JS操作JSON总结


JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式,采用完全独立于语言的文本格式,是理想的数据交换格式。同时,JSON是 JavaScript 原生格式,这意味着在 JavaScript 中处理 JSON数据不须要任何特殊的 API 或工具包。

    本文主要是对JS操作JSON的要领做下总结。

    在JSON中,有两种结构:对象和数组。

    1. 一个对象以“{”(左括号)开始,“}”(右括号)结束。每个“名称”后跟一个“:”(冒号);“‘名称/值’ 对”之间运用 “,”(逗号)分隔。 名称用引号括起来;值如果是字符串则必须用括号,数值型则不须要。例如:

    var o={"xlid":"cxh","xldigitid":123456,"topscore":2000,"topplaytime":"2009-08-20"};

    2. 数组是值(value)的有序集合。一个数组以“[”(左中括号)开始,“]”(右中括号)结束。值之间运用 “,”(逗号)分隔。

    例如:

    var jsonranklist=[{"xlid":"cxh","xldigitid":123456,"topscore":2000,"topplaytime":"2009-08-20"},{"xlid":"zd","xldigitid":123456,"topscore":1500,"topplaytime":"2009-11-20"}];

    为了方便地处理JSON数据,JSON提供了json.js包,下载地址:http://www.json.org/json.js

    在数据传输流程中,json是以文本,即字符串的形式传递的,而JS操作的是JSON对象,所以,JSON对象和JSON字符串之间的相互转换是关键。例如:

    JSON字符串:

    var str1 = '{ "name": "cxh", "sex": "man" }';

    JSON对象:

    var str2 = { "name": "cxh", "sex": "man" };

    一、JSON字符串转换为JSON对象

    要运用上面的str1,必须运用下面的要领先转化为JSON对象:

    //由JSON字符串转换为JSON对象

    var obj = eval('(' + str + ')');

或者

    var obj = str.parseJSON(); //由JSON字符串转换为JSON对象

    或者

    var obj = JSON.parse(str); //由JSON字符串转换为JSON对象

    然后,就可以这样读取:

    Alert(obj.name);

    Alert(obj.sex);

    特别留心:如果obj本来就是一个JSON对象,那么运用 eval()函数转换后(哪怕是多次转换)还是JSON对象,但是运用 parseJSON()函数处理后会有疑问(抛出语法异常)。

    二、可以运用 toJSONString()或者全局要领 JSON.stringify()将JSON对象转化为JSON字符串。

    例如:

    var last=obj.toJSONString(); //将JSON对象转化为JSON字符

    或者

    var last=JSON.stringify(obj); //将JSON对象转化为JSON字符

    alert(last);

    留心:

    上面的多个要领中,除了eval()函数是js自带的之外,其他的多个要领都来自json.js包。新版本的 JSON 修改了 API,将 JSON.stringify() 和 JSON.parse() 两个要领都注入到了 Javascript 的内建对象里面,前者变成了 Object.toJSONString(),而后者变成了 String.parseJSON()。如果提示找不到toJSONString()和parseJSON()要领,则说明您的json包版本太低。

<think>我们正在讨论NumPynp.savenp.savez的区别及适用场景。根据引用[1]和引用[2]:-np.save:将单个数组保存到.npy格式的二进制文件中。-np.savez:将多个数组保存到.npz格式的文件中(实际上是一个压缩包,包含多个.npy文件)。-np.savez_compressed:与np.savez类似,但会进行压缩以减小文件大小。区别:1.保存对象数量:-np.save只能保存一个数组。-np.saveznp.savez_compressed可以保存多个数组。2.文件格式:-np.save生成的文件扩展名为.npy。-np.savez生成的文件扩展名为.npz(实际上是一个zip文件,包含多个.npy文件)。3.压缩情况:-np.savenp.savez不压缩(但.npy格式本身是二进制,已经比文本文件小)。-np.savez_compressed会对存储的数组进行压缩,适合大型数组。使用场景:-当你只有一个数组需要保存时,使用np.save(简单直接)。-当有多个数组需要一起保存,并且希望用一个文件存储时,使用np.saveznp.savez_compressed。-如果数组非常大,且希望节省磁盘空间,使用np.savez_compressed。引用说明:-引用[1]提到np.saveznp.savez_compressed的区别,并指出.npz文件本质是压缩包,按键名存储访问。-引用[2]指出np.save是以.npy格式保存单个数组。-引用[3]展示了np.savenp.savez的使用示例。-引用[4]展示了在np.savez中保存字典的例子(注意字典需要设置allow_pickle=True)。回答结构:1.概述两者的主要区别(以对比表格形式呈现,清晰明了)。2.分别介绍两种方法的适用场景。3.给出具体代码示例说明两种方法的用法。4.添加注意事项(例如压缩对性能的影响)。表格设计(Markdown格式):|特性|np.save|np.savez/np.savez_compressed||------------------|---------------------------|---------------------------------------||保存数组数量|单个|多个||文件扩展名|.npy|.npz||是否支持压缩|否|np.savez:否;np.savez_compressed:是||加载方式|np.load直接返回数组|np.load返回类似字典对象,按关键字获取||适用场景|单个数组存储|多个数组的存储和压缩存储|注意:在写代码示例时,要体现:-np.save:保存和加载单个数组。-np.savez:保存多个数组,并展示如何按名称加载。注意事项:-使用np.savez_compressed可以节省磁盘空间,但压缩和解压缩需要时间,因此需要权衡。-对于非常大的数组,压缩可能会显著增加保存和加载的时间,但可以减少I/O时间(因为文件小),实际效果需测试。代码示例:示例1:使用np.save```pythonimportnumpyasnparr=np.array([1,2,3])np.save('single_array.npy',arr)#保存loaded_arr=np.load('single_array.npy')#加载```示例2:使用np.savez(多个数组)```pythonimportnumpyasnpa=np.array([1,2,3])b=np.array([4,5,6])#保存np.savez('multiple_arrays.npz',array1=a,array2=b)#加载withnp.load('multiple_arrays.npz')asdata:a_loaded=data['array1']b_loaded=data['array2']```示例3:使用np.savez_compressed```pythonnp.savez_compressed('compressed_arrays.npz',a=a,b=b)#加载方式与np.savez相同```最后,生成相关问题。</think> ### NumPy `np.save` 与 `np.savez` 的区别及适用场景 `np.save` 和 `np.savez` 是 NumPy 中用于数组保存的核心函数,主要区别体现在 **文件格式、存储机制和适用场景** 上: | **特性** | `np.save` | `np.savez` | `np.savez_compressed` | |------------------|------------------------|------------------------|-----------------------------| | **文件格式** | `.npy` (单文件) | `.npz` (压缩包) | `.npz` (压缩包) | | **存储对象** | **单个数组** | **多个数组** | **多个数组(带压缩)** | | **底层机制** | 原始二进制数据存储 | ZIP压缩包内嵌`.npy`文件 | ZIP压缩包内嵌压缩的`.npy`文件 | | **加载方式** | 直接返回数组对象 | 返回类似字典的对象 | 返回类似字典的对象 | | **主要优势** | 高效I/O,加载速度快 | 多数组统一管理 | 磁盘空间优化 | | **推荐场景** | 单一大型数组存储 | 关联数据集(如模型权重)| 大型数据集长期存储 | #### 详细区别说明 1. **存储机制差异** - `np.save(file, arr)` 将单个数组 `arr` 保存为二进制 `.npy` 文件,格式紧凑无需解压 ```python np.save("single_array.npy", arr) # 保存单个数组 data = np.load("single_array.npy") # 直接加载数组[^2] ``` - `np.savez(file, a=arr1, b=arr2)` 将多个数组打包为 ZIP 格式的 `.npz` 文件,实际包含多个内部 `.npy` 文件 ```python np.savez("multi_data.npz", weights=model_weights, bias=model_bias) data = np.load("multi_data.npz") # 返回NpzFile对象 weights = data["weights"] # 按键名提取[^1] ``` 2. **空间与性能权衡** - `np.savez_compressed` 在 `np.savez` 基础上增加 **DEFLATE 压缩算法**,降低存储空间(尤其适合稀疏矩阵) ```python # 压缩率示例:原始大小1GB的浮点数组可压缩至~300MB np.savez_compressed("compressed.npz", large_arr=big_data) ``` **代价**: 保存/加载时间增加约 20-50%(需 CPU 压缩解压)[^1] 3. **元数据处理** `.npz` 文件通过 **键值对命名** 保留数组语义信息,避免混淆: ```python # 保存时明确命名 np.savez("experiment_data.npz", input_data=X, labels=y, config=params_dict) # 加载时按名称索引 with np.load("experiment_data.npz") as data: X = data["input_data"] # 清晰语义 y = data["labels"] # 避免arr_0/arr_1混乱[^4] ``` #### 适用场景推荐 | **场景** | **推荐函数** | **原因** | |------------------------------|----------------------|--------------------------------------------------------------------------| | 存储单个大型数组(如张量) | `np.save` | 无压缩开销,I/O速度最快 | | 保存模型权重+结构参数 | `np.savez` | 多组件统一存储,加载逻辑清晰 | | 实验数据集(输入+标签) | `np.savez` | 关联数据保持同步,避免文件散落 | | 归档历史数据(需节省空间) | `np.savez_compressed`| 显著减少磁盘占用,尤其适合float32/64数组 | | 内存有限环境加载部分数据 | `.npz` + 延迟加载 | 支持仅加载特定数组(如`data['key']`),避免全量读入[^3] | #### 注意事项 1. 避免键名冲突:`np.savez` 的键名需唯一(如重复则覆盖) 2. 对象序列化:字典等非数组对象需设置 `allow_pickle=True` 3. 路径处理:Windows路径使用 `r"C:\data.npz"` 避免转义问题 --- ### 相关问题 1. 如何在加载`.npz`文件时仅读取特定数组而避免全量加载? 2. 对于超大型数组(>10GB),使用`np.savez`时有哪些性能优化技巧? 3. `np.savez`保存的字典等Python对象在加载时需要注意什么限制? 4. 如何将`.npz`文件集成到PyTorch/TensorFlow的数据加载流程中? 5. 对比`np.savez`和HDF5格式,各自的优劣及适用场景是什么?
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值