NumPy: использование loadtxt или genfromtxt для чтения оборванной структуры

Мне нужно прочитать ASCII файл в Python, где выдержка из файла выглядит так:

E     M S T   N...
...
9998  1 1 128 10097 10098 10199 10198 20298 20299 20400 20399
9999  1 1 128 10098 10099 10200 10199 20299 20300 20401 20400
10000 1 1 128 10099 10100 10201 10200 20300 20301 20402 20401
10001 1 2  44  2071  2172 12373 12272
10002 1 2  44  2172  2273 12474 12373

В идеале это должно следовать схеме NumPy:

array([(9998, 1, 1, 128, (10097, 10098, 10199, 10198, 20298, 20299, 20400, 20399)),
       (9999, 1, 1, 128, (10098, 10099, 10200, 10199, 20299, 20300, 20401, 20400)),
       (10000, 1, 1, 128, (10099, 10100, 10201, 10200, 20300, 20301, 20402, 20401)),
       (10001, 1, 2, 44, (2071, 2172, 12373, 12272)),
       (10002, 1, 2, 44, (2172, 2273, 12474, 12373))], 
      dtype=[('E', '<i4'), ('M', '<i4'), ('S', '<i4'), ('T', '<i4'), ('N', '|O4')])

Где последний объект N, является tuple с целым числом от 2 до 8.

Я хотел бы загрузить эту оборванную структуру, используя np.loadtxt или np.genfromtxt, за исключением того, что я не уверен, что это возможно. Любые встроенные подсказки, или мне нужно сделать пользовательский split-cast-for-loop?

ОТВЕТЫ

Ответ 1

Вам, как мне известно, нужен специальный цикл "split-cast" для цикла.

Фактически NumPy может читать вложенные структуры, подобные вашим, но они должны иметь фиксированную форму, например, в

numpy.loadtxt('data.txt', dtype=[ ('time', np.uint64), ('pos', [('x', np.float), ('y', np.float)]) ])

При попытке прочитать ваши данные с помощью dtype, который вам нужен, NumPy считывает только первое число каждого кортежа:

dt=[('E', '<i4'), ('M', '<i4'), ('S', '<i4'), ('T', '<i4'), ('N', '|O4')]
print numpy.loadtxt('data.txt', dtype=dt)

таким образом, печатает

[(9998, 1, 1, 128, '10097')
 (9999, 1, 1, 128, '10098')
 (10000, 1, 1, 128, '10099')…]

Итак, я бы сказал, продолжайте использовать цикл for вместо numpy.loadtxt().

Вы также можете использовать промежуточный подход, который может быть быстрее: вы даете NumPy загрузить файл с указанным выше кодом, а затем вручную "исправьте" поле "N":

dt=[('E', '<i4'), ('M', '<i4'), ('S', '<i4'), ('T', '<i4'), ('N', '|O4')]
arr = numpy.loadtxt('data.txt', dtype=dt)  # Correctly reads the first 4 columns

with open('data.txt') as input_file:
    for (line_num, line) in enumerate(input_file):
        arr[line_num]['N'] = tuple(int(x) for x in line.split()[4:])  # Manual setting of the tuple column

Этот подход может быть быстрее, чем синтаксический анализ всего массива в цикле for. Это дает результат, который вы хотите:

[(9998, 1, 1, 128, (10097, 10098, 10199, 10198, 20298, 20299, 20400, 20399))
 (9999, 1, 1, 128, (10098, 10099, 10200, 10199, 20299, 20300, 20401, 20400))
 (10000, 1, 1, 128, (10099, 10100, 10201, 10200, 20300, 20301, 20402, 20401))
 (10001, 1, 2, 44, (2071, 2172, 12373, 12272))
 (10002, 1, 2, 44, (2172, 2273, 12474, 1237))]