当前位置： 首页 > news >正文

设计网站开发方案流程,版图设计工资一般多少,wordpress header导航,网站网站目录 ​前言 NumPy 常见IO函数 save()和load() savez() loadtxt()和savetxt() 练习 前言 在数据分析中#xff0c;我们经常需要从文件中读取数据或者将数据写入文件#xff0c;常见的文件格式有#xff1a;文本文件txt、CSV格式文件#xff08;用逗号分隔#xff… 目录 ​前言 NumPy 常见IO函数 save()和load() savez() loadtxt()和savetxt() 练习 前言 在数据分析中我们经常需要从文件中读取数据或者将数据写入文件常见的文件格式有文本文件txt、CSV格式文件用逗号分隔、二进制文件等。 Numpy可以读写磁盘上的文本数据或者二进制数据。为ndarray对象引入了一个简单的文件格式npy。用于存储重建ndarray所需的数据、图形、dtype等信息。 NumPy 常见IO函数 在Numpy中常见的IO函数有 loadtxt()和savetxt()处理正常的文本文件和CSV文件。load()和save()读写文件数组数据的两个主要函数默认情况下是以未压缩的原始二进制格式保存在.npy文件中savez()用于将多个数写入文件。默认情况下数组是以未压缩的原始二进制格式保存在扩展名为 .npz 的文件中 save()和load() numpy.save(file, arr, allow_pickleTrue, fix_importsno value) 想了解更多关于save函数的知识可以查看 numpy.save — NumPy v2.1 手册 file文件的路径arr所要保存的数组allow_picklebool,可选允许使用python pickles保存对象数组。默认True。fix_importsbool,可选不过已经弃用忽略。 文件拓展名为.npy。 numpy.load(filemmap_modeNoneallow_pickleFalsefix_importsTrue,encodingASCII) file所要读取的文件路径 mmap_modeNone‘r’,r,w,c可选一个 内存映射数组保存在磁盘上。但是可以访问它 并像任何 ndarray 一样进行切片。内存映射特别有用 用于访问大文件的小片段而无需读取 整个文件复制到内存中。 ‘r打开现有文件仅供读取r打开现有文件进行读取和写入w常见或覆盖现有文件以进行读取和写入。如果shape也必须指定那么modew‘c’Copy-on-write赋值会影响内存中的数据但更改不会保存到磁盘磁盘上的文件为只读。 allow_picklebool可选 .fix_imports:bool可选。仅在python3上加载python2生成的picked文件时有用。encodingstr可选。读取python2字符串时使用的编码仅在以下情况下有用 在 Python 3 中加载 Python 2 生成的 pickle 文件其中包括 npy/npz 文件。除 latin1 以外的值 不允许使用 ASCII 和 bytes因为它们会破坏数字 数据。默认值 ASCII。 max_header_sizeint可选。标头允许的最大大小。大标头可能不安全 以安全地加载因此需要显式传递更大的值。 有关详细信息请参阅。 传递 allow_pickle 时将忽略此选项。在那种情况下 根据定义该文件是可信的并且限制是不必要的。
示例

首先存储数组数据,生成.npy文件

import numpy as np#这里利用相对路径来存储 fileName ./text.npy

生成数组

a np.arange(24).reshape(2,3,4) print(a) #保存到文件中 np.save(fileName,a) 当运行完上面的代码我们可以打开我们在编写代码下的文件夹 当我们用记事本打开后会发现是一堆乱码 我们来利用load()来读取其中的数据: a np.load(fileName) a array([[[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11]],[[12, 13, 14, 15],[16, 17, 18, 19],[20, 21, 22, 23]]]) 我们可以看到能够成功读取。 savez() 对于前面的save(),一次只能存储一个数组那么在numpy中提供了savez()函数可以将多个数据保存到一个文件中生成的文件拓展名是.npz。 savez(file*argskwds) file文件的路径*args要保存到文件的数组kwds关键字每个数组都会保存到 output 文件及其相应的关键字名称。 示例

将三个数组放到文件中

a np.arange(20).reshape(2,10) b np.arange(10).reshape(2,5) c np.arange(40).reshape(5,8) #要保存到的文件路径 fileName ./texts.npz np.savez(fileName,a,b,c) 我们可以打开文件查查看确实生成了texts.npz文件在打开之后也是一堆乱码。 同样的我们需要利用load()函数来读取。 需要注意如果我们直接接受文件内容打印出来是这样的  可以看到直接打印我们得不到我们想要的数组因为什么呢 因为被压缩了需要根据文件所给的key关键字名称当做索引来进行打印。 all np.load(fileName) print(all) print(all[arr_0]) print(all[arr_1]) print(all[arr_2]) NpzFile ./texts.npz with keys: arr_0, arr_1, arr_2 [[ 0 1 2 3 4 5 6 7 8 9][10 11 12 13 14 15 16 17 18 19]] [[0 1 2 3 4][5 6 7 8 9]] [[ 0 1 2 3 4 5 6 7][ 8 9 10 11 12 13 14 15][16 17 18 19 20 21 22 23][24 25 26 27 28 29 30 31][32 33 34 35 36 37 38 39]] loadtxt()和savetxt() 这两个函数只能够读写一维或者二维数组的文本文件同时我们也可以给定分隔符、跳过行数等。 numpy.savetxt(fname,array,fmt%.18e,delimiterNone,newline\n, header, footer, comments# , encodingNone) fname文件路径array要写入文件的数组可以是一维或者二维数组fmt写入文件的格式如%d、%f、%.18e。默认是%.18e。delimiter分隔符header将在文件开头写入的字符串footer在文件末尾写入的字符串comments附加在header和footer之间的字符串为注释。encoding所使用的字符集编码。  生成的文件可以是txt文件或者是CSV文件。 numpy.loadtxt(fname,dtypetype’float’,comments’#’,delimiterNone, convertersNone,skiprows0,usecolsNone,unpackFalse,ndmin0,encoding‘bytes’) fname所要读取的文件路径dtype读取后数据的类型comments跳过文件中指定参数开头的行相当于注释delimiter读取文件时的分隔符converters对读取的数据进行预处理skiprows跳过的行数usecols指定读取的列encoding对读取的文件进行预编码。 示例 现在我们来创建数组保存到文件中。 a np.arange(12).reshape(3,4) fileName./text.txt

默认fmt是%.18e浮点数即保留18位小数

np.savetxt(fileName,a)可以看到如果我们没有设置格式那么默认的格式就是%.18e输出18位小数。 我们可以来设置一下 a np.arange(12).reshape(3,4) fileName./text.txt

默认fmt是%.18e浮点数即保留18位小数

np.savetxt(fileName,a,fmt%d)可以看到我们指定输出格式为整数那么在输出的时候就是整数。 我们来读取一下 a np.arange(12).reshape(3,4) fileName./text.txt

默认fmt是%.18e浮点数即保留18位小数

np.savetxt(fileName,a,fmt%d)#读取文件 a np.loadtxt(fileName,dtypenp.int32) print(a)结果 [[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]] 那么如果我们生成的是csv文件那么会是什么样的 a np.arange(12).reshape(3,4) fileName./text.csv

默认fmt是%.18e浮点数即保留18位小数

np.savetxt(fileName,a,fmt%d) 我们来读取一下  a np.arange(12).reshape(3,4) fileName./text.csv

默认fmt是%.18e浮点数即保留18位小数

np.savetxt(fileName,a,fmt%d)#读取文件 a np.loadtxt(fileName,dtypenp.int32) print(a) [[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]] 那如果我们只想要第二三行那么我们可以指定一下跳过几行skiprows1 #读取文件 a np.loadtxt(fileName,dtypenp.int32,skiprows1) print(a) [[ 4 5 6 7][ 8 9 10 11]] 在此基础上我们只需要第2、4列那么我们可以设置一下usecols(1,3) #读取文件 a np.loadtxt(fileName,dtypenp.int32,skiprows1,usecols(1,3)) print(a) [[ 5 7][ 9 11]] 练习 现在有一个学生成绩单根据需求我们要读取出学生的成绩并计算其总分。 我们可以打开记事本查看会发现中间有逗号隔开所以我们在读取的时候也需要设置一下分隔符 #首先我们需要创建一个结构化类型 stutype np.dtype([(name,np.str,2),(Chinese,i2),(Math,i2),(English,i2)]) fileName./成绩单.csv #进行读取跳过第一行 student np.loadtxt(fileName,skiprows1,dtypestu_type,delimiter,) print(student)

这里我们需要取出各科成绩

Chinese student[Chinese] Math student[Math] English student[English] print(Chinese) print(Math) print(English)

计算总分

sum Chinese Math English print(每个同学的总分为:,sum) averge sum/3 #设置格式 np.set_printoptions(formatter{float: {: 0.3f}.format}) print(每个同学的平均分为,averge) [(张三, 90, 86, 99) (李四, 100, 100, 100) (王五, 87, 98, 111)(赵六, 89, 99, 98) (安静, 86, 87, 94) (安心, 98, 90, 87)(王梓, 87, 88, 89)] [ 90 100 87 89 86 98 87] [ 86 100 98 99 87 90 88] [ 99 100 111 98 94 87 89] 每个同学的总分为: [275 300 296 286 267 275 264] 每个同学的平均分为 [ 91.667 100.000 98.667 95.333 89.000 91.667 88.000] 以上就是本篇所有内容咯~ 若有不足欢迎指正~ 后续慢慢改进~~~