浅析Numpy.genfromtxt及File I/O讲解

Python 并没有提供数组功能，虽然列表 (list) 可以完成基本的数组功能，但它并不是真正的数组，而且在数据量较大时，使用列表的速度就会慢的让人难受。为此，Numpy 提供了真正的数组功能，以及对数据快速处理的函数。Numpy 还是很多更高级的扩展库的依赖库，例如： Scipy，Matplotlib，Pandas等。此外，值得一提的是：Numpy 内置函数处理数据的速度是 C 语言级别的，因此编写程序时，应尽量使用内置函数，避免出现效率瓶颈的现象。一切计算源于数据，那么我们就来看一看Numpy.genfromtxt 如何优雅的处理数据。

官方文档

Enthought offical tutorial: numpy.genfromtxt

A very common file format for data file is comma-separated values (CSV), or related formats such as TSV (tab-separated values). To read data from such files into Numpy arrays we can use the numpy.genfromtxt function.

案例说明

我们以数字示波器采集的实验产生的三角波 (triangular waveform) 为例，它是包含数据信息的表头，以 .txt 格式存储的文本文件。

Type: raw
Points: 16200
Count: 1
...
X Units: second
Y Units: Volt
XY Data:
2.4000000E-008, 1.4349E-002
2.4000123E-008, 1.6005E-002
2.4000247E-008, 1.5455E-002
2.4000370E-008, 1.5702E-002
2.4000494E-008, 1.5147E-002
... 

Python 获取数据的方式有很多：(1) 如果在命令行运行 Python 脚本，你可以用 sys.stdin 和 sys.stdout 以管道 (pipe) 方式传递数据；(2) 可以显式地用代码来读写文件获取数据；(3) 从网页获取数据，也就是所谓的爬虫 (web spider)；(4) 使用 API (Application Programming Interface) 获取结构化格式的数据。 而在科学计算领域，更多的是处理实验中所获得的数据，比如：传感器，采集卡，示波器，光谱仪等仪器采集的数据。

案例一：温度传感器 (temperature sensor) 数据

本案例所采用的数据是热敏电阻 (thermistor) 采集的被加热物体的温度信息数据，其以如下格式存储在txt文件中：

2018-02-15 21:31:08.781 49.9492
2018-02-15 21:31:09.296 49.9589
2018-02-15 21:31:09.811 49.964
2018-02-15 21:31:10.326 49.9741
2018-02-15 21:31:10.841 49.983
...

处理文本文件的第一步是通过 open 命令来获取一个文件对象：

file_for_reading = open('thermistor.txt', 'r') # 'r' 意味着只读
file_for_writing = open('thermistor.txt', 'w') # 'w' 是写入
file_for_appending = open('thermistor.txt', 'a') # 'a' 是添加
file_for_xxx.close() # 完成操作后要关闭文件 

因为非常容易忘记关闭文件，所以应该在 with 程序块里操作文件，这样结尾处文件会被自动关闭：

with open('thermistor.txt', 'r') as f:
     data = function_that_gets_data_form(f) # 获取数据函数

此时，f 已经关闭了，就不能试图使用它啦，然后对数据执行相应的操作即可。

process(data) # 处理数据函数

处理文本文件第二步是观察数据特征，选择合适的读取命令：通过观察，可以发现，文件没有头部，每一行包括三种数据 (编号，时间，温度) 他们之间以空格键分开，每一列是同一类数据，这样我们就可以用 Python 中的 csv 模块中的 csv.reader 对其进行迭代处理，每一行都会被处理成恰当划分的列表。

 import csv
 with open(r"thermistor.txt","rb") as f:
       reader = csv.reader(f,delimiter='\t')
       number=[]
       time = []
       data=[]
       for row in reader:
            number.append(row[0])
            time.append(row[1])
            data.append(float(row[2])) 

处理文本文件的第三步是检测数据读取格式是否正确，我们可以用如下的方式检测：

>>> print number[0], time[0], data[0] 

>>> 2018-02-15 21:31:08.781 49.9492

从输出的首个元素来看，以上的读取数据的方式是没有问题的，但是到这里我们并不能完全放心我们的数据格式：

>>> print number[0:3], time[0:3], data[0:3] 

>>> ['\xef\xbb\xbf1', '', '']
['2018-02-15 21:31:08.781', '2018-02-15 21:31:09.296', '2018-02-15 21:31:09.811']
[49.9492, 49.9589, 49.964] 

当我们以列表的形式输出时，number 中的首个元素出现了我们没有预料到的“乱码”，这其实是 BOM (byte order mark), 它是为 UTF-16 和 UTF-32 准备的，用以标记字节序。微软在 UTF-8 中使用 BOM 是因为这样可以把 UTF-8 和 ASCII 等编码区别开，但这样的文件会给我们的数据读取带来问题。还好，我们可以用 Python 中的 codecs 模块解决这个问题。

 import csv
 import codecs
 with codecs.open(r"thermistor.txt","rb","utf-8-sig") as f:
     reader = csv.reader(f,delimiter='\t')
     number=[] time=[] data=[]
     for row in reader:
         number.append(row[0])
         time.append(row[1])
         data.append(float(row[2])

此时，我们再以列表形式输出时，就会得到正确的结果：

>>> ['', '', '']
['2018-02-15 21:31:08.781', '2018-02-15 21:31:09.296', '2018-02-15 21:31:09.811']
[49.9492, 49.9589, 49.964]

然后就可以用得到的数据进行处理分析啦~

案例二：示波器 (oscilloscope) 数据

有了上面的经验，我们直接从处理文本文件第二步开始，示波器数据相对上面的数据，复杂的地方在于它包含了表头信息，而这些信息大部分时间是处理数据中不太需要的，它的数据格式如下：

Type: raw
Points: 16200
Count: 1
XInc: 1.23457E-013
XOrg: 2.4000000000E-008
YData range: 1.48000E-001
YData center: 5.00000E-004
Coupling: 50
Ohms XRange: 2.00000E-009
XOffset: 2.4000000000E-008
YRange: 1.44000E-001
YOffset: 5.00000E-004
Date: 15 APR 2018
Time: 16:00:54:74
Frame: 86100C:MY46520443
X Units: second
Y Units: Volt
XY Data:
2.4000000E-008, 1.4349E-002
2.4000123E-008, 1.6005E-002
2.4000247E-008, 1.5455E-002
2.4000370E-008, 1.5702E-002
2.4000494E-008, 1.5147E-002
... 

可以看出，“表头”是一些参数信息，真正有用的数据是从 “XY Data:” 下一行开始的，对于这样的数据有两种方法进行读取：(1) 直接跳过“表头”读取数据；(2) 利用正则表达式寻找“表头” 和数据的不同特征进行识别读取。

 with open(r"waveform.txt","rb") as f:
     lines = f.readlines() x=[] y=[]
     for line in lines[18:]:
         x.append(float(line.replace("\r\n","").split(",")[0]))
         y.append(float(line.replace("\r\n","").split(",")[1]))

通过观察我们发现有效数据是从第19行开始的，于是我们直接从19行开始读取数据，跳过“表头”，以列表形式输出 x 和 y 前3个元素如下：

>>> [2.4e-08, 2.4000123e-08, 2.4000247e-08]
[0.014349, 0.016005, 0.015455] # 数据读取正确

运用正则表达式读取数据的关键在于找到有效数据行的独有特征，这里以 “E-002” 作为有效数据行区别于“表头”的特征，对数据的读取方式如下：

 import re
 with open(r"waveform.txt","rb") as f:
     lines = f.readlines()
     x=[]
     y=[]
     for line in lines:
         if re.search('E-002',line):
             x.append(float(line.replace("\r\n","").split(",")[0]))
             y.append(float(line.replace("\r\n","").split(",")[1]))

同样，以列表形式输出 x 和 y 前3个元素用于检验：

>>> [2.4e-08, 2.4000123e-08, 2.4000247e-08]
[0.014349, 0.016005, 0.015455] # 数据读取正确

注：具体的数据读取方式要根据具体文本文件的特征决定，运用合适的方法才能得到更好的结果。

案例三：二维数据写入

很多时候，经过 process( ) 后的数据，需要备份留用或者供其他程序调用，因此，将处理后的数据写入文本文件也将是关键的一步。根据数据读入的经验，被读入的数据经常存储在 list 中，那么处理后数据也通常存储在 list 中，因此，以 list 的写入作为例子：

x = [1, 2, 3, 4]
y = [2.0, 4.0, 6.0, 8.0] # 参考数据

接下来就要考虑的是要以什么样的格式保存数据，为了更加直观的表现数据的关系，我们将 x，y 分别保存为一列，中间以空格键隔开，那么 csv.writer( ) 将是很好的工具：

 xy = {}
 for i in range(len(x)):
     xy[x[i]] = y[i]
 with open(r"15.txt", 'wb') as f:
     writer = csv.writer(f,delimiter='\t')
     for x, y in xy.items():
         writer.writerow([x, y]) 

为了同时保存 x 和 y 的对应值，这里把 x 和 y 写入字典，x 为键 (key), y 为 值 (value) ，xy 就是 x 和 y 构成的字典。保存后的数据格式如下所示：

1   2.0
2   4.0
3   6.0
4   8.0

案例四：多维数据写入

由于字典的键 (key) 和值 (value) 对应的特殊数据结构，写入二维数据较为方便，对于多维数据，我们就需要构建多维矩阵，或者列表与元组结合的方式录入：

x = [1, 2, 3, 4]
y = [2.0, 4.0, 6.0, 8.0]
z = [3.0, 6.0, 9.0, 12.0]

这里以三维数据为例子。同样，需要将 x，y，z 各一列写入到txt中：

 xyz = []
 for i in range(len(x)):
     xyz.append([x[i],y[i],z[i]])
 with open(r"15.txt", 'wb') as f:
     writer = csv.writer(f,delimiter='\t')
     for x, y, z in xyz:
         writer.writerow([x, y, z]) 

这样，就可以很容易地得到需要的数据格式的文本文件：

1   2.0 3.0
2   4.0 6.0
3   6.0 9.0
4   8.0 12.0

我们已经提到了两种方法读取上述的数据，它们共同点是将数据存储在列表中，正如开头所说，列表在处理大量数据时是非常缓慢的。那么，我们就来看一看 numpy.genfromtxt 如何大显身手。

代码示例

为了得到我们需要的有用数据，我们有两个硬的要求： (1) 跳过表头信息；(2) 区分横纵坐标。

import numpy as np
data = np.genfromtxt('waveform.txt',delimiter=',',skip_header=18)

**delimiter: the str used to separate data. 横纵坐标以 ',' 分割，因此给 delimiter 传入 ','。skip_header: ** the number of lines to skip at the beginning of the file. 有用数据是从19行开始的，因此给 skip_header 传入 18。

print data[0:3,0], data[0:3,1]

因为读入的是二维数据，因此利用 numpy 二维数据的切片方式 (Index slicing) 输出各自的前三个数据验证是否读取正确：

[  2.40000000e-08   2.40001230e-08   2.40002470e-08]
[ 0.014349  0.016005  0.015455]

对数据进行归一化处理后，调用 Matplotlib 画图命令，就可得到图像如下：

 import matplotlib.pyplot as plt
 fig, axes = plt.subplots(figsize=(8,6))
 axes.plot(x, y, 'r', linewidth=3)
 axes.set_xlabel('Time(ps)')
 axes.set_ylabel('Amplitude[a.u.]')
 fig.savefig("triangular.png", dpi=600)

                                                                          triangular waveform

补充

numpy.genformtxt( ) 函数提供了众多的入参，实现不同格式数据的读取，详情可参考：numpy.genfromtxt
此外，numpy 中还提供了将数据存储为 CSV 格式的函数 numpy.savetxt( )，详情可参考：numpy.savetxt