python读取.mat文件保存为.npz用于深度学习

matlab的旋律

对像我这种经常使用matlab和python交叉仿真的工程师，需要经常在matlab和python的数据格式进行切换，下面介绍一种读取读取.mat文件保存为.npz，用于tensorflow2.0以上版本深度学习模型的数据转换程序。第一步,首先导入库

1. import numpy as np
   
2. import scipy.io as sio
   
3. import tensorflow as tf
   
4. from sklearn.preprocessing import MinMaxScaler, Normalizer

复制代码

第二步，读取.mat文件并且转为tensorflow2.0以上版本深度学习模型的输入格式的子函数

1. def load_matfile(filename, num_classes=2):
   
2.     mat_contents = sio.loadmat(filename)#读取mat文件
   
3.     tx_data = np.array(mat_contents['data'])
   
4. 
   
5.     scaler = Normalizer()
   
6.     scaler.fit(tx_data)
   
7.     tx_data = scaler.transform(tx_data)  # 归一化
   
8. 
   
9.     tx_data = tx_data.swapaxes(0, 1)#交换0 1轴
   
10.     tx_data = np.expand_dims(tx_data, axis=1)#插入一个轴
    
11.     tx_label = np.array(mat_contents['label'])
    
12.     tx_label = np.squeeze(tx_label, 1)
    
13.     tx_data = tx_data.swapaxes(1, 2)
    
14.     index = np.arange(tx_label.shape[0])
    
15.     np.random.shuffle(index)#随机打乱顺序
    
16.     tx_data = tx_data[index, :, :]
    
17.     tx_label = tx_label[index]
    
18.     tx_label = tf.keras.utils.to_categorical(tx_label - 1, num_classes) #转换成类格式
    
19.     return tx_data, tx_label

复制代码

第三步，保存为.npz格式

1. if __name__ == "__main__":
   
2.     num_classes = 2
   
3.     tx_data, tx_label = load_matfile(r'xdata.mat', num_classes)
   
4. 
   
5.     train_len = int(0.7 * len(tx_label))#训练集比例
   
6.     x_train = tx_data[0:train_len, :, :]
   
7.     y_train = tx_label[0:train_len]
   
8.     x_test = tx_data[train_len:, :, :]#做测试值
   
9.     y_test = tx_label[train_len:]
   
10. 
    
11.     np.savez('data', x_train=x_train, y_train=y_train, x_test=x_test, y_test=y_test)#保存为.npz格式
    

复制代码

保存为data.npz文件，后续的处理就可以完全脱离matlab了