将unicode元素读入numpy数组

Question

考虑一个名为“new.txt”的文本文件，其中包含以下元素：

μm
∂r
∆λ

在Python2.7中，我可以通过键入：

>>> import codecs
>>> f = codecs.open('new.txt', encoding='utf-8')
>>> lines = [line.strip() for line in f2.readlines()]
>>> lines
[u'\u03bcm', u'\u2202r', u'\u2206\u03bb']
>>> print lines[0]
μm

到目前为止还不错。我可以通过以下方式轻松地将此列表转换为numpy数组：

>>> import numpy as np
>>> arr = np.array(lines)
>>> arr
array([u'\u03bcm', u'\u2202r', u'\u2206\u03bb'], 
      dtype='<U2')

问题是，我不能通过numpy的loadtxt函数直接读取这个文件：

>>> np.loadtxt('new.txt', dtype=np.unicode_)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib64/python2.7/site-packages/numpy/lib/npyio.py", line 805, in loadtxt
    X = np.array(X, dtype)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xce in position 0: ordinal not in range(128)

直接将这个文件读入numpy的正确方法是什么？

谢谢。

Answer 1

如果要使用loadtxt，可以先加载原始字节数组，然后解码：

data = np.loadtxt('foo.txt', dtype='S8')
unicode_data = data.view(np.chararray).decode('utf-8')

或指定用于解码的转换器：

data = np.loadtxt('foo.txt', converters={0: lambda x: unicode(x, 'utf-8')}, dtype='U2')

然而，在Sven的答案中使用fromiter可能比loadtxt更有效。

Answer 2

在内存中，unicode字符串表示为UCS-2或UCS-4，这取决于Python解释器的编译方式。您的文件是在UTF-8中编码的，因此在将其映射到NumPy数组之前需要重新编码。loadtxt()无法为您重新编码——毕竟NumPy主要针对数值数组。

假设每行的字符数相同，也可以使用更有效的变量

s = codecs.open("new.txt", encoding="utf-8").read()
arr = numpy.frombuffer(s, dtype="<U3")

这将在字符串中包含换行符。不包括它们，使用

arr = numpy.frombuffer(s.replace("\n", ""), dtype="<U2")

编辑：如果文件行的长度不同，并且您希望避免中间列表，则可以使用

arr = numpy.fromiter(codecs.open("new.txt", encoding="utf-8"), dtype="<U2")

不过，我不确定这是否会在内部创建一些临时列表。