Python中11种NumPy高级操作总结
目录
- 1.数组上的迭代
- 2.数组形状修改函数
- 1.ndarray.reshape
- 2.ndarray.flat
- 3.ndarray.flatten
- 3.数组翻转操作函数
- 1.numpy.transpose
- 2. numpy.ndarray.T
- 3.numpy.swapaxes
- 4.numpy.rollaxis
- 4.数组修改维度函数
- 1.numpy.broadcast_to
- 2.numpy.expand_dims
- 3.numpy.squeeze
- 5.数组的连接操作
- 1.numpy.stack
- 2.numpy.hstack
- 3.numpy.vstack
- 4.numpy.concatenate
- 6.数组的分割操作
- 1.numpy.split
- 2.numpy.hsplit
- 3.numpy.vsplit
- 7.数组元素操作
- 1.numpy.resize
- 2.numpy.append
- 3.numpy.insert
- 4.numpy.delete
- 5.numpy.unique
- 8.NumPy - 字符串函数
- 9.NumPy - 算数函数
- 1. NumPy -三角函数
- 2.NumPy -舍入函数
- 3.NumPy - 算数运算
- 4.NumPy - 统计函数
- 10.排序、搜索和计数函数
- 11.IO文件操作
1.数组上的迭代
NumPy 包含一个迭代器对象numpy.nditer。它是一个有效的多维迭代器对象,可以用于在数组上进行迭代。数组的每个元素可使用 Python 的标准Iterator接口来访问。
import numpy as np a = np.arange(0, 60, 5) a = a.reshape(3, 4) print(a) for x in np.nditer(a): print(x)
输出结果:
[[ 0 5 10 15]
[20 25 30 35]
[40 45 50 55]]
0
5
10
15
20
25
30
35
40
45
50
55
如果两个数组是可广播的,nditer组合对象能够同时迭代它们。假设数 组a具有维度 3X4,并且存在维度为 1X4 的另一个数组b,则使用以下类型的迭代器(数组b被广播到a的大小)。
import numpy as np a = np.arange(0, 60, 5) a = a.reshape(3, 4) print(a) b = np.array([1, 2, 3, 4], dtype=int) print(b) for x, y in np.nditer([a, b]): print(x, y)
输出结果:
[[ 0 5 10 15]
[20 25 30 35]
[40 45 50 55]]
[1 2 3 4]
0 1
5 2
10 3
15 4
20 1
25 2
30 3
35 4
40 1
45 2
50 3
55 4
2.数组形状修改函数
1.ndarray.reshape
函数在不改变数据的条件下修改形状,参数如下:
ndarray.reshape(arr, newshape, order)
import numpy as np a = np.arange(8) print(a) b = a.reshape(4, 2) print(b)
输出结果:
[0 1 2 3 4 5 6 7]
[[0 1]
[2 3]
[4 5]
[6 7]]
2.ndarray.flat
函数返回数组上的一维迭代器,行为类似 Python 内建的迭代器。
import numpy as np a = np.arange(0, 16, 2).reshape(2, 4) print(a) # 返回展开数组中的下标的对应元素 print(list(a.flat))
输出结果:
[[ 0 2 4 6]
[ 8 10 12 14]]
[0, 2, 4, 6, 8, 10, 12, 14]
3.ndarray.flatten
函数返回折叠为一维的数组副本,函数接受下列参数:
ndarray.flatten(order)
其中:
order
:‘C’ — 按行,‘F’ — 按列,‘A’ — 原顺序,‘k’ —元素在内存中的出现顺序。
import numpy as np a = np.arange(8).reshape(2, 4) print(a) # default is column-major print(a.flatten()) print(a.flatten(order='F'))
输出结果:
[[0 1 2 3]
[4 5 6 7]]
[0 1 2 3 4 5 6 7]
[0 4 1 5 2 6 3 7]
3.数组翻转操作函数
1.numpy.transpose
函数翻转给定数组的维度。如果可能的话它会返回一个视图。函数接受下列参数:
numpy.transpose(arr, axes)
其中:
arr:要转置的数组
axes:整数的列表,对应维度,通常所有维度都会翻转。
import numpy as np a = np.arange(24).reshape(2, 3, 4) print(a) b = np.array(np.transpose(a)) print(b) print(b.shape)
输出结果:
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
[[[ 0 12]
[ 4 16]
[ 8 20]][[ 1 13]
[ 5 17]
[ 9 21]][[ 2 14]
[ 6 18]
[10 22]][[ 3 15]
[ 7 19]
[11 23]]]
(4, 3, 2)
b = np.array(np.transpose(a, (1, 0, 2))) print(b) print(b.shape
输出结果:
[[[ 0 1 2 3]
[12 13 14 15]][[ 4 5 6 7]
[16 17 18 19]][[ 8 9 10 11]
[20 21 22 23]]]
(3, 2, 4)
2. numpy.ndarray.T
该函数属于ndarray类,行为类似于numpy.transpose.
import numpy as np a = np.arange(12).reshape(3, 4) print(a) print(a.T)
输出结果:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[ 0 4 8]
[ 1 5 9]
[ 2 6 10]
[ 3 7 11]]
3.numpy.swapaxes
函数交换数组的两个轴。这个函数接受下列参数:
numpy.swapaxes(arr, axis1, axis2)
其中:
arr
:要交换其轴的输入数组
axis1
:对应第一个轴的整数
axis2
:对应第二个轴的整数
import numpy as np a = np.arange(8).reshape(2, 2, 2) print(a) print(np.swapaxes(a, 2, 0))
输出结果:
[[[0 1]
[2 3]][[4 5]
[6 7]]]
[[[0 4]
[2 6]][[1 5]
[3 7]]]
4.numpy.rollaxis
numpy.rollaxis()
函数向后滚动特定的轴,直到一个特定位置。这个函数接受三个参数:
numpy.rollaxis(arr, axis, start)
其中:
arr
:输入数组
axis
:要向后滚动的轴,其它轴的相对位置不会改变
start
:默认为零,表示完整的滚动。会滚动到特定位置。
import numpy as np a = np.arange(8).reshape(2,2,2) print(a) print(np.rollaxis(a,2)) print(np.rollaxis(a,2,1))
输出结果:
[[[0 1]
[2 3]][[4 5]
[6 7]]]
[[[0 2]
[4 6]][[1 3]
[5 7]]]
[[[0 2]
[1 3]][[4 6]
[5 7]]]
4.数组修改维度函数
1.numpy.broadcast_to
函数将数组广播到新形状。它在原始数组上返回只 读视图。它通常不连续。如果新形状不符合 NumPy 的广播规则,该函数可能会抛出ValueError。该函数接受以下参数:
numpy.broadcast_to(array, shape, subok)
import numpy as np a = np.arange(4).reshape(1,4) print(a) print(np.broadcast_to(a,(4,4)))
输出结果:
[[0 1 2 3]]
[[0 1 2 3]
[0 1 2 3]
[0 1 2 3]
[0 1 2 3]]
2.numpy.expand_dims
函数通过在指定位置插入新的轴来扩展数组形状。该函数需要两个参数:
numpy.expand_dims(arr, axis)
其中:
arr
:输入数组
axis
:新轴插入的位置
import numpy as np x = np.array(([1, 2], [3, 4])) print(x) y = np.expand_dims(x, axis=0) print(y) print(x.shape, y.shape) y = np.expand_dims(x, axis=1) print(y) print(x.ndim, y.ndim) print(x.shape, y.shape)
输出结果:
[[1 2]
[3 4]]
[[[1 2]
[3 4]]]
(2, 2) (1, 2, 2)
[[[1 2]][[3 4]]]
2 3
(2, 2) (2, 1, 2)
3.numpy.squeeze
函数从给定数组的形状中删除一维条目。此函数需要两 个参数。
numpy.squeeze(arr, axis)
其中:
arr
:输入数组
axis
:整数或整数元组,用于选择形状中单一维度条目的子集
import numpy as np x = np.arange(9).reshape(1, 3, 3) print(x) y = np.squeeze(x) print(y) print(x.shape, y.shape)
输出结果:
[[[0 1 2]
[3 4 5]
[6 7 8]]]
[[0 1 2]
[3 4 5]
[6 7 8]]
(1, 3, 3) (3, 3)
5.数组的连接操作
NumPy中数组的连接函数主要有如下四个:
concatenate
沿着现存的轴连接数据序列stack
沿着新轴连接数组序列hstack
水平堆叠序列中的数组(列方向)vstack
竖直堆叠序列中的数组(行方向)
1.numpy.stack
函数沿新轴连接数组序列,需要提供以下参数:
numpy.stack(arrays, axis)
其中:
arrays
:相同形状的数组序列axis
:返回数组中的轴,输入数组沿着它来堆叠
import numpy as np a = np.array([[1,2],[3,4]]) print(a) b = np.array([[5,6],[7,8]]) print(b) print(np.stack((a,b),0)) print(np.stack((a,b),1))
输出结果:
[[1 2]
[3 4]]
[[5 6]
[7 8]]
[[[1 2]
[3 4]][[5 6]
[7 8]]]
[[[1 2]
[5 6]][[3 4]
[7 8]]]
2.numpy.hstack
是numpy.stack()
函数的变体,通过堆叠来生成水平的单个数组。
import numpy as np a = np.array([[1, 2], [3, 4]]) print(a) b = np.array([[5, 6], [7, 8]]) print(b) print('水平堆叠:') c = np.hstack((a, b)) print(c)
输出结果:
[[1 2]
[3 4]]
[[5 6]
[7 8]]
水平堆叠:
[[1 2 5 6]
[3 4 7 8]]
3.numpy.vstack
是numpy.stack()
函数的变体,通过堆叠来生成竖直的单个数组。
import numpy as np a = np.array([[1, 2], [3, 4]]) print(a) b = np.array([[5, 6], [7, 8]]) print(b) print('竖直堆叠:') c = np.vstack((a, b)) print(c)
输出结果:
[[1 2]
[3 4]]
[[5 6]
[7 8]]
竖直堆叠:
[[1 2]
[3 4]
[5 6]
[7 8]]
4.numpy.concatenate
函数用于沿指定轴连接相同形状的两个或多个数组。该函数接受以下参数。
numpy.concatenate((a1, a2, …), axis)
其中:
a1, a2, ...
:相同类型的数组序列axis
:沿着它连接数组的轴,默认为 0
import numpy as np a = np.array([[1,2],[3,4]]) print(a) b = np.array([[5,6],[7,8]]) print(b) print(np.concatenate((a,b))) print(np.concatenate((a,b),axis = 1))
输出结果:
[[1 2]
[3 4]]
[[5 6]
[7 8]]
[[1 2]
[3 4]
[5 6]
[7 8]]
[[1 2 5 6]
[3 4 7 8]]
6.数组的分割操作
NumPy中数组的数组分割函数主要如下:
split
将一个数组分割为多个子数组hsplit
将一个数组水平分割为多个子数组(按列)vsplit
将一个数组竖直分割为多个子数组(按行)
1.numpy.split
该函数沿特定的轴将数组分割为子数组。函数接受三个参数:
numpy.split(ary, indices_or_sections, axis)
其中:
ary
:被分割的输入数组indices_or_sections
:可以是整数,表明要从输入数组创建的,等大小的子数组的数量。如果此参数是一维数组,则其元素表明要创建新子数组的点。axis
:默认为 0
import numpy as np a = np.arange(9) print(a) print('将数组分为三个大小相等的子数组:') b = np.split(a,3) print(b) print('将数组在一维数组中表明的位置分割:') b = np.split(a,[4,7]) print(b)
输出结果:
[0 1 2 3 4 5 6 7 8]
将数组分为三个大小相等的子数组:
[array([0, 1, 2]),
array([3, 4, 5]),
array([6, 7, 8])]
将数组在一维数组中表明的位置分割:
[array([0, 1, 2, 3]),
array([4, 5, 6]),
array([7, 8])]
2.numpy.hsplit
split()
函数的特例,其中轴为 1 表示水平分割。
import numpy as np a = np.arange(16).reshape(4,4) print(a) print('水平分割:') b = np.hsplit(a,2) print(b)
输出结果:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
水平分割:
[array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]]),
array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])]
3.numpy.vsplit
split()
函数的特例,其中轴为 0 表示竖直分割,无论输入数组的维度是什么。
import numpy as np a = np.arange(16).reshape(4,4) print(a) print('竖直分割:') b = np.vsplit(a,2) print(b)
输出结果:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
竖直分割:
[array([[0, 1, 2, 3],
[4, 5, 6, 7]]),
array([[ 8, 9, 10, 11],
[12, 13, 14, 15]])]
7.数组元素操作
NumPy中数组操作函数主要如下:
resize
返回指定形状的新数组append
将值添加到数组末尾insert
沿指定轴将值插入到指定下标之前delete
返回删掉某个轴的子数组的新数组unique
寻找数组内的唯一元素
1.numpy.resize
函数返回指定大小的新数组。如果新大小大于原始大小,则包含原始数组中的元素的重复副本。如果小于则去掉原始数组的部分数据。该函数接受以下参数:
numpy.resize(arr, shape)
其中:
arr
:要修改大小的输入数组shape
:返回数组的新形状
import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(a) print(a.shape) b = np.resize(a, (3,2)) print(b) print(b.shape) print('修改第二个数组的大小:') b = np.resize(a,(3,3)) print(b) print('修改第三个数组的大小:') b = np.resize(a,(2,2)) print(b)
输出结果:
[[1 2 3]
[4 5 6]]
(2, 3)
[[1 2]
[3 4]
[5 6]]
(3, 2)
修改第二个数组的大小:
[[1 2 3]
[4 5 6]
[1 2 3]]
修改第三个数组的大小:
[[1 2]
[3 4]]
2.numpy.append
函数在输入数组的末尾添加值。附加操作不是原地的,而是分配新的数组。此外,输入数组的维度必须匹配否则将生成ValueError。函数接受下列函数:
numpy.append(arr, values, axis)
其中:
arr
:输入数组values
:要向arr添加的值,比如和arr形状相同(除了要添加的轴)axis
:沿着它完成操作的轴。如果没有提供,两个参数都会被展开。
import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(a) print(np.append(a, [[7,8,9]],axis = 0)) print(np.append(a, [[5,5,5],[7,8,9]],axis = 1))
输出结果:
[[1 2 3]
[4 5 6]]
[[1 2 3]
[4 5 6]
[7 8 9]]
[[1 2 3 5 5 5]
[4 5 6 7 8 9]]
3.numpy.insert
函数在给定索引之前,沿给定轴在输入数组中插入值。如果值的类型转换为要插入,则它与输入数组不同。插入没有原地的,函数会返回一个新数组。此外,如果未提供轴,则输入数组会被展开。
insert()函数接受以下参数:
numpy.insert(arr, obj, values, axis)
其中:
arr
:输入数组obj
:在其之前插入值的索引values
:要插入的值axis
:沿着它插入的轴
import numpy as np a = np.array([[1,2],[3,4],[5,6]]) print(a) print(np.insert(a,3,[11,12])) print(np.insert(a,1,[11],axis = 0)) print(np.insert(a,1,[11],axis = 1))
输出结果:
[[1 2]
[3 4]
[5 6]]
[ 1 2 3 11 12 4 5 6]
[[ 1 2]
[11 11]
[ 3 4]
[ 5 6]]
[[ 1 11 2]
[ 3 11 4]
[ 5 11 6]]
4.numpy.delete
函数返回从输入数组中删除指定子数组的新数组。与insert()函数的情况一样,如果未提供轴参数,则输入数组将展开。该函 数接受以下参数:
Numpy.delete(arr, obj, axis)
其中:
arr
:输入数组obj
:可以被切片,整数或者整数数组,表明要从输入数组删除的子数组axis
:沿着它删除给定子数组的轴
import numpy as np a = np.array([[1,2],[3,4],[5,6]]) print(a) print(np.delete(a,5)) print(np.delete(a,1,axis = 1))
输出结果:
[[1 2]
[3 4]
[5 6]]
[1 2 3 4 5]
[[1]
[3]
[5]]
5.numpy.unique
函数返回输入数组中的去重元素数组。该函数能够返回一个元组,包含去重数组和相关索引的数组。索引的性质取决于函数调用中返回参数的类型。
numpy.unique(arr, return_index, return_inverse, return_counts)
其中:
• arr
:输入数组,如果不是一维数组则会展开
• return_index
:如果为true,返回输入数组中的元素下标
• return_inverse
:如果为true,返回去重数组的下标,它可以用于重构输入数组
• return_counts
:如果为true,返回去重数组中的元素在原数组中的出现次数
import numpy as np a = np.array([5,2,6,2,7,5,6,8,2,9]) u = np.unique(a) print(u) u,indices = np.unique(a, return_index = True) print(u, indices) u,indices = np.unique(a,return_inverse = True) print(u, indices) u,indices = np.unique(a,return_counts = True) print(u, indices)
输出结果:
[2 5 6 7 8 9][2 5 6 7 8 9]
[1 0 2 4 7 9][2 5 6 7 8 9]
[1 0 2 0 3 1 2 4 0 5][2 5 6 7 8 9]
[3 2 2 1 1 1]
8.NumPy - 字符串函数
以下函数用于对dtype为numpy.string_或numpy.unicode_的数组执行向量 化字符串操作。它们基于 Python 内置库中的标准字符串函数。字符数组类(numpy.char)中定义
import numpy as np print(np.char.add(['hello'],[' xyz'])) print(np.char.add(['hello', 'hi'],[' abc', ' xyz'])) print(np.char.multiply('Hello ',3)) print(np.char.center('hello', 20,fillchar = '*')) print(np.char.capitalize('hello world')) print(np.char.title('hello how are you?')) print(np.char.lower(['HELLO','WORLD'])) print(np.char.lower('HELLO')) print(np.char.upper('hello')) print(np.char.upper(['hello','world'])) print(np.char.split ('hello how are you?')) print(np.char.split ('YiibaiPoint,Hyderabad,Telangana', sep = ',')) print(np.char.splitlines('hello\nhow are you?')) print(np.char.splitlines('hello\rhow are you?')) print(np.char.strip('ashok arora','a')) print(np.char.strip(['arora','admin','java'],'a')) print(np.char.join(':','dmy')) print(np.char.join([':','-'],['dmy','ymd'])) print(np.char.replace ('He is a good boy', 'is', 'was')) a = np.char.encode('hello', 'cp500') print(a) print(np.char.decode(a,'cp500'))
输出结果:
['hello xyz']
['hello abc' 'hi xyz']
Hello Hello Hello
*******hello********
Hello world
Hello How Are You?
['hello' 'world']
hello
HELLO
['HELLO' 'WORLD']
['hello', 'how', 'are', 'you?']
['YiibaiPoint', 'Hyderabad', 'Telangana']
['hello', 'how are you?']
['hello', 'how are you?']
shok aror
['ror' 'dmin' 'jav']
d:m:y
['d:m:y' 'y-m-d']
He was a good boy
b'\x88\x85\x93\x93\x96'
hello
9.NumPy - 算数函数
NumPy 包含大量的各种数学运算功能。NumPy 提供标准的三角函数,算术运算的函数,复数处理函数等。
- 三角函数
- 舍入函数
- 算数函数
1. NumPy -三角函数
NumPy 拥有标准的三角函数,它为弧度制单位的给定角度返回三角函 数比值。arcsin,arccos,和arctan函数返回给定角度的sin,cos和tan的反三角函数。这些函数的结果可以通过 numpy.degrees()
函数通过将弧度制 转换为角度制来验证。
import numpy as np a = np.array([0,30,45,60,90]) # 通过乘 pi/180 转化为弧度 print(np.sin(a*np.pi/180)) print(np.cos(a*np.pi/180)) print(np.tan(a*np.pi/180))
输出结果:
[ 0. 0.5 0.70710678 0.8660254 1. ]
[ 1.00000000e+00 8.66025404e-01 7.07106781e-01 5.00000000e-01
6.12323400e-17]
[ 0.00000000e+00 5.77350269e-01 1.00000000e+00 1.73205081e+00
1.63312394e+16]
2.NumPy -舍入函数
numpy.around()
这个函数返回四舍五入到所需精度的值
- numpy.around(a,decimals) – a 输入数组
- decimals 要舍入的小数位数。默认值为0。如果为负,整数将四舍五入到小数点左侧的位置
numpy.floor()
函数返回不大于输入参数的最大整数。
numpy.ceil()
函数返回输入值的上限,大于输入参数的最小整数
import numpy as np a = np.array([1.0, 5.55, 123, 0.567, 25.532]) print(np.around(a)) print(np.around(a, decimals=1)) print(np.floor(a)) print(np.ceil(a))
输出结果:
[ 1. 6. 123. 1. 26.]
[ 1. 5.6 123. 0.6 25.5]
[ 1. 5. 123. 0. 25.]
[ 1. 6. 123. 1. 26.]
3.NumPy - 算数运算
用于执行算术运算(如add(),subtract(),multiply()和divide())的输入数组必须具有相同的形状或符合数组广播规则。
numpy.reciprocal()
函数返回参数逐元素的倒数。numpy.power()
函数将第一个输入数组中的元素作为底数,计算它与第二个输入数组中相应元素的幂。numpy.mod()
函数返回输入数组中相应元素的除法余数
import numpy as np a = np.array([0.25, 2, 1, 0.2, 100]) print(np.reciprocal(a)) print(np.power(a,2)) a = np.array([10,20,30]) b = np.array([3,5,7]) print(np.mod(a,b))
输出结果:
[ 4. 0.5 1. 5. 0.01]
[ 6.25000000e-02 4.00000000e+00 1.00000000e+00
4.00000000e-02. 1.00000000e+04]
[1 0 2]
4.NumPy - 统计函数
NumPy 有很多有用的统计函数,用于从数组中给定的元素中查找最小,最大,百分标准差和方差等。
numpy.amin() , numpy.amax()
从给定数组中的元素沿指定轴返回最小值和最大值。
numpy.ptp()
函数返回沿轴的值的范围(最大值 - 最小值)。
numpy.percentile()
表示小于这个值得观察值占某个百分比
numpy.percentile(a, q, axis)
- a 输入数组;
- q 要计算的百分位数,在 0 ~ 100 之间;
- axis 沿着它计算百分位数的轴
numpy.median()
返回数据样本的中位数。
numpy.mean()
沿轴返回数组中元素的算术平均值。
numpy.average()
返回由每个分量乘以反映其重要性的因子得到的加权平均值
import numpy as np a = np.array([[3,7,5],[8,4,3],[2,4,9]]) print(np.amin(a,1)) print(np.amax(a,1)) print(np.ptp(a)) print(np.percentile(a,50)) print(np.median(a)) print(np.mean(a)) print(np.average(a)) print(np.std([1,2,3,4])) #返回数组标准差 print(np.var([1,2,3,4])) #返回数组方差
输出结果:
[3 3 2]
[7 8 9]
7
4.0
4.0
5.0
5.0
1.11803398875
1.25
10.排序、搜索和计数函数
NumPy中提供了各种排序相关功能。
numpy.sort()
函数返回输入数组的排序副本。numpy.sort(a, axis, kind, order)
- a 要排序的数组;
- axis 沿着它排序数组的轴,如果没有数组会被展开,沿着最后的轴排序;
- kind 默认为'quicksort'(快速排序);
- order 如果数组包含字段,则是要排序的字段
numpy.argsort()
函数对输入数组沿给定轴执行间接排序,并使用指定排序类型返回数据的索引数组。这个索引数组用于构造排序后的数组。
numpy.lexsort()
函数使用键序列执行间接排序。键可以看作是电子表格中的一列。该函数返回一个索引数组,使用它可以获得排序数据。注意,最后一个键恰好是 sort 的主键。
numpy.argmax() 和 numpy.argmin()
这两个函数分别沿给定轴返回最大和最小元素的索引。
numpy.nonzero()
函数返回输入数组中非零元素的索引。
numpy.where()
函数返回输入数组中满足给定条件的元素的索引。
numpy.extract()
函数返回满足任何条件的元素。
import numpy as np a = np.array([[3, 7, 3, 1], [9, 7, 8, 7]]) print(np.sort(a)) print(np.argsort(a)) print(np.argmax(a)) print(np.argmin(a)) print(np.nonzero(a)) print(np.where(a > 3)) nm = ('raju', 'anil', 'ravi', 'amar') dv = ('f.y.', 's.y.', 's.y.', 'f.y.') print(np.lexsort((dv, nm)))
输出结果:
[[1 3 3 7]
[7 7 8 9]]
[[3 0 2 1]
[1 3 2 0]]
4
3
(array([0, 0, 0, 0, 1, 1, 1, 1], dtype=int64),
array([0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))
(array([0, 1, 1, 1, 1], dtype=int64),
array([1, 0, 1, 2, 3], dtype=int64))
[3 1 0 2]
11.IO文件操作
ndarray对象可以保存到磁盘文件并从磁盘文件加载。可用的 IO 功能有:
numpy.save()
文件将输入数组存储在具有npy扩展名的磁盘文件中。numpy.load()
从npy文件中重建数组。numpy.savetxt()和numpy.loadtxt()
函数以简单文本文件格式存储和获取数组数据。
import numpy as np a = np.array([1,2,3,4,5]) np.save('outfile',a) b = np.load('outfile.npy') print(b) a = np.array([1,2,3,4,5]) np.savetxt('out.txt',a) b = np.loadtxt('out.txt') print(b)
输出结果:
[1 2 3 4 5]
[ 1. 2. 3. 4. 5.]
以上就是Python中11种NumPy高级操作总结的详细内容,更多关于Python NumPy操作的资料请关注我们其它相关文章!