手把手教你学Python之文件操作(一文掌握文件操作)

目录

1、Python中文本文件的读写

2、Python中常用的文件与文件夹操作方法

3、Python中Excel文件的读写

4、Python读取Excel文件案例


为了保存数据,方便修改和分享,数据通常以文件的形式存储在磁盘等外部存储介质中。根据逻辑上编码不同可将文件大致分为两类:文本文件二进制文件

文本文件基于字符编码,存储的是普通字符串,不包括字体、字号、样式、颜色等信息,可通过文本编辑器显示和编辑,例如txt文件

二进制文件基于值编码的,以字节形式存储,其编码长度根据值的大小长度可变。通常在文件的头部相关属性中定义表示值的编码长度。例如视频音频等。

1、Python中文本文件的读写

Python中对文件的操作通常按照以下三个步骤进行:

(1)使用open()函数打开(或建立)文件,返回一个file对象

(2)使用file对象的读/写方法对文件进行读/写的操作;

(3)使用file对象的close()方法关闭文件

Python中提供open()方法用于打开一个文件,并返回文件对象,在对文件进行处理过程都需要使用到这个函数,如果该文件无法被打开,会抛出 OSError错误。open()方法主要参数及其含义如下。

file参数:用于指定文件路径,如果只有文件名,则表示在当前文件夹下。以d:\test.txt(D盘下test.txt文件)为例,文件路径中包含特殊字符“\”,为了避免歧义,通常有三种写法:(1)r'd:\test.txt'(2)'d:\\test.txt';(3)'d:/test.txt'

mode参数:python中文件打开的模式主要涉及到以下字符:

    mode参数常见取值及其含义如下:

    特别注意“r+”和“w+”之间的区别,二者都可以读和写“r+”打开文件时,不会删除原有文件内容,写入时,如果原有位置有内容,则进行覆盖;而“w+”打开文件时,会先删除原有文件内容

   读取文件、写入文件示例如下,注意不同模式之间的区别

   文件复制和内容附加示例如下,可通过多种方法实现同一功能

2、Python中常用的文件与文件夹操作方法

   Python中提供了专门的模块对文件和文件夹进行操作,例如获取文件大小获取文件路径获取文件夹中所有文件等。主要涉及到os模块以及os.path模块

    实际应用中,经常需要对文件夹进行递归访问,下面以一个简单例子进行演示。文件夹遍历的主要原理是:获取文件夹下的所有文件,依次判断是否为文件夹,如果为文件夹则递归获取该文件夹下所有文件,依次类推

3、PythonExcel文件的读写

数据分析中经常会涉及到Excel文件的操作,Python官方发布版本中并没有提供读写excel文件的模块。需要安装第三方模块来实现对excel文件的读写。较为简单而又常用的第三方库为xlrd(读取Excel文件)、xlwt(向Excel文件中写入内容)。使用之前需要进行安装,最简单而又直接的安装方法就是直接在控制台执行:pip install xlrdpip install xlwt

    读取Excel文件的核心方法如下:

4、Python读取Excel文件案例

小小练习题

更多关于手把手教你学Python的文章请关注微信公众号:Python资源分享。详细的视频讲解可查看 CSDN学院 里的手把手教你学Python系列视频:https://edu.csdn.net/lecturer/5686。欢迎加入QQ群一起学习交流:858228002 。

完整课件下载网址如下:

Python文件操作(课件)_python文件课件-Python文档类资源-CSDN下载详细介绍Python中的文件操作,包括文件操作的各种模式分析、文件夹的递归访问、Excel文件的读取python文件课件更多下载资源、学习资料请访问CSDN下载频道.https://download.csdn.net/download/Dream_Gao1989/13718308?spm=1001.2014.3001.5503

  • 26
    点赞
  • 243
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
好的,我可以为您提供一些关于使用Python代码实现Transformer的指导。 首先,您需要安装PyTorch和torchtext库。然后,您可以按照以下步骤实现Transformer模型: 1. 定义输入和输出的词汇表,并使用torchtext库加载数据集。 2. 定义Transformer模型的编码器和解码器部分。 3. 实现自注意力机制(self-attention)和前向神经网络(feed-forward network)。 4. 实现残差连接(residual connection)和层归一化(layer normalization)。 5. 定义Transformer模型的训练和评估过程。 下面是一个简单的示例代码,用于实现一个基本的Transformer模型: ```python import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchtext.datasets import TranslationDataset, Multi30k from torchtext.data import Field, BucketIterator # 定义输入和输出的词汇表 SRC = Field(tokenize='spacy', tokenizer_language='de', init_token='<sos>', eos_token='<eos>', lower=True) TRG = Field(tokenize='spacy', tokenizer_language='en', init_token='<sos>', eos_token='<eos>', lower=True) # 加载数据集 train_data, valid_data, test_data = Multi30k.splits(exts=('.de', '.en'), fields=(SRC, TRG)) SRC.build_vocab(train_data, min_freq=2) TRG.build_vocab(train_data, min_freq=2) # 定义Transformer模型的编码器和解码器部分 class Encoder(nn.Module): def __init__(self, input_dim, hid_dim, n_layers, n_heads, pf_dim, dropout, device): super().__init__() self.device = device self.tok_embedding = nn.Embedding(input_dim, hid_dim) self.pos_embedding = nn.Embedding(1000, hid_dim) self.layers = nn.ModuleList([EncoderLayer(hid_dim, n_heads, pf_dim, dropout, device) for _ in range(n_layers)]) self.dropout = nn.Dropout(dropout) self.scale = torch.sqrt(torch.FloatTensor([hid_dim])).to(device) def forward(self, src, src_mask): # src: [batch_size, src_len] # src_mask: [batch_size, 1, 1, src_len] batch_size = src.shape[0] src_len = src.shape[1] pos = torch.arange(0, src_len).unsqueeze(0).repeat(batch_size, 1).to(self.device) # pos: [batch_size, src_len] src = self.dropout((self.tok_embedding(src) * self.scale) + self.pos_embedding(pos)) for layer in self.layers: src = layer(src, src_mask) return src class EncoderLayer(nn.Module): def __init__(self, hid_dim, n_heads, pf_dim, dropout, device): super().__init__() self.self_attn_layer_norm = nn.LayerNorm(hid_dim) self.ff_layer_norm = nn.LayerNorm(hid_dim) self.self_attention = MultiHeadAttentionLayer(hid_dim, n_heads, dropout, device) self.positionwise_feedforward = PositionwiseFeedforwardLayer(hid_dim, pf_dim, dropout) self.dropout = nn.Dropout(dropout) def forward(self, src, src_mask):

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

打赏作者

高成珍

前行路上与你相伴!

¥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
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