Tout d'abord, répétez le tableau
Numpy contient un objet Itérateur Numpy.nditer. C'est un objet de périphérique multidimensionnel efficace qui peut être utilisé pour les chevaucher sur une matrice. Chaque élément de la matrice est accessible avec l'interface Itératrice standard de Python.
import numpy as npa = np.arange(0, 60, 5)a = a.reshape(3, 4)print(a)for x in np.nditer(a): print(x) Si les deux matrices sont jouées, l'objet de combinaison NDiter peut les répéter. Supposons qu'un matrice A a une taille 3x4 et présente un autre tableau de taille B de 1x4, puis le type d'itérateur suivant (le tableau B est diffusé à la taille). [ 0 5 10 15] [20 25 30 35] [40 45 50 55]0510152025303540455055<
Lundi, Fonction Modifier la forme de la matrice
import numpy as npa = 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 15 210 315 420 125 230 335 440 145 250 355 4
1, NDARRAY.RESHAPAPE
Les fonctions sont modifié selon les conditions que les données inchangées, les paramètres sont les suivants:
NDARRAY.RESHAPE (arreshaphapape, ordre)
import numpy as npa = np.arange(8)print(a)b = a.reshape(4, 2)print(b)
import numpy as npa = 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]
import numpy as npa = np.arange(8).reshape(2, 4)print(a)# default is column-majorprint(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]
• arr：要转置的数组• axes：整数的列表，对应维度，通常所有维度都会翻转。
import numpy as npa = 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)
import numpy as npa = 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]
• 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 npa = 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]
• 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 npa = 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]
2, NDARRAY.FLAT La fonction retourne à un itérateur à sens unique sur le tableau et le même comportement que le répéteur est construit par Python.
3, NDARRAY.FLATTEN
La fonction de retour a été pliée dans une copie d'une matrice à sens unique et les paramètres suivants:
Ndarray .Fatten: Commandez: "C" - Appuyez sur la ligne, "F" - Liste, "A" - Ordre de commande, "K" - Commandez en mémoire en mémoire.
import numpy as npa = 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]
MARDI, FONCTION DE FONCTION DE TRAIS DE TRANCHE
1, NUMPY.TRANSPOE
Fonction Retournez le taille des ensembles donnés. Si possible, cela retournera une vue. La fonction accepte les paramètres suivants:
Numpy.Transposez (Arrande)
• arr：输入数组• axis：新轴插入的位置 Dans laquelle:
import numpy as npx = 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) • 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 npx = 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)
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)
• 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 2, numpy.ndarray.t
import numpy as npa = 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)) Cette fonction appartient à la classe Ndarray et au même comportement que NUMPY.Transpose.
[1 2] [3 4][5 6] [7 8][1 2] [3 4] [5 6] [7 8][1 2] [5 6] [3 4] [7 8]
3, NUMPY.SWAPAXES
Échangez la fonction à deux axes de la matrice. Cette fonction accepte les paramètres suivants:
- Numpy.SwaPaxes (Arrage1, Axis2) import numpy as npa = 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)
- Paramètre: [1 2] [3 4][5 6] [7 8]水平堆叠：[1 2 5 6] [3 4 7 8]
import numpy as npa = 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]
• a1, a2, ...：相同类型的数组序列• axis：沿着它连接数组的轴，默认为 0
import numpy as npa = 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]
– 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).
• 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 0
import numpy as npa = 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)
import numpy as npa = 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])]
import numpy as npa = 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])]
– 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
• arr：要修改大小的输入数组• shape：返回数组的新形状
. import numpy as npa = 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]
• 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。 4 , Numpy.Rollaxis
import numpy as npa = 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)) S Rouleaux d'arbre spécifique à un emplacement spécifique. Cette fonction
[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] a accepté trois paramètres:
- Numpy.Rollaxis (Arollaxis (axe, démarrage)
- Dans laquelle:
• 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 npa = 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] • 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 npa = 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] • 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 npa = 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] import numpy as npprint(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\nhow are you?'))print(np.char.splitlines('hello\rhow 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 worldHello How Are You?['hello' 'world']helloHELLO['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 boyb'\x88\x85\x93\x93\x96'hello
– 三角函数– 舍入函数– 算数函数
import numpy as npa = 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]
– 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
import numpy as npa = np.array([1.0, 5.55, 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.]
– 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 npa = 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]
– 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 npa = 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]74.04.05.05.01.118033988751.25
.
– 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 npa = 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]43(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]
– 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 npa = 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.]
.
1, Numpy.Broadcast_to La fonction de nouvelles matrices de diffusion forme. Il renvoie une vue en lecture seule sur le tableau d'origine. Il est généralement discontinu. Si la nouvelle forme ne correspond pas à la règle de diffusion numpy, la fonction peut lancer ValueError. Cette fonction accepte les paramètres suivants: - Numpy.Broadcast_to (tableau, forme, Subok)
2, numpy.expand_dims La fonction élargira la forme de la matrice en insérant un nouvel axe dans la position spécifiée. Cette fonction nécessite deux paramètres: - Numppy.expand_dims (Arrage) - Dans laquelle:
3, NUMPY.SQUEEZE La fonction supprimera un élément une dimension de la forme d'un tableau donné. Cette fonction nécessite deux paramètres. - Numpy.Squeeze (Arramé) - Parmi eux: V. Liaison Activités
1, Numpy.stack La fonction est connectée à la chaîne de numéros le long de la nouvelle axe et les paramètres suivants sont requis: - Numpy.stack (tableau, axe) - En cela:
2, numpy .hstack est une variante de la fonction Numpy.Stack, créant un seul en empilant ensemble. Déployer.
3, Numpy.Vstack est une variante de la fonction Numpy.Stack, créée par empilement pour créer un seul tableau vertical.
4, NUMPY.CONCATENATE Les fonctions utilisées pour connecter la même forme le long des deux réseaux ou plus spécifiés. Cette fonction accepte les paramètres suivants. - NUMPY.CONCATENATE ((A1, A2, ...), AXIS) - Dans laquelle: Activité de segment La fonction de division Array de numpy est la suivante:
1, numpy .split Cette fonction divise le tableau en une sous-réseau le long d'un axe d'outilsPouvez. La fonction accepte trois paramètres: - numpy.split (ary, indices_or_sections, axe)
2, Numpy.hsplit Cas particulier de la fonction Split (), où l'axe est un représentant du segment horizontal.
3, NUMPY.VSPLIT SPÉCIAL DE LA FONCTION SPLIT (), dans laquelle l'arbre est 0 indique le segment vertical, peu importe de la taille de la matrice d'entrée. Seven, omettez l'élément de réseau Numpy dans la fonction de fonctionnement de la matrice comme suit:
[ 1. Numpy. Redimensionner La fonction renvoie une nouvelle matrice spécifiée. Si la nouvelle taille est supérieure à la taille d'origine, une copie répétée de l'élément dans la matrice d'origine. S'il est plus petit, une partie des données de la matrice est initialement supprimée. Cette fonction accepte les paramètres suivants: - Numpy.Resize (Arres, forme) - Dans laquelle:
2, Nump.append Ajoutez une valeur à la fin de la matrice d'entrée. D'autres activités ne sont pas disponibles en place, mais allouer de nouveaux tableaux. De plus, la taille de la matrice d'entrée doit correspondre à une autre ValsError à créer. La fonction accepte les fonctions suivantes: - Numpy.append (Arres, valeur, axe) - dans laquelle:
3, Numpy.Insert la valeur est insérée dans le réseau d'entrée le long de la matrice d'entrée en face d'un indice. Si la valeur de la valeur est convertie en insert, il diffère du tableau d'entrée. Insérer le numéro d'origine, la fonction retourne un nouveau tableau. En outre, si l'arbre est pas fourni, le tableau d'entrée sera étendu. fonction Insérer () accepte les paramètres suivants: - Numpy.Insert (Arres, OBJ, valeur, Axe)
4, numpy.delet Fonction E renvoie la nouvelle gamme de le sous-ensemble désigné de la matrice d'entrée. Comme avec la fonction d'insertion (), si les paramètres d'axe ne sont pas fournis, la matriceL'entrée sera élargie. Cette fonction accepte les paramètres suivants: - numpy.delete (Arres, Obj, axe)
5, Numpy.unique La fonction renvoie la maquette des éléments transmis dans la matrice d'entrée. Cette fonction peut renvoyer un tuple contenant une série de groupes d'accès et d'index connexes. La nature de l'index dépend du type de paramètre renvoyé pendant l'appel de la fonction. - numpy.unique (Aurures, retour_index, retour_invere, retour_counts) Numpy String Fonction .
Les fonctions suivantes sont utilisées pour effectuer le fonctionnement de la chaîne quantique pour les tableaux DTYPE dans numpy.string_ ou numpy.unicode_. Ils sont basés sur des fonctions de chaîne standard dans la bibliothèque intégrée Python.
Fonction informatique - Numpy contient une grande quantité de fonction de calcul de mathématiques . NUMPY fournit une fonction de triangle standard,Fonction d'activité arithmétique, fonction de traitement du nombre, et plus encore. [Fonction numpy - Triangle Numpy a une fonction de triangle standard, il s'agit d'une chimiothérapie en ding de coin pour retourner un triangle .
1, Les fonctions Arcsin, ArcCOS et Arctan ont renvoyé une fonction sinusoïdale de coin, cos et dissout fonctionnent triangulaires. Le résultat de ces fonctions peut être vérifié par la fonction numpy.degrees () en convertissant le système d'arc au système d'angle.
2, fonction numpy-arrondi • Numpy.ared () Cette fonction renvoie la valeur de quatre coupures à la valeur souhaitée. Précision • La fonction Numppy.Floor () renvoie l'entier maximum du paramètre d'entrée. • La fonction Numpy.Ceuil () renvoie la limite supérieure de la valeur d'entrée, plus grandement entier minimum des paramètres d'entrée.
3, NUMPLY - Calcul pour effectuer le nombre d'entre euxC (comme ajouter (), la soustraction (), la matrice d'entrée de plusieurs () et Split ()) doit avoir la même forme ou conformément aux règles génératrices de matrices.
4, fonction numpy-statistiques Numéro de nombreuses statistiques utiles utilisées pour utiliser les normes maximales , maximum, pourcentage et variance d'un certain élément donné dans les tableaux. Dix, Tri, Comptage de la recherche et de la fonction de nombreux arrangements arrangés sont un niveau d'arc dans NUMPY.
Opération de fichier NUMPY IO Les objets NDARARRAY peuvent être enregistrés dans le fichier de disque et téléchargé à partir de fichiers de disque. Les fonctions IO disponibles sont les suivantes: