总结了11种Numpy的高级操作

　　01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) [[ 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) [[ 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 02 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) [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)) [[ 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＂)) [[0 1 2 3]  [4 5 6 7]] [0 1 2 3 4 5 6 7] [0 4 1 5 2 6 3 7] 03 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a x es：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) [[[ 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 [[[ 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) [[ 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)) [[[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)) [[[0 1]   [2 3]]   [[4 5]   [6 7]]] [[[0 2]   [4 6]]   [[1 3]   [5 7]]] [[[0 2]   [1 3]]   [[4 6]   [5 7]]] 04 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))) [[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) [[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) [[[0 1 2]   [3 4 5]   [6 7 8]]] [[0 1 2]  [3 4 5]  [6 7 8]] (1, 3, 3) (3, 3) 05 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)) [[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) [[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) [[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 0import 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)) [[1 2]  [3 4]] [[5 6]  [7 8]] [[1 2]  [3 4]  [5 6]  [7 8]] [[1 2 5 6]  [3 4 7 8]] 06 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 0import 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) [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) [[ 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) [[ 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]])] 07 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) [[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)) [[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)) [[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)) [[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) [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] 08 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 how are you?＂)) print(np.char.splitlines(＂hellorhow 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＂)) [＂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＂ … ＂ hello 09 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)) [ 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)) [   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pide())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)) [ 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 [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))) [[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) [1 2 3 4 5] [ 1.  2.  3.  4.  5.]