基于python批量处理dat文件及科学计算方法详解_Python

基于python批量处理dat文件及科学计算方法详解

2021-02-19 00:13awakeljw Python

今天小编就为大家分享一篇基于python批量处理dat文件及科学计算方法详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

摘要：主要介绍一些python的文件读取功能，文件内容修改，文件名后缀更改等操作。

批处理文件功能

									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模块是python最基础的模块之一，一般用于文件处理等操作。上面这段代码主要就是将dat文件转化为csv文件，同时保证csv可读。一般txt文件不能通过直接改后缀改变呈csv文件格式，一般会造成文件不可读。csv文件一般通过逗号分隔文本，数据处理起来较得心应手，可以直接改后缀得到xlsx文件，一般excel也可读。

科学计算

matlab作为一门科学计算编程语言，在科学计算的应用实在广泛，包括webread等强大的函数用起来十分顺手，但matlab是商业软件，并不免费。其实，python在科学计算效率或函数库功能包括其绘图功能、图像处理都很强大，(相比matlab，python的调色板更出色)。以下列举一些数据文件读取，绘图的一些基本操作作为参考。

数据提取及绘图

									#数据提取

									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')