numpy模块读写文件与统计分析

骑猪看日落 2022-01-29 03:15 255阅读 0赞

# 一、读写文件 #

# 1、存储单个数组：save #

存储的时候需要指定存储路径，不需要指定文件后缀

arr = np.arange(100).reshape(10,10)
    np.save('arr',arr)
    load_data = np.load('arr.npy')
    print(load_data)

![20190520212802907.png][]

如图所示：运行之后创建了arr.npy文件

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70][]

## 2、存储多个数组  savez ##

arr = np.arange(100).reshape(10,10)
    arr1 = np.arange(1,10,1).reshape(3,3)
    np.savez('arrs',arr,arr1)
    file = np.load('arrs.npz')
    print(list(file))
    print(file['arr_0'])
    print(file['arr_1'])

运行之后创建了arrs.npz文件

读取之后的结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 1][]

## 3、将数组存储在文本文档中 ##

文本文件 ：包含txt和csv文件

arr = np.arange(100).reshape(10,10)
    np.savetxt('arr.txt',arr,fmt='%d',delimiter=',')
    # fmt 表示存储的数据类型 delimiter表示分隔符
    print(np.loadtxt('arr.txt',delimiter=','))

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 2][]

# 二、统计分析 #

## 1、排序：sort、argsort ##

import numpy as np
    arr = np.random.randint(1,10,size=[3,3])
    arr.sort(axis=0)  # axis=0表示纵向排序
    print(arr)
    arr.sort(axis=1)  # axis=1表示横向排序
    print(arr)
    arr2 = np.array([1,6,4,5,3,2])
    print(arr2.argsort()) # 返回的是从小到大排序后的元素的索引值
    index= arr2.argsort()
    print(arr2[index][0])  # 取最小值
    print(arr2[index[:5]]) # 取最小值前五个
    arr2.sort()
    print(arr2)

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 3][]

## 2、去重 set 和 unique ##

arr = np.array([1,2,3,4,2,3,5])
    # 利用集合去重
    print(set(arr))
    # unique
    print(np.unique(arr))

运行结果：

![20190520215353463.png][]

## 3、重复 tile和repeat ##

arr = np.arange(1,10,1).reshape(3,3)
    print(np.tile(arr,2)) # 整体重复
    print(arr.repeat(2,axis=0)) # 单个重复 纵向重复

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 4][]

## 4、统计函数 ##

sum 求和函数  mean： 求平均值  var:方差  std：标准差

### （1）求和 ###

arr = np.arange(1,10,1).reshape(3,3)
    print(arr)
    print('元素总和：',np.sum(arr))
    print('纵向元素总和',np.sum(arr,axis=0))
    print('横向元素总和',np.sum(arr,axis=1))

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 5][]

### (2)求平均值 ###

arr = np.arange(1,10,1).reshape(3,3)
    print(arr)
    print('全部元素平均值',np.mean(arr))
    print('纵向元素平均值',np.mean(arr,axis=0))
    print('横向元素平均值',np.mean(arr,axis=1))

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 6][]

(3)方差 var

arr = np.arange(1,10,1).reshape(3,3)
    print(arr)
    print('方差',np.var(arr))
    print('纵向方差',arr.var(axis=0))
    print('横向方差',arr.var(axis=1))

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 7][]

### (4)标准差 std ###

arr = np.arange(1,10,1).reshape(3,3)
    print(arr)
    print('标准差',np.std(arr))
    print('纵向标准差',arr.std(axis=0))

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 8][]

## ##

[20190520212802907.png]: /images/20220129/743a1faab74e4bc2ba3ad0ac87ef4d90.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70]: /images/20220129/496b9e3414db45069ae72a8ff15cff70.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 1]: /images/20220129/945dc7032429454b840f039f66bc0313.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 2]: /images/20220129/e15b7c26620545dda93782db786d38ad.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 3]: /images/20220129/5df1ade8397142d49e2286d293585e81.png
[20190520215353463.png]: /images/20220129/36d922b780bd44dda4fd2aec87bf2d1e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 4]: /images/20220129/7c37a8cfea724ffe92d13100b9bef5ff.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 5]: /images/20220129/12404ff048b54e81a2cca5e85d8130f2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 6]: /images/20220129/6eaf4e9556cf402baa4685f28b44295c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 7]: /images/20220129/45c1aac1c3aa4d75ad2c2b8c5e089397.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzOTU0MQ_size_16_color_FFFFFF_t_70 8]: /images/20220129/3079e246e37b478b8932f7df0414786c.png