Python学习笔记(6)：NumPy库入门2
2019-03-17 本文已影响0人
TOP生物信息
1. 数据保存为CSV格式
%d, %.2f, %.6e三种数值保存格式的区别
>>> a=np.arange(20).reshape(4,5)
>>> print(a)
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]]
>>> np.savetxt("a.csv",a,fmt="%d",delimiter=",") #保存至当前工作目录下
$ cat a.csv
0,1,2,3,4
5,6,7,8,9
10,11,12,13,14
15,16,17,18,19
>>> np.savetxt("b.csv",a,fmt="%.2f",delimiter=",")
$ cat b.csv
0.00,1.00,2.00,3.00,4.00
5.00,6.00,7.00,8.00,9.00
10.00,11.00,12.00,13.00,14.00
15.00,16.00,17.00,18.00,19.00
>>> np.savetxt("c.csv",a,fmt="%.6e",delimiter=",")
$ cat c.csv
0.000000e+00,1.000000e+00,2.000000e+00,3.000000e+00,4.000000e+00
5.000000e+00,6.000000e+00,7.000000e+00,8.000000e+00,9.000000e+00
1.000000e+01,1.100000e+01,1.200000e+01,1.300000e+01,1.400000e+01
1.500000e+01,1.600000e+01,1.700000e+01,1.800000e+01,1.900000e+01
2. 加载CSV数据
>>> np.loadtxt("c.csv",dtype=np.int32,delimiter=",")
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]], dtype=int32)
3. NumPy的快捷文件存取
np.save(fname, array) 或 np.savez(fname, array)
fname : 文件名，以.npy为扩展名，压缩扩展名为.npz
np.load(fname)
fname : 文件名，以.npy为扩展名，压缩扩展名为.npz
4. NumPy的random子库
np.random.*
| 函数 | 说明 |
|---|---|
| rand(d0,d1,..,dn) #d为维度 | 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) | 随机数种子，s是给定的种子值 #设置相同的seed可以得到相同的随机数数组 |
根据特定的分布模型产生随机数数组
| 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组,lam随机事件发生率,size形状 |
5. NumPy的统计类函数
| 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相关元素的期望，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 |
| 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、最大值的降一维后下标 |
| unravel_index(index, shape) | 根据shape将一维下标index转换成多维下标 |
| ptp(a) | 计算数组a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） |
#求加权平均数
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
>>> np.average(a,axis=0,weights=[2,2,2,4])
array([ 9., 10., 11., 12., 13.])
