我要评论简述
按照数据的组织形式，文件大致可以分为以下两类：文本文件与二进制文件。前者是由若干字符组成的文件，可以用文本编辑器进行阅读或编辑，例如以.txt、.py以及.html为后缀的文件都是文本文件。
二进制文件是无法用文本编辑器打开的，需要使用特定的软件打开，例如.mp3、.png等格式的文件。我们下面介绍对于文件的基本操作。
open()、close()、read()以及write()
对文件的所有读写操作都是建立在打开文件的基础上进行的，并且文件的打开方式可以有多种。
'r’代表read只读、'w’代表write覆盖写、'a’代表append在文件末尾追加以及’b’代表打开二进制文件，默认情况下认为open()是以只读模式打开，例如f=open("sample.txt")，所以如果该文件不存在，程序将会报错。
当对文件的内容操作完以后，一定要关闭文件，这样才能保证所修改的数据保存到文件中去，同时也释放内存资源以供其他程序使用，关闭文件使用close()函数，f.close().
当然，如果你的程序在open()之后，close()之前发生了错误导致程序异常中断，那么文件就没有被正常关闭。
所以在管理文件对象时使用with-as语句可以有效避免这类问题，不再需要显式的close()语句，基本的语法格式如下：
with open("sample.txt") as f:
str1=f.read()
print(str1)
关于文本文件的读写操作，我们可以放在一起介绍：
- read([size])方法从文本文件中读取size个字节或字符作为结果返回，如果省略size参数，则会读取所有的内容;
- readlines()方法会读取文件中的所有行，并且将每一行的内容作为一个字符串存入列表，最终返回一个字符串列表。注意如果文件很大，那么readlines()方法就会占用大量内存，这样的情况下不推荐使用；
- readline()方法是readlines()方法的单数形式，每次只读出一行内容返回一个字符串结果。
- 除此之外我们还可以使用
for line in f:这样的循环形式来读取文件中的每一行； - wirte(s)方法向文件中写入内容字符串s，注意我们在打开文件时，'w’模式意味着文件指针在文件首部，'a’模式的文件指针在文件末尾，而write()方法是从该指针的位置开始写入的。一定要记住这一点，以面文件被无意覆盖；
- writelines(s)方法向文件中写入字符串列表s，需要注意的是，这一方法并不会为每个字符串元素单独设置一行，而是不换行地写入；
读写二进制文件
文本文件使用字符序列来存储数据，而二进制文件使用字节序列存储数据，它只能使用特定的读取器读取。python中的pickle模块提供了将数据序列化与反序列化的功能。
- dump(obj,file[,protocol=0])用于将对像obj序列化存储到文件file中，protocol是序列化的模式，默认值0代表文本的序列化，1或2表示二进制的序列化；
- load(file)表示从文件file中读取一个字符串，并将其重构为原本的python对象
文件指针
在介绍write()方法是我们提到过文件指针，它用于标志当前读写文件的位置，我们正是通过文件指针来对文件进行各种操作的。
- tell()方法可以获取当前文件指针的位置；
- seek(offset[,beg=0])可以从起始位置将文件指针后移offset个单位，注意当offset<0时等同于前移，起始位置默认为0，即文件的开头。另外beg=1代表文件指针的当前位置，beg=2代表文件末尾。
复制、移动、重命名与删除
shutil模块中提供了我们常见的复制、移动文件操作，os模块中则提供了重命名与删除的文件操作。
- shutil.copy(src,dst)，表示将arc复制一份到dst表示的位置，例如
shutil.copy(r"d:\user\sample.txt",r"d:\user\data\sample.txt"); - shutil.move(src,dst)，表示将arc移动到dst表示的位置；
- os.rename(src,dst)，表示将arc重命名为dst中的名字；
- os.remove(src)，删除arc.
★numpy中的常用操作
python标准库中提供了array类型用于保存数组类型的数据，但这个array不支持多维数据，处理函数也不够丰富，不适合数值运算，而numpy库已经成为了科学计算事实上的标准库。
numpy库中最基本的数据类型是由同种元素构成的多维数组ndarry，简称数组。
下面我们介绍numpy中常用的函数，和实际使用中import numpy as np一样，我们在下面的介绍中也用np代替numpy.
- np.array([x,y,z])，用于从python的list以及tuple类型中创建数组，并且可以是多维数组。
示例代码如下所示：
import numpy as np array1=np.array([1,2,3,4]) array2=np.array([[1,2],[2,3]]) array3=np.array((1,2,3,4)) array4=np.array(((1,2,3),(3,4,5))) print(array1) print(array2) print(array3) print(array4)
- np.arange(x,y,i)，创建一个从x到y，步长为i的数组；
- np.linspace(x,y,n)，创建一个从x到y，等分为n个元素的数组；
- np.random.rand(m,n)，创建一个m行n列的随机矩阵；
- np.ones((m,n),dtype)，创建一个m行n列的全1矩阵，dtype为数据类型；
- np.zeros((m,n),dtype)，创建一个m行n列的全0矩阵，dtype为数据类型；
- np.eye(n)，创建n阶单位矩阵。
我们给出一段示例代码，具体看看是什么样子：
import numpy as np
list=[]
list.append(np.arange(1,10,2))
list.append(np.linspace(0,100,5))
list.append(np.random.rand(3,4))
list.append(np.ones((3,4),int))
list.append(np.zeros((3,4),int))
list.append(np.eye(3))
index=0
for i in list:
print(index,i)
index=index+1
ndarray常用属性
- ndim，返回数据的维数；
- shape，数组在每个维度上大小的元组；
- size，元素总个数；
- dtype，每个元素的类型；
- itemsize，每个元素的大小。
import numpy as np arr=np.eye(5) print(arr) print(arr.ndim) print(arr.shape) print(arr.size) print(arr.dtype) print(arr.itemsize)
ndarray常用形态变换
- reshape(m,n)，不改变原数组，返回一个m行n列的二维数组；
- resize(m,n)，和reshape类似，但是改变原数组；
- swapaxes(ax1,ax2)，将数组的两个维度进行调换；
- flatten()，进行降维打击，返回折叠后的一维数组。
import numpy as np arr=np.eye(6) print(arr) print(arr.reshape(4,9)) arr.resize(4,9) print(arr.swapaxes(0,1)) print(arr.flatten()) arr.resize(4,3,3) print(arr)
代码的运行结果如下，为了明显显示出形态变化，这个数组设置得有些大，可以对照着每一步的代码，检查每一步的输出：
1: [[1. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0.] [0. 0. 1. 0. 0. 0.] [0. 0. 0. 1. 0. 0.] [0. 0. 0. 0. 1. 0.] [0. 0. 0. 0. 0. 1.]] 2: [[1. 0. 0. 0. 0. 0. 0. 1. 0.] [0. 0. 0. 0. 0. 1. 0. 0. 0.] [0. 0. 0. 1. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0. 0. 0. 1.]] 3: [[1. 0. 0. 0.] [0. 0. 0. 1.] [0. 0. 0. 0.] [0. 0. 1. 0.] [0. 0. 0. 0.] [0. 1. 0. 0.] [0. 0. 0. 0.] [1. 0. 0. 0.] [0. 0. 0. 1.]] 4: [1. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 1. 0. 0. - 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 1.] 5: [[[1. 0. 0.] [0. 0. 0.] [0. 1. 0.]] [[0. 0. 0.] [0. 0. 1.] [0. 0. 0.]] [[0. 0. 0.] [1. 0. 0.] [0. 0. 0.]] [[0. 1. 0.] [0. 0. 0.] [0. 0. 1.]]]
ndarray索引与切片
ndarray是支持像python原生的list、string那样的索引和切片操作的：
import numpy as np arr=np.eye(6) print(arr[2][3]) arr=np.array([1,2,3,4,5,6]) print(arr[1:5]) print(arr[1:6:2]) print(arr)
ndarray算术运算函数
这些函数中的x 1 _1 1、x 2 _2 2参数是运算的两个操作数，y参数可选，若y参数指定了则将运算结果保存到y中，否则创建一个新的数组保存计算结果。
- add、subtract、multiple、divide、floor_divide、negative、power以及remainder，这些函数都没有什么可以讲解的东西，就是我们普通的算术运算，作用于ndarray就是对应元素的算术运算。
import numpy as np arr1=np.array([1,2,3,4]) arr2=np.array([2,4,6,8]) print(arr1+arr2) print(arr2-arr1) print(arr1*3) print(arr1/2) print(arr1//2) print(arr1**2) print(arr2%3) print(arr1+9) print(arr1*arr2) print(arr2/arr1) print(arr1**arr2) print(arr1%arr2)
不难发现，其中的运算规律是这样的：
- ndarray与常数运算时，每一个元素依次与常数运算；
- 两个ndarray运算时，是其中的对应元素之间进行运算。
当然，我们上面给出代码中的算数运算符都可以写成np.add(arr1,arr2)这样的形式，不过既然有简洁明了的写法，何必呢。
ndarray逻辑运算函数
ndarray也支持逻辑运算符，也就是我们常见的<、>等逻辑运算：
- equal、not_equal、less、less_equal、greater、greater_equal以及比较特殊的where函数。
import numpy as np arr1=np.array([1,2,3,4]) arr2=np.array([2,4,6,8]) print(arr1<arr2) print(arr2<=arr1) print(arr1>arr2) print(arr1>=arr2) print(arr1==arr2) print(arr1!=arr2) print(arr1*2==arr2)
python的封装做得相当好，对应numpy中的ndarray类型，几乎让我们像使用int变量一样使用ndarray，这也是我们选择使用运算符，而不是函数调用形式的原因。
ndarray特殊运算函数
- abs()，绝对值；
- sqrt()，算术平方根；
- square()，平方；
- sign()，符号函数，正数返回1，0返回0，负数返回-1；
- ceil()，向上取整；
- floor()，向下取整；
- rint()，四舍五入
- exp()，计算自然指数值；
- log(x)、log10(x)以及log2(x)，第一个计算自然对数值，其余两个就是字面意思。
import numpy as np arr1=np.array([-1,2,-3,4]) arr2=np.array([1.2,2.6,3.5,4.9]) print(np.sign(arr1)) #[-1 1 -1 1] arr1=np.abs(arr1) print(arr1) #[1 2 3 4] print(np.sqrt(arr1)) #[1. 1.41421356 1.73205081 2. ] print(np.square(arr1)) #[ 1 4 9 16] print(np.ceil(arr2)) #[2. 3. 4. 5.] print(np.floor(arr2)) #[1. 2. 3. 4.] print(np.rint(arr2)) #[1. 3. 4. 5.] arr1=np.exp(arr1) print(arr1) #[ 2.71828183 7.3890561 20.08553692 54.59815003] print(np.log(arr1)) #[1. 2. 3. 4.] arr3=np.array([10,100,1000,10000]) print(np.log10(arr3)) #[1. 2. 3. 4.] arr3=np.array([1024,2048,4096,65536]) print(np.log2(arr3)) #[10. 11. 12. 16.]
程序输出的结果，都在每一个print语句之后的注释中了。
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持代码网。
发表评论