Python数据分析与展示2

CSV文件的存储

直接上代码，这种文件存储，无论是什么文件的存储，都是格式问题，可能重点在数据类型和保存的样式：

a = np.arange(12).reshape(3, 4)#生成3*4的矩阵
np.savetxt('a.csv', a, fmt="%d", delimiter=',')#进行矩阵的存储，和该项目放在一起
np.loadtxt('第2讲/a.csv', dtype=int, delimiter=',')#进行矩阵的读出
np.loadtxt('第2讲/a.csv', dtype=int, delimiter=',', unpack=True)#进行逆向输出

随机种子

生成随机数很容易，但有时候我们只想让他随机一次，之后把生成的这个随机数给固定住，这个时候就要用到随机数种子了。

np.random.seed(0)#随机种子，随机完之后就不会再变了。
a = np.random.randint(0, 10)#在0-9中随机生成一个数字
b = np.random.randint(0, 10)
c = np.random.randint(0, 10)
d = np.random.randint(0, 10)
np.random.seed(0)
e = np.random.randint(0, 10)
f = np.random.randint(0, 10)
g = np.random.randint(0, 10)
h = np.random.randint(0, 10)
y = np.random.randint(0, 10)#注意观察e,f,g,h和前面的数据有什么规律。思考一下如何让y也有这种规格呢？
a, b, c, d,e,f,g,h,y

随机数的选择

这个随机选择不是特别理解，感觉用处不大，只能采用大数优先输出的概率来进行choice，不太科学，应该还有其它办法进行指定概率输出。

# https://blog.youkuaiyun.com/elephant_my/article/details/115613692
# numpy.random.choice(a, size=None, replace=True, p=None)
# 参数p：a中每个元素采样的概率
a = np.random.randint(0, 100, (10))
a, np.random.choice(a, (20), p=/np.sum(a)) #a/np.sum(a)
# a必须是1维数据

统计函数

进行并列元素之间的指定相加操作，可能有利于高级数学统计，目前不知道实际用在哪里。

a = np.arange(24).reshape(2, 3, 4)
np.sum(a)#a矩阵所有元素之和
a.shape, np.sum(a, axis=0)#axis=0其实就是最大的元素之间进行相加操作，算是并联的每一项进行相加操作。
a.shape, np.sum(a, axis=1)#axis=1算是第二大项之间进行相加操作
#稍微难一点的扩展操作，其实无非数组维数更多了一些，axis中对应的数字也可以更多一些了。
data = np.random.randint(0, 5, [2,3,4,5])#这个可以理解为2个大部分，再3个第二大部分，最后的4，5就类似于矩阵的行和列了，当然如果把矩阵本身看成数字的话，前两个本身也是矩阵。
data, np.sum(data, axis=0), data.shape, np.sum(data, axis=0)