Comment stocker et lire des données sous forme de texte dans numpy

Cet article présente principalement la méthode de stockage et de lecture des données sous forme de texte dans numpy. Il a une certaine valeur de référence. Maintenant, je le partage avec vous. Les amis dans le besoin peuvent s'y référer

En plus. En plus d'enregistrer les données dans un fichier sous forme de fichier binaire, vous pouvez également choisir d'enregistrer les données dans un fichier texte. Si j'ai besoin de stockage sur disque, je choisis généralement le stockage de texte car il existe plus d'options pour les outils de post-traitement.

Les fichiers de données de stockage de texte peuvent utiliser la fonction savetxt et les fichiers correspondants peuvent être chargés à l'aide de la fonction loadtxt. Contrairement au stockage binaire, la fonctionnalité de savetxt n'ajoute pas automatiquement les extensions.

Ce qui suit est une démonstration d'opération simple :

In [15]: arr1 =rand(5,4)
 
In [16]: arr1
Out[16]:
array([[0.21349492, 0.77993282, 0.37269246, 0.70599725],
  [ 0.74004045, 0.64697716, 0.49489394, 0.94005934],
  [ 0.89902693, 0.43021685, 0.29623512, 0.4259565 ],
  [ 0.00146385, 0.7619464 , 0.2764662 , 0.00896728],
  [ 0.17746182, 0.81107356, 0.13140944, 0.12808611]])
 
In [17]:np.savetxt('data.txt',arr1)

Passez ce qui précède Opération, les informations du tableau sont stockées dans le fichier data.txt. Il peut être édité et modifié via d'autres éditeurs de texte ou d'autres outils de traitement. Les résultats de la visualisation du fichier directement sous forme texte sont les suivants :

C:\Users\ThinkPad\Desktop>typedata.txt
2.134949194782667092e-017.799328187516920696e-01 3.726924550593806451e-01 7.059972531846898658e-01
7.400404474495648754e-016.469771552354630639e-01 4.948939386825553788e-01 9.400593405075502451e-01
8.990269288143762916e-014.302168497691762905e-01 2.962351210526772416e-01 4.259564974067475696e-01
1.463850064000737916e-037.619464016912527171e-01 2.764661957409741966e-01 8.967282719944846825e-03
1.774618247314488917e-018.110735600283927038e-01 1.314094418012348164e-01 1.280861102265743456e-01

Chargement du fichier :

In [22]: new_arr =np.loadtxt('data.txt')
 
In [23]: new_arr
Out[23]:
array([[0.21349492, 0.77993282, 0.37269246, 0.70599725],
  [ 0.74004045, 0.64697716, 0.49489394, 0.94005934],
  [ 0.89902693, 0.43021685, 0.29623512, 0.4259565 ],
  [ 0.00146385, 0.7619464 , 0.2764662 , 0.00896728],
  [ 0.17746182, 0.81107356, 0.13140944, 0.12808611]])

Le fichier de données stocké peut être réutilisé pour créer un objet tableau par chargement Afin de vérifier la cohérence du stockage et de la lecture, effectuez la vérification suivante :

In [25]: arr1 ==new_arr
Out[25]:
array([[True, True, True, True],
  [ True, True, True, True],
  [ True, True, True, True],
  [ True, True, True, True],
  [ True, True, True, True]], dtype=bool)

Comme le montre ce qui précède, les données relues ont le même effet que l'original.

Recommandations associées :

numpy Exemples d'épissage et de fusion de tableaux sur des lignes et des colonnes respectivement

Méthode d'extension de numpy pour fusionner des matrices et des listes multidimensionnelles

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!