中文句法分析及LTP使用

已于 2022-04-16 12:26:28 修改
阅读量2.6w 收藏 204
点赞数 24
分类专栏： NLP 文章标签： NLP LTP 句法分析 C++ Python
于 2019-10-24 08:59:30 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/asialee_bird/article/details/102610588
版权

目录

一、中文句法分析内容概述

二、基于Python的LTP句法分析

1、LTP基础

2、pyltp安装

3、pyltp实现句法分析

三、基于C++的LTP句法分析

1、LTP源码和模型

2、LTP的C++源码编译及测试

3、在Linux下使用动态库生成可执行程序

4、 构建基于LTP的句法分析类Parsing

5、使用Parsing类实现句法分析

四、LTP标注集参考

1、词性标注集

2、命名实体识别标注集

3、依存句法关系

4、语义角色类型

今天是1024，首先，祝大家节日快乐！                                             中文句法分析，先分析下面的一句话再进入正题哈哈：博客技术交流加QQ群：955817470

分析结果如下：

从分析结果我们可以看到每个词的词性以及句法结构，比如：交流和加这两个词构成了主谓关系(SBV)，加和群这两个词构成了动宾关系（VOB），通过该结果可以分析句子的组成成分等。这个其实就是依存句法分析的一个例子，接下来看正文 ……

一、中文句法分析内容概述

主要任务：

  • 词法分析：分句、分词、词性标注、命名实体识别
  • 句法分析：依存句法分析
  • 语义分析：语义角色标注、语义依存分析

1、分句

 一般可以根据标点符号正则表达式进行分句。

2、分词

中文分词(Chinese Word Segmentation) 指的是将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。

3、词性标注

词性（part-of-speech）是词汇基本的语法属性，通常也称为词性。

词性标注（part-of-speech tagging）又称为词类标注或者简称标注，是指为分词结果中的每个单词标注一个正确的词性的程序，也即确定每个词是名词、动词、形容词或者其他词性的过程。词性标注是很多NLP任务的预处理步骤，如句法分析，经过词性标注后的文本会带来很大的便利性，但也不是不可或缺的步骤。

词性标注主要可以分为基于规则和基于统计的方法，下面列举几种统计方法：基于最大熵的词性标注、基于统计最大概率输出词性、基于HMM的词性标注。

词性标注的应用：句法分析预处理、词汇获取预处理、信息抽取预处理。

4、命名实体识别

命名实体识别（Named Entity Recognition，NER）是将文本中的元素分成预先定义的类，如人名、地名、 机构名、时间、货币等等。作为自然语言的承载信息单位，命名实体识别 属于文本信息处理的基础的研究领域，是信息抽取、信息检索、机器翻译、 问答系统等多种自然语言处理技术中必不可少的组成部分。

5、依存句法分析

依存语法 (Dependency Parsing, DP) 通过分析语言单位内成分之间的依存关系揭示其句法结构。 直观来讲，依存句法分析识别句子中的“主谓宾”、“定状补”这些语法成分，并分析各成分之间的关系。

6、语义角色标注

语义角色标注（Semantic Role Labeling，SRL）是一种浅层的语义分析技术，标注句子中某些短语为给定谓词的论元 (语义角色) ，如施事、受事、时间和地点等。其能够对问答系统、信息抽取和机器翻译等应用产生推动作用。

7、语义依存分析

语义依存分析 (Semantic Dependency Parsing, SDP)，分析句子各个语言单位之间的语义关联，并将语义关联以依存结构呈现。 使用语义依存刻画句子语义，好处在于不需要去抽象词汇本身，而是通过词汇所承受的语义框架来描述该词汇，而论元的数目相对词汇来说数量总是少了很多的。

语义依存分析目标是跨越句子表层句法结构的束缚，直接获取深层的语义信息。

二、基于Python的LTP句法分析

1、LTP基础

LTP提供了一系列中文自然语言处理工具，用户可以使用这些工具对于中文文本进行分词、词性标注、句法分析等工作。

LTP官网  ；LTP GitHub ；pyltp使用教程

2、pyltp安装

环境：Linux

准备：LTP模型下载

安装pyltp：pip install pyltp

注：安装成功之后，尝试import pyltp，可能报错：undefined symbol: _ZTISt19__codecvt_utf8_baseIwE

解决方法如下（参看方法）：

cd ~/anaconda2/lib
rm libstdc++.so.6.0.19
ln -s /usr/lib/x86_64-linux-gnu/libstdc++.so.6 libstdc++.so.6.0.19

3、pyltp实现句法分析

pyltp实现分句、分词、词性标注、命名实体识别、依存句法分析、语义角色标注，代码如下（ltp_analyze.py）：

#!/usr/bin/env python
# coding=utf-8
import importlib,sys
importlib.reload(sys)
import os
from pyltp import SentenceSplitter,Segmentor, Postagger, NamedEntityRecognizer, Parser,SementicRoleLabeller,CustomizedSegmentor
#分句
def sentence_split(text):
    sents = SentenceSplitter.split(text)  # 分句
    print('\n'.join(sents))

class LtpModelAnalysis(object):
    def __init__(self, model_dir="/mnt/f/model/ltp_model/ltp_data_v3.4.0/"):
        self.segmentor = Segmentor()
        self.segmentor.load(os.path.join(model_dir, "cws.model"))  #加载分词模型
        #使用自定义词典
        #self.segmentor.load_with_lexicon(os.path.join(model_dir, "cws.model"), 'lexicon')  # 加载分词模型，第二个参数是外部词典文件路径
        #使用个性化分词模型  #pyltp支持使用用户训练好的个性化模型
        #customized_segmentor = CustomizedSegmentor()  # 初始化实例
        #customized_segmentor.load(os.path.join(model_dir, "cws.model"), 'customized_model')  # 加载模型，第二个参数是增量模型的路径
        #个性化分词模型的同时也可以使用外部词典
        #customized_segmentor = CustomizedSegmentor()  # 初始化实例
        #customized_segmentor.load_with_lexicon(os.path.join(model_dir, "cws.model"), 'customized_model'，'lexicon')

        self.postagger = Postagger()
        self.postagger.load(os.path.join(model_dir, "pos.model"))  #加载词性标注模型

        self.recognizer=NamedEntityRecognizer()
        self.recognizer.load(os.path.join(model_dir, "ner.model")) #加载命名实体识别模型

        self.parser = Parser()
        self.parser.load(os.path.join(model_dir, "parser.model"))  #加载依存句法分析模型

        self.labeller=SementicRoleLabeller()
        self.labeller.load(os.path.join(model_dir, "pisrl.model")) #加载语义角色标注模型

    def analyze(self, text):
        #分词
        words = self.segmentor.segment(text)
        print( '\t'.join(words))

        #词性标注
        postags = self.postagger.postag(words)
        print( '\t'.join(postags))

        #命名实体识别
        netags = self.recognizer.recognize(words, postags)  # 命名实体识别
        print('\t'.join(netags))

        #句法分析
        arcs = self.parser.parse(words, postags)
        print("\t".join("%d:%s" % (arc.head, arc.relation) for arc in arcs)) #arc.head 表示依存弧的父节点词的索引，arc.relation 表示依存弧的关系。
        arcs_list=[]

        #语义角色标注
        roles = self.labeller.label(words, postags, arcs) #arcs 使用依存句法分析的结果
        for role in roles:
            print(role.index, "".join(["%s:(%d,%d)" % (arg.name, arg.range.start, arg.range.end) for arg in role.arguments]))

    def release_model(self):
        # 释放模型
        self.segmentor.release()
        self.postagger.release()
        self.recognizer.release()
        self.parser.release()
        self.labeller.release()

if __name__ == '__main__':
    text="你觉得我的博客写的怎么样？进一步交流请加QQ群：955817470"
    ltp = LtpModelAnalysis()
    ltp.analyze(text)
    ltp.release_model()
    #sentence_split(text)

分词、词性标注、命名实体识别、依存句法分析、语义角色标注运行结果如下

（1）依存句法结果分析

2:SBV   0:HED   5:ATT   3:RAD   6:SBV   8:ATT   6:RAD   2:VOB   2:WP    11:ADV  2:COO   11:COO  12:VOB  15:ATT  13:VOB 15:WP    13:COO
  • arc.head 表示依存弧的父节点词的索引。ROOT节点的索引是0，第一个词开始的索引依次为1、2、3…
  • arc.relation 表示依存弧的关系。

（2）语音角色标注结果分析

1 A0:(0,0)A1:(2,7)
5 A1:(2,4)
10 ADV:(9,9)A1:(13,15)
11 A2:(12,16)
12 A1:(13,15)
  • 第一个词开始的索引依次为0、1、2…
  • 返回结果 roles 是关于多个谓词的语义角色分析的结果。由于一句话中可能不含有语义角色，所以结果可能为空。
  • role.index 代表谓词的索引， role.arguments 代表关于该谓词的若干语义角色。
  • arg.name 表示语义角色类型，arg.range.start 表示该语义角色起始词位置的索引，arg.range.end 表示该语义角色结束词位置的索引。

三、基于C++的LTP句法分析

1、LTP源码和模型

环境：Linux         LTP源码下载           LTP模型下载

2、LTP的C++源码编译及测试

./configure
make

编译成功后，会在 bin 目录下生成以下二进制程序

程序名说明
ltp_testLTP主程序
ltp_serverLTP Server

在 bin/examples 目录下生成以下二进制程序

程序名说明
cws_cmdline分词模块命令行程序
pos_cmdline词性标注模块命令行程序
ner_cmdline命名实体识别模块命令行程序
par_cmdline依存句法分析模块命令行程序

在 examples 目录下有C++源码和Makefile文件

使用pos_cmdline完成词性标注测试  

$ cat input
这 是 测试 样本 ，中文 句法 分析 。
$ cat input | ./bin/examples/pos_cmdline --postagger-model ./ltp_model/pos.model
TRACE: Model is loaded
TRACE: Running 1 thread(s)
WARN: Cann't open file! use stdin instead.
这_r    是_v    测试_v  样本_n  ，中文_nz       句法_n  分析。_v
TRACE: consume 0.162231 seconds.

3、在Linux下使用动态库生成可执行程序

（1）分词cws.cpp代码如下 

#include <iostream>
#include <string>
#include "ltp/segment_dll.h"

int main(int argc, char * argv[])
{
  if (argc < 2)    //命令行参数，没有分词模型的情况下输出
  {
    std::cerr << "cws [model path] [lexicon_file]" << std::endl;
    return 1;
  }
  void * engine = 0;     //声明一个指向模型的指针
  if (argc == 2)     //第一个命令行参数，为分词模型
  {
    engine = segmentor_create_segmentor(argv[1]);  //分词接口，初始化分词器
  } 
  else if (argc == 3) //第二个命令行参数，可以外加词典文件
  {
    engine = segmentor_create_segmentor(argv[1], argv[2]); //分词接口，初始化分词器
  }
  if (!engine) 
  {
    return -1;
  }
  std::vector<std::string> words;   //将分词结果存入vector中
  //分词的文本
  const char * suite[2] = {
    "What's wrong with you? 别灰心! http://t.cn/zQz0Rn", "台北真的是天子骄子吗？",};
  
  for (int i = 0; i < 2; ++ i) {
    words.clear();
    int len = segmentor_segment(engine, suite[i], words);  //分词接口，对句子分词。
    for (int i = 0; i < len; ++ i) {
      std::cout << words[i];
      if (i+1 == len) std::cout <<std::endl;
      else std::cout<< "|";
    }
  }
  segmentor_release_segmentor(engine);   //分词接口，释放分词器
  return 0;
}

 （2）生成cws可执行程序

将下载的LTP置于 ltp-project 目录下，编译命令如下

$ g++ -o cws cws.cpp -I ../include/ -I ../thirdparty/boost/include/ -Wl,-dn -L ../lib/ -lsegmentor -lboost_regex -Wl,-dy

 运行生成的可执行程序  

$ cws ../ltp_model/cws.model

运行结果如下：

  • What's|wrong|with|you|?|别|灰心|!|Sina Visitor System
  • 台北|真|的|是|天子骄子|吗|？

4、 构建基于LTP的句法分析类Parsing

#include <iostream>
#include <vector>
#include "ltp/segment_dll.h"
#include "ltp/postag_dll.h"
#include "ltp/parser_dll.h"
using namespace std;

//构建LTP句法分析类
class Parsing
{
    public:
		void* cws_engine = 0;
		void* pos_engine = 0;
		void* par_engine = 0;
		vector<string> words;
		vector<string> postags;
		vector<int> heads;
		vector<string> deprels;
    public:
		void get_models(char* cws, char* pos, char* par);
		void get_words(string str);
		void get_postags(string str);
		void get_parsing(string str);
		void release_model();

};
//加载模型文件
void Parsing::get_models(char* cws,char* pos,char* par)
{
	cws_engine = segmentor_create_segmentor(cws);
	pos_engine = postagger_create_postagger(pos);
	par_engine = parser_create_parser(par);
}
//分词
void Parsing::get_words(string str)
{
	words.clear();
	segmentor_segment(cws_engine, str, words);
}
//词性标注
void Parsing::get_postags(string str)
{
	words.clear();
	postags.clear();
	segmentor_segment(cws_engine, str, words);
	postagger_postag(pos_engine, words, postags);
}
//句法分析 
void Parsing::get_parsing(string str)
{
	words.clear();
	postags.clear();
	heads.clear();
	deprels.clear();
	segmentor_segment(cws_engine, str, words);
	postagger_postag(pos_engine, words, postags);
	parser_parse(par_engine, words, postags, heads, deprels);
}
//释放模型
void Parsing::release_model()
{
	segmentor_release_segmentor(cws_engine);
	postagger_release_postagger(pos_engine);
	parser_release_parser(par_engine);
}

int main(int argc, char * argv[]) 
{
	Parsing pars;
	//pars.get_models("/mnt/f/ltp_project/ltp_model/cws.model","/mnt/f/ltp_project/ltp_model/pos.model","/mnt/f/ltp_project//ltp_model/parser.model");
	pars.get_models(argv[1],argv[2],argv[3]);
	//cout<<"测试代码"<<endl;
	pars.get_parsing("Welcome to my blog!");
	cout<<pars.words.size()<<endl;
	for (int i = 0; i < pars.words.size(); i++)
	{
		cout << pars.words[i]<<'\t'<<pars.postags[i]<<'\t'<<pars.heads[i]<<'\t'<<pars.deprels[i]<< endl;
		//cout << pars.postags[i] << endl;
		//cout << pars.heads[i] << endl;
		//cout << pars.deprels[i] << endl;
	}
	pars.release_model();
	return 0;
}

5、使用Parsing类实现句法分析

生成Parsing可执行程序

$ g++ -o parsing parsing.cpp -I ../include/ -I ../thirdparty/boost/include/ -Wl,-dn -L ../lib/ -lsegmentor -lpostagger -lparser -lboost_regex -Wl,-dy

运行Parsing可执行程序

$ ./parsing ../ltp_model/cws.model ../ltp_model/pos.model ../ltp_model/parser.model

 运行结果如下

四、LTP标注集参考

1、词性标注集

LTP 使用的是863词性标注集，其各个词性含义如下表

TagDescriptionExampleTagDescriptionExample
aadjective美丽niorganization name保险公司
bother noun-modifier大型, 西式nllocation noun城郊
cconjunction和, 虽然nsgeographical name北京
dadverb很nttemporal noun近日, 明代
eexclamation哎nzother proper noun诺贝尔奖
gmorpheme茨, 甥oonomatopoeia哗啦
hprefix阿, 伪ppreposition在, 把
iidiom百花齐放qquantity个
jabbreviation公检法rpronoun我们
ksuffix界, 率uauxiliary的, 地
mnumber一, 第一vverb跑, 学习
ngeneral noun苹果wppunctuation，。！
nddirection noun右侧wsforeign wordsCPU
nhperson name杜甫, 汤姆xnon-lexeme萄, 翱

2、命名实体识别标注集

LTP 采用 BIESO 标注体系。B 表示实体开始词，I表示实体中间词，E表示实体结束词，S表示单独成实体，O表示不构成命名实体。

LTP 提供的命名实体类型为:人名（Nh）、地名（Ns）、机构名（Ni）

标记含义
O这个词不是NE
S这个词单独构成一个NE
B这个词为一个NE的开始
I这个词为一个NE的中间
E这个词位一个NE的结尾

3、依存句法关系

关系类型TagDescriptionExample
主谓关系SBVsubject-verb我送她一束花 (我 <– 送)
动宾关系VOB直接宾语，verb-object我送她一束花 (送 –> 花)
间宾关系IOB间接宾语，indirect-object我送她一束花 (送 –> 她)
前置宾语FOB前置宾语，fronting-object他什么书都读 (书 <– 读)
兼语DBLdouble他请我吃饭 (请 –> 我)
定中关系ATTattribute红苹果 (红 <– 苹果)
状中结构ADVadverbial非常美丽 (非常 <– 美丽)
动补结构CMPcomplement做完了作业 (做 –> 完)
并列关系COOcoordinate大山和大海 (大山 –> 大海)
介宾关系POBpreposition-object在贸易区内 (在 –> 内)
左附加关系LADleft adjunct大山和大海 (和 <– 大海)
右附加关系RADright adjunct孩子们 (孩子 –> 们)
独立结构ISindependent structure两个单句在结构上彼此独立
核心关系HEDhead指整个句子的核心

4、语义角色类型

语义角色类型说明
ADVadverbial, default tag ( 附加的，默认标记 )
BNEbeneficiary ( 受益人 )
CNDcondition ( 条件 )
DIRdirection ( 方向 )
DGRdegree ( 程度 )
EXTextent ( 扩展 )
FRQfrequency ( 频率 )
LOClocative ( 地点 )
MNRmanner ( 方式 )
PRPpurpose or reason ( 目的或原因 )
TMPtemporal ( 时间 )
TPCtopic ( 主题 )
CRDcoordinated arguments ( 并列参数 )
PRDpredicate ( 谓语动词 )
PSRpossessor ( 持有者 )
PSEpossessee ( 被持有 )

参考：

句法分析可视化软件

腾讯文智中文语义平台

LTP使用文档 

本人博文NLP学习内容目录：

一、NLP基础学习

1、NLP学习路线总结

2、TF-IDF算法介绍及实现

3、NLTK使用方法总结

4、英文自然语言预处理方法总结及实现

5、中文自然语言预处理方法总结及实现

6、NLP常见语言模型总结

7、NLP数据增强方法总结及实现

8、TextRank算法介绍及实现

9、NLP关键词提取方法总结及实现

10、NLP词向量和句向量方法总结及实现

11、NLP句子相似性方法总结及实现

12、NLP中文句法分析

二、NLP项目实战

1、项目实战-英文文本分类-电影评论情感判别

2、项目实战-中文文本分类-商品评论情感判别

3、项目实战-XGBoost与LightGBM文本分类

4、项目实战-TextCNN文本分类实战

5、项目实战-Bert文本分类实战

6、项目实战-NLP中文句子类型判别和分类实战

交流学习资料共享欢迎入群：955817470（群一），801295159（群二）

【Python】Python中字典的items(), keys(), values()方法
CSDN明星博主，认证博客专家，视频、Matlab领域优质创作者。
01-07 2059
http://blog.csdn.net/xxkkff/article/details/4368541
python 字典item与iteritems的区别详解
12-20
综述迭代器 对于原生支持随机访问的数据结构（如tuple、list），迭代器和经典for循环的索引访问相比并无优势，反而丢失了索引值（可以使用内建函数enumerate()找回这个索引值）。但对于无法随机访问的数据结构（比如set）而言，迭代器是唯一的访问元素的方式。 另外，迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素，而在这之前或之后，元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合，比如几个G的文件，或是斐波那契数列等等。 迭代器更大的功劳是提供了一个统一的访问集合的接口，只要定义了iter()方法对象
python字典中items()和iteritems()的区别
lachesis999的专栏
11-26 1万+
items()返回的是列表对象，而iteritems()返回的是iterator对象。例如： print dic.items() #[('a', 'hello'), ('c', 'you'), ('b', 'how')] print dic.iteritems() # 深究：iteritor是迭代器的意思，一次反悔一个数据项，知道没有为止 for i in dic.iter
Python中item()和items()的用处
weixin_56054625的博客
09-10 875
在训练时，。比如loss.item()。可以看出是.item()，item()返回的是一个，所以我们在求loss或者accuracy时，一般使用item()，而不是直接取它对应的元素x[1,1]。
python: X.items()与X.item()的用法演示
fengbao24的博客
07-18 2305
python中items()函数与item()函数的用法演示
item()和items()的用法详解与区别
wangxuecheng666的博客
10-09 1万+
item（） item()的作用是取出单元素张量的元素值并返回该值，保持该元素类型不变。 听起来和使用索引来取值的作用好像一样，接下来我们看一看使用两种方法取元素值的区别： 首先定义一个张量： 1、直接使用索引取值： 2、使用item()取出 由此可以看出使用item()函数取出的元素值的精度更高，所以在求损失函数等时我们一般用item（） items() items()的作用是把字典中的每对key和value组成一个元组，并把这些元祖放在列表中返回。 举个例子：
python item()和items()_Python爬虫--Items(三)
weixin_34896969的博客
03-01 1346
一、Items简介爬取的主要目标就是从非结构性的数据源提取结构性数据，例如网页。 Scrapy提供 Item 类来满足这样的需求。Item 对象是种简单的容器，保存了爬取到得数据。 其提供了 类似于词典(dictionary-like) 的API以及用于声明可用字段的简单语法。1. 声明ItemItem使用简单的class定义语法以及 Field 对象来声明。例如:import scrapycla...
python item()
m0_49133355的博客
07-17 765
在 Python 的数据处理和深度学习中，item() 是一个常用的方法，主要用于从包含单个元素的张量（tensor）中提取 Python 原生的数值类型（如整数或浮点数），或从只有一个元素的 NumPy 数组中获取相同的值。item() 方法在 PyTorch 中用于从标量张量中提取其值，而在 NumPy 中，可以通过索引直接获取单个元素的值。性能考虑：由于 item() 方法涉及到将张量中的值转换为 Python 的原生数据类型，因此它是一个相对较慢的操作。在 NumPy 中的使用。
python中.item()
weixin_46569877的博客
01-10 1501
原文链接 张量自带函数，将张量转变为python的数值，它只能用于单个张量 通过item函数从张量变成了python数值
python中item是什么意思中文-Python中使用item()方法遍历字典的例子
weixin_37988176的博客
10-29 6100
Python字典的遍历方法有好几种，其中一种是for...in，这个我就不说明，在Python了几乎随处都可见for...in。下面说的这种遍历方式是item()方法。item()item()方法把字典中每对key和value组成一个元组，并把这些元组放在列表中返回。DEMO代码：复制代码 代码如下:person={'name':'lizhong','age':'26','city':'BeiJi...
python item()方法
花生日记
04-05 1万+
3.如果想要一次性将整个列表中的所有值都删除掉，那么我们可以使用item_process.now （）来实现： 4.我们可以通过 python中的set_item （）方法来实现，具体代码如下： 5.上面代码中使用了 python中的三个方法来完成操作，分别是set_item （）和 python. split （）。这里，我们想从列表中添加一个数组，如： 首先，我们在列表中输入： 然后，我们将数组的第一个元素设置为0,将其拷贝到另一个列表中，并将数组的最后一个元素设置为1,这样就完成了数组的添加操作。
Python中使用item()方法遍历字典的例子
01-21
item()方法把字典中每对key和value组成一个元组，并把这些元组放在列表中返回。 DEMO 代码： 复制代码 代码如下: person={‘name’:’lizhong’,’age’:’26’,’city’:’BeiJing’,’blog’:’www.jb51.net’}  ...
Python：Scrapy框架中Item Pipeline组件使用详解
09-20
### Python：Scrapy框架中Item Pipeline组件使用详解 #### Item Pipeline简介 在Scrapy框架中，Item Pipeline组件扮演着至关重要的角色。它主要用于处理由爬虫（Spider）从网页中抽取出来的Item对象。Item ...
python中Counter(), join(), items(), index()函数的用法
12-21
在Python编程语言中，`Counter()`, `join()`, `items()`, 和 `index()` 是四个非常实用的函数，它们各自在不同的场景下发挥着重要的作用。下面将详细阐述这些函数的用法。 1. **Counter()** 函数 `Counter` 是...
python中item和items函数的用法
最新发布
12-08
在Python中，`item`和`items`通常用于字典（dictionary）对象，用于访问和操作字典中的键值对。以下是它们的用法和区别： 1. **`items()` 方法**： - `items()` 方法返回一个包含字典中所有键值对的视图对象。这个...
Python：item()用法
hhshbubaoyuan的博客
01-05 927
item()方法只适用于包含单个元素的张量，并将其值提取为标量。它是针对张量对象的特定方法，用于方便地获取张量中的值。注意该方法只适用于包含单个元素的张量，尝试使用 item()方法从一个包含多个元素的张量中提取值会报错。
python是什么怎么用-什么是python items函数？怎么使用它？
weixin_37988176的博客
11-01 1962
这篇文章我们来学习一下关于python字典之中的python items函数的相关知识，items函数是什么意思，这个函数有什么作用都将会在接下来的文章之中得到解答。描述Python 字典(Dictionary) items() 函数以列表返回可遍历的(键, 值) 元组数组。语法items()方法语法：dict.items()参数NA。返回值返回可遍历的(键, 值) 元组数组。实例以下实例展示了 ...
关于python中.item()的用法
热门推荐
weixin_44739213的博客
09-18 8万+
关于python中.item()的用法 本白在搜索引擎里面搜item出来的大多全是items()遍历，或者标题是item()，点进去内容却还是在讲items()。所以我还是打算记录一下。 官方小册子链接在此???? 作用：取出单元素张量的元素值并返回该值，保持原元素类型不变。,即：原张量元素为整形，则返回整形，原张量元素为浮点型则返回浮点型，etc. x[1,1] V.S. X.item(): 下面的例子我当时是想观察一下，直接用[1,1]取出元素与使用.item()取出元素 有什么区别。我感觉是显示精度
python item系列
bus_lupe的博客
01-08 1842
“.”的方式操作attr，“[]”的方式操作item class Foo: def __getitem__(self, item): return self.__dict__[item] def __setitem__(self, key, value): self.__dict__[key] = value def __delitem__(...
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

探模之翼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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