使用 genfromtxt 导入数据#
NumPy 提供了几个用于从表格数据创建数组的函数。这里我们重点介绍 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一系列字符串。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
在举例时，我们将使用以下约定
>>> import numpy as np
>>> from io import StringIO
定义输入#
genfromtxt 唯一必需的参数是数据的来源。它可以是字符串、字符串列表、生成器或具有 read 方法的打开的类文件对象，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 URL 时，文件将自动下载到当前目录并打开。
可识别的文件类型是文本文件和归档文件。目前，该函数可识别 gzip 和 bz2 (bzip2) 归档。归档文件的类型由文件的扩展名确定：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。
将行分割成列#
delimiter 参数#
一旦文件被定义并打开读取，genfromtxt 就会将每个非空行分割成一系列字符串。空行或注释行将被跳过。 delimiter 关键字用于定义如何进行分割。
通常，单个字符标记列之间的分隔符。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.]])
另一个常见的定界符是 "\t"，即制表符。然而，我们不限于单个字符，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格（包括制表符）分割，并且连续的空格被视为单个空格。
或者，我们可能正在处理固定宽度文件，其中列由给定数量的字符定义。在这种情况下，我们需要将 delimiter 设置为单个整数（如果所有列的大小相同）或整数序列（如果列的大小可以不同）
>>> 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.]])
autostrip 参数#
默认情况下，当一行被分解为一系列字符串时，单个条目不会去除前导或尾随空格。可以通过将可选参数 autostrip 设置为 True 来覆盖此行为
>>> 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')
comments 参数#
可选参数 comments 用于定义一个标记注释开头的字符串。默认情况下，genfromtxt 假定 comments='#'。注释标记可以出现在行的任何位置。注释标记之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。
跳过行和选择列#
usecols 参数#
在某些情况下，我们不关心所有列的数据，而只关心其中的几列。我们可以使用 usecols 参数来选择要导入的列。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，约定是第一列的索引为 0。负整数的行为与常规 Python 负索引相同。
例如，如果我们只想导入第一列和最后一列，我们可以使用 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，我们也可以通过将它们的名称提供给 usecols 参数来选择要导入的列，可以是字符串序列或逗号分隔的字符串
>>> 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#
控制如何将从文件中读取的字符串序列转换为其他类型的最主要方法是设置 dtype 参数。此参数的可接受值包括
单个类型，例如
dtype=float。输出将是具有给定 dtype 的 2D 数组，除非通过使用names参数（见下文）为每列关联了一个名称。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"。一个有两个键
'names'和'formats'的字典。一个元组序列
(name, type)，例如dtype=[('A', int), ('B', float)]。一个现有的
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（见下文）。
在除第一种情况外的所有情况下，输出将是一个具有结构化 dtype 的 1D 数组。此 dtype 的字段数等于序列中的项数。字段名通过 names 关键字定义。
当 dtype=None 时，每列的类型是根据其数据迭代确定的。我们首先检查字符串是否可以转换为布尔值（即，字符串是否匹配小写的 true 或 false）；然后检查它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。
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#
names 参数#
处理表格数据时，一种自然的方法是为每列分配一个名称。第一个可能性是使用显式的结构化 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，后跟字符串序列或逗号分隔的字符串
>>> 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。通过提供名称序列，我们强制输出为结构化 dtype。
我们有时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。然后将从第一行（在 skip_header 行之后）读取名称，即使该行被注释掉了
>>> 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 的默认值是 None。如果我们给关键字赋予任何其他值，新名称将覆盖我们可能使用 dtype 定义的游戏字段名称
>>> 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')])
defaultfmt 参数#
如果 names=None 但需要结构化 dtype，则使用标准的 NumPy 默认值 "f%i" 来定义名称，生成 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 参数来覆盖此默认值，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 仅在需要某些名称但未定义名称时使用。
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。为此，我们可能需要确保字段名不包含任何空格或无效字符，或者它不对应于标准属性的名称（如 size 或 shape），这会混淆解释器。genfromtxt 接受三个可选参数，提供对名称的更精细控制
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，无效字符是
~!@#$%^&*()-=+~\|]}[{';: /?.>,<。excludelist提供一个要排除的名称列表，例如
return、file、print… 如果输入名称之一在此列表中，则会在其后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'）或小写（case_sensitive='lower'）。
调整转换#
converters 参数#
通常，定义 dtype 就足以确定字符串序列如何被转换。然而，有时可能需要额外的控制。例如，我们可能希望确保 YYYY/MM/DD 格式的日期被转换为 datetime 对象，或者像 xx% 这样的字符串被正确转换为 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，其键是列索引或列名，值为转换函数。这些转换函数可以是实际函数或 lambda 函数。无论哪种情况，它们都应该只接受一个字符串作为输入，并只输出一个所需类型的元素。
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，第二列预计为浮点数。但是，字符串 ' 2.3%' 和 ' 78.9%' 无法转换为浮点数，我们最终得到了 np.nan。现在让我们使用一个转换器
>>> # 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')])
转换器还可以用于为缺失条目提供默认值。在以下示例中，转换器 convert 将剥离后的字符串转换为相应的浮点数，或者在字符串为空时转换为 -999。我们需要显式地从字符串中剥离空格，因为默认情况下不会这样做
>>> 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#
我们正在导入的数据集中可能缺少某些条目。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。但是，用户定义的转换器可能会变得很麻烦。
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
- 一个字符串或一个逗号分隔的字符串
此字符串将用作所有列缺失数据的标记
- 一个字符串序列
在这种情况下，每个项按顺序与一列关联。
- 一个字典
字典的值是字符串或字符串序列。相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，但我们仍然需要为这些缺失条目提供一个值。默认情况下，此值根据以下表格根据预期的 dtype 确定
预期类型 |
默认 |
|---|---|
|
|
|
|
|
|
|
|
|
|
我们可以通过 filling_values 可选参数来更精细地控制缺失值的转换。与 missing_values 类似，此参数接受不同类型的值
- 一个单一值
这将是所有列的默认值
- 一个值序列
每个条目将是对应列的默认值
- 一个字典
每个键可以是列索引或列名，对应的值应该是一个单独的对象。我们可以使用特殊键
None来定义所有列的默认值。
在以下示例中，我们假设缺失值在第一列中用 "N/A" 标记，在第三列中用 "???" 标记。我们希望将这些缺失值转换为 0（如果它们出现在第一列和第二列），或转换为 -999（如果它们出现在最后一列）
>>> 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#
我们还可能希望通过构建一个布尔掩码来跟踪缺失数据的出现，其中 True 条目表示数据缺失，False 表示数据未缺失。为此，我们只需将可选参数 usemask 设置为 True（默认值为 False）。则输出数组将是 MaskedArray。