Python Numpy数据与变量保存方法咨询（含Matlab相关对比）

Hey there! 既然你熟悉Matlab的文件处理逻辑，那我直接对应着给你梳理Numpy里适配的方案，绝对能对上你习惯的用法～

如果是处理小数据量、想快速保存/读取单个或多个变量，这两个方法最常用：

• 单个数组保存：用numpy.save()和numpy.load()，生成的.npy文件是Numpy专属的二进制格式，读写速度快，还能保留数组的维度、dtype等信息。

  import numpy as np
  
  # 保存单个矩阵/向量
  my_matrix = np.random.rand(100, 100)
  np.save('my_matrix.npy', my_matrix)
  
  # 读取
  loaded_matrix = np.load('my_matrix.npy')
  

• 多个变量保存：用numpy.savez()或numpy.savez_compressed()，生成的.npz文件相当于打包了多个.npy，savez_compressed还会压缩文件大小，省存储空间。读取时可以像字典一样按名称访问变量。

  arr1 = np.array([1, 2, 3])
  arr2 = np.matrix([[1,2],[3,4]])
  
  # 保存多个命名变量
  np.savez('my_vars.npz', vec=arr1, mat=arr2)
  # 压缩版（更省空间）
  np.savez_compressed('my_vars_compressed.npz', vec=arr1, mat=arr2)
  
  # 读取变量
  loaded_data = np.load('my_vars.npz')
  print(loaded_data['vec'])  # 访问向量
  print(loaded_data['mat'])  # 访问矩阵
  

如果要处理2G以上的超大数组，或者需要随机检索部分数据（不用一次性读入内存），推荐用HDF5格式，配合h5py库（先通过pip install h5py安装），完全对应Matlab里处理大文件+可检索的需求：

import h5py
import numpy as np

# 写入大数组，支持压缩
large_arr = np.random.rand(10000, 10000)  # 模拟超大矩阵
with h5py.File('large_data.h5', 'w') as f:
    # 创建数据集，指定压缩算法（比如gzip）减小文件大小
    dset = f.create_dataset('large_matrix', data=large_arr, compression='gzip')

# 读取时只取部分数据，不用全加载到内存
with h5py.File('large_data.h5', 'r') as f:
    # 比如只取前100行、前100列
    partial_arr = f['large_matrix'][:100, :100]
    print(partial_arr.shape)  # 输出 (100, 100)

这种方式不仅能处理超大文件，还支持像操作数组一样直接索引部分数据，非常灵活。

如果需要和Matlab的.mat文件无缝对接（不管是读取Matlab生成的文件，还是让Python生成的数据能直接在Matlab里用），用scipy.io里的方法就对了：

from scipy.io import savemat, loadmat

# 保存为Matlab兼容的.mat文件
data_dict = {'my_matrix': np.random.rand(50,50), 'my_vector': np.random.rand(100)}
savemat('matlab_data.mat', data_dict)

# 读取Matlab的.mat文件
mat_data = loadmat('matlab_data.mat')
print(mat_data['my_matrix'])
print(mat_data['my_vector'])

这个方法完美适配Matlab的文件格式，变量名也能直接对应，不用额外转换。

内容的提问来源于stack exchange，提问作者user8930103