金丹期前期:1.10、python语言进阶-文件操作

在操作文件的整体过程与使用word编写一份简历的过程是很相似的:

  1. 打开文件,或者新建立一个文件
  2. 读/写数据
  3. 关闭文件

一、文件的打开与关闭

1、使用open函数

可以打开一个已经存在的文件,或者创建一个新文件:

格式为:open(文件名,访问模式):

f = open('test.txt', 'w')
访问模式说明
r以只读方式打开文件。文件的指针将会放在文件的开头。这是默认模式。
w打开一个文件只用于写入。如果该文件已存在则将其覆盖如果该文件不存在,创建新文件
a打开一个文件用于追加。如果该文件已存在,文件指针将会放在文件的结尾。也就是说,新的内容将会被写入到已有内容之后。如果该文件不存在,创建新文件进行写入。
rb以二进制格式打开一个文件用于只读。文件指针将会放在文件的开头。这是默认模式。
wb以二进制格式打开一个文件只用于写入。如果该文件已存在则将其覆盖。如果该文件不存在,创建新文件。
ab以二进制格式打开一个文件用于追加。如果该文件已存在,文件指针将会放在文件的结尾。也就是说,新的内容将会被写入到已有内容之后。如果该文件不存在,创建新文件进行写入。
r+打开一个文件用于读写。文件指针将会放在文件的开头。
w+打开一个文件用于读写。如果该文件已存在则将其覆盖。如果该文件不存在,创建新文件。
a+打开一个文件用于读写。如果该文件已存在,文件指针将会放在文件的结尾。文件打开时会是追加模式。如果该文件不存在,创建新文件用于读写。
rb+以二进制格式打开一个文件用于读写。文件指针将会放在文件的开头。
wb+以二进制格式打开一个文件用于读写。如果该文件已存在则将其覆盖。如果该文件不存在,创建新文件。
ab+以二进制格式打开一个文件用于追加。如果该文件已存在,文件指针将会放在文件的结尾。如果该文件不存在,创建新文件用于读写。

2、文件的关闭比较简单

f.close()

二、文件的读写

1、写文件

#! /usr/bin/python3

f = open('test.txt','a')

f.write('hello world -- Linbo')
f.write('hello baby -- Linbo')
f.write('\n')
f.write('hello python -- Linbo')
f.write('\n')
f.write('hello linbo -- Python')

输出结果:

hello world -- Linbohello baby -- Linbo
hello python -- Linbo
hello linbo -- Python               

关键词:write函数默认不会带换行符

2、读文件

  • read

#! /usr/bin/python3

f = open('test.txt','r')


print('==============')
context = f.read(5)
print(context)
print('==============')

context = f.read()
print(context)

运行结果:

==============
hello
==============
 world -- Linbohello baby -- Linbo
hello python -- Linbo
hello linbo -- Python

关键词:read函数参数可以带参数值,该值为需要读取的字节个数。两次read之间文件有定位记忆

  • readlines

就像read没有参数时一样,readlines可以按照行的方式把整个文件中的内容进行一次性读取,并且返回的是一个列表,其中每一行的数据为一个元素。

#! /usr/bin/python3

f = open('test.txt','r')


print('==============')
context = f.readlines()
print(context)
print('==============')

运行结果:

==============
['hello world -- Linbohello baby -- Linbo\n', 'hello python -- Linbo\n', 'hello linbo -- Python\n']
==============

关键词:一次读完全部文件,结果为一个包含每行(带\n)的列表

  • readline

#! /usr/bin/python3

f = open('test.txt','r')

context = f.readline()
print(context)
print('==============')
context = f.readlines()
print(context)
print('==============')

运行结果:

hello world -- Linbohello baby -- Linbo

==============
['hello python -- Linbo\n', 'hello linbo -- Python\n']
==============

 关键词:readline是读取文件的一行,注意打印出来之后也将\n输出了

3、文件定位

  • tell:获取当前读写的位置

#! /usr/bin/python3

f = open('test.txt','r')

context = f.read(3)
print(context)

position = f.tell()
print(position)

执行结果:

hel
3

关键词:位置是从0开始的.

  • seek(offset, from)

函数含2个参数:

  • offset:偏移量
  • from:方向
    • 0:表示文件开头
    • 1:表示当前位置
    • 2:表示文件末尾
#! /usr/bin/python3

f = open('test.txt','rb')

f.seek(3,0)

position = f.tell()
print(position)
#b
f.seek(3,1)
position = f.tell()
print(position)
#b
f.seek(-3,2)
position = f.tell()
print(position)

f.close()

运行结果:

3
6
81

关键词: 打开模式必须为'rb',不然从当前位置和文件尾偏移都会出现 io.UnsupportedOperation: can't do nonzero end-relative seeks错误.

三、文件夹、文件的相关操作

需要对文件进行重命名、删除等一些操作,python的os模块中都有这么功能

执行以下操作需要import os

1、文件重命名

os模块中的rename()可以完成对文件的重命名操作

rename("需要修改的文件名"," 新的文件名")

2、删除文件

os模块中的remove()可以完成对文件的删除操作

remove("待删除的文件名")

3、创建文件夹

mkdir("文件夹名称")

4、获取当前目录

getcwd()

5、改变默认目录

chdir("路径")

6、获取目录列表

listdir("路径")

7、删除文件夹

rmdir("文件夹名称")

 

以上函数的使用示例如下:

#! /usr/bin/python3

import os


os.mkdir("root")
os.chdir("root")
os.mkdir("dir1")
os.mkdir("dir2")
print(os.listdir("./"))

os.chdir("dir1")

f = open('test.txt','a')
fd= open('test2.txt','a')

os.rename('test2.txt','test1.txt')
os.remove('test.txt')
print(os.getcwd())

os.chdir("../")
os.rmdir("dir2")
print(os.listdir("./"))

运行结果:

linbo@linbo-virtual-machine:~/python/python1$ ./10file.py 
['dir1', 'dir2']
/home/linbo/python/python1/root/dir1
['dir1']
linbo@linbo-virtual-machine:~/python/python1$ cd root
linbo@linbo-virtual-machine:~/python/python1/root$ ls
dir1
linbo@linbo-virtual-machine:~/python/python1/root$ cd dir1
linbo@linbo-virtual-machine:~/python/python1/root/dir1$ ls
test1.txt

关键词:创建文件夹时候如果遇到同名,会报错.

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