使用 `genfromtxt` 导入数据#

NumPy 提供了多个函数来从表格数据创建数组。我们在此重点介绍 genfromtxt 函数。

简而言之，genfromtxt 运行两个主要循环。第一个循环将文件的每一行转换为字符串序列。第二个循环将每个字符串转换为适当的数据类型。这种机制比单个循环慢，但提供了更大的灵活性。特别是，genfromtxt 能够考虑缺失数据，而其他更快更简单的函数（如 loadtxt）则不能。

注意

给出示例时，我们将遵循以下约定

>>> import numpy as np
>>> from io import StringIO

定义输入#

genfromtxt 唯一强制的参数是数据源。它可以是字符串、字符串列表、生成器或具有 read 方法的类文件对象，例如文件或 io.StringIO 对象。如果提供单个字符串，则假定它是本地或远程文件的名称。如果提供字符串列表或返回字符串的生成器，则每个字符串都被视为文件中的一行。当传递远程文件的 URL 时，文件会自动下载到当前目录并打开。

识别的文件类型包括文本文件和归档文件。目前，该函数识别 gzip 和 bz2 (bzip2) 归档文件。归档文件的类型由文件扩展名确定：如果文件名以 '.gz' 结尾，则预期为 gzip 归档；如果以 'bz2' 结尾，则假定为 bzip2 归档。

将行拆分为列#

The `delimiter` argument#

一旦文件被定义并打开以供读取，genfromtxt 将每条非空行拆分为字符串序列。空行或注释行会被跳过。delimiter 关键字用于定义如何进行拆分。

通常，单个字符标记列之间的分隔。例如，逗号分隔文件（CSV）使用逗号 (,) 或分号 (;) 作为分隔符

>>> data = "1, 2, 3\n4, 5, 6"
>>> np.genfromtxt(StringIO(data), delimiter=",")
array([[1.,  2.,  3.],
       [4.,  5.,  6.]])

另一个常见的分隔符是制表符 "\t"。然而，我们不仅限于单个字符，任何字符串都可以。默认情况下，genfromtxt 假定 delimiter=None，这意味着行将根据空白字符（包括制表符）进行拆分，并且连续的空白字符被视为单个空白字符。

或者，我们可能正在处理固定宽度文件，其中列被定义为给定数量的字符。在这种情况下，我们需要将 delimiter 设置为单个整数（如果所有列都具有相同大小）或整数序列（如果列可以具有不同大小）

>>> data = "  1  2  3\n  4  5 67\n890123  4"
>>> np.genfromtxt(StringIO(data), delimiter=3)
array([[  1.,    2.,    3.],
       [  4.,    5.,   67.],
       [890.,  123.,    4.]])
>>> data = "123456789\n   4  7 9\n   4567 9"
>>> np.genfromtxt(StringIO(data), delimiter=(4, 3, 2))
array([[1234.,   567.,    89.],
       [   4.,     7.,     9.],
       [   4.,   567.,     9.]])

The `autostrip` argument#

默认情况下，当一行被分解为一系列字符串时，各个条目不会去除前导或尾随的空白字符。通过将可选参数 autostrip 设置为 True，可以覆盖此行为

>>> data = "1, abc , 2\n 3, xxx, 4"
>>> # Without autostrip
>>> np.genfromtxt(StringIO(data), delimiter=",", dtype="|U5")
array([['1', ' abc ', ' 2'],
       ['3', ' xxx', ' 4']], dtype='<U5')
>>> # With autostrip
>>> np.genfromtxt(StringIO(data), delimiter=",", dtype="|U5", autostrip=True)
array([['1', 'abc', '2'],
       ['3', 'xxx', '4']], dtype='<U5')

The `comments` argument#

可选参数 comments 用于定义一个字符字符串，该字符串标记注释的开始。默认情况下，genfromtxt 假定 comments='#'。注释标记可以出现在行的任何位置。注释标记后的任何字符都将被忽略。

>>> data = """#
... # Skip me !
... # Skip me too !
... 1, 2
... 3, 4
... 5, 6 #This is the third line of the data
... 7, 8
... # And here comes the last line
... 9, 0
... """
>>> np.genfromtxt(StringIO(data), comments="#", delimiter=",")
array([[1., 2.],
       [3., 4.],
       [5., 6.],
       [7., 8.],
       [9., 0.]])

注意

此行为有一个值得注意的例外：如果可选参数 names=True，则将检查第一个注释行以获取名称。

跳过行并选择列#

The `skip_header` and `skip_footer` arguments#

文件中存在标头可能会阻碍数据处理。在这种情况下，我们需要使用 skip_header 可选参数。此参数的值必须是一个整数，对应于在执行任何其他操作之前，要跳过文件开头的行数。同样，我们可以通过使用 skip_footer 属性并为其指定值 n 来跳过文件的最后 n 行

>>> data = "\n".join(str(i) for i in range(10))
>>> np.genfromtxt(StringIO(data),)
array([0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9.])
>>> np.genfromtxt(StringIO(data),
...               skip_header=3, skip_footer=5)
array([3.,  4.])

默认情况下，skip_header=0 和 skip_footer=0，这意味着不跳过任何行。

The `usecols` argument#

在某些情况下，我们不关心数据的所有列，而只关心其中的几列。我们可以使用 usecols 参数选择要导入的列。此参数接受单个整数或整数序列，对应于要导入的列的索引。请记住，按照惯例，第一列的索引为 0。负整数的行为与常规 Python 负索引相同。

例如，如果只想导入第一列和最后一列，可以使用 usecols=(0, -1)

>>> data = "1 2 3\n4 5 6"
>>> np.genfromtxt(StringIO(data), usecols=(0, -1))
array([[1.,  3.],
       [4.,  6.]])

如果列有名称，我们还可以通过将其名称作为字符串序列或逗号分隔字符串传递给 usecols 参数来选择要导入的列

>>> data = "1 2 3\n4 5 6"
>>> np.genfromtxt(StringIO(data),
...               names="a, b, c", usecols=("a", "c"))
array([(1., 3.), (4., 6.)], dtype=[('a', '<f8'), ('c', '<f8')])
>>> np.genfromtxt(StringIO(data),
...               names="a, b, c", usecols=("a, c"))
    array([(1., 3.), (4., 6.)], dtype=[('a', '<f8'), ('c', '<f8')])

选择数据类型#

控制从文件中读取的字符串序列如何转换为其他类型的主要方法是设置 dtype 参数。此参数可接受的值有

单一类型，例如 dtype=float。除非通过使用 names 参数（参见下文）为每列关联了名称，否则输出将是具有给定 dtype 的 2D 数组。请注意，dtype=float 是 genfromtxt 的默认值。
类型序列，例如 dtype=(int, float, float)。
逗号分隔的字符串，例如 dtype="i4,f8,|U3"。
一个包含两个键 'names' 和 'formats' 的字典。
元组序列 (name, type)，例如 dtype=[('A', int), ('B', float)]。
一个已存在的 numpy.dtype 对象。
特殊值 None。在这种情况下，列的类型将根据数据本身确定（参见下文）。

除了第一种情况外，所有情况下输出都将是一个具有结构化 dtype 的 1D 数组。此 dtype 包含与序列中项数一样多的字段。字段名称使用 names 关键字定义。

当 dtype=None 时，每列的类型将根据其数据迭代确定。我们首先检查字符串是否可以转换为布尔值（即，如果字符串匹配小写的 true 或 false）；然后是否可以转换为整数，然后是浮点数，然后是复数，最后是字符串。

提供 dtype=None 选项是为了方便。但是，它比显式设置 dtype 慢得多。

设置名称#

The `names` argument#

处理表格数据时的一种自然方法是为每列分配一个名称。第一种可能性是使用显式结构化 dtype，如前所述

>>> data = StringIO("1 2 3\n 4 5 6")
>>> np.genfromtxt(data, dtype=[(_, int) for _ in "abc"])
array([(1, 2, 3), (4, 5, 6)],
      dtype=[('a', '<i8'), ('b', '<i8'), ('c', '<i8')])

另一种更简单的方法是使用 names 关键字，并提供字符串序列或逗号分隔字符串

>>> data = StringIO("1 2 3\n 4 5 6")
>>> np.genfromtxt(data, names="A, B, C")
array([(1., 2., 3.), (4., 5., 6.)],
      dtype=[('A', '<f8'), ('B', '<f8'), ('C', '<f8')])

在上面的示例中，我们利用了默认情况下 dtype=float 的事实。通过提供名称序列，我们强制输出为结构化 dtype。

有时我们可能需要从数据本身定义列名。在这种情况下，我们必须使用 names 关键字，并将其值设置为 True。然后，即使该行被注释掉，名称也会从第一行（在跳过标头行之后）读取

>>> data = StringIO("So it goes\n#a b c\n1 2 3\n 4 5 6")
>>> np.genfromtxt(data, skip_header=1, names=True)
array([(1., 2., 3.), (4., 5., 6.)],
      dtype=[('a', '<f8'), ('b', '<f8'), ('c', '<f8')])

names 的默认值为 None。如果给关键字提供任何其他值，新名称将覆盖我们可能已使用 dtype 定义的字段名称

>>> data = StringIO("1 2 3\n 4 5 6")
>>> ndtype=[('a',int), ('b', float), ('c', int)]
>>> names = ["A", "B", "C"]
>>> np.genfromtxt(data, names=names, dtype=ndtype)
array([(1, 2., 3), (4, 5., 6)],
      dtype=[('A', '<i8'), ('B', '<f8'), ('C', '<i8')])

The `defaultfmt` argument#

如果 names=None 但预期是结构化 dtype，则名称将使用标准的 NumPy 默认值 "f%i" 来定义，从而生成诸如 f0、f1 等名称

>>> data = StringIO("1 2 3\n 4 5 6")
>>> np.genfromtxt(data, dtype=(int, float, int))
array([(1, 2., 3), (4, 5., 6)],
      dtype=[('f0', '<i8'), ('f1', '<f8'), ('f2', '<i8')])

同样，如果我们提供的名称不足以匹配 dtype 的长度，则缺失的名称将使用此默认模板进行定义

>>> data = StringIO("1 2 3\n 4 5 6")
>>> np.genfromtxt(data, dtype=(int, float, int), names="a")
array([(1, 2., 3), (4, 5., 6)],
      dtype=[('a', '<i8'), ('f0', '<f8'), ('f1', '<i8')])

我们可以使用 defaultfmt 参数覆盖此默认值，该参数接受任何格式字符串

>>> data = StringIO("1 2 3\n 4 5 6")
>>> np.genfromtxt(data, dtype=(int, float, int), defaultfmt="var_%02i")
array([(1, 2., 3), (4, 5., 6)],
      dtype=[('var_00', '<i8'), ('var_01', '<f8'), ('var_02', '<i8')])

注意

我们需要记住，defaultfmt 仅在预期某些名称但未定义时使用。

验证名称#

具有结构化 dtype 的 NumPy 数组也可以被视为 recarray，其中字段可以像属性一样访问。因此，我们可能需要确保字段名称不包含任何空格或无效字符，或者它不对应于标准属性（如 size 或 shape）的名称，这会混淆解释器。genfromtxt 接受三个可选参数，这些参数对名称提供了更精细的控制

deletechars: 提供一个字符串，其中包含必须从名称中删除的所有字符。默认情况下，无效字符为 ~!@#$%^&*()-=+~\|]}[{';: /?.>,<。
excludelist: 提供要排除的名称列表，例如 return、file、print 等。如果其中一个输入名称在此列表中，则会附加一个下划线字符 ('_')。
case_sensitive: 名称是否应区分大小写（case_sensitive=True），转换为大写（case_sensitive=False 或 case_sensitive='upper'）或转换为小写（case_sensitive='lower'）。

调整转换#

The `converters` argument#

通常，定义 dtype 足以定义字符串序列应如何转换。但是，有时可能需要一些额外的控制。例如，我们可能希望确保 YYYY/MM/DD 格式的日期转换为 datetime 对象，或者像 xx% 这样的字符串正确转换为 0 到 1 之间的浮点数。在这种情况下，我们应该使用 converters 参数定义转换函数。

此参数的值通常是一个字典，其中列索引或列名作为键，转换函数作为值。这些转换函数可以是实际函数或 lambda 函数。无论如何，它们都应只接受一个字符串作为输入，并只输出所需类型的单个元素。

在以下示例中，第二列从表示百分比的字符串转换为 0 到 1 之间的浮点数

>>> convertfunc = lambda x: float(x.strip("%"))/100.
>>> data = "1, 2.3%, 45.\n6, 78.9%, 0"
>>> names = ("i", "p", "n")
>>> # General case .....
>>> np.genfromtxt(StringIO(data), delimiter=",", names=names)
array([(1., nan, 45.), (6., nan, 0.)],
      dtype=[('i', '<f8'), ('p', '<f8'), ('n', '<f8')])

我们需要记住，默认情况下 dtype=float。因此，第二列预期为浮点数。然而，字符串 ' 2.3%' 和 ' 78.9%' 无法转换为浮点数，因此我们最终得到 np.nan。现在让我们使用转换器

>>> # Converted case ...
>>> np.genfromtxt(StringIO(data), delimiter=",", names=names,
...               converters={1: convertfunc})
array([(1., 0.023, 45.), (6., 0.789, 0.)],
      dtype=[('i', '<f8'), ('p', '<f8'), ('n', '<f8')])

通过使用第二列的名称 ("p") 作为键而不是其索引 (1)，可以获得相同的结果

>>> # Using a name for the converter ...
>>> np.genfromtxt(StringIO(data), delimiter=",", names=names,
...               converters={"p": convertfunc})
array([(1., 0.023, 45.), (6., 0.789, 0.)],
      dtype=[('i', '<f8'), ('p', '<f8'), ('n', '<f8')])

转换器也可以用于为缺失条目提供默认值。在以下示例中，转换器 convert 将一个去除空白字符的字符串转换为相应的浮点数，如果字符串为空则转换为 -999。我们需要显式地从字符串中去除空白字符，因为默认情况下不会执行此操作

>>> data = "1, , 3\n 4, 5, 6"
>>> convert = lambda x: float(x.strip() or -999)
>>> np.genfromtxt(StringIO(data), delimiter=",",
...               converters={1: convert})
array([[   1., -999.,    3.],
       [   4.,    5.,    6.]])

使用缺失值和填充值#

在我们尝试导入的数据集中，某些条目可能缺失。在之前的示例中，我们使用转换器将空字符串转换为浮点数。然而，用户定义的转换器可能很快变得难以管理。

genfromtxt 函数提供了另外两种互补机制：missing_values 参数用于识别缺失数据，第二个参数 filling_values 用于处理这些缺失数据。

`missing_values`#

默认情况下，任何空字符串都被标记为缺失。我们还可以考虑更复杂的字符串，例如 "N/A" 或 "???" 来表示缺失或无效数据。missing_values 参数接受三种类型的值

一个字符串或逗号分隔的字符串: 此字符串将用作所有列的缺失数据标记
字符串序列: 在这种情况下，每个项按顺序与一列关联。
字典: 字典的值是字符串或字符串序列。对应的键可以是列索引（整数）或列名（字符串）。此外，特殊键 None 可用于定义适用于所有列的默认值。

`filling_values`#

我们知道如何识别缺失数据，但仍需要为这些缺失条目提供一个值。默认情况下，此值根据下表从预期的 dtype 确定

预期类型	默认值
`布尔型`	`False`
`整型`	`-1`
`浮点型`	`np.nan`
`复数型`	`np.nan+0j`
`字符串型`	`'???'`

我们可以通过 filling_values 可选参数对缺失值的转换进行更精细的控制。与 missing_values 类似，此参数接受不同类型的值

单个值: 这将是所有列的默认值
值序列: 每个条目都将是相应列的默认值
字典: 每个键可以是列索引或列名，相应的值应该是一个单个对象。我们可以使用特殊键 None 为所有列定义一个默认值。

在以下示例中，我们假设第一列中的缺失值用 "N/A" 标记，第三列中的缺失值用 "???" 标记。如果这些缺失值出现在第一列和第二列，我们希望将其转换为 0；如果出现在最后一列，则转换为 -999

>>> data = "N/A, 2, 3\n4, ,???"
>>> kwargs = dict(delimiter=",",
...               dtype=int,
...               names="a,b,c",
...               missing_values={0:"N/A", 'b':" ", 2:"???"},
...               filling_values={0:0, 'b':0, 2:-999})
>>> np.genfromtxt(StringIO(data), **kwargs)
array([(0, 2, 3), (4, 0, -999)],
      dtype=[('a', '<i8'), ('b', '<i8'), ('c', '<i8')])

`usemask`#

我们可能还希望通过构建一个布尔掩码来跟踪缺失数据的出现情况，其中数据缺失的地方为 True，否则为 False。为此，我们只需将可选参数 usemask 设置为 True（默认为 False）。然后输出数组将是一个 MaskedArray。

使用 genfromtxt 导入数据#

定义输入#

将行拆分为列#

The delimiter argument#

The autostrip argument#

The comments argument#