保存为二进制文件（.npy / .npz）

numpy.save

numpy.save
# 保存一个数组到一个二进制文件中，保存格式为.np

numpy.save(file, 				#文件名/文件路径 
		   arr, 				#要存储的数组
		   allow_pickle=True,   #布尔值，允许使用Python pickles保存对象数组（可选参数，默认即可）
		   fix_imports=True)    #为了方便Python2中读取Python3保存的数据（可选参数，默认即可）

例子：

>>> import numpy as np 
#生成数据 
>>> x=np.arange(10) 
>>> x 
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 
 
#数据保存 
>>> np.save('save_x',x) 
 
#读取保存的数据 
>>> np.load('save_x.npy') 
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

numpy.savez

这个同样是保存数组到一个二进制文件中，但是厉害的是，它可以保存多个数组到同一个文件，保存格式是.npz，它其实就是多个前面np.save保存的.npy，再通过打包的方式将这些文件归到一个文件上，不行你去解压.npz文件就知道了，里面就是保存的多个.npy

numpy.savez(file, 		#文件名/文件路径
			*args,		#要存储的数组,可以写多个,如果没有给数组指定Key,Numpy将默认从'arr_0','arr_1'的方式命名
			**kwds      #(可选参数,默认即可))

例子：

>>> import numpy as np 
#生成数据 
>>> x=np.arange(10) 
>>> x 
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 
>>> y=np.sin(x) 
>>> y 
array([ 0.        ,  0.84147098,  0.90929743,  0.14112001, -0.7568025 , 
       -0.95892427, -0.2794155 ,  0.6569866 ,  0.98935825,  0.41211849]) 
        
#数据保存 
>>> np.save('save_xy',x,y) 
 
#读取保存的数据 
>>> npzfile=np.load('save_xy.npz') 
>>> npzfile  #是一个对象,无法读取 
<numpy.lib.npyio.NpzFile object at 0x7f63ce4c8860> 
 
#按照组数默认的key进行访问 
>>> npzfile['arr_0'] 
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 
>>> npzfile['arr_1'] 
array([ 0.        ,  0.84147098,  0.90929743,  0.14112001, -0.7568025 , 
       -0.95892427, -0.2794155 ,  0.6569866 ,  0.98935825,  0.41211849])

更加神奇的是,你可以不适用Numpy默认给数组的Key,而是自己给数组有意义的Key,这样就可以不用去猜测自己加载数据是否是自己需要的.

    #数据保存 
    >>> np.savez('newsave_xy',x=x,y=y) 
     
    #读取保存的数据 
    >>> npzfile=np.load('newsave_xy.npz') 
     
    #按照保存时设定组数key进行访问 
    >>> npzfile['x'] 
    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 
    >>> npzfile['y'] 
    array([ 0.        ,  0.84147098,  0.90929743,  0.14112001, -0.7568025 , 
           -0.95892427, -0.2794155 ,  0.6569866 ,  0.98935825,  0.41211849])

简直不能太爽,深度学习中,有时候你保存了训练集,验证集,测试集,还包括他们的标签,用这个方式存储起来,要啥加载啥,文件数量大大减少,也不会到处改文件名去.

numpy.savez_compressed

这个就是在前面numpy.savez的基础上加了压缩,前面我介绍时尤其注明numpy.savez是得到的文件打包,不压缩的.这个文件就是对文件进行打包时使用了压缩,可以理解为压缩前各npy的文件大小不变,使用该函数比前面的numpy.savez得到的npz文件更小.
注:函数所需参数和numpy.savez一致,用法完成一样.

保存到文本文件

numpy.savetxt

numpy.savetxt(fname,	              #文件名/文件路径,如果文件后缀是.gz,文件将被自动保存为.gzip格式,np.loadtxt可以识别该格式
			  X,					  #要存储的1D或2D数组
			  fmt='%.18e',   		  #控制数据存储的格式
			  delimiter=' ', 		  #数据列之间的分隔符
			  newline='\n', 			  #数据行之间的分隔符
			  header='',			  #文件头步写入的字符串
			  footer='', 			  #文件底部写入的字符串
			  comments='#',			  #文件头部或者尾部字符串的开头字符,默认是'#'
			  encoding=None) 		  #使用默认参数

例子：

>>> import numpy as np 
#生成数据 
>>> x = y = z = np.ones((2,3)) 
>>> x 
array([[1., 1., 1.], 
       [1., 1., 1.]]) 
        
#保存数据 
np.savetxt('test.out', x) 
np.savetxt('test1.out', x,fmt='%1.4e') 
np.savetxt('test2.out', x, delimiter=',') 
np.savetxt('test3.out', x,newline='a') 
np.savetxt('test4.out', x,delimiter=',',newline='a') 
np.savetxt('test5.out', x,delimiter=',',header='abc') 
np.savetxt('test6.out', x,delimiter=',',footer='abc')

numpy.loadtxt

numpy.laodtxt(fname,				#文件名/文件路径,如果文件后缀是.gz或.bz2,文件将被解压,然后再载入
			  dtype,			    #要读取的数据类型
			  comments='#',         #文件头部或者尾部字符串的开头字符,用于识别头部,尾部字符串
			  delimiter=None, 		#划分读取上来值的字符串
			  converters=None,		#数据行之间的分隔符
			  skiprows=0,
			  usecols=None,
			  unpack=False,
			  ndmin=0,
			  encoding='bytes')

例子：

np.loadtxt('test.out') 
np.loadtxt('test2.out', delimiter=',')

Reference:
https://www.cnblogs.com/wushaogui/p/9142019.html

numpy 数据的序列化和反序列化