如何读取多文件生成指定形状的NumPy二维数组？

需要读取多个文件并将数据填充到数组中，让数组的每一行对应一个文件的数据，但无法预先知晓每个文件的数据点数。

此前读取单个文件的实现很简单：

timestep = np.array([])
time = np.array([])
with open('time-series.dat') as f:
   for line in f:
      ele = line.rstrip("\n").split()
      timestep = np.append(timestep,float(ele[0]))
      time = np.append(time,float(ele[1]))

此时timestep和time都是与数据点数等长的一维数组。

现在需要读取多个文件并生成形状为(文件数量, 每个文件的数据点数)的二维数组，初步框架如下：

cases = ['1','2']
timestep = np.array([])
time = np.array([])
for i in range(len(cases)):
    with open('time-series'+cases[i]+'.dat') as f:
       for line in f:
          ele = line.rstrip("\n").split()
          ???
          ???

使用np.append只会得到长度为2*数据点数的一维数组，无法生成二维数组；尝试np.vstack但无法在初始空数组上使用。

曾用列表实现：通过list.append添加新行，但需要额外列表变量，且要在列表与数组间反复转换，当变量增多时会更繁琐：

cases = ['1','2']
timestep = np.array([])
time = np.array([])
for i in range(len(cases)):
    if i>0: 
       timestep=timestep.tolist()
       time = time.tolist()
    arr1 = []
    arr2 = []
    with open('time-series'+cases[i]+'.dat') as f:
      for line in f:
         ele = line.rstrip("\n").split()
         arr1.append(ele[0])
         arr2.append(ele[1])
    
    timestep.append(arr1)
    time.append(arr2)

    timestep = np.array(timestep)
    time = np.array(time)
    # 这里转成numpy数组是因为需要在进入下一次循环前用timestep和time做进一步计算

不想预先查看文件确定数据点数来创建指定大小的数组，请问有没有更简便的方法实现读取多文件并生成二维数组？

方法1：先收集所有数据到列表，最后一次性转数组（优化版） #

避免循环中反复转换列表和数组，先全程用列表收集数据，若需要在循环内做计算，可先将当前文件的数据转为临时数组完成运算，再把结果加入总列表。

示例代码：

import numpy as np

cases = ['1', '2']
timestep_list = []
time_list = []

for case in cases:
    arr1 = []
    arr2 = []
    with open(f'time-series{case}.dat') as f:
        for line in f:
            ele = line.rstrip("\n").split()
            arr1.append(float(ele[0]))
            arr2.append(float(ele[1]))
    
    # 单文件计算示例：求当前文件时间序列的均值
    temp_timestep = np.array(arr1)
    temp_time = np.array(arr2)
    mean_time = temp_time.mean()
    print(f'Case {case} 时间均值：{mean_time}')
    
    # 将当前文件数据加入总列表
    timestep_list.append(arr1)
    time_list.append(arr2)

# 最后一次性转成二维numpy数组
timestep = np.array(timestep_list)
time = np.array(time_list)

该方法既避免了反复转换的繁琐，又能满足循环内的计算需求，逻辑清晰且代码简洁。

方法2：用numpy的loadtxt简化文件读取 #

numpy的loadtxt可直接读取文本文件并生成数组，省去手动逐行解析的步骤，搭配列表收集效率更高。

示例代码：

import numpy as np

cases = ['1', '2']
timestep_list = []
time_list = []

for case in cases:
    # 直接读取文件，按列拆分数据
    data = np.loadtxt(f'time-series{case}.dat')
    temp_timestep = data[:, 0]
    temp_time = data[:, 1]
    
    # 单文件计算示例：求当前文件的最大时间步
    max_timestep = temp_timestep.max()
    print(f'Case {case} 最大时间步：{max_timestep}')
    
    timestep_list.append(temp_timestep)
    time_list.append(temp_time)

timestep = np.array(timestep_list)
time = np.array(time_list)

loadtxt会自动处理换行和分割，代码更简洁，适合格式规范的文本文件。若文件有表头，可添加skiprows参数跳过。

注意事项 #

如果不同文件的数据点数不一致，用np.array转换后会得到object类型的数组（而非二维数值数组），此时可：

• 确认所有文件的数据点数是否统一（实验数据通常需要保持一致）
• 若确实存在差异，用np.pad将短序列补全到最长长度，或继续用列表存储按需处理

内容的提问来源于stack exchange，提问作者Saurabh