數據分析小白訓練營：基于python編程語言的Numpy庫介紹（第三方庫）（下篇）

銜接上篇文章：數據分析小白訓練營：基于python編程語言的Numpy庫介紹（第三方庫）（上篇）

（十一）數組的組合

核心功能：

一、生成基數組

np.arange().reshape()?+ 基礎運算

功能：創建初始數組并進行數值變換

示例：

array1 = np.arange(9).reshape(3,3)  # 生成3x3矩陣 [[0,1,2],[3,4,5],[6,7,8]]
array2 = 2 * array1                 # 逐元素乘以2 → [[0,2,4],[6,8,10],[12,14,16]]

關鍵操作：
- np.arange(9)：生成0~8的一維數組
- .reshape(3,3)：重塑為3行3列的二維數組
- 2 * array1：利用廣播機制對每個元素進行標量乘法

二、水平組合（橫向拼接）

np.hstack()?與?np.concatenate(axis=1)

功能：將多個數組沿列方向（水平）拼接

示例：

a3 = np.hstack((array1, array2))    # 拼接后形狀: 3x6
a4 = np.hstack((array2, array1))    # 交換順序拼接
a5 = np.hstack((array1, array2, array1)) # 連續拼接三個數組
a6 = np.concatenate((array1, array2), axis=1) # 等價于hstack

特點：
- hstack：專門用于水平拼接，自動按列對齊
- concatenate(axis=1)：通過指定軸實現相同效果，靈活性更高

三、垂直組合（縱向拼接）

np.vstack()?與?np.concatenate(axis=0)

功能：將多個數組沿行方向（垂直）拼接

示例：

a7 = np.vstack((array2, array1))    # 拼接后形狀: 6x3
a8 = np.concatenate((array1, array2), axis=0) # 等價于vstack

特點：
- vstack：專門用于垂直拼接，自動按行對齊
- concatenate(axis=0)：通過指定軸實現相同效果，適用于多數組拼接

關鍵區別總結：

操作類型	語法示例	拼接方向	維度變化	適用場景
`np.hstack()`	`hstack((A, B))`	水平	列數相加	合并同類特征的不同樣本
`concatenate(axis=1)`	`concatenate((A,B), axis=1)`	水平	同上	更靈活的多數組拼接
`np.vstack()`	`vstack((A, B))`	垂直	行數相加	堆疊不同樣本的數據
`concatenate(axis=0)`	`concatenate((A,B), axis=0)`	垂直	同上	更靈活的多數組拼接

示例代碼：

import numpy as np#生成基數組
array1 = np.arange(9).reshape(3,3)
array2 = 2*array1
print(array1)
print(array2)#水平組合
a3 = np.hstack((array1,array2))#水平方向變長
a4 = np.hstack((array2,array1))
a5 = np.hstack((array1,array2,array1))a6 = np.concatenate((array1,array2),axis=1)#1為水平組合，0為垂直組合#垂直組合
a7 = np.vstack((array2,array1))a8 = np.concatenate((array1,array2),axis=0)
print(1)

（十二）numpy內數組元素的切割

核心功能：

一、創建基礎數組

np.arange().reshape()

功能：生成連續數值并重塑為指定形狀的二維數組

示例：

array1 = np.arange(16).reshape(4,4)  # 生成4x4矩陣 [[0,1,2,3],[4,5,6,7],...]
print(array1)

關鍵點：np.arange(16)?生成0~15的一維數組，.reshape(4,4)?將其重塑為4行4列的二維數組

二、等分切割（嚴格均分）

1.?水平切割（沿列方向）

方法1：np.hsplit(array, n)
- 功能：將數組沿水平方向（列）均分為?n?等份
- 示例：a = np.hsplit(array1, 2)?→ 將4列均分為2份，每份2列，返回兩個形狀為?(4,2)?的子數組
方法2：np.split(array, n, axis=1)
- 功能：與?hsplit?等價，通過?axis=1?明確指定列方向
- 示例：b = np.split(array1, 2, axis=1)?→ 結果同?a

2.?垂直切割（沿行方向）

方法1：np.vsplit(array, n)
- 功能：將數組沿垂直方向（行）均分為?n?等份
- 示例：c = np.vsplit(array1, 2)?→ 將4行均分為2份，每份2行，返回兩個形狀為?(2,4)?的子數組
方法2：np.split(array, n, axis=0)
- 功能：與?vsplit?等價，通過?axis=0?明確指定行方向
- 示例：d = np.split(array1, 2, axis=0)?→ 結果同?c

三、強制切割（允許不等分）

1.?水平強制切割

函數：np.array_split(array, n, axis=1)
- 功能：將數組沿水平方向（列）強制分為?n?份，允許不等分
- 示例：e = np.array_split(array1, 3, axis=1)?→ 將4列分為3份，前兩份各2列，最后一份0列（實際為2列，因余數分配）
- 特點：若無法均分，余數會分配到前面的塊中

2.?垂直強制切割

函數：np.array_split(array, n, axis=0)
- 功能：將數組沿垂直方向（行）強制分為?n?份，允許不等分
- 示例：f = np.array_split(array1, 3, axis=0)?→ 將4行分為3份，前兩塊各2行，最后一塊0行（實際為0行，但此處無意義）

四、非均勻數組的強制切割

示例：5x5數組的切割

代碼：

array1 = np.arange(25).reshape(5,5)  # 5x5矩陣
g = np.array_split(array1, 3, axis=1)  # 水平切分為3份
h = np.array_split(array1, 3, axis=0)  # 垂直切分為3份

特點：
- 水平切割：5列分為3份 → 前兩塊各2列，最后一塊1列
- 垂直切割：5行分為3份 → 前兩塊各2行，最后一塊1行

關鍵區別總結:

函數	是否允許不等分	切割方向	適用場景
`np.hsplit()`	否	水平	嚴格均分列
`np.vsplit()`	否	垂直	嚴格均分行
`np.split(axis=1)`	否	水平	同?`hsplit`
`np.split(axis=0)`	否	垂直	同?`vsplit`
`np.array_split()`	是	任意	需處理不等分場景（如數據不足）

代碼示例：

import numpy as nparray1 = np.arange(16).reshape(4,4)
print(array1)#水平切割
a = np.hsplit(array1,2)#其中第二個參數2，表示將矩陣array1進行2等份的切分
print(a)b = np.split(array1,2,axis=1)#垂直切割
c = np.vsplit(array1,2)
d = np.split(array1,2,axis=0)#強制切割
#水平切割
e = np.array_split(array1,3,axis=1)#垂直切割
f = np.array_split(array1,3,axis=0)###########################################
array1 = np.arange(25).reshape(5,5)
print(array1)g = np.array_split(array1,3,axis=1)h = np.array_split(array1,3,axis=0)

（十三）數組的算數運算

核心功能：

一、創建基礎數組

np.arange().reshape()

功能：生成指定范圍內的等差數列并重塑為指定形狀的數組

示例：

array1 = np.arange(1,5,1).reshape(2,2)  # 生成 [[1,2],[3,4]]

關鍵參數：
- np.arange(1,5,1)：起始值=1，終止值=5（不含），步長=1 → 生成?[1,2,3,4]
- .reshape(2,2)：將一維數組重塑為2行2列的二維數組

標量乘法生成新數組

功能：通過標量乘法快速生成關聯數組

示例：

array2 = 2 * array1  # 每個元素乘以2 → [[2,4],[6,8]]

特點：利用 NumPy 的廣播機制，標量自動擴展至與數組同形

二、逐元素數學運算

1.?加法?+

功能：對應位置元素相加

示例：

print(array1 + array2)  # 輸出: [[3,6],[9,12]]

計算邏輯：1+2=3,?2+4=6,?3+6=9,?4+8=12

2.?減法?-

功能：對應位置元素相減

示例：

print(array1 - array2)  # 輸出: [[-1,-2],[-3,-4]]

計算邏輯：1-2=-1,?2-4=-2,?3-6=-3,?4-8=-4

3.?乘法?*

功能：對應位置元素相乘

示例：

print(array1 * array2)  # 輸出: [[2,8],[18,32]]

計算邏輯：1×2=2,?2×4=8,?3×6=18,?4×8=32

4.?除法?/

功能：對應位置元素相除

示例：

print(array1 / array2)  # 輸出: [[0.5,0.5],[0.5,0.5]]

計算邏輯：1/2=0.5,?2/4=0.5,?3/6=0.5,?4/8=0.5

5.?取余?%

功能：對應位置元素取余數

示例：

print(array2 % array1)  # 輸出: [[0,0],[0,0]]

計算邏輯：2%1=0,?4%2=0,?6%3=0,?8%4=0

6.?整除?//

功能：對應位置元素整除（向下取整）

示例：

print(array1 // array2)  # 輸出: [[0,0],[0,0]]

計算邏輯：1//2=0,?2//4=0,?3//6=0,?4//8=0

示例代碼：

import numpy as nparray1 = np.arange(1,5,1).reshape(2,2)
array2 = 2*array1
print(array1)
print(array2)#數組的加法【對應位置的元素求和】
print(array1 + array2)#數組的減法[對應位置元素相減]
print(array1 - array2)#數組的乘法【對應位置相乘】
print(array1 * array2)#數組的除法[對應位置相除]
print(array1 / array2)#數組的取余(%)
print(array2 % array1)#數組的取整
print(array1 // array2)

（十四）數組的深拷貝與淺拷貝

?NumPy 中淺拷貝與深拷貝的本質區別：

淺拷貝：通過直接賦值實現，新舊數組共享內存，修改其一會影響另一者。
深拷貝：通過?.copy()?方法創建獨立副本，修改副本不影響原數組

核心功能：

1.?創建原始數組

array1 = np.array([1,2,3])  # 創建一維數組 [1,2,3]

作用：初始化一個包含?[1,2,3]?的 NumPy 數組

2.?淺拷貝（引用賦值）

array2 = array1  # 淺拷貝：僅傳遞引用

本質：array2?和?array1?共享同一塊內存，修改任一變量會影響另一個

驗證：

array2[0] = 100  # 修改 array2 的第一個元素
print(array2)    # 輸出: [100, 2, 3]
print(array1)    # 輸出: [100, 2, 3] ← 原數組也被修改！

結論：淺拷貝不安全，對副本的修改會直接影響原數組

3.?深拷貝（獨立副本）

array3 = array1.copy()  # 深拷貝：創建獨立副本

本質：array3?是?array1?的完全獨立副本，擁有獨立內存空間

驗證：

array3[0] = 10  # 修改 array3 的第一個元素
print(array3)   # 輸出: [10, 2, 3]
print(array1)   # 輸出: [1, 2, 3] ← 原數組未被修改！

結論：深拷貝安全，對副本的修改不影響原數組

關鍵區別總結：

操作	內存機制	修改影響	適用場景
淺拷貝	共享原數組內存	?修改副本 → 影響原數組	無需保留原數據時（需謹慎使用）
深拷貝	創建獨立內存	?修改副本 → 不影響原數組	需保留原數據時（推薦使用）

示例代碼：

import numpy as nparray1 = np.array([1,2,3])
#淺拷貝
array2 = array1#更改array2的元素的值
array2[0] = 100
print(array2)
print("#####################")
print(array1)#深拷貝
array3 = array1.copy()
array3[0] = 10
print(array3)
print("##################")
print(array1)

（十五）numpy內的隨機模塊兒(一)

核心功能：

1.?導入依賴庫

import numpy as np
import matplotlib.pyplot as plt

作用：引入 NumPy（高效數值計算）和 Matplotlib（數據可視化）庫

2.?設置隨機種子

np.random.seed(1000)  # 固定隨機種子以保證結果可復現

關鍵作用：鎖定隨機數生成器的初始狀態，使后續所有隨機操作的結果在多次運行中保持一致（便于調試和驗證）

3.?生成單個隨機整數

r1 = np.random.randint(0, 10)  # 左閉右開區間 [0, 10)
print(r1)

功能：從?[0, 10)?的左閉右開區間內隨機抽取一個整數
示例輸出：若種子為1000，則固定輸出?8（可通過多次運行驗證）

4.?生成隨機數組

a = []
for i in range(10):a0 = np.random.randint(0, 10)  # 每次獨立生成一個隨機整數a.append(a0)
print(a)

功能：循環10次，每次生成一個?[0, 10)?范圍內的隨機整數，存入列表?a
特點：由于已設置隨機種子，即使重啟程序，只要種子不變，生成的序列也完全相同
示例輸出：[8, 7, 9, 5, 8, 7, 6, 8, 5, 7]（種子1000下的固定結果）

5.?繪制直方圖

a = []
for i in range(10):a0 = np.random.randint(0, 10)  # 每次獨立生成一個隨機整數a.append(a0)
print(a)

功能：統計列表?a?中各數值的出現頻率，并以柱狀圖形式可視化
參數說明：
- color='r'：設置柱子顏色為紅色
- plt.show()：渲染并顯示圖像窗口
預期效果：展示10個隨機數在?[0, 10)?區間內的分布情況（因樣本量較小，可能呈現非完美均勻分布）

示例代碼：

import numpy as np
import matplotlib.pyplot as plt
"""
randint(start,end):
產生一個隨機整數
(0,10) ->左閉右開的區間
"""
#隨機種子
np.random.seed(1000)#矩陣類型隨機
r1 = np.random.randint(0,10)
print(r1)#
a = []
for i in range(10):a0 = np.random.randint(0,10)a.append(a0)
print(a)
plt.hist(a,color='r')
plt.show()

（十六）numpy內的隨機模塊兒(二)

核心功能：

1.?單次隨機浮點數?`np.random.rand()`

r1 = np.random.rand()  # 生成 [0,1) 區間內的隨機浮點數
print(r1)

功能：返回一個服從?均勻分布?的隨機浮點數，取值范圍?[0, 1)
特點：無參數，適用于簡單隨機采樣場景
示例輸出：如?0.7892（每次運行不同）

2.?標準正態分布隨機數?`np.random.normal()`

r1 = np.random.rand()  # 生成 [0,1) 區間內的隨機浮點數
print(r1)

功能：從?標準正態分布（均值 μ=0，標準差 σ=1）中抽取一個樣本
擴展性：可通過參數調整均值和標準差（見后續示例）
示例輸出：如?1.2345（可能為負值）

3.?生成隨機整數矩陣?`np.random.randint()`

r3 = np.random.randint(0, 10, size=(5,5))  # 生成 5x5 的 [0,10) 區間內隨機整數矩陣
print(r3)

功能：創建指定形狀的整數矩陣，元素取自?[low, high)?區間
關鍵參數：
- low=0,?high=10：左閉右開區間
- size=(5,5)：輸出形狀為 5 行 5 列
示例輸出：
```
[[3 7 9 1 5][8 2 6 4 0]...]
```

4.?生成均勻分布浮點矩陣?`np.random.rand()`

r4 = np.random.rand(5,5)  # 生成 5x5 的 [0,1) 區間內隨機浮點矩陣
print(r4)

功能：創建指定形狀的浮點數矩陣，元素服從?[0,1)?均勻分布
優勢：比循環更高效，直接生成多維數組
示例輸出：全為?0~1?之間的浮點數

5.?生成自定義正態分布矩陣?`np.random.normal()`

r5 = np.random.normal(5, 10, size=(5,5))  # 生成均值 μ=5，標準差 σ=10 的正態分布矩陣
print(r5)

功能：創建指定形狀的正態分布矩陣，可自定義均值和標準差
參數說明：
- loc=5：均值 μ
- scale=10：標準差 σ
- size=(5,5)：輸出形狀
示例輸出：大部分值集中在?5 ± 3×10?范圍內（約?-25 ~ 35）

關鍵區別總結：

函數	分布類型	取值范圍	典型用途
`np.random.rand()`	均勻分布	[0, 1)	簡單隨機采樣、初始化權重
`np.random.normal()`	正態分布	(-∞, +∞)	模擬自然現象、噪聲添加
`np.random.randint()`	離散均勻分布	[low, high)	生成隨機索引、分類標簽
`np.random.rand()`	連續均勻分布	[0, 1)	快速生成多維隨機浮點矩陣
`np.random.normal()`	自定義正態分布	(μ - kσ, μ + kσ)	數據增強、蒙特卡洛模擬

示例代碼：

import numpy as np"""
rand() ->(0,1)之間的隨機浮點數
"""
#np.random.seed(100)
r1 = np.random.rand()
print(r1)"""
normal() ->生成一些符合正態分布的數據
N~(0,1)
"""
r2 = np.random.normal()
print(r2)
#################################
#生成隨機數矩陣r3 = np.random.randint(0,10,size=(5,5))
print(r3)r4 = np.random.rand(5,5)
print(r4)r5 = np.random.normal(5,10,size=(5,5))
print(r5)

（十七）numpy內一些函數的使用

核心功能：

1.?生成正態分布隨機矩陣

array1 = np.random.normal(size=(3,3))  # 生成3x3的正態分布隨機矩陣
print(array1)

功能：創建一個形狀為?(3,3)?的二維數組，其中每個元素獨立采樣自標準正態分布（默認均值 μ=0，標準差 σ=1）
特點：無需顯式指定均值和標準差時，默認使用標準正態分布；若需自定義參數可添加?loc（均值）和?scale（標準差）參數

示例輸出：類似如下結構（具體數值因隨機性不同）：

[[ 0.4967  1.5292 -0.0769][ 0.2784  0.8655  1.2064][-0.4052  0.1763  0.7658]]

2.?基礎統計量計算

# 求方差
print(array1.var())  # 全局方差（所有元素的方差）# 求標準差
a = array1.std()    # 全局標準差# 求均值
b = array1.mean()   # 全局均值# 求和
c = array1.sum()    # 所有元素的總和# 求中位數
d = np.median(array1)  # 全局中位數

關鍵函數：
- var()：計算數組所有元素的方差（衡量數據離散程度）
- std()：計算標準差（方差的平方根，更直觀反映波動幅度）
- mean()：計算算術平均值（數據的中心趨勢）
- sum()：對所有元素求和
- np.median()：計算中位數（排序后中間值，抗異常值干擾）
注意：直接調用?array1.median()?會報錯，需使用?np.median(array1)

3.?按行/列求和

# 對矩陣的行求和（axis=1）
e = array1.sum(axis=1)  # 每行元素相加，結果為長度為3的一維數組# 對矩陣的列進行求和（axis=0）
f = array1.sum(axis=0)  # 每列元素相加，結果為長度為3的一維數組

axis?參數含義：
- axis=1：沿行方向求和（壓縮行維度，保留列維度）
- axis=0：沿列方向求和（壓縮列維度，保留行維度）
示例輸出：
- e：每行的總和，如?[1.9489, 2.2793, 0.5369]
- f：每列的總和，如?[0.3699, 2.5710, 1.8953]

關鍵概念總結：

操作	功能描述	返回值類型	典型用途
`np.random.normal()`	生成正態分布隨機數	ndarray	模擬自然現象、初始化權重
`var()`	計算全局方差	float	評估數據離散程度
`std()`	計算全局標準差	float	衡量數據波動范圍
`mean()`	計算全局均值	float	獲取數據平均水平
`sum()`	所有元素求和	float	快速累加總和
`np.median()`	計算全局中位數	float	避免極端值影響的中心度量
`sum(axis=1)`	按行求和	1D array	分析每行數據的總效應
`sum(axis=0)`	按列求和	1D array	分析每列數據的總效應

代碼示例：

import numpy as nparray1 = np.random.normal(size = (3,3))
print(array1)#一些函數
#求方差
print(array1.var())#求標準差
a = array1.std()#求均值
b = array1.mean()#求和
c = array1.sum()#求中位數
#array1.median()
d = np.median(array1)#求和運算
#對矩陣的行求和
e = array1.sum(axis=1)
#對矩陣的列進行求和
f = array1.sum(axis=0)

（十八）矩陣的運算

核心功能：

1.?生成基數組

a = np.arange(4).reshape(2,2)  # 創建2x2矩陣 [[0,1],[2,3]]
b = a.copy()                    # 深拷貝生成獨立副本

np.arange(4)：生成一維數組?[0,1,2,3]
.reshape(2,2)：將一維數組重塑為 2 行 2 列的二維矩陣
copy()：創建深拷貝，確保?b?與?a?獨立（修改?b?不影響?a）

2.?矩陣乘法

a1 = a.dot(b)          # 方法1：通過 .dot() 計算矩陣乘積
a2 = np.dot(a, b)      # 方法2：通過 np.dot() 計算矩陣乘積

功能：計算兩個 2x2 矩陣的標準矩陣乘積（行列對應相乘再求和）
等價性：兩種方法結果相同，均返回新的 2x2 矩陣
數學公式：若?A=[[a,b],[c,d]],?B=[[e,f],[g,h]]，則?AB=[[ae+bg, af+bh], [ce+dg, cf+dh]]

3.?矩陣求逆

a3 = np.linalg.inv(a)  # 計算矩陣 a 的逆矩陣

前提：僅當矩陣滿秩且行列式不為零時存在逆矩陣
作用：若?a?可逆，則?a @ a3 == I（單位矩陣），用于求解線性方程組或反轉變換
風險提示：若矩陣不可逆（如奇異矩陣），會拋出?LinAlgError

4.?自定義矩陣乘法

a4 = a.dot([[-1.5,  0.5], [1. ,  0. ]])  # 手動指定第二個矩陣進行乘法
print(a4)

功能：將原始矩陣?a?與預定義的 2x2 矩陣相乘，模擬線性變換
應用場景：此類操作常見于圖像處理（仿射變換）、機器學習特征轉換等場景
輸出示例：假設?a=[[0,1],[2,3]]，則計算過程為：
- 第一行：0*(-1.5)+1*1=1,?0*0.5+1*0=0?→?[1, 0]
- 第二行：2*(-1.5)+3*1=-3+3=0,?2*0.5+3*0=1?→?[0, 1]
- 最終結果：[[1, 0], [0, 1]]（單位矩陣）

關鍵概念總結：

操作	功能描述	注意事項
`np.arange().reshape()`	創建指定形狀的初始化矩陣	默認按行優先填充數據
`.copy()`	生成深拷貝，避免共享內存	修改副本不影響原數組
`.dot()`?/?`np.dot()`	計算矩陣乘積	要求矩陣維度匹配（前導矩陣列數=后繼行數）
`np.linalg.inv()`	計算矩陣的逆	僅適用于非奇異矩陣（行列式≠0）
自定義矩陣乘法	實現線性變換或復合操作	可用于驗證變換效果或設計特定算法

示例代碼:

import numpy as np#生成兩個基數組
a = np.arange(4).reshape(2,2)
b = a.copy()#矩陣的運算
#加減乘除(求逆)
#加減 ->對應元素加減#矩陣的乘法【點乘】
#a * b
a1 = a.dot(b)
a2 = np.dot(a,b)#矩陣求逆
"""
inv():
并不是所有的矩陣都有逆;
即使你沒有逆，給你一個逆【偽逆】
"""
a3 = np.linalg.inv(a)a4 = a.dot([[-1.5,  0.5],[ 1. ,  0. ]])
print(a4)

（十九）讀取文件

核心功能：

一、`np.loadtxt()`?- 從文本文件加載數據

核心功能

?高效讀取結構化文本數據：將純文本文件中的數值數據快速轉換為 NumPy 數組
靈活處理分隔符：支持通過?delimiter?參數自定義列分隔符（如?\t、,、空格等）
自動適配行列結構：假設文件中每一行的數值數量相同，按順序填充到數組的行與列中

代碼示例 & 關鍵參數

data = np.loadtxt('文件讀取.txt', delimiter='\t')  # 若為CSV文件則用 delimiter=','
print(data)

delimiter: 定義字段分隔符（默認為任意空白字符）
適用場景：讀取傳感器日志、CSV/TSV格式數據、科學計算輸入文件等

典型應用

# 假設文件內容如下（制表符分隔）：
# 1    2    3
# 4    5    6
# 7    8    9# 執行后 data 變為：
array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])

二、`np.savetxt()`?- 將數組保存到文本文件

核心功能

?反向操作：將 NumPy 數組以純文本形式持久化存儲
人性化輸出：默認以固定寬度排版，便于閱讀；可通過?fmt?參數定制數值格式
跨平臺兼容：生成標準文本文件，無需依賴特定二進制格式

代碼示例 & 關鍵參數

array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
np.savetxt('array.txt', array)  # 默認用空白分隔

擴展性：可添加?fmt='%d'（整數）、delimiter=', '（逗號分隔）等參數
適用場景：導出模型預測結果、調試中間變量、與其他工具交換數據

典型輸出文件內容

1.00000000e+00 2.00000000e+00 3.00000000e+00
4.00000000e+00 5.00000000e+00 6.00000000e+00
7.00000000e+00 8.00000000e+00 9.00000000e+00

對比總結：

功能	`np.loadtxt()`	`np.savetxt()`
方向	文件 → 內存（讀取）	內存 → 文件（寫入）
核心用途	加載結構化文本數據	導出數組為文本文件
關鍵參數	`delimiter`（解析分隔符）	`fmt`（控制輸出格式）
數據類型限制	僅支持數值型數據	自動處理浮點數精度
典型場景	數據分析前序步驟	結果可視化/長期存檔

示例代碼：

# numpy.loadtxt()：從文本文件中加載數據。這個函數假定文件中的每一行都有相同數量的值，并將這些值分隔開。
# 你可以使用 delimiter 參數指定分隔符，如逗號、制表符等。例如：系統的簡單介紹這段代碼的核心功能
data = np.loadtxt('文件讀取.txt', delimiter='\t')#csv格式的文件delimiter=','
print(data)#將數組保存到txt文件中
import numpy as np
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 創建一個 NumPy 數組
np.savetxt('array.txt', array)# 使用 savetxt() 將數組保存到文本文件中