Python从单个numpy数组中的多个文件获取数据的快速方法

我需要读取存储在许多格式相同但长度不同的文件中的数据，即相同的列，但行数不同。此外，我需要将每一列数据存储在一个数组中（最好是一个 numpy 数组，但列表也可以接受）。

现在，我循环读取每个文件numpy.loadtxt()然后连接结果数组。假设数据由 3 列组成，存储在两个文件“foo”和“bar”中：

import numpy as np
filenames = ["foo", "bar"]
col1_all = 0  #data will be stored in these 3 arrays
col2_all = 0
col3_all = 0
for f in filename:
    col1, col2, col3 = np.loadtxt(f, unpack=True)
    if col1.shape[0] > 0: # I can't guarantee file won't be empty
        if type(col1_all) == int:
            # if there is no data read in yet, just copy arrays
            col1_all = col1[:]
            col2_all = col2[:]
            col3_all = col3[:]
        else:
            col1_all = np.concatenate((col1_all, col1))
            col2_all = np.concatenate((col2_all, col2))
            col3_all = np.concatenate((col3_all, col3))

我的问题是：有更好/更快的方法吗？我需要尽快完成，因为我需要读取数百个文件。

例如，我可以想象，首先找出我总共有多少行，然后“分配”一个足够大的数组来首先容纳所有数据，然后复制该数组中的读入数据可能会表现更好，当我绕过串联时。我不知道总行数，所以这也必须在 python 中完成。

另一个想法是首先读入所有数据，单独存储每个读入的数据，最后将它们连接起来。 （或者，因为这本质上给了我总行数，所以分配适合所有数据的行，然后将数据复制到那里）。

有人有什么最有效的经验吗？

不要将每个文件与其余文件连接起来，读取列表中的所有内容，并最终构建结果

import numpy as np
filenames = ["foo", "bar"]
data = np.concatenate([np.loadtxt(f) for f in filenames])

喜欢的话可以分data分成列，但大多数情况下，这不是一个好主意。