在經常性讀取大量的數值文件時(比如深度學習訓練數據),可以考慮現將數據存儲為Numpy格式,然后直接使用Numpy去讀取,速度相比為轉化前快很多.

下面就常用的保存數據到二進制文件和保存數據到文本文件進行介紹:

1.保存為二進制文件(.npy/.npz)

numpy.save

保存一個數組到一個二進制的文件中,保存格式是.npy

參數介紹

numpy.save(file, arr, allow_pickle=True, fix_imports=True)

file:文件名/文件路徑

arr:要存儲的數組

allow_pickle:布爾值,允許使用Python pickles保存對象數組(可選參數,默認即可)

fix_imports:為了方便Pyhton2中讀取Python3保存的數據(可選參數,默認即可)

使用

>>> import numpy as np

#生成數據

>>> x=np.arange(10)

>>> x

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

#數據保存

>>> np.save('save_x',x)

#讀取保存的數據

>>> np.load('save_x.npy')

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

numpy.savez

這個同樣是保存數組到一個二進制的文件中,但是厲害的是,它可以保存多個數組到同一個文件中,保存格式是.npz,它其實就是多個前面np.save的保存的npy,再通過打包(未壓縮)的方式把這些文件歸到一個文件上,不行你去解壓npz文件就知道了,里面是就是自己保存的多個npy.

參數介紹

numpy.savez(file, *args, **kwds)

file:文件名/文件路徑

*args:要存儲的數組,可以寫多個,如果沒有給數組指定Key,Numpy將默認從'arr_0','arr_1'的方式命名

kwds:(可選參數,默認即可)

使用

>>> import numpy as np

#生成數據

>>> x=np.arange(10)

>>> x

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>>> y=np.sin(x)

>>> y

array([ 0. , 0.84147098, 0.90929743, 0.14112001, -0.7568025 ,

-0.95892427, -0.2794155 , 0.6569866 , 0.98935825, 0.41211849])

#數據保存

>>> np.save('save_xy',x,y)

#讀取保存的數據

>>> npzfile=np.load('save_xy.npz')

>>> npzfile #是一個對象,無法讀取

#按照組數默認的key進行訪問

>>> npzfile['arr_0']

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>>> npzfile['arr_1']

array([ 0. , 0.84147098, 0.90929743, 0.14112001, -0.7568025 ,

-0.95892427, -0.2794155 , 0.6569866 , 0.98935825, 0.41211849])

更加神奇的是,你可以不適用Numpy默認給數組的Key,而是自己給數組有意義的Key,這樣就可以不用去猜測自己加載數據是否是自己需要的.

#數據保存

>>> np.savez('newsave_xy',x=x,y=y)

#讀取保存的數據

>>> npzfile=np.load('newsave_xy.npz')

#按照保存時設定組數key進行訪問

>>> npzfile['x']

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>>> npzfile['y']

array([ 0. , 0.84147098, 0.90929743, 0.14112001, -0.7568025 ,

-0.95892427, -0.2794155 , 0.6569866 , 0.98935825, 0.41211849])

簡直不能太爽,深度學習中,有時候你保存了訓練集,驗證集,測試集,還包括他們的標簽,用這個方式存儲起來,要啥加載啥,文件數量大大減少,也不會到處改文件名去.

numpy.savez_compressed

這個就是在前面numpy.savez的基礎上加了壓縮,前面我介紹時尤其注明numpy.savez是得到的文件打包,不壓縮的.這個文件就是對文件進行打包時使用了壓縮,可以理解為壓縮前各npy的文件大小不變,使用該函數比前面的numpy.savez得到的npz文件更小.

注:函數所需參數和numpy.savez一致,用法完成一樣.

2.保存到文本文件

numpy.savetxt

保存數組到文本文件上,可以直接打開查看文件里面的內容.

參數介紹

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

fname:文件名/文件路徑,如果文件后綴是.gz,文件將被自動保存為.gzip格式,np.loadtxt可以識別該格式

X:要存儲的1D或2D數組

fmt:控制數據存儲的格式

delimiter:數據列之間的分隔符

newline:數據行之間的分隔符

header:文件頭步寫入的字符串

footer:文件底部寫入的字符串

comments:文件頭部或者尾部字符串的開頭字符,默認是'#'

encoding:使用默認參數

使用

>>> import numpy as np

#生成數據

>>> x = y = z = np.ones((2,3))

>>> x

array([[1., 1., 1.],

[1., 1., 1.]])

#保存數據

np.savetxt('test.out', x)

np.savetxt('test1.out', x,fmt='%1.4e')

np.savetxt('test2.out', x, delimiter=',')

np.savetxt('test3.out', x,newline='a')

np.savetxt('test4.out', x,delimiter=',',newline='a')

np.savetxt('test5.out', x,delimiter=',',header='abc')

np.savetxt('test6.out', x,delimiter=',',footer='abc')

保存下來的文件都是友好的,可以直接打開看看有什么變化.

numpy.loadtxt

根據前面定制的保存格式,相應的加載數據的函數也得變化.

參數介紹

numpy.loadtxt(fname, dtype=, comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0, encoding='bytes')

fname:文件名/文件路徑,如果文件后綴是.gz或.bz2,文件將被解壓,然后再載入

dtype:要讀取的數據類型

comments:文件頭部或者尾部字符串的開頭字符,用于識別頭部,尾部字符串

delimiter:劃分讀取上來值的字符串

converters:數據行之間的分隔符

.......后面不常用的就不寫了

使用

np.loadtxt('test.out')

np.loadtxt('test2.out', delimiter=',')

總結

到此這篇關于Python Numpy中數據的常用保存與讀取方法的文章就介紹到這了,更多相關python numpy 數據保存讀取內容請搜索我們以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持我們！

本文標題: Python Numpy中數據的常用保存與讀取方法

本文地址: http://www.cppcns.com/jiaoben/python/305192.html

總結

以上是生活随笔為你收集整理的python如何读取数据保存为新格式_Python Numpy中数据的常用保存与读取方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。