import numpy as np
假设我们有这样的一个空白分割的文件：
%%writefile myfile.txt
2.1 2.3 3.2 1.3 3.1
6.1 3.1 4.2 2.3 1.8
为了生成数组，我们首先将数据转化成一个列表组成的列表，再将这个列表转换为数组：
data = []
with open('myfile.txt') as f:
# 每次读一行
for line in f:
fileds = line.split()
row_data = [float(x) for x in fileds]
data.append(row_data)
data = np.array(data)
data
不过，更简便的是使用 loadtxt 方法：
data = np.loadtxt('myfile.txt')
data
%%writefile myfile.txt
2.1, 2.3, 3.2, 1.3, 3.1
6.1, 3.1, 4.2, 2.3, 1.8
对于逗号分隔的文件（通常为.csv格式）,我们可以稍微修改之前繁琐的过程，将 split 的参数变成 ','即可。
不过，loadtxt 函数也可以读这样的文件，只需要制定分割符的参数即可：
data = np.loadtxt('myfile.txt', delimiter=',')
data
loadtxt(fname, dtype=<type 'float'>,
comments='#', delimiter=None,
converters=None, skiprows=0,
usecols=None, unpack=False, ndmin=0)
loadtxt 有很多可选参数，其中 delimiter 就是刚才用到的分隔符参数。
skiprows 参数表示忽略开头的行数，可以用来读写含有标题的文本
%%writefile myfile.txt
X Y Z MAG ANG
2.1 2.3 3.2 1.3 3.1
6.1 3.1 4.2 2.3 1.8
np.loadtxt('myfile.txt', skiprows=1)
此外，有一个功能更为全面的 genfromtxt 函数，能处理更多的情况，但相应的速度和效率会慢一些。
genfromtxt(fname, dtype=<type 'float'>, comments='#', delimiter=None,
skiprows=0, skip_header=0, skip_footer=0, converters=None,
missing='', missing_values=None, filling_values=None, usecols=None,
names=None, excludelist=None, deletechars=None, replace_space='_',
autostrip=False, case_sensitive=True, defaultfmt='f%i', unpack=None,
usemask=False, loose=True, invalid_raise=True)对于这样一个文件：
%%writefile myfile.txt
-- BEGINNING OF THE FILE
% Day, Month, Year, Skip, Power
01, 01, 2000, x876, 13 % wow!
% we don't want have Jan 03rd
04, 01, 2000, xfed, 55
data = np.loadtxt('myfile.txt',
skiprows=1, #忽略第一行
dtype=np.int, #数组类型
delimiter=',', #逗号分割
usecols=(0,1,2,4), #指定使用哪几列数据
comments='%' #百分号为注释符
)
data
%%writefile myfile.txt
2010-01-01 2.3 3.2
2011-01-01 6.1 3.1
假设我们的文本包含日期，我们可以使用 datetime 在 loadtxt 中处理：
import datetime
def date_converter(s):
return datetime.datetime.strptime(s, "%Y-%m-%d")
data = np.loadtxt('myfile.txt',
dtype=np.object, #数据类型为对象
converters={0:date_converter, #第一列使用自定义转换方法
1:float, #第二第三使用浮点数转换
2:float})
data
移除 myfile.txt：
import os
os.remove('myfile.txt')
如下表所示：
| 文件格式 | 使用的包 | 函数 |
|---|---|---|
| txt | numpy | loadtxt, genfromtxt, fromfile, savetxt, tofile |
| csv | csv | reader, writer |
| Matlab | scipy.io | loadmat, savemat |
| hdf | pytables, h5py | |
| NetCDF | netCDF4, scipy.io.netcdf | netCDF4.Dataset, scipy.io.netcdf.netcdf_file |
| 文件格式 | 使用的包 | 备注 |
| wav | scipy.io.wavfile | 音频文件 |
| jpeg,png,... | PIL, scipy.misc.pilutil | 图像文件 |
| fits | pyfits | 天文图像 |
此外， pandas ——一个用来处理时间序列的包中包含处理各种文件的方法，具体可参见它的文档：
savetxt 可以将数组写入文件，默认使用科学计数法的形式保存：
data = np.array([[1,2],
[3,4]])
np.savetxt('out.txt', data)
with open('out.txt') as f:
for line in f:
print line,
也可以使用类似C语言中 printf 的方式指定输出的格式：
data = np.array([[1,2],
[3,4]])
np.savetxt('out.txt', data, fmt="%d") #保存为整数
with open('out.txt') as f:
for line in f:
print line,
逗号分隔的输出：
data = np.array([[1,2],
[3,4]])
np.savetxt('out.txt', data, fmt="%.2f", delimiter=',') #保存为2位小数的浮点数，用逗号分隔
with open('out.txt') as f:
for line in f:
print line,
复数值默认会加上括号：
data = np.array([[1+1j,2],
[3,4]])
np.savetxt('out.txt', data, fmt="%.2f", delimiter=',') #保存为2位小数的浮点数，用逗号分隔
with open('out.txt') as f:
for line in f:
print line,
更多参数：
savetxt(fname,
X,
fmt='%.18e',
delimiter=' ',
newline='\n',
header='',
footer='',
comments='# ')移除 out.txt：
import os
os.remove('out.txt')
数组可以储存成二进制格式，单个的数组保存为 .npy 格式，多个数组保存为多个.npy文件组成的 .npz 格式，每个 .npy 文件包含一个数组。
与文本格式不同，二进制格式保存了数组的 shape, dtype 信息，以便完全重构出保存的数组。
保存的方法：
save(file, arr) 保存单个数组，.npy 格式savez(file, *args, **kwds) 保存多个数组，无压缩的 .npz 格式savez_compressed(file, *args, **kwds) 保存多个数组，有压缩的 .npz 格式读取的方法：
load(file, mmap_mode=None) 对于 .npy，返回保存的数组，对于 .npz，返回一个名称-数组对组成的字典。a = np.array([[1.0,2.0], [3.0,4.0]])
fname = 'afile.npy'
np.save(fname, a)
aa = np.load(fname)
aa
删除生成的文件：
import os
os.remove('afile.npy')
a = np.arange(10000.)
保存为文本：
np.savetxt('a.txt', a)
查看大小：
import os
os.stat('a.txt').st_size
保存为二进制：
np.save('a.npy', a)
查看大小：
os.stat('a.npy').st_size
删除生成的文件：
os.remove('a.npy')
os.remove('a.txt')
可以看到，二进制文件大约是文本文件的三分之一。
a = np.array([[1.0,2.0],
[3.0,4.0]])
b = np.arange(1000)
保存多个数组：
np.savez('data.npz', a=a, b=b)
查看里面包含的文件：
!unzip -l data.npz
载入数据：
data = np.load('data.npz')
载入后可以像字典一样进行操作：
data.keys()
data['a']
data['b'].shape
删除文件：
# 要先删除 data，否则删除时会报错
del data
os.remove('data.npz')
当数据比较整齐时：
a = np.arange(20000.)
无压缩大小：
np.savez('a.npz', a=a)
os.stat('a.npz').st_size
有压缩大小：
np.savez_compressed('a2.npz', a=a)
os.stat('a2.npz').st_size
大约有 6x 的压缩效果。
当数据比较混乱时：
a = np.random.rand(20000.)
无压缩大小：
np.savez('a.npz', a=a)
os.stat('a.npz').st_size
有压缩大小：
np.savez_compressed('a2.npz', a=a)
os.stat('a2.npz').st_size
只有大约 1.06x 的压缩效果。
os.remove('a.npz')
os.remove('a2.npz')