Czy numpy.savetxt można użyć w N-wymiarowych grach z N> 2?

Question

Próbuję wyprowadzić tablicę zmiennoprzecinkową 4D numpy do pliku tekstowego za pomocą numpy.savetxt

Jednak numpy daje błąd, mówiąc, że argument float jest wymagany, gdy próbuję przekazać tę tablicę. Niemniej jednak numpy doc określa, że ​​argument, który należy przekazać powinien być po prostu tablicą jak ... NIE, że powinien on mieć max. 2. Jedyny sposób, w jaki mogę to zrobić, to przez przekształcenie danych w 2D (i to w rzeczywistości nie jest zawsze praktyczny z powodów związanych z organizacją danych)

Czy istnieje sposób obejścia tego? Czy musi koniecznie przekształcić tablicę numpy w 2D? Spodziewałem się, że będę w stanie odczytać dane w fortranie, podobnie jak w przypadku kolumn po kolumnach (praca w wymiarach).

Czy są inne możliwości? Zauważ, że nie chcę używać formatu npy, ponieważ szukam kompatybilności z innym programem, który potrzebuje formatu zwykłego tekstu.

Answer 1

Innym podejściem jest, aby zapisać tablicę postaci prosta lista liczb (płaska wersja tablicy) i zapisz wzdłuż niej informację o jej kształcie.

Problem dotyczący tablic wielowymiarowych polega na tym, że przenoszenie ich z programu do programu nawet nie jest tak proste, jak w formacie tekstowym.

można zrobić coś takiego:

myarray = rand(5,5,5) 
name = 'myarray'+myarray.shape+'.txt' 
np.savetxt(name,myarray.flatten()) 

i wykorzystywać informacje na temat wielkości inclued w nazwie pliku, aby przywrócić pierwotny kształt

Answer 2

Jeśli spojrzeć na kodzie źródłowym numpy.savetxt znajdziesz

for row in X: 
     fh.write(asbytes(format % tuple(row) + newline)) 

tak numpy.savetxt będzie działać tylko dla 1- lub 2D tablic.

dla interoperacyjności, można użyć JSON, jeśli masz wystarczająco dużo pamięci do zamiany tablicy numpy do listy:

import json 
import numpy as np 
a = np.arange(24).reshape(-1, 2, 3, 4).astype('float') 
a[0,0,0,0] = np.nan 
with open('/tmp/out', 'w') as f: 
    json.dump(a.tolist(), f, allow_nan = True) 

plony

[[[[NaN, 1.0, 2.0, 3.0], [4.0, 5.0, 6.0, 7.0], [8.0, 9.0, 10.0, 11.0]], [[12.0, 13.0, 14.0, 15.0], [16.0, 17.0, 18.0, 19.0], [20.0, 21.0, 22.0, 23.0]]]]