انتقل إلى المحتوى

حفظ ومشاركة مصفوفات NumPy الخاصة بك

ماذا ستتعلم (What you'll learn)

ستقوم بحفظ مصفوفات NumPy الخاصة بك كملفات مضغوطة (zipped files) وملفات نصية قابلة للقراءة البشرية مفصولة بفواصل (comma-delimited files) أي *.csv. ستتعلم أيضًا كيفية تحميل كلا النوعين من الملفات مرة أخرى إلى مساحات عمل NumPy.

ماذا ستفعل (What you'll do)

ستتعلم طريقتين لحفظ وقراءة الملفات - كملفات مضغوطة (compressed) وملفات نصية (text files) - والتي ستلبي معظم احتياجات التخزين الخاصة بك في NumPy.

  • ستنشئ مصفوفتين أحاديتي الأبعاد (1D arrays) ومصفوفة ثنائية الأبعاد (2D array)
  • ستقوم بحفظ هذه المصفوفات في ملفات
  • ستقوم بإزالة المتغيرات من مساحة عملك
  • ستقوم بتحميل المتغيرات من ملفك المحفوظ
  • ستقارن الملفات الثنائية المضغوطة (zipped binary files) بالملفات المحددة القابلة للقراءة البشرية (human-readable delimited files)
  • ستنهي بمهارات حفظ وتحميل ومشاركة مصفوفات NumPy

ماذا ستحتاج (What you'll need)

  • NumPy
  • إذن قراءة وكتابة (read-write access) إلى دليل العمل الخاص بك

قم بتحميل الدوال الضرورية باستخدام الأمر التالي.

import numpy as np

في هذا البرنامج التعليمي، ستستخدم دوال Python و IPython magic و NumPy التالية:

+++

إنشاء مصفوفاتك (Create your arrays)

الآن بعد أن قمت باستيراد مكتبة NumPy، يمكنك إنشاء مصفوفتين؛ لنبدأ بمصفوفتين أحاديتي الأبعاد (1D arrays)، x و y، حيث y = x**2. ستقوم بتعيين x للأعداد الصحيحة من 0 إلى 9 باستخدام np.arange.

x = np.arange(10)
y = x ** 2
print(x)
print(y)

حفظ مصفوفاتك باستخدام savez من NumPy

الآن لديك مصفوفتان في مساحة عملك،

x: [0 1 2 3 4 5 6 7 8 9]

y: [ 0 1 4 9 16 25 36 49 64 81]

أول شيء ستفعله هو حفظهما في ملف كمصفوفات مضغوطة (zipped arrays) باستخدام savez. ستستخدم خيارين لتسمية المصفوفات في الملف،

  1. x_axis = x: هذا الخيار يعين الاسم x_axis للمتغير x
  2. y_axis = y: هذا الخيار يعين الاسم y_axis للمتغير y
np.savez("x_y-squared.npz", x_axis=x, y_axis=y)

إزالة المصفوفات المحفوظة وتحميلها مرة أخرى باستخدام load من NumPy

في دليل العمل الحالي الخاص بك، يجب أن يكون لديك ملف جديد بالاسم x_y-squared.npz. هذا الملف هو ثنائي مضغوط (zipped binary) للمصفوفتين، x و y. دعنا نمسح مساحة العمل ونحمل القيم مرة أخرى. يحتوي ملف x_y-squared.npz هذا على ملفين بتنسيق NPY format. تنسيق NPY هو تنسيق ثنائي أصلي (native binary format). لا يمكنك قراءة الأرقام في محرر نصوص قياسي أو جدول بيانات.

  1. إزالة x و y من مساحة العمل باستخدام del
  2. تحميل المصفوفات إلى مساحة العمل في قاموس (dictionary) باستخدام np.load

لمعرفة المتغيرات الموجودة في مساحة العمل، استخدم أمر Jupyter/IPython "magic" whos.

del x, y

%whos

load_xy = np.load("x_y-squared.npz")

print(load_xy.files)

%whos

إعادة تعيين مصفوفات NpzFile إلى x و y

لقد أنشأت الآن القاموس بنوع NpzFile. الملفات المضمنة هي x_axis و y_axis التي قمت بتعريفها في أمر savez الخاص بك. يمكنك إعادة تعيين x و y لملفات load_xy.

x = load_xy["x_axis"]
y = load_xy["y_axis"]
print(x)
print(y)

نجاح (Success)

لقد قمت بإنشاء وحفظ وحذف وتحميل المتغيرات x و y باستخدام savez و load. عمل رائع.

خيار آخر: الحفظ إلى csv قابل للقراءة البشرية (Another option: saving to human-readable csv)

دعنا نفكر في سيناريو آخر، تريد مشاركة x و y مع أشخاص آخرين أو برامج أخرى. قد تحتاج إلى ملف نصي قابل للقراءة البشرية (human-readable text file) يسهل مشاركته. بعد ذلك، ستستخدم savetxt لحفظ x و y في ملف قيم مفصولة بفواصل (comma separated value file)، x_y-squared.csv. يتكون ملف csv الناتج من أحرف ASCII. يمكنك تحميل الملف مرة أخرى إلى NumPy أو قراءته ببرامج أخرى.

إعادة ترتيب البيانات في مصفوفة ثنائية الأبعاد واحدة (Rearrange the data into a single 2D array)

أولاً، يجب عليك إنشاء مصفوفة ثنائية الأبعاد واحدة من مصفوفتيك أحاديتي الأبعاد. نوع ملف csv هو مجموعة بيانات على غرار جدول البيانات (spreadsheet-style dataset). يرتب csv الأرقام في صفوف - مفصولة بأسطر جديدة - وأعمدة - مفصولة بفواصل. إذا كانت البيانات أكثر تعقيدًا، على سبيل المثال، مصفوفات ثنائية الأبعاد متعددة أو مصفوفات ذات أبعاد أعلى، فمن الأفضل استخدام savez. هنا، ستستخدم دالتين من NumPy لتنسيق البيانات:

  1. np.block: هذه الدالة تلحق المصفوفات معًا في مصفوفة ثنائية الأبعاد

  2. np.newaxis: هذه الدالة تجبر المصفوفة أحادية الأبعاد على أن تكون متجه عمود ثنائي الأبعاد (2D column vector) بـ 10 صفوف وعمود واحد.

array_out = np.block([x[:, np.newaxis], y[:, np.newaxis]])
print("the output array has shape ", array_out.shape, " with values:")
print(array_out)

حفظ البيانات في ملف csv باستخدام savetxt

ستستخدم savetxt مع ثلاثة خيارات لجعل ملفك أسهل في القراءة:

  • X = array_out: هذا الخيار يخبر savetxt بحفظ مصفوفتك ثنائية الأبعاد، array_out، في الملف x_y-squared.csv
  • header = 'x, y': هذا الخيار يكتب رأسًا قبل أي بيانات تسمي أعمدة csv
  • delimiter = ',': هذا الخيار يخبر savetxt بوضع فاصلة بين كل عمود في الملف
np.savetxt("x_y-squared.csv", X=array_out, header="x, y", delimiter=",")

افتح الملف، x_y-squared.csv، وسترى ما يلي:

!head x_y-squared.csv

مصفوفاتنا كملف csv (Our arrays as a csv file)

هناك ميزتان يجب أن تلاحظهما هنا:

  1. تستخدم NumPy # لتجاهل العناوين عند استخدام loadtxt. إذا كنت تستخدم loadtxt مع ملفات csv أخرى، يمكنك تخطي صفوف الرأس باستخدام skiprows = <number_of_header_lines>.
  2. تمت كتابة الأعداد الصحيحة في التدوين العلمي (scientific notation). يمكنك تحديد تنسيق النص باستخدام خيار savetxt، fmt =، لكنه سيظل مكتوبًا بأحرف ASCII. بشكل عام، لا يمكنك الحفاظ على نوع أرقام ASCII كـ float أو int.

الآن، احذف x و y مرة أخرى وقم بتعيينهما لأعمدتك في x-y_squared.csv.

del x, y

load_xy = np.loadtxt("x_y-squared.csv", delimiter=",")

load_xy.shape

x = load_xy[:, 0]
y = load_xy[:, 1]
print(x)
print(y)

نجاح، ولكن تذكر أنواعك (Success, but remember your types)

عندما قمت بحفظ المصفوفات في ملف csv، لم تحافظ على نوع int. عند تحميل المصفوفات مرة أخرى إلى مساحة عملك، ستكون العملية الافتراضية هي تحميل ملف csv كمصفوفة نقطة عائمة ثنائية الأبعاد (2D floating point array) على سبيل المثال load_xy.dtype == 'float64' و load_xy.shape == (10, 2).

+++

تلخيص (Wrapping up)

في الختام، يمكنك إنشاء وحفظ وتحميل المصفوفات في NumPy. يجعل حفظ المصفوفات مشاركة عملك والتعاون أسهل بكثير. هناك طرق أخرى يمكن لـ Python من خلالها حفظ البيانات في ملفات، مثل pickle، ولكن savez و savetxt ستلبي معظم احتياجات التخزين الخاصة بك لعمل NumPy المستقبلي والمشاركة مع الآخرين، على التوالي.

الخطوات التالية: يمكنك استيراد البيانات ذات القيم المفقودة من الاستيراد باستخدام genfromtext أو معرفة المزيد حول الإدخال/الإخراج العام لـ NumPy باستخدام قراءة وكتابة الملفات.