python之csv模块学习

import csv
# 读取字符串
for row in csv.reader(['one,two,three']):
    print(row)  # ['one', 'two', 'three'] 

# 写数据
with open('test_csv_data.csv', 'w', newline='') as f:
     writer = csv.writer(f, delimiter=' ',quotechar='|', quoting=csv.QUOTE_MINIMAL)
     writer.writerow(['My name is','Tom', 'Bob', 'Jim', 'May'])
     writer.writerow(['Color is', 'red', 'yellow green','blue'])

# 读数据
with open('test_csv_data.csv', newline='') as f:
    spamreader = csv.reader(f, delimiter=' ', quotechar='|')
    for row in spamreader:
        print(', '.join(row))

# My name is, Tom, Bob, Jim, May
# Color is, red, yellow green, blue

# 写入csv文件  writer.writerow和writer.writerows

with open('csv_test1.csv', 'w', newline='') as f:  # 如不指定newline='',有时则每写入一行,将有一空行被写入
    writer = csv.writer(f)
    writer.writerow(['name', 'age', 'tel'])  # 写入一行用writerow

with open('csv_test2.csv', 'w', newline='') as f:  # 如不指定newline='',有时则每写入一行,将有一空行被写入
    writer = csv.writer(f)
    data = [('Tom', '25', '1367890900'), ('Jim', '18', '1367890800')]
    writer.writerows(data)  # 多行用writerows
#
# 读取csv文件
with open('csv_test1.csv', encoding='utf-8') as f:
    csv_reader = csv.reader(f)
    for row in csv_reader:
        print(row)

with open('csv_test2.csv', encoding='utf-8') as f:
    csv_reader = csv.reader(f)
    for row in csv_reader:
        print(row)

# ['name', 'age', 'tel']
# ['Tom', '25', '1367890900']
# ['Jim', '18', '1367890800'] 

# 以字典方式写入csv 并读取csv
datas = [{'name': 'Bob', 'age': 23}, {'name': 'Jerry', 'age': 44}, {'name': 'Tom', 'age': 15}]
## 以字典方式写入csv
with open('test_csv_data.csv', 'w', newline='') as f:
    writer = csv.DictWriter(f, ['name', 'age'])  # 标头在这里传入,作为第一行数据
    writer.writeheader()
    for row in datas:
        writer.writerow(row)
        # 还可以写入多行
        writer.writerows(datas)

## 以字典方式读取csv
with open('test_csv_data.csv', 'r') as f:
    reader = csv.DictReader(f)
    for row in reader:
        print(row['name'], row['age'])

# name age
# Bob 23
# Jerry 44
# Tom 15
# Bob 23
# Jerry 44
# Tom 15 

# 捕获和报告错误: 
import csv, sys
filename = 'test_csv_data.csv'
with open(filename, newline='') as f:
    reader = csv.reader(f)
    try:
        for row in reader:
            print(row)
    except csv.Error as e:
        sys.exit('file {}, line {}: {}'.format(filename, reader.line_num, e))
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