Question

即便：

>>> foo = np.array([1, 2, 3])
>>> np.save('zomg.npy', foo)
>>> np.load('zomg.npy')
array([1, 2, 3])

一切都好。那么loads呢？

>>> np.loads(open('zomg.npy', 'rb').read())
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
_pickle.UnpicklingError: STACK_GLOBAL requires str

不。这不应该工作吗？ np.load()成功，所以我知道数据没有损坏：

Answer 1

我建议坚持使用np.save和np.load，除非你需要一些额外的pickle功能。然后，直接使用pickle而不是np个同义词之一，可能不那么令人困惑。

============

有一个无证件np.loads;只是pickle.loads的另一个名称。

In [573]: np.loads
Out[573]: <function _pickle.loads>
In [574]: np.loads??
Signature: np.loads(data, *, fix_imports=True, encoding='ASCII', errors='strict')

np.ma.loads有更多文档，但只是：

def loads(strg):
    ...
    return pickle.loads(strg)

np.load会将pickle用于非常规数组，但会从np.save格式执行自己的加载。查看其文档中有关腌制对象的内容。并增加了混乱。数组的pickle.dump使用np.save。也就是说，ndarray的pickle格式为save。

因此，np.load和np.loads之间存在关联，但与pickle.load和pickle.loads之间的关系并不完全相同。

=====

没有np.dumps，但有np.ma.dumps

In [584]: d=np.ma.dumps(foo)
In [585]: d
Out[585]: b'\x80\x03cnumpy.core.multiarray\n_reconstruct\nq\x00cnumpy\nndarray\nq\x01K\x00\x85q\x02C\x01bq\x03\x87q\x04Rq\x05(K\x01K\x03\x85q\x06cnumpy\ndtype\nq\x07X\x02\x00\x00\x00i4q\x08K\x00K\x01\x87q\tRq\n(K\x03X\x01\x00\x00\x00<q\x0bNNNJ\xff\xff\xff\xffJ\xff\xff\xff\xffK\x00tq\x0cb\x89C\x0c\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00q\rtq\x0eb.'
In [586]: np.loads(d)
Out[586]: array([1, 2, 3])
In [587]: np.ma.loads(d)
Out[587]: array([1, 2, 3])
In [588]: import pickle
In [589]: pickle.loads(d)
Out[589]: array([1, 2, 3])

使用pickle界面保存并加载数组：

In [594]: np.ma.dump(foo,open('test.pkl','wb'))
In [595]: np.load('test.pkl')
Out[595]: array([1, 2, 3])
In [600]: pickle.load(open('test.pkl','rb'))
Out[600]: array([1, 2, 3])

Answer 2

现在可以解决这个问题：

read_table

如何`np.loads（）`一个`np.save（）`d数组？

2 个答案: