文件读写

一、读写文件
##读文件
f = open('a.txt',encoding='utf-8') #打开一个文件a.txt,有中文的话要加上utf-8
res = f.read()
print(res)
f.close() #代码结束后最好关闭一下文件

##写文件
f = open('a.txt','w',encoding='utf-8') #w模式写文件,但是会清空原有文件;
f.write('6666'+'\n')
f.close()

如果是当前目录下直接写文件名即可,如果是在其他目录下,写成绝对路径;但若是路径中含有\n,那么会转义成换行,所以写路径的时候最好前面加上r或者是再加一个斜杠\
例:
f = open('D:\home\nump\a.txt','w',encoding='utf-8') 这里面的\n就会解析成换行,所以应写成
f = open(r'D:\home\nump\a.txt','w',encoding='utf-8') 或者是
f = open('D:\home\\nump\a.txt','w',encoding='utf-8')

##循环将list内容写入文件
f = open('a.txt','w',encoding='utf-8')
l = ['abc','123','gg','发发发']
for i in l:
f.write(i+'\n') #换行写入文件
f.close()

注:打开文件不要写在循环里面,否则效率低
####################总结一下读写文件的几种模式############################
f = open('a.txt') #不写的话默认是r模式
r 能读,不能写,打开不存在的文件会报错
w 写,不能读,清空以前的内容
a 追加,没有文件会自动创建一个文件,不能读
r+ 写读模式;打开不存在的文件会报错
a+ 追加读写模式,不存在则创建;存在则只追加内容
w+ 写读模式,使用w+的话,已经存在的文件内容会被清空,可以读到已经写的文件内容
readlines 把文件的每一行内容放到list里面,读的时候看文件指针位置,从位置处开始读
readline 一次只读一行
下边的例子中,readline是读一行,读完后用readlines去读的话,应是从上一次文件指针位置处读,即从第二行读文件内容
print(f.readline()) #读第一行内容
print(f.readlines())#从第二行开始读


f = open('a.txt','w')
f.write('hello\n') #只能写字符串
f.writelines('writelinessdhs') #循环传list里每一个元素;可传list、集合,可以循环的都可
f.close()
f.seek(0) #移动文件指针

高效读取文件,直接循环文件对象,循环读每一行内容,循环完了结束;
readlines会一下子读文件中所有内容,可能会一下子撑爆内存,不高效
f = open('a.txt',encoding='utf-8')
for line in f:
print('每一行的内容',line)
还有一种方式:
with open('a.txt','w',encoding='utf-8') as fw: #用这种方式打开文件,不用再写fw.close,会自动判断关闭文件
fw.read()
with open('a.txt','w',encoding='utf-8') as fw1,open('b.txt','w',encoding='utf-8') as fw2: #可以同时打开多个文件,逗号隔开即可
fw1.read()
fw2.read()

二、修改文件
有两种方式
方式一,先读出来所有内容,然后替换,再清空源文件,最好再把替换后的文件写进去
f = open('a.txt','a+',encoding='utf-8')
result = f.read()
new_res = result.replace('a','A') #把a.txt中的a替换为A
f.seek(0)#移动指针至首位
f.truncate() #清空文件内容
f.write(new_res)
f.close()

方式二:逐行修改,大文件最好用此方法
import os
f1 = open('a1.txt',encoding='utf-8')
f2 = open('a2.txt','w',encoding='utf-8') #打开一个空文件a2
for line in f1:
new_line = line.replace('一','1') #将a1中内容替换
f2.write(new_line) #修改后的内容写入a2
f1.close()
f2.close()
os.remove('a1.txt') #删除a1
os.rename('a2.txt','a1.txt')#a2重命名为a1

转载于:https://www.cnblogs.com/lsl1230/p/11520062.html

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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