python数据分析与展示（二）

数据存取与函数

一、CSV文件

CSV（Comma-Separated Value，逗号分隔值），CSV是一种常见的文件格式，用来存储批量数据。

CSV文件只能有效存储一位和二维数组。

写入数组：

import numpy as np

np.savetxt(frame,array,fmt=‘%.18e‘,delimiter=None)

#   frame：文件、字符串或产生器，可以是.gz或.bz2的压缩文件
#   array：存入文件的数组
#   fmt：写入文件的格式，例如%d %.2f %.18e
#   delimiter：分割字符串，默认是任何空格

例子：

import numpy as np

a=np.arange(100).reshape((5,20))
np.savetxt(‘a.csv‘,a,fmt=‘%d‘,delimiter=‘,‘,header="实验数组",encoding=‘utf-8‘)

# 实验数组
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
40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59
60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79
80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99

读出数组：

import numpy as np

np.loadtxt(frame,dtype=np.float,delimiter=None,unpack=False)

#   frame：文件、字符串或产生器，可以是.gz或.bz2的压缩文件
#   dtype：数据类型，可选
#   delimeter：分割字符串，默认是空格
#   unpack：如果True，读入属性分别写入不同变量

例子：

import numpy as np

a=np.loadtxt(‘a.csv‘,dtype=np.float,delimiter=‘,‘)
print(a)

‘‘‘
[[ 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.]
 [40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50. 51. 52. 53. 54. 55. 56. 57.
  58. 59.]
 [60. 61. 62. 63. 64. 65. 66. 67. 68. 69. 70. 71. 72. 73. 74. 75. 76. 77.
  78. 79.]
 [80. 81. 82. 83. 84. 85. 86. 87. 88. 89. 90. 91. 92. 93. 94. 95. 96. 97.
  98. 99.]]
‘‘‘

二、多维数据的的存取

写入数组：

import numpy as np

np.tofile(frame,sep=‘‘,format=‘%s‘)

#   frame：文件、字符串
#   sep：数据分割字符串，如果是空串，写入文件为二进制
#   format：写入数据的格式

例子：

import numpy as np

a=np.arange(100).reshape((5,20))
a.tofile(‘a.dat‘,sep=‘,‘,format=‘%d‘)a.tofile(‘b.dat‘,format=‘%d‘)　　#此时写入的是二进制格

读出数组：

np.fromfile(frame,dtype=float,count=-1,sep=‘‘)

#   frame：文件、字符串
#   dtype：读取的数据类型
#   count：读入元素的个数，-1表示读入整个文件
#   sep：数据分割字符串，如果是空串，写入文件为二进制

例子：

import numpy as np

a=np.fromfile(‘a.dat‘,dtype=np.int,sep=‘,‘).reshape((5,20))
print(a)
‘‘‘
[[ 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]
 [40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59]
 [60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79]
 [80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99]]
‘‘‘

注意：该方法需要读取时知道存入文件时数组的维度和元素类型，a.tofile()和np.fromfile()需要配合使用，可以通过元数据文件来存储额外信息

三、多维数组的便捷文件存取

import numpy as np

np.save(fname,array)   #np.savez(frame,array)

#   fname：文件名，以.npy为扩展名，压缩扩展名为.npz
#   array：数组变量

np.load(fname)

#   fname：文件名，以.npy为扩展名，压缩扩展名为.npz

例子：

import numpy as np

a=np.arange(100).reshape((2,5,10))
np.save(‘a.npy‘,a)
a=np.load(‘a.npy‘)
print(a)
‘‘‘
[[[ 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]
  [40 41 42 43 44 45 46 47 48 49]]

 [[50 51 52 53 54 55 56 57 58 59]
  [60 61 62 63 64 65 66 67 68 69]
  [70 71 72 73 74 75 76 77 78 79]
  [80 81 82 83 84 85 86 87 88 89]
  [90 91 92 93 94 95 96 97 98 99]]]
‘‘‘

四、NumPy的随机函数

NumPy的随机函数子库是random库

原文地址：https://www.cnblogs.com/BUPT-MrWu/p/11345757.html