程序员最近都爱上了这个网站  程序员们快来瞅瞅吧!  it98k网:it98k.com

本站消息

站长简介/公众号

  出租广告位,需要合作请联系站长

+关注
已关注

分类  

暂无分类

标签  

暂无标签

日期归档  

2024-11(2)

【python】NumPy(三):文件读写

发布于2024-11-01 21:46     阅读(589)     评论(0)     点赞(0)     收藏(5)


目录

前言

NumPy

常见IO函数

save()和load()

savez()

loadtxt()和savetxt()

练习


前言

数据分析中,我们经常需要从文件中读取数据或者将数据写入文件,常见的文件格式有:文本文件txt、CSV格式文件(用逗号分隔)、二进制文件等。

Numpy可以读写磁盘上的文本数据或者二进制数据。为ndarray对象引入了一个简单的文件格式:npy。用于存储重建ndarray所需的数据、图形、dtype等信息。

NumPy

常见IO函数

在Numpy中,常见的IO函数有:

  • loadtxt()和savetxt():处理正常的文本文件和CSV文件。
  • load()和save():读写文件数组数据的两个主要函数,默认情况下,是以未压缩的原始二进制格式保存在.npy文件中;
  • savez():用于将多个数写入文件。默认情况下,数组是以未压缩的原始二进制格式保存在扩展名为 .npz 的文件中

save()和load()

numpy.save(filearrallow_pickle=Truefix_imports=<no value>)

想了解更多关于save函数的知识,可以查看:

numpy.save — NumPy v2.1 手册

  • file:文件的路径;
  • arr:所要保存的数组;
  • allow_pickle:bool,可选,允许使用python pickles保存对象数组。默认True。
  • fix_imports:bool,可选,不过已经弃用,忽略。

文件拓展名为.npy

numpy.load(file,mmap_mode=None,allow_pickle=False,fix_imports=True,encoding='ASCII')

  • file:所要读取的文件路径;

mmap_mode:None,{‘r+’,'r','w+','c'}可选;一个 内存映射数组保存在磁盘上。但是,可以访问它 并像任何 ndarray 一样进行切片。内存映射特别有用 用于访问大文件的小片段,而无需读取 整个文件复制到内存中。

‘r'打开现有文件仅供读取
'r+'打开现有文件进行读取和写入
'w+'常见或覆盖现有文件以进行读取和写入。如果shape也必须指定,那么mode='w+'
‘c’Copy-on-write:赋值会影响内存中的数据,但更改不会保存到磁盘,磁盘上的文件为只读。
  • allow_pickle:bool,可选 .
  • fix_imports:bool,可选。仅在python3上加载python2生成的picked文件时有用。
  • encoding:str,可选。读取python2字符串时使用的编码,仅在以下情况下有用 在 Python 3 中加载 Python 2 生成的 pickle 文件,其中包括 npy/npz 文件。除 'latin1' 以外的值, 不允许使用 'ASCII' 和 'bytes',因为它们会破坏数字 数据。默认值: 'ASCII'。
  • max_header_size:int,可选。标头允许的最大大小。大标头可能不安全 以安全地加载,因此需要显式传递更大的值。 有关详细信息,请参阅。 传递 allow_pickle 时,将忽略此选项。在那种情况下 根据定义,该文件是可信的,并且限制是不必要的。

示例:

  1. # 首先存储数组数据,生成.npy文件
  2. import numpy as np
  3. #这里利用相对路径来存储
  4. fileName = './text.npy'
  5. # 生成数组
  6. a = np.arange(24).reshape(2,3,4)
  7. print(a)
  8. #保存到文件中
  9. np.save(fileName,a)

当运行完上面的代码,我们可以打开我们在编写代码下的文件夹:

 

当我们用记事本打开后,会发现是一堆乱码:

 

我们来利用load()来读取其中的数据:

  1. a = np.load(fileName)
  2. a
  1. array([[[ 0, 1, 2, 3],
  2. [ 4, 5, 6, 7],
  3. [ 8, 9, 10, 11]],
  4. [[12, 13, 14, 15],
  5. [16, 17, 18, 19],
  6. [20, 21, 22, 23]]])

我们可以看到,能够成功读取。

savez()

对于前面的save(),一次只能存储一个数组,那么在numpy中,提供了savez()函数,可以将多个数据保存到一个文件中,生成的文件拓展名是.npz

savez(file,*args,**kwds)

  • file:文件的路径;
  • *args:要保存到文件的数组;
  • **kwds:关键字,每个数组都会保存到 output 文件及其相应的关键字名称。

示例:

  1. # 将三个数组放到文件中
  2. a = np.arange(20).reshape(2,10)
  3. b = np.arange(10).reshape(2,5)
  4. c = np.arange(40).reshape(5,8)
  5. #要保存到的文件路径
  6. fileName = './texts.npz'
  7. np.savez(fileName,a,b,c)

我们可以打开文件查查看,确实生成了texts.npz文件,在打开之后,也是一堆乱码。

同样的,我们需要利用load()函数来读取。

需要注意,如果我们直接接受文件内容,打印出来是这样的: 

可以看到,直接打印我们得不到我们想要的数组,因为什么呢?

因为被压缩了,需要根据文件所给的key关键字名称当做索引来进行打印。

  1. all = np.load(fileName)
  2. print(all)
  3. print(all['arr_0'])
  4. print(all['arr_1'])
  5. print(all['arr_2'])
  1. NpzFile './texts.npz' with keys: arr_0, arr_1, arr_2
  2. [[ 0 1 2 3 4 5 6 7 8 9]
  3. [10 11 12 13 14 15 16 17 18 19]]
  4. [[0 1 2 3 4]
  5. [5 6 7 8 9]]
  6. [[ 0 1 2 3 4 5 6 7]
  7. [ 8 9 10 11 12 13 14 15]
  8. [16 17 18 19 20 21 22 23]
  9. [24 25 26 27 28 29 30 31]
  10. [32 33 34 35 36 37 38 39]]

loadtxt()和savetxt()

这两个函数只能够读写一维或者二维数组的文本文件,同时我们也可以给定分隔符、跳过行数等。

numpy.savetxt(fname,array,fmt='%.18e',delimiter=None,newline='\n', header='', footer='', comments='# ', encoding=None)

  • fname:文件路径
  • array:要写入文件的数组(可以是一维或者二维数组);
  • fmt:写入文件的格式,如:%d、%f、%.18e。默认是%.18e。
  • delimiter:分隔符;
  • header:将在文件开头写入的字符串;
  • footer:在文件末尾写入的字符串;
  • comments:附加在header和footer之间的字符串,为注释。
  • encoding:所使用的字符集编码。 

生成的文件可以是txt文件或者是CSV文件。

numpy.loadtxt(fname,dtype=type’float’>,comments=’#’,delimiter=None, converters=None,skiprows=0,usecols=None,unpack=False,ndmin=0,encoding=‘bytes’)

  • fname:所要读取的文件路径;
  • dtype:读取后数据的类型;
  • comments:跳过文件中指定参数开头的行(相当于注释)
  • delimiter:读取文件时的分隔符
  • converters:对读取的数据进行预处理;
  • skiprows:跳过的行数;
  • usecols:指定读取的列;
  • encoding:对读取的文件进行预编码。

示例:

现在我们来创建数组保存到文件中。

  1. a = np.arange(12).reshape(3,4)
  2. fileName='./text.txt'
  3. # 默认fmt是%.18e(浮点数,即保留18位小数)
  4. np.savetxt(fileName,a)

可以看到,如果我们没有设置格式,那么默认的格式就是%.18e,输出18位小数。

我们可以来设置一下:

  1. a = np.arange(12).reshape(3,4)
  2. fileName='./text.txt'
  3. # 默认fmt是%.18e(浮点数,即保留18位小数)
  4. np.savetxt(fileName,a,fmt='%d')

 

可以看到,我们指定输出格式为整数,那么在输出的时候就是整数。

我们来读取一下:

  1. a = np.arange(12).reshape(3,4)
  2. fileName='./text.txt'
  3. # 默认fmt是%.18e(浮点数,即保留18位小数)
  4. np.savetxt(fileName,a,fmt='%d')
  5. #读取文件
  6. a = np.loadtxt(fileName,dtype=np.int32)
  7. print(a)

结果:

  1. [[ 0 1 2 3]
  2. [ 4 5 6 7]
  3. [ 8 9 10 11]]

 那么如果我们生成的是csv文件,那么会是什么样的?

  1. a = np.arange(12).reshape(3,4)
  2. fileName='./text.csv'
  3. # 默认fmt是%.18e(浮点数,即保留18位小数)
  4. np.savetxt(fileName,a,fmt='%d')

我们来读取一下: 

  1. a = np.arange(12).reshape(3,4)
  2. fileName='./text.csv'
  3. # 默认fmt是%.18e(浮点数,即保留18位小数)
  4. np.savetxt(fileName,a,fmt='%d')
  5. #读取文件
  6. a = np.loadtxt(fileName,dtype=np.int32)
  7. print(a)
  1. [[ 0 1 2 3]
  2. [ 4 5 6 7]
  3. [ 8 9 10 11]]

那如果我们只想要第二三行,那么我们可以指定一下跳过几行(skiprows=1)

  1. #读取文件
  2. a = np.loadtxt(fileName,dtype=np.int32,skiprows=1)
  3. print(a)
  1. [[ 4 5 6 7]
  2. [ 8 9 10 11]]

在此基础上,我们只需要第2、4列,那么我们可以设置一下usecols=(1,3)

  1. #读取文件
  2. a = np.loadtxt(fileName,dtype=np.int32,skiprows=1,usecols=(1,3))
  3. print(a)
  1. [[ 5 7]
  2. [ 9 11]]

练习

现在有一个学生成绩单,根据需求,我们要读取出学生的成绩,并计算其总分。;

 我们可以打开记事本查看,会发现中间有逗号隔开,所以我们在读取的时候,也需要设置一下分隔符:

  1. #首先我们需要创建一个结构化类型
  2. stu_type = np.dtype([('name',np.str_,2),('Chinese','i2'),('Math','i2'),('English','i2')])
  3. fileName='./成绩单.csv'
  4. #进行读取,跳过第一行
  5. student = np.loadtxt(fileName,skiprows=1,dtype=stu_type,delimiter=',')
  6. print(student)
  7. # 这里我们需要取出各科成绩
  8. Chinese = student['Chinese']
  9. Math = student['Math']
  10. English = student['English']
  11. print(Chinese)
  12. print(Math)
  13. print(English)
  14. # 计算总分
  15. sum = Chinese + Math + English
  16. print('每个同学的总分为:',sum)
  17. averge =sum/3
  18. #设置格式
  19. np.set_printoptions(formatter={'float': '{: 0.3f}'.format})
  20. print('每个同学的平均分为:',averge)
  1. [('张三', 90, 86, 99) ('李四', 100, 100, 100) ('王五', 87, 98, 111)
  2. ('赵六', 89, 99, 98) ('安静', 86, 87, 94) ('安心', 98, 90, 87)
  3. ('王梓', 87, 88, 89)]
  4. [ 90 100 87 89 86 98 87]
  5. [ 86 100 98 99 87 90 88]
  6. [ 99 100 111 98 94 87 89]
  7. 每个同学的总分为: [275 300 296 286 267 275 264]
  8. 每个同学的平均分为: [ 91.667 100.000 98.667 95.333 89.000 91.667 88.000]

 以上就是本篇所有内容咯~

若有不足,欢迎指正~

后续慢慢改进~~~



所属网站分类: 技术文章 > 博客

作者:战天

链接:https://www.pythonheidong.com/blog/article/2040826/6f22954ffe774ebd7f51/

来源:python黑洞网

任何形式的转载都请注明出处,如有侵权 一经发现 必将追究其法律责任

0 0
收藏该文
已收藏

评论内容:(最多支持255个字符)