一、数据CSV文件的存取

• CSV文件（Comma-Separated Value,逗号分隔值）
• 是一种常见的文件格式，用来存储批量数据。
  如常见的数据存储为CSV后
  
  NumPy中有两个函数可以写入CSV格式，并从CSV文件中读取数据。

CSV文件的存储

• np.savetxt()，原则上可以存储任意格式的文件。

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

• frame:文件、字符串或产生器，可以是.gz或者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。

a=np.arange(100).reshape(5,20)
np.avetxt('a.csv',a,fmt='%d',delimiter=',')
np.avetxt('a.csv',a,fmt='%.2f',delimiter=',')

CSV文件的读取

• np.loadtxt()

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

• frame:文件、字符串或产生器，可以是.gz或者bz2的压缩文件。
• dtype:数据类型，可选。
• delimiter:分割字符串，默认是任何空格。
• unpack:如果是False，则将读入的数据写入同一个数组，否则如果是True，读入属性将分别写入不同变量。

b=np.loadtxt('a.csv',delimiter=',')
b
b=np.loadtxt('a.csv',dtype=np.int,delimiter=',')
b

CSV文件可以很好的进行数据的存储与读取，但是CSV只能有效存储一维和二维数组，np.savetxt()和np.loadtxt(）只能有效存取一维和二维数据。

二、多维数据的存取
数据的储存

a.tofile(frame,sep='',format='%s')

• frame:文件、字符串。
• sep:数据分隔字符串，如果是空串，写入文件为二进制格式。
• format:写入数据的格式。

a=np.arange(100).reshape(5,10,2)
a.tofile("b.dat",sep=",",format='%d')
a.tofile("b.dat",format='%d')###去掉分隔符后，存储的为二进制的文件，比商议中更节省空间。

数据的读取

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

• frame:文件、字符串。
• dtype:读取的数据类型。
• count:读入元素个数，-1表示读入整个文件。
• sep:数据分隔字符串，如果是空串，写入文件为二进制。

a=np.arange(100).reshape(5,10,2)
a.tofile("b.dat",sep=",",format='%d')
c=np.fromfile("b.dat",dtype=np.int,sep=",")##读出的是一个一维文件，使得原文件的维度丢失
c=np.fromfile("b.dat",dtype=np.int,sep=",").reshape(5,10,2)##在知道原数据的维度信息和元素类型的时候，使用reshape()函数，可以还原原数据的数据维度和元素，但是前提需要提前知道数据的维度信息

numpy的便捷文件存取

np.save(fname,array)或者np.savez(fname,array)
np.load(fname)

np.save(fname,array)

• frame: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。

 a=np.arange(100).reshape(5,10,2)
 np.save("a.npy",a)
 b=np.load("a.npy")
 b

为什么np.save()函数能这么神奇的还原数据的维度和元素信息呢？
使用二进制的方式读取np.save(）保存的数据，可以看到存储的数据是以二进制的形式储存的，且在储存的文件的第一行中记录了原文件的维度和数据类型，因此在使用np.load(）函数读取的时候，直接将原来存储的二进制文件按原格式进行读取了，因此很便捷还原原文件的信息。

介绍多种数据读取和存储的方法的原因是：

• 程序间需要使用数据文件缓存，可以便捷的使用save和load函数进行文件读取
• 如果需要与其他的程序间进行数据交互和对接，需要采用通用的数据格式如CSV进行程序间的数据交换，此时就需要使用tofile()和fromfile(）函数进行读取和存储。

NumPy库的随机函数子库random
四个基本函数

函数	说明
rand(d0,d1,…,dn)	根据d0-dn创建随机数数组，浮点数，[0,1),均匀分布
randn(d0,d1,…,dn)	根据d0-dn创建随机数数组，标准正态分布
randint(low[,high,shape])	根据shape创建随机整数或整数数组，范围是[low,high)
seed(s)	随机种子数，s是给定的种子值

import numpy as np
a=np.random.rand(3,4,5)##随机生成0-1之间的随机数组
a

sn=np.random.randn(3,4,5)##随机生成一组正态分布的随机数（包括负数）
sn

b=np.random.randint(100,200,(3,4))##根据shape生成整数型的随机数组
b

c=np.random.seed(10)##使用随机数种子可以保证每次生成的随机数组相同，当后续如果需要再次使用该随机数组，调用相同的种子序列，可获得相同的随机序列数组用于后续测试。

较高级的随机序列函数

函数	说明
shuffle(a)	根据数组a的第一轴进行随机排序，改变数组X，是一个混淆函数
permutation(a)	根据数组a的第一轴产生一个新的乱序数组，不改变数组X
choice（a[,size,replace,p])	从一维数组a中依概率p抽取元素，形成size形状新数组，replace表示是否可以重用元素，默认为False

import numpy as np
a=np.random.randint(100,200,(3,4))
np.random.shuffle(a)##根据数组a的第一轴进行随机排序，改变数组X
np.random.permutation(a)##根据数组a的第一轴产生一个新的乱序数组不改变数组X
a
import numpy as np
b=np.random.randint(100,200,(8,))
b
np.random.choice(b,(3,2))##随机放回抽取，可以抽到重复的数字
np.random.choice(b,(3,2),replace=False)##replace=Flase表示，随机不放回的抽取，因此抽取的结果是不重复的数据
np.random.choice(b,(3,2),p=b/np.sum(b))##这里的p是抽取的概率，这里设置的概率是元素的值越大，抽取的概率越大

np.random的随机函数

函数	说明
uniform(low,high,size)	产生具有均匀分布的数组，low起始值，high结束值，size是形状
normal(loc,scale,size)	产生具有正态分布的数组，loc均值，scale标准差，size形状
poisson(lam,size)	产生具有泊松分布的数据，lam随机事件发生率，size形状

import numpy as np
u=np.random.uniform(0,10,(3,4))
u
n=np.random.normal(10,5,(3,4))
n
p=np.random.poisson(10,(2,5))
p

NumPy的统计函数
np.random的统计函数（1）

函数	说明
sum(a,axis=None)	根据给定轴axis计算数组a相关元素之和，axis整数或元组
mean(a,axis=None)	根据给定轴axis计算数组a线管元素的期望，axis整数或元组
average(a,axis=None,weights=None)	根据给定轴axis计算数组a相关元素的加权平均值
std(a,axis=None)	根据给定轴axis计算数组a相关元素的标准差
var(a.axis=None)	根据给定轴axis计算数组a相关元素的方差

说明：axis=None是统计函数的标配参数

import numpy as np
a=np.arange(15).reshape(3,5)
a
np.sum(a)
np.mean(a,axis=1)
np.mean(a,axis=0)
np.average(a,axis=0,weights=[10,5,1])
np.std(a)
np.var(a)

np.random的统计函数（2）

函数	说明
min(a);max(a)	计算数组a中元素的最小值、最大值
argmin(a);argmax(a)	计算数组a中元素最小值、最大值的降一维后的下标
unravel_index(index,shappe)	根据shape将一维下标index转换成多为下标
ptp(a)	计算数组中元素最大值与最小值的差
median(a)	计算数组a中元素的中位数（中值）

import numpy as np
b=np.arange(15,0,-1).reshape(3,5)##这里的-1表示倒序生成数组
np.max(b)
np.argmax(b)##扁平化后的下标
np.unravel_index(np.argmax(b),b.shape)##重塑成多维下标
np.ptp(b)
np.median(b)

Numpy的梯度函数

函数	说明
np.gradient(f)	计算数组f中元素的梯度，当f为多维时，返回每个维度梯度

梯度：连续值之间的变化率，即斜率。

举个例子：在XY坐标轴连续三个X坐标对应的Y轴值是：a,b,c,其中b的梯度是：（c-a)/2

import numpy as np
a=np.random.randint(0,10,(5))
##：array([9, 1, 6, 9, 0])##对于起始端点的值，梯度为后一个值减去自身然后除以距离，终点值是其自身，减去上一个值，然后除以距离（为1）。
np.gradient(a)
##：array([-8. , -1.5,  4. , -3. , -9. ])##-1.5为两侧值，为该点的后一个值和前一个值的差除以距离（距离为2）。
b=np.random.randint(0,20,(5))
##：array([11,  6,  7, 11, 13])
np.gradient(b)
##：array([-5. , -2. ,  2.5,  3. ,  2. ])

多维数组

import numpy as np
c=np.random.randint(0,50,(3,5))
np.gradient(c)

单元小结：
数据的存取与函数

CSV文件

• np.loadtxt()

• np.savetxt()
  多维数据存取

• a.tofile()

• np.fromfile()

• np.save()

• np.savez()

• np.load()
  随机函数

• np.random.rand()

• np.random.randn()

• np.random.randint()

• np.random.seed()

• np.random,choice()

• np.random.permutation()
  NumPy的统计函数

• np.sum()

• np.mean()

• np.average()

• np.std()

• np.var()

• np.median()

• np.min()

• np.max()

• np.argmin()

• np.argmax()

• np.unravel_index()

• np.ptp()
  NumPy的梯度函数

• np.gradient() 用于分析数据的变化速率，可用于图象、声音等数据的分析。