numpy
Fil IO med numpy

Spara och ladda numpy-matriser med binära filer

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

Laddar numeriska data från textfiler med konsekvent struktur

Funktionen np.loadtxt kan användas för att läsa csv-liknande filer:

# 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.]])

Samma fil kan läsas med ett vanligt uttryck med np.fromregex :

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

Spara data som CSV-stil ASCII-fil

Analog till np.loadtxt , np.savetxt kan användas för att spara data i en ASCII-fil

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

Så här kontrollerar du formatering:

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

Produktion:

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

Läser CSV-filer

Tre huvudfunktioner tillgängliga (beskrivning från mansidor):

fromfile - Ett mycket effektivt sätt att läsa binära data med en känd datatyp, samt analysera helt enkelt formaterade textfiler. Data skrivna med tofile-metoden kan läsas med denna funktion.

genfromtxt - Ladda data från en textfil, med saknade värden hanteras som specificerat. Varje rad förbi de första skip_header-linjerna delas upp vid avgränsningstecken och tecken som följer kommentarens karaktär kastas.

loadtxt - Ladda data från en textfil. Varje rad i textfilen måste ha samma antal värden.

genfromtxt är en omslagsfunktion för loadtxt . genfromtxt är den mest raka framåt att använda eftersom den har många parametrar för att hantera ingångsfilen.

Konsistent antal kolumner, konsekvent datatyp (numerisk eller sträng):

Fick en inmatningsfil, myfile.csv med innehållet:

#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)

ger en matris:

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

Konsekvent antal kolumner, blandad datatyp (över kolumner):

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')])

Observera att användningen av dtype=None resulterar i en omgrupp.

Inkonsekvent antal kolumner:

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

I en rad med en rad:

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