在經(jīng)常性讀取大量的數(shù)值文件時(shí)(比如深度學(xué)習(xí)訓(xùn)練數(shù)據(jù)),可以考慮現(xiàn)將數(shù)據(jù)存儲(chǔ)為Numpy格式,然后直接使用Numpy去讀取,速度相比為轉(zhuǎn)化前快很多.

下面就常用的保存數(shù)據(jù)到二進(jìn)制文件和保存數(shù)據(jù)到文本文件進(jìn)行介紹:

1.保存為二進(jìn)制文件(.npy/.npz)

numpy.save

保存一個(gè)數(shù)組到一個(gè)二進(jìn)制的文件中,保存格式是.npy

參數(shù)介紹

numpy.save(file, arr, allow_pickle=True, fix_imports=True)file:文件名/文件路徑arr:要存儲(chǔ)的數(shù)組allow_pickle:布爾值,允許使用Python pickles保存對(duì)象數(shù)組(可選參數(shù),默認(rèn)即可)fix_imports:為了方便Pyhton2中讀取Python3保存的數(shù)據(jù)(可選參數(shù),默認(rèn)即可)

使用

>>> import numpy as np #生成數(shù)據(jù) >>> x=np.arange(10) >>> x array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) #數(shù)據(jù)保存 >>> np.save(’save_x’,x) #讀取保存的數(shù)據(jù) >>> np.load(’save_x.npy’) array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) numpy.savez

這個(gè)同樣是保存數(shù)組到一個(gè)二進(jìn)制的文件中,但是厲害的是,它可以保存多個(gè)數(shù)組到同一個(gè)文件中,保存格式是.npz,它其實(shí)就是多個(gè)前面np.save的保存的npy,再通過(guò)打包(未壓縮)的方式把這些文件歸到一個(gè)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(gè)npy.

參數(shù)介紹

numpy.savez(file, *args, **kwds)file:文件名/文件路徑*args:要存儲(chǔ)的數(shù)組,可以寫(xiě)多個(gè),如果沒(méi)有給數(shù)組指定Key,Numpy將默認(rèn)從’arr_0’,’arr_1’的方式命名kwds:(可選參數(shù),默認(rèn)即可)

使用

>>> import numpy as np #生成數(shù)據(jù) >>> 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(shù)據(jù)保存 >>> np.save(’save_xy’,x,y) #讀取保存的數(shù)據(jù) >>> npzfile=np.load(’save_xy.npz’) >>> npzfile #是一個(gè)對(duì)象,無(wú)法讀取 <numpy.lib.npyio.NpzFile object at 0x7f63ce4c8860> #按照組數(shù)默認(rèn)的key進(jìn)行訪問(wèn) >>> 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(rèn)給數(shù)組的Key,而是自己給數(shù)組有意義的Key,這樣就可以不用去猜測(cè)自己加載數(shù)據(jù)是否是自己需要的.

#數(shù)據(jù)保存 >>> np.savez(’newsave_xy’,x=x,y=y) #讀取保存的數(shù)據(jù) >>> npzfile=np.load(’newsave_xy.npz’) #按照保存時(shí)設(shè)定組數(shù)key進(jìn)行訪問(wèn) >>> 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(jiǎn)直不能太爽,深度學(xué)習(xí)中,有時(shí)候你保存了訓(xùn)練集,驗(yàn)證集,測(cè)試集,還包括他們的標(biāo)簽,用這個(gè)方式存儲(chǔ)起來(lái),要啥加載啥,文件數(shù)量大大減少,也不會(huì)到處改文件名去.

numpy.savez_compressed

這個(gè)就是在前面numpy.savez的基礎(chǔ)上加了壓縮,前面我介紹時(shí)尤其注明numpy.savez是得到的文件打包,不壓縮的.這個(gè)文件就是對(duì)文件進(jìn)行打包時(shí)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(shù)比前面的numpy.savez得到的npz文件更小.

注:函數(shù)所需參數(shù)和numpy.savez一致,用法完成一樣.

2.保存到文本文件

numpy.savetxt

保存數(shù)組到文本文件上,可以直接打開(kāi)查看文件里面的內(nèi)容.

參數(shù)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(dòng)保存為.gzip格式,np.loadtxt可以識(shí)別該格式X:要存儲(chǔ)的1D或2D數(shù)組fmt:控制數(shù)據(jù)存儲(chǔ)的格式delimiter:數(shù)據(jù)列之間的分隔符newline:數(shù)據(jù)行之間的分隔符header:文件頭步寫(xiě)入的字符串footer:文件底部寫(xiě)入的字符串comments:文件頭部或者尾部字符串的開(kāi)頭字符,默認(rèn)是’#’encoding:使用默認(rèn)參數(shù)

使用

>>> import numpy as np #生成數(shù)據(jù) >>> x = y = z = np.ones((2,3)) >>> x array([[1., 1., 1.], [1., 1., 1.]]) #保存數(shù)據(jù) 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(lái)的文件都是友好的,可以直接打開(kāi)看看有什么變化.

numpy.loadtxt

根據(jù)前面定制的保存格式,相應(yīng)的加載數(shù)據(jù)的函數(shù)也得變化.

參數(shù)介紹

numpy.loadtxt(fname, dtype=<class ’float’>, 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(shù)據(jù)類型comments:文件頭部或者尾部字符串的開(kāi)頭字符,用于識(shí)別頭部,尾部字符串delimiter:劃分讀取上來(lái)值的字符串converters:數(shù)據(jù)行之間的分隔符.......后面不常用的就不寫(xiě)了

使用

np.loadtxt(’test.out’) np.loadtxt(’test2.out’, delimiter=’,’)

總結(jié)

到此這篇關(guān)于Python Numpy中數(shù)據(jù)的常用保存與讀取方法的文章就介紹到這了,更多相關(guān)python numpy 數(shù)據(jù)保存讀取內(nèi)容請(qǐng)搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！