保存并共享您的 NumPy 数组#

你将学到什么#

您将 NumPy 数组保存为压缩文件和人类可读的逗号分隔文件,即 *.csv。您还将学习将这两种文件类型加载回 NumPy 工作区。

你会做什么#

您将学习两种保存和读取文件的方法(压缩文件和文本文件),这将满足您在 NumPy 中的大部分存储需求。

  • 您将创建两个一维数组和一个二维数组

  • 您将这些数组保存到文件中

  • 您将从工作区中删除变量

  • 您将从保存的文件中加载变量

  • 您将比较压缩的二进制文件与人类可读的分隔文件

  • 您将掌握保存、加载和共享 NumPy 数组的技能

你需要什么#

  • Numpy

  • 对工作目录的读写访问权限

使用以下命令加载必要的功能。

import numpy as np

在本教程中,您将使用以下 Python、IPython magic 和 NumPy 函数:


创建你的数组#

现在您已经导入了 NumPy 库,您可以创建几个数组;让我们从两个一维数组开始,xy,其中。您将使用 分配从 0 到 9 的整数 。y = x**2xnp.arange

x = np.arange(10)
y = x ** 2
print(x)
print(y)
[0 1 2 3 4 5 6 7 8 9]
[ 0  1  4  9 16 25 36 49 64 81]

使用 NumPy 保存数组#savez

现在您的工作区中有两个数组,

x: [0 1 2 3 4 5 6 7 8 9]

y: [ 0  1  4  9 16 25 36 49 64 81]

您要做的第一件事就是使用 .zip 将它们作为压缩数组保存到文件中 savez。您将使用两个选项来标记文件中的数组,

  1. x_axis = xx_axis:该选项为变量分配名称x

  2. y_axis = yy_axis:该选项为变量分配名称y

np.savez("x_y-squared.npz", x_axis=x, y_axis=y)

删除保存的数组并使用 NumPy 的#加载它们load

在当前工作目录中,您应该有一个名为x_y-squared.npz.该文件是两个数组的压缩二进制文件, x并且y.让我们清除工作区并重新加载值。该 x_y-squared.npz文件包含两个NPY 格式 文件。 NPY 格式是本机二进制格式。您无法在标准文本编辑器或电子表格中读取这些数字。

  1. 从工作空间中删除xydel

  2. 将数组加载到字典中的工作区中np.load

要查看工作区中有哪些变量,请使用 Jupyter/IPython“magic”命令 whos

del x, y
%whos
Variable   Type      Data/Info
------------------------------
np         module    <module 'numpy' from '/ho<...>kages/numpy/__init__.py'>
load_xy = np.load("x_y-squared.npz")

print(load_xy.files)
['x_axis', 'y_axis']
%whos
Variable   Type       Data/Info
-------------------------------
load_xy    NpzFile    NpzFile 'x_y-squared.npz'<...>with keys: x_axis, y_axis
np         module     <module 'numpy' from '/ho<...>kages/numpy/__init__.py'>

将 NpzFile 数组重新分配给xy#

您现在已经创建了带有 -type 的字典NpzFile。包含的文件是x_axisy_axissavez命令中定义的文件。您可以将x和重新分配yload_xy文件。

x = load_xy["x_axis"]
y = load_xy["y_axis"]
print(x)
print(y)
[0 1 2 3 4 5 6 7 8 9]
[ 0  1  4  9 16 25 36 49 64 81]

成功

您已创建、保存、删除和加载变量xy使用savezload。干得好。

另一种选择:保存到人类可读的 csv #

让我们考虑另一个场景,您想要xy其他人或其他程序共享。您可能需要更易于共享的人类可读文本文件。接下来,您使用 来 savetxtx和保存y在逗号分隔值文件x_y-squared.csv.生成的 csv 由 ASCII 字符组成。您可以将该文件加载回 NumPy 或使用其他程序读取它。

将数据重新排列成单个二维数组#

首先,您必须从两个一维数组创建一个二维数组。 csv 文件类型是电子表格样式的数据集。 csv 将数字按行(用换行符分隔)和列(用逗号分隔)排列。如果数据更复杂,例如多个二维数组或更高维数组,最好使用savez。在这里,您使用两个 NumPy 函数来格式化数据:

  1. np.block:该函数将数组附加到一个二维数组中

  2. np.newaxis:该函数将 1D 数组强制转换为 10 行 1 列的 2D 列向量。

array_out = np.block([x[:, np.newaxis], y[:, np.newaxis]])
print("the output array has shape ", array_out.shape, " with values:")
print(array_out)
the output array has shape  (10, 2)  with values:
[[ 0  0]
 [ 1  1]
 [ 2  4]
 [ 3  9]
 [ 4 16]
 [ 5 25]
 [ 6 36]
 [ 7 49]
 [ 8 64]
 [ 9 81]]

使用#将数据保存到 csv 文件savetxt

您可以使用savetxt三个选项来使您的文件更易于阅读:

  • X = array_out:此选项告诉savetxt您将二维数组 保存array_out到文件中x_y-squared.csv

  • header = 'x, y':此选项在标记 csv 列的任何数据之前写入标题

  • delimiter = ',':此选项指示savetxt在文件中的每一列之间放置一个逗号

np.savetxt("x_y-squared.csv", X=array_out, header="x, y", delimiter=",")

打开文件x_y-squared.csv,您将看到以下内容:

!head x_y-squared.csv
# x, y
0.000000000000000000e+00,0.000000000000000000e+00
1.000000000000000000e+00,1.000000000000000000e+00
2.000000000000000000e+00,4.000000000000000000e+00
3.000000000000000000e+00,9.000000000000000000e+00
4.000000000000000000e+00,1.600000000000000000e+01
5.000000000000000000e+00,2.500000000000000000e+01
6.000000000000000000e+00,3.600000000000000000e+01
7.000000000000000000e+00,4.900000000000000000e+01
8.000000000000000000e+00,6.400000000000000000e+01

我们的数组作为 csv 文件#

这里有两个特点你应该注意:

  1. NumPy#在使用时会忽略标题loadtxt。如果您使用 loadtxt 其他 csv 文件,则可以使用 .csv 跳过标题行。skiprows = <number_of_header_lines>

  2. 整数以科学记数法表示。您可以savetxt使用选项指定文本的格式,但仍会使用 ASCII 字符写入。一般来说,您不能将 ASCII 数字的类型保留为或。fmt = floatint

现在,再次删除xy并将它们分配给 中的列x-y_squared.csv

del x, y
load_xy = np.loadtxt("x_y-squared.csv", delimiter=",")
load_xy.shape
(10, 2)
x = load_xy[:, 0]
y = load_xy[:, 1]
print(x)
print(y)
[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
[ 0.  1.  4.  9. 16. 25. 36. 49. 64. 81.]

成功,但记住你的类型#

将数组保存到 csv 文件时,没有保留类型 int。将数组加载回工作区时,默认过程是将 csv 文件加载为 2D 浮点数组,例如和。load_xy.dtype == 'float64'load_xy.shape == (10, 2)

包起来

总之,您可以在 NumPy 中创建、保存和加载数组。保存数组使您的工作共享和协作变得更加容易。 Python 还可以通过其他方式将数据保存到文件中,例如pickle,但是savezsavetxt将分别满足您未来 NumPy 工作和与其他人共享的大部分存储需求。

后续步骤:您可以通过使用 genfromtext 导入来导入缺失值的数据,或者通过读取和写入文件了解有关常规 NumPy IO 的更多信息。