Python怎么loadtxt？

Python怎么loadtxt？轻松读取文本数据不再难！超详细指南分享。

说起来数据加载这事儿，真是搞数据分析、机器学习绕不开的第一步，但往往也是最让人头疼的一步。文件格式五花八门，有时候拿到一个纯文本文件，里面就是一行行的数字，或者数字夹杂着逗号、空格，看着简单，手动去解析嘛，又觉得效率低下。这时候，如果你用 Python，而且跟 NumPy 打过交道，那你肯定或早或少听说过或者用过那个叫做 `loadtxt` 的函数。别看它名字里带着个“text”，听着好像只能读纯文本，实际上，对付那种结构比较规整的、以行为单位的数据文件，它简直是个 小能手！

我第一次接触 `loadtxt`，是处理一些实验室的传感器数据。那些数据简陋得很，就是一个文本文件，每行几个数值，中间用空格隔开。当时还不太会用 pandas，觉得是不是得一行一行读进来，然后用 split 切割，再转成数字……想想都头大。结果师兄轻描淡写一句：“用 NumPy 的 `loadtxt` 试试。” 我一试，哇！三两行代码，数据直接变成了一个 NumPy 数组，整整齐齐的，就像变魔术一样。那感觉，就像在沙漠里走了很久突然看到一片绿洲， 救命了属于是！

那这 python怎么loadtxt 呢？ 最基本、最核心的用法，其实贼简单。就一个函数调用：

“`python

import numpy as np

假设你有一个叫 'my_data.txt' 的文件，里面都是数字，用空格隔开

data = np.loadtxt('my_data.txt')

print(data)

“`

就这样！前提是你的文件格式得非常标准，比如每一行有相同数量的列，每一列的数据类型都差不多（默认会猜）。如果文件里头全是数字，用空格或者制表符啥的隔开，那恭喜你，这一行代码就 够了！读进来直接就是个 NumPy 数组，你就可以开始你的数学计算或者数据处理了。是不是听着就很 痛快？

但现实哪有那么美好？ 文件格式总是千奇百怪的。所以 `loadtxt` 提供了很多参数，帮你应对各种妖魔鬼怪的文件。这些参数就像是它的 十八般武艺，掌握了，基本上大部分简单的文本数据都能搞定。

首先是 分隔符，这是最常见的需求。你的数据不一定是用空格隔开的呀，可能是逗号（`csv` 文件其实就是特殊的文本文件），可能是分号，甚至是固定的宽度。`loadtxt` 有个参数叫 `delimiter`，就是干这个的。

比如你的数据是 CSV 格式的：

“`python

数据文件长这样：

1.0,2.5,3.1

4.2,5.8,6.9

…

data = np.loadtxt('my_csv_data.csv', delimiter=',')

print(data)

“`

瞧，加个 `delimiter=','` 就搞定了。如果是用制表符（Tab）隔开的，你可以写 `delimiter='\t'`。甚至可以用一个字符串，比如某个文件里用了多个空格作为分隔符，但数量不固定，你可以试试 `delimiter=None` (默认值)，它会把连续的空白字符当作一个分隔符。这个参数用对，直接解决了大问题。

再来，文件开头通常有些 乱七八糟 的东西，比如文件头描述、注释、列名啥的，这些不是真正的数据，读进来只会报错或者污染你的数据。`loadtxt` 有个 贴心 的参数叫 `skiprows`，让你跳过前面指定的行数。

假设文件前两行是注释或者文件头：

“`python

这是文件头，说明数据来源

列1,列2,列3

10,20,30

40,50,60

…

data = np.loadtxt('data_with_header.txt', delimiter=',', skiprows=2)

print(data) 会从第三行开始读，也就是数据行

“`

这个 `skiprows` 参数，简直是处理带头文件的文本数据的 必备神器。尤其拿到一些别人给的原始数据文件，前面总有那么几行说明，直接跳过，省时省力。

有时候，一个文件里有十几列数据，但你可能只需要其中的两三列。把整个文件都读进来，再筛选，感觉有点 笨拙。 `loadtxt` 考虑到了这一点，有个参数叫 `usecols`。它可以指定只读取哪些列，列的索引从 0 开始。

比如文件有 5 列，你只想读第 0 列、第 2 列和第 4 列：

“`python

文件有 5 列数据

1 2 3 4 5

6 7 8 9 10

…

data = np.loadtxt('large_data.txt', usecols=(0, 2, 4)) 注意，usecols接受一个元组或列表

print(data)

“`

这参数，尤其在处理 超宽 数据文件时，能省不少内存和处理时间。只加载你关心的那部分， 高效！

还有个让我挠头过的问题是数据类型。默认情况下，`loadtxt` 会尝试把数据转换成浮点数。但有时候文件里可能包含整数，或者你确定它就是整数。用 `dtype` 参数可以指定数据类型。

“`python

文件里都是整数

1 2 3

4 5 6

…

int_data = np.loadtxt('integer_data.txt', dtype=int)

print(int_data)

“`

如果你文件里有字符串怎么办？ `loadtxt` 主要设计来读数字的，如果文件里有非数字内容，默认情况下它是会 报错 的。但它也留了个口子，比如用 `dtype=str` 或 `dtype=object`，可以把所有内容当作字符串读进来。或者更高级的，用 `converters` 参数，可以给某一列指定一个转换函数，比如把某个特定的字符串（如 'NaN'）转换成 NumPy 的 `nan`（Not a Number），或者把一些文本类别转换成数字。这个 `converters` 就比较 灵活 了，但用起来稍微复杂一点点，需要写个小函数映射一下。

对了，很多数据文件里会有 注释行，通常用 “ 或者 `//` 开头。`loadtxt` 默认会忽略以 “ 开头的行，但你可以用 `comments` 参数指定其他的注释符号。

“`python

文件里有注释行

This is a comment

10 20

// Another comment

30 40

…

data = np.loadtxt('data_with_comments.txt', comments='//') 忽略以 // 开头的行， 默认就忽略

print(data)

“`

这个小参数，保证你的数据不会被那些说明性的文字给 搅和 了。

另外一个参数 `unpack` 也挺有意思。默认情况下，`loadtxt` 会把数据读成一个二维数组（矩阵），每一行对应文件里的一行，每一列对应文件里的一列。但如果你想让每一列的数据单独成为一个一维数组，可以把 `unpack` 设置为 `True`。

“`python

文件：

1 10

2 20

3 30

col1, col2 = np.loadtxt('two_cols.txt', unpack=True)

print("第一列:", col1) [1. 2. 3.]

print("第二列:", col2) [10. 20. 30.]

“`

这样读进来更直接，特别是当你确定文件有多少列，想直接把它们赋给不同的变量时， 非常方便。

尽管 `loadtxt` 功能挺多，但它也不是万能的。它最适合处理那种 结构简单、每行数据项数量固定 的纯文本文件。如果你的文件格式很复杂，比如有嵌套结构、不同行有不同数量的列、或者数据项本身很复杂（比如一段文本），那 `loadtxt` 可能就 力不从心 了。

这种时候，pandas 的 `read_csv` 函数通常是更好的选择。`pandas` 更像一个表格处理工具，对各种复杂格式的 CSV 文件、Excel 文件等等都有很好的支持，处理缺失值、不同数据类型混合、自动识别文件头等等，它做得更 全面、更健壮。比如文件里既有数字又有字符串列，或者数据量特别大需要分块读取，那肯定优先考虑 pandas。

不过，如果你的任务就是快速加载一个简单的数字矩阵或者向量数据，比如科学计算、数值模拟的输入文件，或者某个简单实验的记录，`loadtxt` 那种 简洁、高效 的感觉是 pandas 比不了的。它直接给你一个纯粹的 NumPy 数组，省去了 DataFrame 的开销，对于只需要 NumPy 功能的场景， 轻快极了。

总结一下我用 python 怎么 loadtxt 的心得体会吧：

1. 看文件格式： 先用记事本或者文本编辑器打开你的数据文件，瞅一眼长啥样。分隔符是什么？有没有文件头？有没有注释行？数据是纯数字吗？这些信息决定了你需要用 `loadtxt` 的哪些参数。

2. 从简单开始： 先尝试最基本的 `np.loadtxt('your_file.txt')`，看看能不能成功。

3. 逐步加参数： 如果失败或结果不对，根据观察到的文件格式，一步步加上 `delimiter`, `skiprows`, `usecols`, `dtype` 这些参数。每次加一个，看看效果，出错了就知道问题在哪儿。

4. 注意编码： 有时候文件是用特定编码保存的（比如不是常见的 UTF-8），可能会出现 `UnicodeDecodeError`。这时可以用 `encoding` 参数指定编码，比如 `encoding='gbk'`。这是个小细节，但遇到过一次就会记得 刻骨铭心。

5. 学会看报错信息： `loadtxt` 的报错信息通常会告诉你大概是什么问题，比如 `could not convert string to float`（数据里有非数字内容）、`ValueError: Mismatch between expected and found number of columns`（有些行的列数不对）等等。根据报错去检查文件和参数设置。

总而言之，`loadtxt` 是 NumPy 提供的一个非常 实用、高效 的工具，尤其适合处理那些结构清晰、以数字为主的文本数据。它不是万能药，但对于它能处理的场景，用起来是真的 顺手。掌握了 python怎么loadtxt，就相当于在你的数据处理工具箱里又添了一件 利器。下次再拿到类似的文本数据，就不会抓瞎啦，心里就有底了！去试试看吧，你会发现这个小函数能帮你省下不少 宝贵 的时间。