numpy
Datei-IO mit numpy

Speichern und Laden von numpy-Arrays mithilfe von Binärdateien

x = np.random.random([100,100])
x.tofile('/path/to/dir/saved_binary.npy')
y = fromfile('/path/to/dir/saved_binary.npy')
z = y.reshape(100,100)
all(x==z)
# Output:
#     True

Laden numerischer Daten aus Textdateien mit konsistenter Struktur

Mit der Funktion np.loadtxt können csv-ähnliche Dateien gelesen werden:

# File:
#    # Col_1 Col_2
#    1, 1
#    2, 4
#    3, 9
np.loadtxt('/path/to/dir/csvlike.txt', delimiter=',', comments='#')
# Output:
# array([[ 1.,  1.],
#        [ 2.,  4.],
#        [ 3.,  9.]])

np.fromregex Datei kann mit einem regulären Ausdruck mit np.fromregex gelesen werden:

np.fromregex('/path/to/dir/csvlike.txt', r'(\d+),\s(\d+)', np.int64)
# Output:
# array([[1, 1],
#        [2, 4],
#        [3, 9]])

Speichern von Daten als CSV-ASCII-Datei

Analog zu np.loadtxt können mit np.savetxt Daten in einer ASCII-Datei gespeichert werden

import numpy as np
x = np.random.random([100,100])
np.savetxt("filename.txt", x)

So steuern Sie die Formatierung:

np.savetxt("filename.txt", x, delimiter=", " , 
    newline="\n", comments="$ ", fmt="%1.2f",
    header="commented example text")

Ausgabe:

$ commented example text
0.30, 0.61, 0.34, 0.13, 0.52, 0.62, 0.35, 0.87, 0.48, [...]

CSV-Dateien lesen

Drei Hauptfunktionen verfügbar (Beschreibung von Manpages):

fromfile - Eine hocheffiziente Methode zum Lesen von binären Daten mit einem bekannten Datentyp sowie zum Analysieren einfach formatierter Textdateien. Mit der Tofile-Methode geschriebene Daten können mit dieser Funktion gelesen werden.

genfromtxt - genfromtxt Daten aus einer Textdatei, wobei fehlende Werte wie angegeben behandelt werden. Jede Zeile nach den ersten skip_header-Zeilen wird am Trennzeichen aufgeteilt, und Zeichen, die auf das Kommentarzeichen folgen, werden verworfen.

loadtxt - loadtxt Daten aus einer Textdatei. Jede Zeile in der Textdatei muss dieselbe Anzahl von Werten haben.

genfromtxt ist eine Wrapper-Funktion für loadtxt . genfromtxt ist am einfachsten zu verwenden, da es viele Parameter für den Umgang mit der Eingabedatei gibt.

Konsistente Spaltenanzahl, konsistenter Datentyp (numerisch oder String):

Gegeben eine Eingabedatei, myfile.csv mit dem Inhalt:

#descriptive text line to skip
1.0, 2, 3
4, 5.5, 6

import numpy as np
np.genfromtxt('path/to/myfile.csv',delimiter=',',skiprows=1)

gibt ein Array:

array([[ 1. ,  2. ,  3. ],
       [ 4. ,  5.5,  6. ]])

Konsistente Spaltenanzahl, gemischter Datentyp (spaltenübergreifend):

1   2.0000  buckle_my_shoe
3   4.0000  margery_door

import numpy as np
np.genfromtxt('filename', dtype= None)


array([(1, 2.0, 'buckle_my_shoe'), (3, 4.0, 'margery_door')], 
dtype=[('f0', '<i4'), ('f1', '<f8'), ('f2', '|S14')])

Beachten Sie die Verwendung von dtype=None führt zu einer Wiederholung.

Inkonsistente Spaltenanzahl:

Datei: 1 2 3 4 5 6 7 8 9 10 11 22 13 14 15 16 17 18 19 20 21 22 23 24

In einzeiliges Array:

result=np.fromfile(path_to_file,dtype=float,sep="\t",count=-1)