本页介绍常见的应用程序；有关I/O例程的完整集合，请参阅 输入和输出 .
使用 numpy.loadtxt .
numpy.loadtxt
使用 numpy.genfromtxt .
numpy.genfromtxt
numpy.genfromtxt 你愿意吗
return a masked array masking out missing values (if usemask=True), or 填写缺少的值 具有中指定的值 filling_values （默认为 np.nan 对于float，-1表示int）。
return a masked array masking out missing values (if usemask=True), or
usemask=True
填写缺少的值 具有中指定的值 filling_values （默认为 np.nan 对于float，-1表示int）。
filling_values
np.nan
>>> print(open("csv.txt").read()) 1, 2, 3 4,, 6 7, 8, 9
>>> np.genfromtxt("csv.txt", delimiter=",", usemask=True) masked_array( data=[[1.0, 2.0, 3.0], [4.0, --, 6.0], [7.0, 8.0, 9.0]], mask=[[False, False, False], [False, True, False], [False, False, False]], fill_value=1e+20)
>>> np.genfromtxt("csv.txt", delimiter=",") array([[ 1., 2., 3.], [ 4., nan, 6.], [ 7., 8., 9.]])
>>> np.genfromtxt("csv.txt", delimiter=",", dtype=np.int8, filling_values=99) array([[ 1, 2, 3], [ 4, 99, 6], [ 7, 8, 9]], dtype=int8)
numpy.genfromtxt 如果需要，还可以分析缺少值的以空格分隔的数据文件
每个字段都有固定的宽度 ：使用宽度作为 delimiter 争论。:
# File with width=4. The data does not have to be justified (for example, # the 2 in row 1), the last column can be less than width (for example, the 6 # in row 2), and no delimiting character is required (for instance 8888 and 9 # in row 3) >>> f = open("fixedwidth.txt").read() # doctest: +SKIP >>> print(f) # doctest: +SKIP 1 2 3 44 6 7 88889 # Showing spaces as ^ >>> print(f.replace(" ","^")) # doctest: +SKIP 1^^^2^^^^^^3 44^^^^^^6 7^^^88889 >>> np.genfromtxt("fixedwidth.txt", delimiter=4) # doctest: +SKIP array([[1.000e+00, 2.000e+00, 3.000e+00], [4.400e+01, nan, 6.000e+00], [7.000e+00, 8.888e+03, 9.000e+00]])
特殊值（如“x”）表示缺少字段 ：将其用作 missing_values 争论。:
>>> print(open("nan.txt").read()) 1 2 3 44 x 6 7 8888 9 >>> np.genfromtxt("nan.txt", missing_values="x") array([[1.000e+00, 2.000e+00, 3.000e+00], [4.400e+01, nan, 6.000e+00], [7.000e+00, 8.888e+03, 9.000e+00]])
要跳过缺少值的行吗 ：设置 invalid_raise=False . ：：
>>> print(open("skip.txt").read()) 1 2 3 44 6 7 888 9 >>> np.genfromtxt("skip.txt", invalid_raise=False) __main__:1: ConversionWarning: Some errors were detected ! Line #2 (got 2 columns instead of 3) array([[ 1., 2., 3.], [ 7., 888., 9.]])
分隔符空格字符与表示缺少数据的空格不同 . 例如，如果列由 \t ，则如果缺少的数据由一个或多个空格组成，则会识别它。:
\t
>>> f = open("tabs.txt").read() >>> print(f) 1 2 3 44 6 7 888 9 # Tabs vs. spaces >>> print(f.replace("\t","^")) 1^2^3 44^ ^6 7^888^9 >>> np.genfromtxt("tabs.txt", delimiter="\t", missing_values=" +") array([[ 1., 2., 3.], [ 44., nan, 6.], [ 7., 888., 9.]])
选择：
使用 numpy.load . 它可以读取任何 numpy.save ， numpy.savez 或 numpy.savez_compressed . 使用内存映射。看到了吗 numpy.lib.format.open_memmap .
使用 numpy.load . 它可以读取任何 numpy.save ， numpy.savez 或 numpy.savez_compressed .
numpy.load
numpy.save
numpy.savez
numpy.savez_compressed
使用内存映射。看到了吗 numpy.lib.format.open_memmap .
numpy.lib.format.open_memmap
使用 numpy.save ，或存储多个数组 numpy.savez 或 numpy.savez_compressed .
为了 security and portability ，集合 allow_pickle=False 除非dtype包含Python对象，这需要pickle。
allow_pickle=False
屏蔽阵列 can't currently be saved ，其他任意数组子类也不能。
can't currently be saved
numpy.save 和 numpy.savez 创建二进制文件。至 write a human-readable file 使用 numpy.savetxt . 数组只能是一维或二维的，没有 ` savetxtz` 对于多个文件。
numpy.savetxt
见 写入或读取大型数组 .
使用A structured array .
例子：
这个 .wav 文件头是一个44字节的块 data_size 实际声音数据的字节数：
.wav
data_size
chunk_id "RIFF" chunk_size 4-byte unsigned little-endian integer format "WAVE" fmt_id "fmt " fmt_size 4-byte unsigned little-endian integer audio_fmt 2-byte unsigned little-endian integer num_channels 2-byte unsigned little-endian integer sample_rate 4-byte unsigned little-endian integer byte_rate 4-byte unsigned little-endian integer block_align 2-byte unsigned little-endian integer bits_per_sample 2-byte unsigned little-endian integer data_id "data" data_size 4-byte unsigned little-endian integer
这个 .wav 文件头作为NumPy结构化数据类型：：
wav_header_dtype = np.dtype([ ("chunk_id", (bytes, 4)), # flexible-sized scalar type, item size 4 ("chunk_size", "<u4"), # little-endian unsigned 32-bit integer ("format", "S4"), # 4-byte string, alternate spelling of (bytes, 4) ("fmt_id", "S4"), ("fmt_size", "<u4"), ("audio_fmt", "<u2"), # ("num_channels", "<u2"), # .. more of the same ... ("sample_rate", "<u4"), # ("byte_rate", "<u4"), ("block_align", "<u2"), ("bits_per_sample", "<u2"), ("data_id", "S4"), ("data_size", "<u4"), # # the sound data itself cannot be represented here: # it does not have a fixed size ]) header = np.fromfile(f, dtype=wave_header_dtype, count=1)[0]
这个 .wav 举例说明；阅读 .wav 在现实生活中使用Python的内置模块 wave .
wave
（改编自Pauli Virtanen， Advanced NumPy ，根据 CC BY 4.0 ）
数组太大，无法放入内存 可以像使用内存映射的普通内存数组一样处理。
使用写入的原始数组数据 numpy.ndarray.tofile 或 numpy.ndarray.tobytes 可以阅读 numpy.memmap ：：
numpy.ndarray.tofile
numpy.ndarray.tobytes
numpy.memmap
array = numpy.memmap("mydata/myarray.arr", mode="r", dtype=np.int16, shape=(1024, 1024))
文件输出方式 numpy.save （即，使用numpy格式）可以使用 numpy.load 与 mmap_mode 关键字参数：
mmap_mode
large_array[some_slice] = np.load("path/to/small_array", mmap_mode="r")
内存映射缺少数据分块和压缩等功能；NumPy提供的功能更全面的格式和库包括：
HDF5 ： h5py 或 PyTables .
Zarr ： here .
NETCDF ： scipy.io.netcdf_file .
scipy.io.netcdf_file
有关memmap、Zarr和HDF5之间的权衡，请参见 pythonspeed.com .
格式 交换数据 其他工具包括HDF5、Zarr和NetCDF（参见 写入或读取大型数组 ）
NumPy数组 not 直接地 JSON serializable .
尽可能避免； pickles 对于错误或恶意构造的数据不安全。
使用 numpy.save 和 numpy.load . 集合 allow_pickle=False ，除非数组数据类型包含Python对象，在这种情况下需要pickling。
见 pandas.DataFrame.to_numpy .
pandas.DataFrame.to_numpy
tofile
fromfile
一般来说，你更喜欢 numpy.save 和 numpy.load .
numpy.ndarray.tofile 和 numpy.fromfile 丢失有关持久性和精确性的信息，因此不适用于除刮擦以外的任何存储。
numpy.fromfile