基于python批量處理dat文件及科學計算方法詳解

更新時間：2018年05月08日 09:27:18 作者：awakeljw

今天小編就為大家分享一篇基于python批量處理dat文件及科學計算方法詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

摘要：主要介紹一些python的文件讀取功能，文件內(nèi)容修改，文件名后綴更改等操作。

批處理文件功能

import os
path1 = 'C:\\Users\\awake_ljw\\Documents\\python for data analysis\\test1'
path2 = 'C:\\Users\\awake_ljw\\Documents\\python for data analysis\\test2'
filelist = os.listdir(path1)
for files in filelist:
 Olddir = os.path.join(path1,files)
 filename = os.path.splitext(files)[0]
 filetype = os.path.splitext(files)[1]
 print Olddir
 file_test = open(Olddir,'r')
 Newdir = os.path.join(path2,str(filename)+'.csv')
 print Newdir
 file_test2 = open(Newdir,'w')
 for lines in file_test.readlines():
 strdata = ",".join(lines.split('\t'))
 file_test2.write(strdata)
 file_test.close()
 file_test2.close()

os模塊是python最基礎的模塊之一，一般用于文件處理等操作。上面這段代碼主要就是將dat文件轉化為csv文件，同時保證csv可讀。一般txt文件不能通過直接改后綴改變呈csv文件格式，一般會造成文件不可讀。csv文件一般通過逗號分隔文本，數(shù)據(jù)處理起來較得心應手，可以直接改后綴得到xlsx文件，一般excel也可讀。

科學計算

matlab作為一門科學計算編程語言，在科學計算的應用實在廣泛，包括webread等強大的函數(shù)用起來十分順手，但matlab是商業(yè)軟件，并不免費。其實，python在科學計算效率或函數(shù)庫功能包括其繪圖功能、圖像處理都很強大，(相比matlab，python的調色板更出色)。以下列舉一些數(shù)據(jù)文件讀取，繪圖的一些基本操作作為參考。

數(shù)據(jù)提取及繪圖

#數(shù)據(jù)提取
import os 
import pandas as pd
import numpy as np
number = -1;
sudu=np.zeros(5247*5,dtype=float).reshape(5247,5)
for files in filelist1:
 number +=1
 data = pd.read_csv(str(number+1)+'a.csv')
 sudu[:,number]=data['velocity']
 x = data['x']
 y = data['y']
a = sudu[0:5184,0].reshape(81,64)
%matplotlib inline
import matplotlib.pyplot as plt
extent = [np.min(x),np.max(x),np.min(y),np.max(y)]
plt.subplot(231)
u0 = sudu[0:5184,0].reshape(81,64)
plt.imshow(u0,extent=extent,origin='lower')
plt.subplot(232)
u1 = sudu[0:5184,1].reshape(81,64)
plt.imshow(u1,extent=extent,origin='lower')
plt.subplot(233)
u2 = sudu[0:5184,2].reshape(81,64)
plt.imshow(u2,extent=extent,origin='lower')
plt.subplot(234)
u3 = sudu[0:5184,3].reshape(81,64)
plt.imshow(u3,extent=extent,origin='lower')
#plt.axis("equal")
plt.subplot(235)
u4 = sudu[0:5184,4].reshape(81,64)
plt.imshow(u4,extent=extent,origin='lower')
plt.subplot(236)
u5 = sudu[0:5184,4].reshape(81,64)
plt.imshow(u5,extent=extent,origin='lower')
#contour
cs = plt.contour(u5, 20,extent = extent)
plt.xlim(-0.8,0.8)
plt.ylim(0.6,2.2)
plt.axis('equal')