([1, 2, 3, 4])

a.sum()

10

求和的时候，指定行或列

b = np.array([[1, 1], [2, 2]])
b

array([[1, 1],[2, 2]])

对行轴求和

b.sum(axis=0)

array([3, 3])

对列轴求和

b.sum(axis=1)

array([2, 4])

广播

有时，我们可能希望在数组和单个数字之间执行操作（也称为向量和标量之间的操作）或两个不同大小的数组之间的操作。

data = np.array([1.0, 2.0])
data

array([1., 2.])

data * 1.6

array([1.6, 3.2])

NumPy明白乘法应该发生在每个单元格上。这个概念称为广播。广播是一种允许 NumPy 对不同形状的数组执行操作的机制。

一些更有用的数组操作

NumPy还执行聚合功能。除了min值、max和sum之外，还可以轻松运行平均值来获取mean，prod 来获得将元素相乘的结果，std 来获得标准偏差等等。

data = np.array([1.0, 2.0])
data

array([1., 2.])

data.max()

2.0

data.min()

1.0

data.sum()

3.0

a = np.array([[0.45053314, 0.17296777, 0.34376245, 0.5510652],[0.54627315, 0.05093587, 0.40067661, 0.55645993],[0.12697628, 0.82485143, 0.26590556, 0.56917101]])
a

array([[0.45053314, 0.17296777, 0.34376245, 0.5510652 ],[0.54627315, 0.05093587, 0.40067661, 0.55645993],[0.12697628, 0.82485143, 0.26590556, 0.56917101]])

默认情况下，每个 NumPy 聚合函数都将返回整个数组的聚合。

a.sum()

4.8595784

a.min()

0.05093587

可以指定要在哪个轴上计算聚合函数。

a.min(axis=0)  # 每一列的最小值

array([0.12697628, 0.05093587, 0.26590556, 0.5510652 ])

创建矩阵

Numpy中的二维数组我们又叫它矩阵

data = np.array([[1, 2], [3, 4], [5, 6]])
data

array([[1, 2],[3, 4],[5, 6]])

在操作矩阵时，索引和切片操作非常有用：

data[0, 1]  # 0行1列上的元素 【这里的0和1是索引，不是第几那个概念，索引从0开始】

2

data[1:3]  # 索引为1和2的行

array([[3, 4],[5, 6]])

data[0:2, 0]  # 行索引为0和1, 列索引为0

array([1, 3])

可以像聚合向量一样聚合矩阵：

data.max()

6

data.min()

1

data.sum()

21

也可以使用 axis 参数跨列或行聚合这些值。

data = np.array([[1, 2], [5, 3], [4, 6]])
data

array([[1, 2],[5, 3],[4, 6]])

data.max(axis=0)  # 在”列方向“看

array([5, 6])

data.max(axis=1)  # 在“行方向”上看

array([2, 5, 6])

如果有两个大小相同的矩阵，则可以使用算术运算符对它们进行加法和相乘。

data = np.array([[1, 2], [3, 4]])
ones = np.array([[1, 1], [1, 1]])
data

array([[1, 2],[3, 4]])

ones

array([[1, 1],[1, 1]])

data + ones

array([[2, 3],[4, 5]])

可以对不同大小的矩阵执行这些算术运算，但前提是其中有一个矩阵只有一列或一行。在这种情况下，NumPy 将使用其广播规则进行操作。

data = np.array([[1, 2], [3, 4], [5, 6]])
ones_row = np.array([[1, 1]])
data

array([[1, 2],[3, 4],[5, 6]])

ones_row

array([[1, 1]])

data + ones_row

array([[2, 3],[4, 5],[6, 7]])

np.ones((4, 3, 2))

array([[[1., 1.],[1., 1.],[1., 1.]],[[1., 1.],[1., 1.],[1., 1.]],[[1., 1.],[1., 1.],[1., 1.]],[[1., 1.],[1., 1.],[1., 1.]]])

通常在某些情况下，我们希望 NumPy 初始化数组的值。NumPy提供了ones()和zeros()这样的函数，以及random.Generator用于生成随机数的生成器类。

np.ones(3)

array([1., 1., 1.])

np.zeros(3)

array([0., 0., 0.])

rng = np.random.default_rng()
rng.random(3)

array([0.53511988, 0.84021093, 0.42511468])

还可以使用这些来创建 2D 数组

np.ones((3, 2))

array([[1., 1.],[1., 1.],[1., 1.]])

np.zeros((3, 2))

array([[0., 0.],[0., 0.],[0., 0.]])

rng.random((3, 2))

array([[0.0082221 , 0.53379421],[0.45228716, 0.19926061],[0.44025569, 0.00170797]])

生成随机数

使用以下命令生成一个介于 0 和 4 之间的 2 x 4 随机整数数组：

rng.integers(5, size=(2, 4))

array([[3, 3, 0, 2],[1, 4, 0, 1]], dtype=int64)

获取唯一值和计数

使用np.unique轻松找到数组中的唯一元素.

a = np.array([11, 11, 12, 13, 14, 15, 16, 17, 12, 13, 11, 14, 18, 19, 20])
a

array([11, 11, 12, 13, 14, 15, 16, 17, 12, 13, 11, 14, 18, 19, 20])

unique_values = np.unique(a)
unique_values

array([11, 12, 13, 14, 15, 16, 17, 18, 19, 20])

即去重

获取 NumPy 数组（数组中唯一值的第一个索引位置的数组）中唯一值的索引

unique_values, indices_list = np.unique(a, return_index=True)
indices_list

array([ 0,  2,  3,  4,  5,  6,  7, 12, 13, 14], dtype=int64)

在 np.unique() 中传递 return_counts 参数以及数组，以获取 NumPy 数组中唯一值的频率计数。

unique_values, occurrence_count = np.unique(a, return_counts=True)
occurrence_count

array([3, 2, 2, 2, 1, 1, 1, 1, 1, 1], dtype=int64)

这也适用于 2维 数组

a_2d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [1, 2, 3, 4]])
a_2d

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12],[ 1,  2,  3,  4]])

如果未传递轴参数，则 2D 数组将被展平。

unique_values = np.unique(a_2d)
unique_values

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])

如果要获取唯一的行或列，请确保传递 axis 参数

“行方向”

unique_rows = np.unique(a_2d, axis=0)
unique_rows

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

若要获取唯一行、索引位置和出现次数，可以使用：

unique_rows, indices, occurrence_count = np.unique(a_2d, axis=0, return_counts=True, return_index=True)unique_rows

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

indices

array([0, 1, 2], dtype=int64)

occurrence_count

array([2, 1, 1], dtype=int64)

转置和重塑矩阵

NumPy 数组具有属性 T，允许转置矩阵。

data = np.arange(1, 7)
data

array([1, 2, 3, 4, 5, 6])

data.reshape(2, 3)

array([[1, 2, 3],[4, 5, 6]])

data.reshape(3, 2)

array([[1, 2],[3, 4],[5, 6]])

可以使用 .transpose() 根据指定的值反转或更改数组的轴。

arr = np.arange(6).reshape((2, 3))
arr

array([[0, 1, 2],[3, 4, 5]])

用arr.transpose()转置数组.

arr.transpose()

array([[0, 3],[1, 4],[2, 5]])

也可以使用 arr.T:

arr.T

array([[0, 3],[1, 4],[2, 5]])

数组反转

NumPy 的 np.flip() 函数允许沿轴翻转或反转数组的内容。

【反转一维数组】

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
arr

array([1, 2, 3, 4, 5, 6, 7, 8])

reversed_arr = np.flip(arr)
print(reversed_arr)

[8 7 6 5 4 3 2 1]

【反转二维数组】

arr_2d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
arr_2d

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

reversed_arr = np.flip(arr_2d)
reversed_arr

array([[12, 11, 10,  9],[ 8,  7,  6,  5],[ 4,  3,  2,  1]])

只反转行

reversed_arr_rows = np.flip(arr_2d, axis=0)
reversed_arr_rows

array([[ 9, 10, 11, 12],[ 5,  6,  7,  8],[ 1,  2,  3,  4]])

只反转列

reversed_arr_columns = np.flip(arr_2d, axis=1)
reversed_arr_columns

array([[ 4,  3,  2,  1],[ 8,  7,  6,  5],[12, 11, 10,  9]])

还可以仅反转一列或一行的内容。

arr_2d[1] = np.flip(arr_2d[1])
arr_2d

array([[ 1,  2,  3,  4],[ 8,  7,  6,  5],[ 9, 10, 11, 12]])

还可以反转索引位置 1（第二列）处的列：

arr_2d[:, 1] = np.flip(arr_2d[:, 1])
arr_2d

array([[ 1, 10,  3,  4],[ 8,  7,  6,  5],[ 9,  2, 11, 12]])

重塑和展平多维数组

有两种流行的方法来展平数组：.flatten() 和 .ravel()两者之间的主要区别在于，使用 ravel() 创建的新数组实际上是对父数组的引用（即“视图”）。这意味着对新数组的任何更改也会影响父数组。由于 ravel 不会创建副本，因此它的内存效率很高。

x = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
x

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

使用flatten将数组展平为一维数组。

x.flatten()

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])

使用flatten时，对新数组的更改不会更改父数组。

a1 = x.flatten()
a1[0] = 999
x

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

a1

array([999,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11,  12])

但是当使用 ravel 时，对新数组所做的更改将影响父数组。

a2 = x.ravel()
a2[0] = 88
x

array([[88,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12]])

a2

array([88,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])

获取帮助【自力更生】

当涉及到数据科学生态系统时，Python和NumPy是在考虑用户的情况下构建的。最好的例子之一是对文档的内置访问。每个对象都包含对字符串的引用，该字符串称为文档字符串。在大多数情况下，此文档字符串包含对象的快速简洁摘要以及如何使用它。Python 有一个内置的 help() 函数，可以帮助你访问这些信息。这意味着几乎任何时候都需要更多信息，都可以使用 help() 快速找到所需的信息。

help(max)

Help on built-in function max in module builtins:max(...)max(iterable, *[, default=obj, key=func]) -> valuemax(arg1, arg2, *args, *[, key=func]) -> valueWith a single iterable argument, return its biggest item. Thedefault keyword-only argument specifies an object to return ifthe provided iterable is empty.With two or more arguments, return the largest argument.

由于访问其他信息非常有用，因此 IPython 使用 ? 字符作为访问本文档以及其他相关信息的简写。IPython是多种语言的交互式计算的命令外壳。

我们还可以将此表示法用于对象方法和对象本身。

a = np.array([1, 2, 3, 4, 5, 6])
a

这也适用于创建的函数和其他对象

def double(a):'''返回a * 2'''return a * 2

使用双问号 （??） 可以访问源代码。

如果所讨论的对象是用 Python 以外的语言编译的，使用 ? 将返回与 ?? 你会发现这在许多内置对象和类型中，例如：

使用数学公式

均方误差公式

$$\text{ MeanSquareError }=\frac{1}{n}\sum _{i=1}^n{\left(Y_{-}{\text{prediction }}_i-Y_i\right)}^2$$

在 NumPy 中实现此公式既简单又直接：

error = (1 / n) * np.sum(np.square(predictions - lables))

保存和加载Numpy对象

在某些时候，我们可能会希望将数组保存到磁盘并重新加载它们，而无需重新运行代码。

.npy和.npz文件存储重建ndarray所需的数据，形状，dtype和其他信息，即使文件位于另一台具有不同体系结构的计算机上，也可以正确检索数组

a = np.array([1, 2, 3, 4, 5, 6])
a

array([1, 2, 3, 4, 5, 6])

通过以下方式将其另存为“文件名.npy”：

np.save('arraya', a)

可以使用 np.load() 来重建数组。

b = np.load('arraya.npy')
b

array([1, 2, 3, 4, 5, 6])

可以使用 np.savetxt 将 NumPy 数组另存为纯文本文件，如.csv或.txt文件.

csv_arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])

可以轻松地将其保存为名为“new_file.csv”的.csv文件，如下所示：

np.savetxt('csv_file.csv', csv_arr)

可以使用 loadtxt() 快速轻松地加载保存的文本文件:

np.loadtxt("csv_file.csv")

array([1., 2., 3., 4., 5., 6., 7., 8.])

虽然文本文件可以更容易共享，但 .npy 和 .npz 文件更小，读取速度更快。

导入和导出CSV

在包含现有信息的 CSV 中阅读很简单。最好和最简单的方法是使用pandas

import pandas as pd

x = pd.read_csv("music.csv", header=0).values
print(x)

[['Billie Holiday' 'Jazz' 1300000 27000000]['Jimmie Hendrix' 'Rock' 2700000 70000000]['Miles Davis' 'Jazz' 1500000 48000000]['SIA' 'Pop' 2000000 74000000]]

x = pd.read_csv("music.csv", usecols=['Artist', 'Plays']).values
print(x)

[['Billie Holiday' 27000000]['Jimmie Hendrix' 70000000]['Miles Davis' 48000000]['SIA' 74000000]]

使用 Pandas 导出数组也很简单。

a = np.array([[-2.58289208, 0.43014843, -1.24082018, 1.59572603],[0.99027828, 1.17150989, 0.94125714, -0.14692469],[0.76989341, 0.81299683, -0.95068423, 0.11769564],[0.20484034, 0.34784527, 1.96979195, 0.51992837]])

df = pd.DataFrame(a)
print(df)

          0         1         2         3
0 -2.582892  0.430148 -1.240820  1.595726
1  0.990278  1.171510  0.941257 -0.146925
2  0.769893  0.812997 -0.950684  0.117696
3  0.204840  0.347845  1.969792  0.519928

可以使用以下方法轻松保存dataframe

df.to_csv("pd.csv")

使用以下方法读取 CSV：

data = pd.read_csv("pd.csv")

data

	Unnamed: 0	0	1	2	3
0	0	-2.582892	0.430148	-1.240820	1.595726
1	1	0.990278	1.171510	0.941257	-0.146925
2	2	0.769893	0.812997	-0.950684	0.117696
3	3	0.204840	0.347845	1.969792	0.519928

还可以使用 NumPy savetxt 方法保存数组。

np.savetxt("np.csv", a, fmt='%.2f', delimiter=',', header='1,2,3,4')

使用Matplotlib绘制数组

a = np.array([2, 1, 5, 7, 4, 6, 8, 14, 10, 9, 18, 20, 22])
a

array([ 2,  1,  5,  7,  4,  6,  8, 14, 10,  9, 18, 20, 22])

import matplotlib.pyplot as plt

plt.plot(a)

可以像这样绘制一维数组：

x = np.linspace(0, 5, 20)
y = np.linspace(0, 10, 20)plt.plot(x, y, 'purple')
plt.plot(x, y, 'o')

使用Matplotlib，可以访问大量的可视化选项。

fig = plt.figure()
ax = fig.add_subplot(projection='3d')
X = np.arange(-5, 5, 0.15)
Y = np.arange(-5, 5, 0.15)X, Y = np.meshgrid(X, Y)
R = np.sqrt(X ** 2 + Y ** 2)
Z = np.sin(R)ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='viridis')