如何将多维数组写入文本文件？

Question

在另一个问题中，如果我可以提供遇到问题的阵列，其他用户会提供一些帮助。但是，我什至无法完成基本的I / O任务，例如将数组写入文件。

谁能解释我需要向文件写入4x11x14 numpy数组的哪种循环？

该数组由四个11 x 14数组组成，因此我应该使用漂亮的换行符对其进行格式化，以使文件读取更加容易。

编辑 ：所以我已经尝试了numpy.savetxt函数。奇怪的是，它给出了以下错误：

TypeError: float argument required, not numpy.ndarray

我认为这是因为函数不适用于多维数组？我希望在一个文件中找到任何解决方案吗？

Answer 1

如果您想将其写到磁盘上以便以numpy数组的形式轻松读回，请查看numpy.save。对其进行酸洗也可以，但是对于大型阵列而言效率较低（您的不是，因此两者都很好）。

如果您希望它易于阅读，请参阅numpy.savetxt。

编辑： 所以，savetxt对于> 2维的数组，似乎不是一个很好的选择…但是只是为了得出所有结论，它的全部结论是：

我刚刚意识到，numpy.savetxt大于2维的ndarray上的阻塞…这可能是设计使然，因为没有固有定义的方式来指示文本文件中的其他维。

例如，这个（二维数组）工作正常

import numpy as np
x = np.arange(20).reshape((4,5))
np.savetxt('test.txt', x)

TypeError: float argument required, not numpy.ndarray对于3D数组，相同的操作将失败（错误消息不多：）：

import numpy as np
x = np.arange(200).reshape((4,5,10))
np.savetxt('test.txt', x)

一种解决方法是将3D（或更大尺寸）阵列分成2D切片。例如

x = np.arange(200).reshape((4,5,10))
with open('test.txt', 'w') as outfile:
    for slice_2d in x:
        np.savetxt(outfile, slice_2d)

但是，我们的目标是使人类清晰易读，同时仍然可以轻松地将其读回numpy.loadtxt。因此，我们可以稍微冗长一些，并使用注释出的行来区分切片。默认情况下，numpy.loadtxt将忽略任何以#（或commentskwarg指定的任何字符）开头的行。（看起来比实际要冗长得多…）

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')

这样产生：

# 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

只要我们知道原始数组的形状，就可以很容易地读回它。我们可以做numpy.loadtxt('test.txt').reshape((4,5,10))。作为一个示例（您可以在一行中完成此操作，我只是在冗长地澄清事情）：

# 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)