标签：load()   存在   get   port   情况   存储   字典   多核   优势   

Python科学计算结果的存储与读取

总结于2019年3月17日  荆楚理工学院 计算机工程学院

一、前言

        显然，作为一名工科僧，执行科学计算，需用Python。PS：快忘记Matlab吧。我用了二十年的时间，熟练掌握了Matlab的用法，然后，很可能，我用6个月不到的时间，选择并实现了用Python替换Matlab。虽然来到了计算机工程学院，但是工程计算是本业，不能久，然后我突然间发现，好多时候，只用pyplot显示结果，我们的计算结果，很多时候需要存储和重复调用的哪，一个图的话，若再需要数据，下次需要，难道再发费几小时重新计算？

        用Python替换Matlab的理由：

（1）并行多核计算简单，效率高

        之前用Matlab，并行计算需要时间几小时完成一项工作，该工作相似的计算，在Python里仅 用了2小时不到，5300多秒。可见其差异。另外，并行多核计算的代码非常简单，导入multiprocessing，定义其processes=cpu_count，然后导入Pool，执行apply_async()，调用get()获得return的结果即可，简单，强大！

（2）占地不大

Matlab现在是越来越大了，您懂得……，但并卵，安装Anaconda也不到3GB吧？我添加了许多插件了的。

（3）通用性强

这个，Python作为一门通用语言，已经成功登顶计算机语言排行榜首，不用多说了吧？

二、在Python中存储和读取科学计算结果

1、计算实例

显然，科学计算往往十分复杂，我此处用一个简单的混沌 映射序列作为后来结果的演示：

# 导入各种支持
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import random
import math
import json
# import redis


# 建立科学计算
# Chebyshev map,初始值0。7，无关a值问题，注意取值是【-1，1】，可通过math.fabs实现切换m
def Chebyshev(maxIter, initial_value=0.7, a=1.0):
    y = [0.0] * maxIter
    for i in range(maxIter):
        if i == 0:
            y[i] = initial_value
        else:
            y[i] = math.cos(i / math.cos(y[i - 1]))
    return y

2、采用Json存储和读取

# 采用json存储结果
def test_json_write():
    maxIter = 500
    chaos = Chebyshev(maxIter)
    data = { ‘chaos‘:chaos, ‘maxIter‘:500}
    datum = json.dumps(data, ensure_ascii=False)
    with open(‘chaos.json‘, ‘w‘) as f:
        json.dump(data, f, indent=4, sort_keys=False)


# 采用json读取文件
def test_json_read():
    fileName = "chaos"
    with open(‘{}.json‘.format(fileName), ‘r‘) as fp:
        result = json.load(fp)
    chaos = result[‘chaos‘]
    maxIter = result[‘maxIter‘]
    plt.plot(chaos)
    plt.show()

        优点：一是可以使用dict字典的形式，使结果存储于JSON中，二是数据可见，通用性强；三是复用方便。

3、使用numpy的形式读取和使用

        numpy提供了数组的三种存取方法，如save、load组；tofile和Fromfile组；以及savetxt和loadtxt组，三种方法均可以使用，注意前两种情况是对数组加密的，无法像json或txt一样能够显示计算结果。因此，我们在有条件的情况下，可以txt型，但若有json存储方法存在，Txt其实也没有啥优势，毕竟科学计算结果较大，txt数据文件较大时，不好读入。

# 测试数组的存储方式
def test_numpy_save():
    maxIter = 500
    chaos = Chebyshev(maxIter)
    data = np.array(chaos)
    # data.tofile(‘chaos.npy‘,format=‘%e‘)
    np.savez(‘chaos.npz‘, maxIter, chaos)


# 测试numpy文件的读取
def test_numpy_load():
    # chaos=np.fromfile(‘chaos.npy‘,dtype=np.double)
    result = np.load("chaos.npz")
    chaos = result["arr_1"]
    plt.plot(chaos)
    plt.show()

        优点：前两种方法，可以实现数据的简单加密功能。

　　缺点：（1）如果是其它类型如序列list，需要先转换为数组。（2）save和load，多组存储时，需要按顺序对应读出，显然不方便 。

三、总结

1、存储单个列表

        如果只需要存储一个列型数据，如errro序列，则可以直接用numpy的存储方式，先将序列转换为numpy数组，使用数组的三种存储方式均是可以的。

2、多个数组可使用词曲的方式存储

        当有多个需要存储的内容时，可将其转换为词典的格式，统一为data={‘key1 ’:value1, ’key2’:value2 ,……}，然后采用json.dump(data,file)的格式，将数据存储为json格式。

仅用于个人学习和分享，谢绝转载！

版权所有，违者必究。

Python科学计算结果的存储与读取

标签：load()   存在   get   port   情况   存储   字典   多核   优势   

原文地址：https://www.cnblogs.com/lvqing323/p/10545711.html