numpy数组之存取文件的实现示例_Python

将 numpy 数组存入文件，有多种文件类型可供选择，对应地就有不同的方法来读写。

下面我将介绍读写 numpy 的三类文件：

txt 或者 csv 文件
npy 或者 npz 文件
hdf5 文件

通过 numpy 读写 txt 或 csv 文件

				?

									import numpy as np

									a = np.array(range(20)).reshape((4, 5))

									print(a)

									# 后缀改为 .txt 一样

									filename = 'data/a.csv'

									# 写文件

									np.savetxt(filename, a, fmt='%d', delimiter=',')

									# 读文件

									b = np.loadtxt(filename, dtype=np.int32, delimiter=',')

									print(b)

缺点：

只能保存一维和二维 numpy 数组，当 numpy 数组 a 有多维时，需要将其 a.reshape((a.shape[0], -1)) 后才能用这种方式保存。
不能追加保存，即每次 np.savetxt() 都会覆盖之前的内容。

通过 numpy 读写 npy 或 npz 文件

读写 npy 文件

				?

									import numpy as np

									a = np.array(range(20)).reshape((2, 2, 5))

									print(a)

									filename = 'data/a.npy'

									# 写文件

									np.save(filename, a)

									# 读文件

									b = np.load(filename)

									print(b)

									print(b.shape)

优点：

npy 文件可以保存任意维度的 numpy 数组，不限于一维和二维；
npy 保存了 numpy 数组的结构，保存的时候是什么 shape 和 dtype，取出来时就是什么样的 shape 和 dtype。

缺点：

只能保存一个 numpy 数组，每次保存会覆盖掉之前文件中存在的内容（如果有的话）。

读写 npz 文件

				?

									import numpy as np

									a = np.array(range(20)).reshape((2, 2, 5))

									b = np.array(range(20, 44)).reshape(2, 3 ,4)

									print('a:\n', a)

									print('b:\n', b)

									filename = 'data/a.npz'

									# 写文件， 如果不指定key，那么默认key为'arr_0'、'arr_1'，一直排下去。

									np.savez(filename, a, b=b)

									# 读文件

									c = np.load(filename)

									print('keys of NpzFile c:\n', c.keys())

									print("c['arr_0']:\n", c['arr_0'])

									print("c['b']:\n", c['b'])

优点：

npy 文件可以保存任意维度的 numpy 数组，不限于一维和二维；
npy 保存了 numpy 数组的结构，保存的时候是什么 shape 和 dtype，取出来时就是什么样的 shape 和 dtype；
可以同时保存多个 numpy 数组；
可以指定保存 numpy 数组的 key，读取的时候很方便，不会混乱。

缺点：

保存多个 numpy 数组时，只能同时保存，即 np.savez(filename, a, b=b) 。每次保存会覆盖掉之前文件中存在的内容（如果有的话）。

通过 h5py 读写 hdf5 文件

优点：

不限 numpy 数组维度，可以保持 numpy 数组结构和数据类型；
适合 numpy 数组很大的情况，文件占用空间小；
可以通过 key 来访问 dataset（可以理解为 numpy.array），读取的时候很方便，不会混乱。
可以不覆盖原文件中含有的内容。

简单读取

				?

									import numpy as np

									import h5py

									a = np.array(range(20)).reshape((2, 2, 5))

									b = np.array(range(20)).reshape((1, 4, 5))

									print(a)

									print(b)

									filename = 'data/data.h5'

									# 写文件

									h5f = h5py.File(filename, 'w')

									h5f.create_dataset('a', data=a)

									h5f.create_dataset('b', data=b)

									h5f.close()

									# 读文件

									h5f = h5py.File(filename, 'r')

									print(type(h5f))

									# 通过切片得到numpy数组

									print(h5f['a'][:])

									print(h5f['b'][:])

									h5f.close()

通过切片赋值

				?

									import numpy as np

									import h5py

									a = np.array(range(20)).reshape((2, 2, 5))

									print(a)

									filename = 'data/a.h5'

									# 写文件

									h5f = h5py.File(filename, 'w')

									# 当数组a太大，需要切片进行操作时，可以不直接对h5f['a']进行初始化；

									# 当之后不需要改变h5f['a']的shape时，可以省略maxshape参数

									h5f.create_dataset('a', shape=(2, 2, 5), maxshape=(None, 2, 5), dtype=np.int32, compression='gzip')

									for i in range(2):

									  # 采用切片的形式赋值

									  h5f['a'][i] = a[i]

									h5f.close()

									# 读文件

									h5f = h5py.File(filename, 'r')

									print(type(h5f))

									print(h5f['a'])

									# 通过切片得到numpy数组

									print(h5f['a'][:])

同一个 hdf5 文件可以创建多个 dataset，读取的时候按照 key 来即可。

总结

csv 和 txt 只能用来存一维或二维 numpy 数组；
npy 用来存单个 numpy 数组，npz 可以同时存多个 numpy 数组，两者都不限 numpy 维度，且都保持 numpy 数组的 shape 和 dtype，写文件时若原文件存在只能覆盖原文件内容；
当 numpy 数组很大时，最好使用 hdf5 文件，hdf5 文件相对更小；
当 numpy 数组很大时，对整个 numpy 数组进行运算容易发生 MemoryError，那么此时可以选择对 numpy 数组切片，将运算后的数组保存到 hdf5 文件中，hdf5 文件支持切片索引。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。

原文链接：http://www.cnblogs.com/wuliytTaotao/p/10914932.html

numpy数组之存取文件的实现示例

相关文章

热门资讯