Python标准库的学习准备

Vamei博客地址:http://www.cnblogs.com/vamei/archive/2012/07/23/2605345.html

作者:Vamei 出处:http://www.cnblogs.com/vamei 欢迎转载,也请保留这段声明。谢谢!

 

Python标准库是Python强大的动力所在,我们已经在前文中有所介绍。由于标准库所涉及的应用很广,所以需要学习一定的背景知识。

 

硬件原理

这一部份需要了解内存,CPU,磁盘存储以及IO的功能和性能,了解计算机工作的流程,了解指令的概念。这些内容基础而重要。

Python标准库的一部份是为了提高系统的性能(比如mmap),所以有必要了解基本的计算机各个组成部分的性能。

 

操作系统

在了解操作系统时,下面是重点:

1) 操作系统的进程管理,比如什么是UID, PID, daemon

2) 进程之间的信号通信,比如使用kill传递信号的方式

学习进程相关的内容,是为了方便于学习os包,thread包,multiprocessing包,signal包

3) 文件管理,文件的几种类型。

4) 文件读写(IO)接口

5) 文件的权限以及其它的文件信息(meta data)

6) 常用系统命令以及应用,比如ls, mv, rm, mkdir, chmod, zip, tar..., 

学习文件相关的内容,,是为了学习os包, shutil包中文件管理相关的部分。学习文件接口对于文本输入输出的理解很重要,也会影响到对于socket包, select包概念的理解。此外,python中的归档(archive)和压缩(compress)功能也和操作系统中的类似。

7) Linux shell,比如说file name matching,对于理解glob包等有帮助。如果你对Linux的正则表达(regular expression)有了解的话,python的正则表达的学习会变得比较容易。学习Linux命令行中的参数传递对于理解python标准库中解析命令行的包也是有用的。

 

网络

Python的一大应用是在网络方面。但Python和标准库只是提供了接口,并不涉及底层。网络知识可以大大降低学习曲线的陡度。

1) TCP/IP的基础的分层架构。这方面的内容太广博了,所以可以有选择地了解骨干知识。

2) 常用的应用层协议,比如http, 以及邮件相关的协议,特别是它们的工作过程。

3) 根据需要,了解html/css/javascript/jQuery/frame

如果想利用python建服务器,比如在google app engine上,这些知识是需要的。

 

算法与数据结构

标准库中定义有一些数据对象的封装。因此,你并不需要重头编写它们。相关数据结构的应用需要一些数据结构的知识,比如队列,树等。

标准库中已经实现了许多算法,比如排序等,可以方便的调用。算法的基础知识可以帮助你做决定。

 

数据库

Python中内置了sqlite3。如果你只需要一个简单的数据库,可以直接从标准库中调用sqlite3。

当使用Python中数据库相关的包时(比如sqlite3),需要对数据库,特别是关系型数据库,有一个基本了解。

 

加密和文本编码

Python的加密算法同样基于一些经典加密算法,比如MD5,RSA算法。加密的基本知识将很有帮助。

使用非ASCII编码,比如中文时,文本编码的知识很重要。

 

总结 

Python基本的对象概念和动态类型概念。可以参照快速教程,并尝试阅读更多的资料和源码,来加深对概念的理解。Python标准库学习的难度在于背景知识。一个了解相关背景知识(或者其它语言的库)的程序员,可以在很短的时间内掌握Python基础库。


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python是一种非常流行的编程语言,用于开发各种类型的应用程序。在机器学习领域,Python被广泛使用,它提供了许多强大的和框架,方便开发人员构建和训练机器学习模型。 如果要使用Python进行毕业设计,并且将其应用于机器学习,可以考虑以下几个方面: 1. 问题定义:首先,需要明确你的毕设目标和问题定义。这可能涉及到某种分类、回归、聚类或者其他机器学习任务。 2. 数据收集与清洗:为了进行机器学习,你需要收集相应的数据。通过使用Python如Pandas,可以方便地进行数据预处理和清洗,以准备好用于训练模型的数据。 3. 特征工程:在模型训练之前,需要进行特征工程,以提取和选择最相关的特征。可以利用Python如Scikit-learn进行特征选择、标准化和降维等操作。 4. 模型选择与训练:选择适当的机器学习模型来解决你的问题,并使用Python如Scikit-learn或TensorFlow进行模型训练。通过调整模型的超参数,可以提高模型的性能。 5. 模型评估与优化:在模型训练后,需要对其进行评估以了解其性能。通过使用交叉验证和评估指标,可以判断模型的效果。如果需要改善模型性能,可以进行模型优化,例如调整参数或者使用集成方法。 6. 结果解释与报告:最后,将你的结果进行解释,并用清晰的报告方式展示。这需要使用Python及其各种可视化如Matplotlib或Seaborn来展示数据和模型的效果。 总之,使用Python进行毕设的机器学习任务相对较为简单和方便。Python提供了丰富的机器学习和工具,可以帮助你完成各种类型的机器学习任务,并实现你的毕设目标。

“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
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