使用numpy fromfile和lzma读取二进制文件打开

Question

我有一个包含双精度值（64位浮点数据）的二进制文件。使用numpy的fromfile

>>> data1 = numpy.fromfile(open('myfile', 'rb')) 

我收到正确的数据（我得到同样的数据与data1 = numpy.fromfile('myfile')）

>>> data1 
array([ 1.29000000e-07, 3.70000000e-08, 3.80000000e-08, 
    3.70000000e-08, 3.60000000e-08, 3.80000000e-08, 
    3.80000000e-08, 3.70000000e-08, 3.80000000e-08, 
    3.60000000e-08, 3.80000000e-08, 3.70000000e-08, 
    3.60000000e-08, 3.60000000e-08, 3.80000000e-08, 
    3.50000000e-08, 3.80000000e-08, 3.80000000e-08, 
    3.80000000e-08, 3.60000000e-08, 3.70000000e-08, 
    3.60000000e-08, 3.70000000e-08, 3.70000000e-08, 
    3.60000000e-08, 3.50000000e-08, 3.70000000e-08, 
    3.70000000e-08, 3.60000000e-08, 3.50000000e-08, 
    3.80000000e-08, 3.80000000e-08, 3.60000000e-08, 
    3.50000000e-08, 3.90000000e-08, 3.70000000e-08, 
    3.70000000e-08, 3.70000000e-08, 3.50000000e-08, 
    3.70000000e-08, 3.60000000e-08, 3.70000000e-08, 
    3.80000000e-08, 3.90000000e-08, 3.90000000e-08, 
    3.60000000e-08, 3.60000000e-08, 3.70000000e-08, 
    3.60000000e-08, 3.80000000e-08, 3.70000000e-08, 
    3.50000000e-08, 3.50000000e-08, 3.60000000e-08, 
    3.60000000e-08, 3.70000000e-08, 3.50000000e-08, 
    3.70000000e-08, 3.60000000e-08, 3.80000000e-08, 
    3.80000000e-08, 3.80000000e-08, 3.80000000e-08, 
    3.90000000e-08, 3.90000000e-08, 3.50000000e-08, 
    3.80000000e-08, 3.80000000e-08, 3.70000000e-08, 
    3.70000000e-08, 3.60000000e-08, 3.80000000e-08, 
    3.60000000e-08, 3.70000000e-08, 3.70000000e-08, 
    3.80000000e-08, 3.60000000e-08, 3.60000000e-08, 
    3.50000000e-08, 3.80000000e-08, 3.60000000e-08, 
    3.70000000e-08, 3.60000000e-08, 3.80000000e-08, 
    3.50000000e-08, 3.80000000e-08, 3.70000000e-08, 
    3.60000000e-08, 3.70000000e-08, 3.90000000e-08, 
    3.60000000e-08, 3.60000000e-08, 3.90000000e-08, 
    3.80000000e-08, 3.60000000e-08, 3.60000000e-08, 
    3.70000000e-08, 3.70000000e-08]) 

我现在用xz

xz -k myfile 

压缩这个文件，随后尝试读取python中的数据使用lzma模块

>>> data2 = numpy.fromfile(lzma.open('myfile.xz')) 
>>> data2 
array([ 2.05244522e-289, 3.09873319e-303, -9.10852154e-136, 
    9.99900586e-150, -7.22647881e+061, -3.03508634e-168, 
    1.40409926e+097, -8.66961452e+219, 2.28992199e-308, 
    -7.28706929e+173, 1.41101250e+029, -2.94590886e-279, 
    7.21680144e+171, -4.62715868e+045, 3.05536517e-138, 
    -2.94268247e-043, -1.54563603e-295, 7.53024241e+102, 
    -1.22865109e+263, 2.62485731e+044, 4.52556260e-312, 
    1.18164036e-240, 3.56496646e-311, -2.82751232e+286, 
    1.69336097e+127]) 

这是怎么发生的？纵观通过read文件对象的内容给

>>> open('myfile', 'rb').read() 
b'B$\xf7\xffgP\x81>\x1c\xe8l\xc4=\xddc>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\xb3z\xea\x05]\xcab>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xb3z\xea\x05]\xcab>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xb3z\xea\x05]\xcab>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>\xb3z\xea\x05]\xcab>\x85U\xef\x82\x1e\xf0d>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>\xb3z\xea\x05]\xcab>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\xd1\x1e\xae#\xaefd>\x85U\xef\x82\x1e\xf0d>\x85U\xef\x82\x1e\xf0d>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>\xb3z\xea\x05]\xcab>\xb3z\xea\x05]\xcab>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\xb3z\xea\x05]\xcab>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\x85U\xef\x82\x1e\xf0d>\x85U\xef\x82\x1e\xf0d>\xb3z\xea\x05]\xcab>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\xb3z\xea\x05]\xcab>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\xb3z\xea\x05]\xcab>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\x85U\xef\x82\x1e\xf0d>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\x85U\xef\x82\x1e\xf0d>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>' 
>>> lzma.open('myfile.xz').read() 
b'B$\xf7\xffgP\x81>\x1c\xe8l\xc4=\xddc>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\xb3z\xea\x05]\xcab>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xb3z\xea\x05]\xcab>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xb3z\xea\x05]\xcab>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>\xb3z\xea\x05]\xcab>\x85U\xef\x82\x1e\xf0d>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>\xb3z\xea\x05]\xcab>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\xd1\x1e\xae#\xaefd>\x85U\xef\x82\x1e\xf0d>\x85U\xef\x82\x1e\xf0d>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>\xb3z\xea\x05]\xcab>\xb3z\xea\x05]\xcab>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\xb3z\xea\x05]\xcab>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\x85U\xef\x82\x1e\xf0d>\x85U\xef\x82\x1e\xf0d>\xb3z\xea\x05]\xcab>\xd1\x1e\xae#\xaefd>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\xb3z\xea\x05]\xcab>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\xd1\x1e\xae#\xaefd>\xb3z\xea\x05]\xcab>\xd1\x1e\xae#\xaefd>\x1c\xe8l\xc4=\xddc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\x85U\xef\x82\x1e\xf0d>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\x85U\xef\x82\x1e\xf0d>\xd1\x1e\xae#\xaefd>g\xb1+e\xcdSc>g\xb1+e\xcdSc>\x1c\xe8l\xc4=\xddc>\x1c\xe8l\xc4=\xddc>' 

这对我来说很好。该类型似乎正确，以及：

>>> type(data1) 
<class 'numpy.ndarray'> 
>>> type(data1[0]) 
<class 'numpy.float64'> 

>>> type(data2) 
<class 'numpy.ndarray'> 
>>> type(data2[0]) 
<class 'numpy.float64'> 

我期待阵列data1和data2的含量相等。

Answer 1

所以，我不知道为什么的解决方案，但我有一个。我从tofile方法生成了一个文件。

我使用frombuffer来阅读压缩版本。

data_xz = np.frombuffer(lzma.open('data.bin.xz', mode='rb').read()) 
data_bin = np.fromfile('data.bin') 

并且读数据相同。

我的猜测是，在某处，np.fromfile的读取字节处理揭示了普通读取方法和lzma模块中的差异。

无论如何，存储数据最好使用一致的格式完成。对于小数据集，纯文本是可以的。否则，joblib的persistence module或HDF5 for Python。