genfromtxt() 中的 NumPy dtype 问题，将字符串读取为字节串

Question

我想将一个标准的 ascii csv 文件读入 numpy，它由浮点数和字符串组成。

例如，

ZINC00043096,C.3,C1,-0.1540,methyl
ZINC00043096,C.3,C2,0.0638,methylene
ZINC00043096,C.3,C4,0.0669,methylene
ZINC00090377,C.3,C7,0.2070,methylene
...

无论我尝试什么，结果数组都会是这样的

例如，

all_data = np.genfromtxt(csv_file, dtype=None, delimiter=',')


[(b'ZINC00043096', b'C.3', b'C1', -0.154, b'methyl')
 (b'ZINC00043096', b'C.3', b'C2', 0.0638, b'methylene')
 (b'ZINC00043096', b'C.3', b'C4', 0.0669, b'methylene')

但是，我想为字节字符串转换保存一个步骤，并且想知道如何将字符串列作为常规字符串直接读取。

我从 numpy.genfromtxt() 文档中尝试了几件事，例如，dtype='S,S,S,f,S' 或 dtype='a25,a25,a25,f,a25'，但这里没有任何帮助。

我很害怕，但我想我只是不明白 dtype 转换是如何工作的......如果你能在这里给我一些提示会很好！

谢谢

Answer 1

在 python 3.6 中，

all_data = np.genfromtxt('csv_file.csv', delimiter=',', dtype='unicode')

工作得很好。

Answer 2

在 Python2.7 中

array([('ZINC00043096', 'C.3', 'C1', -0.154, 'methyl'),
       ('ZINC00043096', 'C.3', 'C2', 0.0638, 'methylene'),
       ('ZINC00043096', 'C.3', 'C4', 0.0669, 'methylene'),
       ('ZINC00090377', 'C.3', 'C7', 0.207, 'methylene')], 
      dtype=[('f0', 'S12'), ('f1', 'S3'), ('f2', 'S2'), ('f3', '<f8'), ('f4', 'S9')])

在 Python3 中

array([(b'ZINC00043096', b'C.3', b'C1', -0.154, b'methyl'),
       (b'ZINC00043096', b'C.3', b'C2', 0.0638, b'methylene'),
       (b'ZINC00043096', b'C.3', b'C4', 0.0669, b'methylene'),
       (b'ZINC00090377', b'C.3', b'C7', 0.207, b'methylene')], 
      dtype=[('f0', 'S12'), ('f1', 'S3'), ('f2', 'S2'), ('f3', '<f8'), ('f4', 'S9')])

Python3 中的“常规”字符串是 unicode。但是您的文本文件有字节字符串。 all_data 在两种情况下都是相同的（136 字节），但 Python3 显示字节字符串的方式是 b'C.3'，而不仅仅是 'C.3'。

您打算对这些字符串进行哪些操作？ 'ZIN' in all_data['f0'][1] 适用于 2.7 版本，但在 3 中您必须使用 b'ZIN' in all_data['f0'][1]。

Variable/unknown length string/unicode dtype in numpy 提醒我，您可以在 dtype 中指定 unicode 字符串类型。但是，如果您事先不知道字符串的长度，这会变得更加复杂。

alttype = np.dtype([('f0', 'U12'), ('f1', 'U3'), ('f2', 'U2'), ('f3', '<f8'), ('f4', 'U9')])
all_data_u = np.genfromtxt(csv_file, dtype=alttype, delimiter=',')

生产

array([('ZINC00043096', 'C.3', 'C1', -0.154, 'methyl'),
       ('ZINC00043096', 'C.3', 'C2', 0.0638, 'methylene'),
       ('ZINC00043096', 'C.3', 'C4', 0.0669, 'methylene'),
       ('ZINC00090377', 'C.3', 'C7', 0.207, 'methylene')], 
      dtype=[('f0', '<U12'), ('f1', '<U3'), ('f2', '<U2'), ('f3', '<f8'), ('f4', '<U9')])

在 Python2.7 中 all_data_u 显示为

(u'ZINC00043096', u'C.3', u'C1', -0.154, u'methyl')

all_data_u 是 448 个字节，因为numpy 为每个 unicode 字符分配 4 个字节。每个U4 项的长度为 16 个字节。

---

v 1.14 中的更改：https://docs.scipy.org/doc/numpy/release.html#encoding-argument-for-text-io-functions

Answer 3

np.genfromtxt(csv_file, dtype='|S12', delimiter=',')

或者您可以使用usecols 参数选择您知道是字符串的列：

np.genfromtxt(csv_file, dtype=None, delimiter=',',usecols=(0,1,2,4))