यदि आप इसे डिस्क पर लिखना चाहते हैं, तो इसे वापस एक सुव्यवस्थित सरणी के रूप में पढ़ना आसान होगा, पर गौर करें numpy.save। अचार बनाना ठीक काम करेगा, लेकिन यह बड़े सरणियों के लिए कम कुशल है (जो कि आपका नहीं है, इसलिए या तो पूरी तरह से ठीक है)।
यदि आप चाहते हैं कि यह मानव पठनीय हो, तो देखें numpy.savetxt।
संपादित करें: तो, ऐसा लगता है जैसे savetxt> 2 आयामों के साथ सरणियों के लिए बहुत अच्छा विकल्प नहीं है ... लेकिन यह सब कुछ बाहर निकालने के लिए पूर्ण निष्कर्ष है:
मुझे बस एहसास हुआ कि numpy.savetxt2 से अधिक आयामों के साथ ndarrays पर चुटकुले ... यह संभवतः डिज़ाइन द्वारा है, क्योंकि टेक्स्ट फ़ाइल में अतिरिक्त आयामों को इंगित करने के लिए कोई अंतर्निहित तरीका नहीं है।
जैसे यह (एक 2D सरणी) ठीक काम करता है
import numpy as np
x = np.arange(20).reshape((4,5))
np.savetxt('test.txt', x)
जबकि TypeError: float argument required, not numpy.ndarray3 डी सरणी के लिए एक ही चीज़ विफल होगी (बल्कि एक असंक्रामक त्रुटि के साथ ):
import numpy as np
x = np.arange(200).reshape((4,5,10))
np.savetxt('test.txt', x)
एक वर्कअराउंड 3 डी (या अधिक) सरणी को 2 डी स्लाइस में तोड़ना है। उदाहरण के लिए
x = np.arange(200).reshape((4,5,10))
with file('test.txt', 'w') as outfile:
for slice_2d in x:
np.savetxt(outfile, slice_2d)
हालांकि, हमारा लक्ष्य स्पष्ट रूप से मानव पठनीय होना है, जबकि अभी भी आसानी से वापस पढ़ा जा रहा है numpy.loadtxt। इसलिए, हम थोड़ा और अधिक वर्बोज़ हो सकते हैं, और टिप्पणी लाइनों का उपयोग करके स्लाइस को अलग कर सकते हैं। डिफ़ॉल्ट रूप से, (जो भी वर्ण kwarg द्वारा निर्दिष्ट है ) के numpy.loadtxtसाथ शुरू होने वाली किसी भी रेखा को अनदेखा करेगा । (यह वास्तव में है की तुलना में अधिक क्रिया लगता है ...)#comments
import numpy as np
# Generate some test data
data = np.arange(200).reshape((4,5,10))
# Write the array to disk
with open('test.txt', 'w') as outfile:
# I'm writing a header here just for the sake of readability
# Any line starting with "#" will be ignored by numpy.loadtxt
outfile.write('# Array shape: {0}\n'.format(data.shape))
# Iterating through a ndimensional array produces slices along
# the last axis. This is equivalent to data[i,:,:] in this case
for data_slice in data:
# The formatting string indicates that I'm writing out
# the values in left-justified columns 7 characters in width
# with 2 decimal places.
np.savetxt(outfile, data_slice, fmt='%-7.2f')
# Writing out a break to indicate different slices...
outfile.write('# New slice\n')
यह प्रदान करता है:
# Array shape: (4, 5, 10)
0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00
20.00 21.00 22.00 23.00 24.00 25.00 26.00 27.00 28.00 29.00
30.00 31.00 32.00 33.00 34.00 35.00 36.00 37.00 38.00 39.00
40.00 41.00 42.00 43.00 44.00 45.00 46.00 47.00 48.00 49.00
# New slice
50.00 51.00 52.00 53.00 54.00 55.00 56.00 57.00 58.00 59.00
60.00 61.00 62.00 63.00 64.00 65.00 66.00 67.00 68.00 69.00
70.00 71.00 72.00 73.00 74.00 75.00 76.00 77.00 78.00 79.00
80.00 81.00 82.00 83.00 84.00 85.00 86.00 87.00 88.00 89.00
90.00 91.00 92.00 93.00 94.00 95.00 96.00 97.00 98.00 99.00
# New slice
100.00 101.00 102.00 103.00 104.00 105.00 106.00 107.00 108.00 109.00
110.00 111.00 112.00 113.00 114.00 115.00 116.00 117.00 118.00 119.00
120.00 121.00 122.00 123.00 124.00 125.00 126.00 127.00 128.00 129.00
130.00 131.00 132.00 133.00 134.00 135.00 136.00 137.00 138.00 139.00
140.00 141.00 142.00 143.00 144.00 145.00 146.00 147.00 148.00 149.00
# New slice
150.00 151.00 152.00 153.00 154.00 155.00 156.00 157.00 158.00 159.00
160.00 161.00 162.00 163.00 164.00 165.00 166.00 167.00 168.00 169.00
170.00 171.00 172.00 173.00 174.00 175.00 176.00 177.00 178.00 179.00
180.00 181.00 182.00 183.00 184.00 185.00 186.00 187.00 188.00 189.00
190.00 191.00 192.00 193.00 194.00 195.00 196.00 197.00 198.00 199.00
# New slice
जब तक हम मूल सरणी के आकार को जानते हैं, तब तक इसे पढ़ना बहुत आसान है। हम बस कर सकते हैं numpy.loadtxt('test.txt').reshape((4,5,10))। एक उदाहरण के रूप में (आप इसे एक पंक्ति में कर सकते हैं, मैं सिर्फ चीजों को स्पष्ट करने के लिए क्रिया कर रहा हूं):
# Read the array from disk
new_data = np.loadtxt('test.txt')
# Note that this returned a 2D array!
print new_data.shape
# However, going back to 3D is easy if we know the
# original shape of the array
new_data = new_data.reshape((4,5,10))
# Just to check that they're the same...
assert np.all(new_data == data)
numpy.loadtxt( docs.scipy.org/doc/numpy/reference/generated/numpy.loadtxt.html )