这里展示使用代码批量读取成组数据的多个文件并自动整理。

前面使用 ImageJ 保存了 tif 文件和对应的 ROI记录，并且按照{name}.tif 和 {name}s.zip 的命名规则分别对 tif 文件和 ROI 记录文件做好了命名。有了规范文件命名的前提，接下来我们就可以很轻松地批量地成组地读取数据。

from glob import glob 

imgs = glob("*.tif")
rois = glob("*s.zip")

# imgs[:3]
# rois[:3]

上面一段代码使用 glob 模块，支持通配符匹配文件名，返回的是一个列表。我们可以对列表进行切片，查看文件名是不是匹配的。注意 glob 所得列表，默认似乎是按照文件名来自动排序的。

如上图所示，其实 name 也可以有简单的规则，这里我使用了 - 来连接不同的信息块，其实遵循的是 {cell}-{group}-{image_id} 这种方式，最左边的是最大的范围，最右边的是这张图的数据编号。基于这种简单的命名规范，我们才能够实现轻松的文件整理。

box = []
for img, roi in zip(imgs, rois):
    if roi==img.replace(".tif", "s.zip"):
        name = img.split(".")[0]
        cell, gp, idx = name.split("-")
        item = {'cell':cell, 
                'group':gp,
                'img_id':idx,
                'img_fp':img,
                'roi_fp':roi
                }
        box.append(item)
    else:
        print(img)

这段代码浓缩了不少精华。罗列如下：

• 通过 zip 来组合多个可迭代的 列表，这里就是 imgs 和rois，方便遍历
• 判断两个列表中的 img 和 roi 是否是一一匹配的，防止有些时候顺序不对造成的出错
• img 和 roi 都是字符串，可以. 来分割字符串，返回的是一个列表，前半部分是 name，后半部分是文件名后缀。所以在使用文件名中的连接符的时候，我绝对不会使用 .，而尽量使用下划线_ 或者 -。
• 然后每一最小单元组的多个文件和数据，我都新建了一个字典 item 来装载这种多元化的信息，字典好处多多，后面再详聊。
• 字典装好了，就用 box 这个列表收集起来。这样就完成了数据的整理。

整理好的信息最好要随时保存，这里我推荐使用 pickle 模块来干这个事情：

import pickle

with open('data.pkl', 'wb') as f:
    pickle.dump(box, f)

如果是要读取这种临时保存的中间数据和信息文件，代码如下：

with open('data.pkl', 'rb') as f:
    data = pickle.load(f)