Масив NumPy не є JSON-серіалізаційним

Після створення масиву NumPy та збереження його як змінної контексту Django я отримую таку помилку під час завантаження веб-сторінки:

array([   0,  239,  479,  717,  952, 1192, 1432, 1667], dtype=int64) is not JSON serializable

Що це означає?

Я регулярно "jsonify" np.arrays. Спробуйте спочатку скористатися методом ".tolist ()" на масивах, як це:

import numpy as np
import codecs, json 

a = np.arange(10).reshape(2,5) # a 2 by 5 array
b = a.tolist() # nested lists with same data, indices
file_path = "/path.json" ## your path variable
json.dump(b, codecs.open(file_path, 'w', encoding='utf-8'), separators=(',', ':'), sort_keys=True, indent=4) ### this saves the array in .json format

Для того, щоб "відключити" масив, використовуйте:

obj_text = codecs.open(file_path, 'r', encoding='utf-8').read()
b_new = json.loads(obj_text)
a_new = np.array(b_new)

Зберігайте як JSON numpy.ndarray або будь-яку композицію вкладеного списку.

class NumpyEncoder(json.JSONEncoder):
    def default(self, obj):
        if isinstance(obj, np.ndarray):
            return obj.tolist()
        return json.JSONEncoder.default(self, obj)

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape)
json_dump = json.dumps({'a': a, 'aa': [2, (2, 3, 4), a], 'bb': [2]}, cls=NumpyEncoder)
print(json_dump)

Виведе:

(2, 3)
{"a": [[1, 2, 3], [4, 5, 6]], "aa": [2, [2, 3, 4], [[1, 2, 3], [4, 5, 6]]], "bb": [2]}

Щоб відновити з JSON:

json_load = json.loads(json_dump)
a_restored = np.asarray(json_load["a"])
print(a_restored)
print(a_restored.shape)

Виведе:

[[1 2 3]
 [4 5 6]]
(2, 3)

Ви можете використовувати Pandas :

import pandas as pd
pd.Series(your_array).to_json(orient='values')

Я знайшов найкраще рішення, якщо ви вклали нумерові масиви у словник:

import json
import numpy as np

class NumpyEncoder(json.JSONEncoder):
    """ Special json encoder for numpy types """
    def default(self, obj):
        if isinstance(obj, np.integer):
            return int(obj)
        elif isinstance(obj, np.floating):
            return float(obj)
        elif isinstance(obj, np.ndarray):
            return obj.tolist()
        return json.JSONEncoder.default(self, obj)

dumped = json.dumps(data, cls=NumpyEncoder)

with open(path, 'w') as f:
    json.dump(dumped, f)

Завдяки цьому хлопцю .

Використовуйте json.dumps defaultkwarg:

за замовчуванням має бути функція, яка викликає об'єкти, які інакше не можуть бути серіалізовані.

У defaultфункції перевірте, чи об'єкт від модуля numpy, якщо так, або використовувати ndarray.tolistдля a, ndarrayабо використовувати .itemдля будь-якого іншого типу numpy конкретного типу.

import numpy as np

def default(obj):
    if type(obj).__module__ == np.__name__:
        if isinstance(obj, np.ndarray):
            return obj.tolist()
        else:
            return obj.item()
    raise TypeError('Unknown type:', type(obj))

dumped = json.dumps(data, default=default)

Це не підтримується за замовчуванням, але ви можете змусити його працювати досить легко! Є кілька речей, які ви хочете кодувати, якщо ви хочете повернути ті самі дані:

• Самі дані, які ви можете отримати obj.tolist() як згадуються @travelingbones. Іноді це може бути досить добре.
• Тип даних. Я вважаю, що це важливо в деяких випадках.
• Розмір (не обов'язково 2D), який може бути отриманий із зазначеного вище, якщо ви припускаєте, що вхід дійсно завжди є «прямокутною» сіткою.
• Порядок пам'яті (основний рядок або стовпець). Це часто не має значення, але іноді це є (наприклад, продуктивність), так чому б не зберегти все?

Крім того, ваш numpy масив може бути частиною вашої структури даних, наприклад, у вас є список з деякими матрицями всередині. Для цього ви можете використовувати спеціальний кодер, який в основному робить вищезазначене.

Цього має бути достатньо для реалізації рішення. Або ви можете використовувати json-трюки, які роблять саме це (і підтримують різні інші типи) (відмова: я зробив це).

pip install json-tricks

Тоді

data = [
    arange(0, 10, 1, dtype=int).reshape((2, 5)),
    datetime(year=2017, month=1, day=19, hour=23, minute=00, second=00),
    1 + 2j,
    Decimal(42),
    Fraction(1, 3),
    MyTestCls(s='ub', dct={'7': 7}),  # see later
    set(range(7)),
]
# Encode with metadata to preserve types when decoding
print(dumps(data))

У мене була схожа проблема з вкладеним словником з деякими numpy.ndarrays в ньому.

def jsonify(data):
    json_data = dict()
    for key, value in data.iteritems():
        if isinstance(value, list): # for lists
            value = [ jsonify(item) if isinstance(item, dict) else item for item in value ]
        if isinstance(value, dict): # for nested lists
            value = jsonify(value)
        if isinstance(key, int): # if key is integer: > to string
            key = str(key)
        if type(value).__module__=='numpy': # if value is numpy.*: > to python list
            value = value.tolist()
        json_data[key] = value
    return json_data

Ви також можете використовувати defaultаргумент, наприклад:

def myconverter(o):
    if isinstance(o, np.float32):
        return float(o)

json.dump(data, default=myconverter)

Крім того, деякі дуже цікаві відомості далі про списки та масиви в Python ~> Список Python проти масиву - коли використовувати?

Можна зазначити, що як тільки я перетворюю свої масиви у список, перш ніж зберігати його у файлі JSON, у моєму розгортанні зараз будь-коли, як тільки я прочитаю, що файл JSON для подальшого використання, я можу продовжувати використовувати його у формі списку (як на противагу перетворенню його назад у масив).

І насправді виглядає приємніше (на мій погляд) на екрані як список (відокремлений комами) проти масиву (не відокремлений комами) таким чином.

Використовуючи вищевказаний метод @ putbones's .tolist (), я використовував як такий (вловлював декілька помилок, які я теж знайшов):

ЗБЕРІГАТИ СЛОВНИК

def writeDict(values, name):
    writeName = DIR+name+'.json'
    with open(writeName, "w") as outfile:
        json.dump(values, outfile)

ЧИТАТИ СЛОВНИК

def readDict(name):
    readName = DIR+name+'.json'
    try:
        with open(readName, "r") as infile:
            dictValues = json.load(infile)
            return(dictValues)
    except IOError as e:
        print(e)
        return('None')
    except ValueError as e:
        print(e)
        return('None')

Сподіваюсь, це допомагає!

Ось реалізація, яка працює для мене та видалила всіх нан (якщо припустити, що це простий об’єкт (список чи диктант)):

from numpy import isnan

def remove_nans(my_obj, val=None):
    if isinstance(my_obj, list):
        for i, item in enumerate(my_obj):
            if isinstance(item, list) or isinstance(item, dict):
                my_obj[i] = remove_nans(my_obj[i], val=val)

            else:
                try:
                    if isnan(item):
                        my_obj[i] = val
                except Exception:
                    pass

    elif isinstance(my_obj, dict):
        for key, item in my_obj.iteritems():
            if isinstance(item, list) or isinstance(item, dict):
                my_obj[key] = remove_nans(my_obj[key], val=val)

            else:
                try:
                    if isnan(item):
                        my_obj[key] = val
                except Exception:
                    pass

    return my_obj

Це інша відповідь, але це може допомогти людям, які намагаються зберегти дані, а потім прочитати їх знову.
Існує жировик, який швидше соління і простіше.
Я спробував зберегти і прочитати це на смітнику, але під час читання виникло багато проблем і витрачався витрачений годину, і досі не знайшов рішення, хоча я працював над власними даними, щоб створити бот-чат.

vec_xі vec_yє нумерованими масивами:

data=[vec_x,vec_y]
hkl.dump( data, 'new_data_file.hkl' )

Потім ви просто прочитаєте його і виконайте операції:

data2 = hkl.load( 'new_data_file.hkl' )

Можливо зробити цикл простим для перевірки типів:

with open("jsondontdoit.json", 'w') as fp:
    for key in bests.keys():
        if type(bests[key]) == np.ndarray:
            bests[key] = bests[key].tolist()
            continue
        for idx in bests[key]:
            if type(bests[key][idx]) == np.ndarray:
                bests[key][idx] = bests[key][idx].tolist()
    json.dump(bests, fp)
    fp.close()

використовуйте NumpyEncoder, він обробляє дамп json успішно. Без викидання - масив NumPy не є серіалізаційним JSON

import numpy as np
import json
from numpyencoder import NumpyEncoder
arr = array([   0,  239,  479,  717,  952, 1192, 1432, 1667], dtype=int64) 
json.dumps(arr,cls=NumpyEncoder)

TypeError: масив ([[0.46872085, 0.67374235, 1.0218339, 0.13210179, 0.5440686, 0.9140083, 0.58720225, 0.2199381]], dtype = float32) не є JSON серіалізабельним

Вищезгадана помилка була видана, коли я намагався передати список даних до model.predict (), коли я очікував відповіді у форматі json.

> 1        json_file = open('model.json','r')
> 2        loaded_model_json = json_file.read()
> 3        json_file.close()
> 4        loaded_model = model_from_json(loaded_model_json)
> 5        #load weights into new model
> 6        loaded_model.load_weights("model.h5")
> 7        loaded_model.compile(optimizer='adam', loss='mean_squared_error')
> 8        X =  [[874,12450,678,0.922500,0.113569]]
> 9        d = pd.DataFrame(X)
> 10       prediction = loaded_model.predict(d)
> 11       return jsonify(prediction)

Але, на щастя, знайдено підказку, щоб вирішити помилку, яка була викинута. Серіалізація об'єктів застосовна лише для наступних перетворень. Картографування має бути таким чином об’єкт - dict array - list string - string integer - integer

Якщо ви прокрутите вгору, щоб побачити рядок номер 10 prediction = load_model.predict (d), де цей рядок коду генерував вихід типу типу масиву масиву, коли ви намагаєтеся перетворити масив у формат json, його неможливо

Нарешті, я знайшов рішення, просто перетворивши отриманий результат у список типів наступними рядками коду

prediction = load_model.predict (d)
listtype = prediction.tolist () return jsonify (listlist)

Bhoom! нарешті отримали очікуваний вихід,