python初学者(五)----文件读取写入

今天来说一下python基础的文件的操作,我们知道,任何一门语言,肯定会有文件的操作,就像java,好多地方都会有io流的操作,现在,我们就来说一下python的一些文件流的操作

首先,要想操作文件,就必须打开文件吧?对的,那么,操作的方法如下:

data = open("yesterday",encoding="utf-8").read()
解释一下,data就是一个变量的形式吧,返回的信息全部存在data中的,而他的参数,第一个就是文件名,第二个就是要求的是编码格式,其实,他还有一个参数,这个参数表示的就是读取的方式,下面会说的,后面的.read()就是指的是读取的意思,以对象的方式进行读取

上面说,少了一个参数,好,接下来,就说一下这个参数

f = open("yesterday2",'w',encoding="utf-8")
看出不一样了吧,给f的是内存对象,必须标注是读模式还是写模式,读是r,写是w,当然,还有别的方式,下面会一一介绍到

那么,打开文件之后,该做什么?

读操作我们上面说了,第一行代码就可以将文件中的数据读出来,那么写数据怎么写呢

f.write("\n 这是一个悲伤的故事\n")
f.write("\n 这是一个悲伤的故事\n")
f.write("\n 这是一个悲伤的故事\n")
f.write("\n 这是一个悲伤的故事\n")
f.write("\n 这是一个悲伤的故事\n")
是不是很简单??

要是那么简单,我还说个毛线???

这个操作是有误区的,如果你敢这么写,你们公司的数据库瞬间就让你冲没了,你就要被开除甚至追究刑事责任了,哈哈哈哈

不错,如果单纯的这么写,那么就会将原来文件中的数据全部冲掉,重新添加进去新数据,这种操作很鸡肋的

还有一点,如果说单纯的这么写入,我要是写一万行咋整?不错,你很聪明,用for循环,这里就不说了


好,简单的读写都说过了,下面来说一下复杂一点的读写操作吧

读操作

print(f.readline())#读一行
这个就是用f对象来操作的方式,看起来会比较高大上吧

这个是读一行的操作,那么,我要是读全部呢?,当然python也想到这个了

f.readlines()#读全部,用于循环打印

哦,对了,有一点很重要,忘记介绍了,那就是每当你open的时候,必须close

下面该介绍一下其他的模式了,大家肯定知道,不知读和写这两种模式,如果只有这两种模式,那么python不是太low了

f = open("yesterday2","w+",encoding="utf-8")#写读模式
w+模式,是写读模式
f.open("yesterday2",'r+',encoding = "utf-8")#读写模式
f.open("yesterday2",'a+',encoding = "utf-8")#追加读写模式

f.open("yesterday2",'rb')##读二进制文件,网络传输

注释写的很清楚了吧,我们常用的模式就是r+,a+,而rb模式大部分用在网络层的,当然,这里的二进制文件并非是01模式的,而是我们看到的东西。。。那个,到底为啥,我也解释不清楚,大家知道就行大笑

好,下面我们来说一下,readline和readlines

当我们读文件时,如果不做任何操作,连续读两遍,呵呵哒,第二遍,你读到的就是空的,啥也读不到

那怎么办呢??其实,文件也是有光标的,光标移动到最后一行最后一个节点的时候,你再次读的时候,当然是读不到的,那么我们要做的就是将光标移回起始位置!下面说一下光标的一些操作

f.tell()#显示目前文件光标的位置
f.seek(0)#表示将光标移动到文件起始位置,除非在文件中做标记了,否则无法移动到指定位置
这里说明一下,如果在文件中没有做标识的话,是没有办法指定光标到规定的地方的,这个需要明白

readline和readlines读取的数据其实是将数据读取到内存中的,如果一次性读到内存中,那么如果文件够大的话,内存会崩掉的,有什么办法么?

当然有

'''此循环为一个高效的循环方法,他的读取方式是一次一行一行的读文件到内存中,读完之后,删除内容,不会讲内存挤爆'''
for line in  f:
    print(line)
这种方法,是将数据一行一行的读到内存中,用完一行删掉一行,这样就不会一次性的加载到内存中将内存挤爆了

当然,还有一个方法,顺便给大家介绍一下,

f.flush()#指的是刷新数据,将内存中的数据加载到硬盘中
好啦,文件的介绍就到此结束吧,基础差不多就这些了














深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值