文章目录
一、利用savetxt、loadtxt存读矩阵
在np中也提供了能直接将矩阵存储成txt文件的函数，以及将txt文件读取成为矩阵的函数loadtxt，下面我们将详细介绍这两个函数：
通过savetxt存储矩阵，通过loadtxt读取矩阵：
#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习
@File ：task_8.py
@IDE ：PyCharm
@Author ：咋
@Date ：2023/4/17 16:45
"""
import numpy as np
array_1 = np.random.random([5,5]) # 创建一个5x5的矩阵
print(array_1)
# 保存矩阵
np.savetxt(X=array_1,fname="test.txt")
array_2= np.loadtxt("test.txt")
print(array_2)
输出为：
[[0.55288088 0.77184344 0.8309328 0.55396012 0.62182447]
[0.76018218 0.75927817 0.6210175 0.35243527 0.23502823]
[0.80056504 0.33167949 0.21276266 0.28230738 0.93320109]
[0.28639089 0.78890919 0.42325923 0.3815833 0.71751376]
[0.72839721 0.45384038 0.4945789 0.36863601 0.21875081]]
[[0.55288088 0.77184344 0.8309328 0.55396012 0.62182447]
[0.76018218 0.75927817 0.6210175 0.35243527 0.23502823]
[0.80056504 0.33167949 0.21276266 0.28230738 0.93320109]
[0.28639089 0.78890919 0.42325923 0.3815833 0.71751376]
[0.72839721 0.45384038 0.4945789 0.36863601 0.21875081]]
txt中的文件为：
可以看到np能够成功将矩阵存储到txt文件中，也能够将txt中的文件读取到程序中。
二、读取维度为1的矩阵数据
在上一篇中，我们主要介绍了np生成矩阵，当生成了矩阵之后，我们应该怎么去读取我们需要的数据呢？接下来通过一段代码介绍一下几种常用的获取ndarray中的数据的方法：
创建一个维度为1的矩阵，用于后面的实验：
@Project ：numpy学习
@File ：task_9.py
@IDE ：PyCharm
@Author ：咋
@Date ：2023/4/17 17:04
"""
import numpy as np
np.random.seed(2023)
array_1 = np.random.random([10])
print(array_1)
输出：
[0.3219883 0.89042245 0.58805226 0.12659609 0.14134122 0.46789559
0.02208966 0.72727471 0.52438734 0.54493524]
2.1 获取指定位置的数据
#获取指定位置的数据，获取第4个元素
print(array_1[3])
输出：
0.12659609350429124
2.2截取一段数据
print(array_1[3:6])
输出：
[0.12659609 0.14134122 0.46789559]
2.3间隔取数据
#截取固定间隔数据
print(array_1[1:6:2])
输出：
[0.89042245 0.12659609 0.46789559]
2.4倒序取数
#倒序取数
print(array_1[::-2])
输出：
[0.54493524 0.72727471 0.46789559 0.12659609 0.89042245]
三、读取多维矩阵数据
我们以维度为2的矩阵举例，其他高维矩阵也是类似的，首先创建一个维度为2的矩阵用以后面的实验：
array_2=np.arange(25).reshape([5, 5])
print(array_2)
输出：
[[ 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]]
3.1截取一个多维数组的一个区域内数据
print(array_2[1:3, 1:3])
输出：
[[ 6 7]
[11 12]]
3.2截取一个多维数组中，数值在一个值域之内的数据
print(array_2[(array_2 > 3) & (array_2 < 10)])
输出：
[4 5 6 7 8 9]
3.3指定的行截取多维数组
print(array_2[[1, 2]])
输出：
[[ 5 6 7 8 9]
[10 11 12 13 14]]
3.4指定的列截取多维数组
print(array_2[:, 1:3])
输出：
[[ 1 2]
[ 6 7]
[11 12]
[16 17]
[21 22]]
这个索引与python里面的range所有非常相似，由start，end和step组成，注意end不包括。
四、choice函数抽取数据
除了用上述办法通过索引来提取元素，我们还可以通过choice函数来从目标矩阵中随机提取数据：
#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习
@File ：task_10.py
@IDE ：PyCharm
@Author ：咋
@Date ：2023/4/17 17:29
"""
import numpy as np
from numpy import random as nr
a = np.arange(1, 25, dtype=float)
c1 = nr.choice(a, size=(3, 4)) # size指定输出数组形状
c2 = nr.choice(a, size=(3, 4), replace=False) # replace默认为True，即可重复抽取。
# 下式中参数p指定每个元素对应的抽取概率，默认为每个元素被抽取的概率相同。
c3 = nr.choice(a, size=(3, 4), p=a / np.sum(a))
print("随机可重复抽取")
print(c1)
print("随机但不重复抽取")
print(c2)
print("随机但按制度概率抽取")
print(c3)
输出：
D:\anaconda\python.exe D:/桌面/numpy学习/task_10.py
300.0
随机可重复抽取
[[14. 22. 20. 11.]
[ 6. 18. 15. 21.]
[ 3. 19. 23. 3.]]
随机但不重复抽取
[[ 6. 17. 13. 24.]
[ 5. 20. 19. 12.]
[10. 2. 21. 23.]]
随机但按制度概率抽取
[[19. 18. 24. 11.]
[ 5. 7. 11. 20.]
[10. 15. 16. 20.]]
前两个都好解释，size是抽取的矩阵大小，replace是能不能重复抽取，我们重点说一下参数p,也就是抽取的概率。这里 p=a / np.sum(a)，也就是数值越大，抽到的概率越高。