首页 > 代码库 > 『Python』常用函数实践笔记
『Python』常用函数实践笔记
库安装：
1）.pip & conda
2）.在win10下手动安装python库的方法：
『python』计算机视觉_OpenCV3库安装
原生：
list.append()：添加元素到list末尾
list.extend()：使用一个list扩展另一个list
字典列表化：字典是有顺序的，而且list字典等于list字典的key
dict = {‘c‘:1,‘b‘:2,‘a‘:3}
list(dict)
# Out[13]:
# [‘c‘, ‘b‘, ‘a‘]
list(dict.keys())
# Out[12]:
# [‘c‘, ‘b‘, ‘a‘]
random库：
random.randrange ([start,] stop [,step])
# 输出 100 <= number < 1000 间的偶数 print "randrange(100, 1000, 2) : ", random.randrange(100, 1000, 2) # 输出 100 <= number < 1000 间的3的倍数加100的结果 print "randrange(100, 1000, 3) : ", random.randrange(100, 1000, 3)
os库：
os.path.exists(sub_dir_path)：判断是否存在文件夹
os.makedirs(sub_dir_path)：创建文件夹
os.walk(’路径‘)：递归遍历，返回所有子文件夹
[x[0] for x in os.walk(‘./‘)] # Out[1]:
# [‘./‘, ‘./帮师兄修图‘, ‘./.idea‘, ‘./.idea/inspectionProfiles‘, ‘./Machine_Learning‘, ‘./Machinening # /1400OS_05_Codes‘, ‘./Machine_Learning/1400OS_01_Codes‘, # ...... # ‘./TensorFlow/迁移学习/bottleneck‘, ‘./TensorFlow/迁移学习/inception_dec_2015‘]
os.path.join()：合并各个字符串，添加’/‘为路径
os.path.join(‘dir1‘,‘dir2‘) # Out[1]: # ‘dir1/dir2‘
os.path.basename(file_name)：剔除路径，保存文件名
os.path.basename(‘/123/123‘) Out[1]: ‘123‘
glob库：
glob.glob(file)：返回匹配的文件
glob.glob(./flower_photos/tulips/*.jpg) # Out[1]:
# [‘./flower_photos/tulips/19425920580_cdc8f49aed_n.jpg‘, ‘./flower_photos/tulips # /17094167287_865840060d_n.jpg‘, ‘./flower_photos/tulips/8712282563_3819afb7bc.jpg‘, # ‘./flower_photos/tulips/7166606598_5d2cd307c3.jpg‘‘]
matplotlib.pyplot
中文详细教程
numpy库：
np.bincount()
numpy.bincount详解
np.maximum(X, Y, out=None)：
- X 与 Y 逐位比较取其大者；
- 最少接收两个参数
np.squeeze()：剔除长度为一的轴
np.squeeze(np.array([[1,2,3]])) # Out[17]: # array([1, 2, 3]) np.squeeze(np.array([[1],[2],[3]])) # Out[18]: # array([1, 2, 3])
np.nditer()：numpy的强大迭代器
默认情况下，nditer将视待迭代遍历的数组为只读对象（read-only），为了在遍历数组的同时，实现对数组元素值得修改，必须指定op_flags=[‘readwrite‘]模式：
np.nditer(a, op_flags=[‘readwrite‘])
基本迭代参数flag=[‘f_index‘/‘mulit_index‘]，可输出自身坐标it.index/it.multi_index：
a = np.arange(6).reshape(2,3)
‘‘‘迭代方式‘‘‘
# 单维迭代
it = np.nditer(a, flags=[‘f_index‘])
while not it.finished:
print("%d <%s>" % (it[0], it.index))
it.iternext()
#0 <0>
#1 <2>
#2 <4>
#3 <1>
#4 <3>
#5 <5>
# 多维迭代
it = np.nditer(a, flags=[‘multi_index‘])
while not it.finished:
print("%d <%s>" % (it[0], it.multi_index))
it.iternext()
#0 <(0, 0)>
#1 <(0, 1)>
#2 <(0, 2)>
#3 <(1, 0)>
#4 <(1, 1)>
#5 <(1, 2)>
改变迭代的顺序：
# 列顺序迭代
it = np.nditer(a, flags=[‘f_index‘], order=‘F‘)
while not it.finished:
print("%d <%s>" % (it[0], it.index), end=‘ | ‘)
it.iternext()
# 0 <0> | 3 <1> | 1 <2> | 4 <3> | 2 <4> | 5 <5> |
# 行顺序迭代
it = np.nditer(a, flags=[‘f_index‘], order=‘C‘)
while not it.finished:
print("%d <%s>" % (it[0], it.index), end=‘ | ‘)
it.iternext()
# 0 <0> | 1 <2> | 2 <4> | 3 <1> | 4 <3> | 5 <5> |
深入理解numpy广播机制：
numpy计算函数返回默认是一维行向量：
import numpy as np
a = [[1,1,1],
[2,2,2],
[3,3,3]]
b = (np.sum(a,axis=1))
c = (np.sum(a,axis=0))
print(b,‘\n‘,c)
# [3 6 9]
# [6 6 6]
所以广播之实际是高维对一维行向量的广播：
除法广播：
b = a/(np.sum(a,axis=1)) c = a/(np.sum(a,axis=0)) print(b,‘\n‘,c) # [[ 0.33333333 0.16666667 0.11111111] # [ 0.66666667 0.33333333 0.22222222] # [ 1. 0.5 0.33333333]] # [[ 0.16666667 0.16666667 0.16666667] # [ 0.33333333 0.33333333 0.33333333] # [ 0.5 0.5 0.5 ]]
向量乘法，加法可以类比：
np.array([1,2,3])*np.array([1,1,1]) # [1 2 3] np.array([1,2,3])*np.array([1]) # [1 2 3] np.array([1,2,3])*np.array([1,1]) # 报错 np.array([[1],[1],[1]])*np.array([1,2,3]) # [[1 2 3] # [1 2 3] # [1 2 3]]
『Python』常用函数实践笔记
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。