PYTHON学习0021:文件处理----2019-6-16

一、比如有一个文件,正常情况下,如何查看内容呢:
1、安装文件编辑器软件(如word文件需安装office)
2、选中文件,双击或者右键,用文本编辑器软件打开
3、进行入、删除等操作。
、用python进行文件操作:
文件操作分为读、写、改。
1、读文件:

f=open(file="D:/工作/资料.txt",mode="r,encodind="utf-8) #相当于把文件打开,r表示以只读模式打开,以utf-8编码打开
data=f.read() #读取文比赋予data这个变量
f.close() #关闭文件师范内存。

rb:表示以二进制模式打开,那后面就不能加encoding语句了,否则报错。
如果不知道某段字符的编码格式,可以导入chardet库来判断:
PYTHON学习0021:文件处理----2019-6-16

2、写文件:
①循环文件内容:
PYTHON学习0021:文件处理----2019-6-16
显示结果为:
PYTHON学习0021:文件处理----2019-6-16
默认每循环一次,取一行,且每行之间有空行。(因为用print输出时,print本身带有一层换行符)

②写文件语法:
g=open(file="f:/download/222.txt",mode="w",encoding="GB2312")
f.write("伟明环保,603568 15.26)
f.close()
③mode=w模式表明是创建新文件,如果文件已经存在,则会清空已有内容,然后写入新的内容。
④如果mode=wb,表明是以二进制类型输入内容,则需要把字符编码成二进制:
g=open(file="f:/download/222.txt",mode="wb")
g.write("伟明环保,603568 15.26".encode("gbk"))
⑤如果mode=a,那就是追加模式。:g=open(file="f:/download/222.txt",mode="a")
⑥、读写模式:mode=r+或者a+
⑦写读模式:mode=w+先写后读,会吧之前的内容先清空,然后写入新的内容。此模式应用很少。

在第一次读取文件时,读取完后,光标处于文件最后,如果再次读取的话,读取内容为空。此时需要移动光标。

PYTHON学习0021:文件处理----2019-6-16

f.seek(0)表明吧光标移到初始位置。
seek和tell都是一个字节算一个位置,read和readline按一个字符算一个位置。

三、修改文件
如果用seek()移动光标然后写入内容的方式来修改文件的话,新加入的内容会自动覆盖源文件里对应的位置。比如:
p=open("pw.txt","r+",encoding="gbk")
p.seek(2)
p.write("VVV")
p.close()
f=open("pw.txt","r",)
print(f.read())

以上这段代码写入的“VVV“会自动覆盖源文件里从第2个光标开始后的3个字节。

如果要用PYTHON修改文件,只能一行一行循环旧文件,碰到需要修改的行就修改,然后添加到新的文件,不需要修改的也直接添加到新文件。
如1、(占硬盘的修改方式,不先read文件到内存,直接在硬盘层面操作文件)
f=open(r"F:\python\2019.6.2\xuexi\6.2\ty","r",encoding="gbk")
for line in f:
if "e"in line:
line=line.replace("e","9")
f_new.write(line)

f.close()
f_new.close()
f_new=open("cxp1.txt","r",encoding="gbk")
print(f_new.read())

如2、(占内存的修改方式,先把原文件read到内存):
f=open(r"F:\python\2019.6.2\xuexi\6.2\ty","r+",encoding="gbk")
data=f.read()
f.seek(0)
data_new=data.replace("e","8")
f.write(data_new)
f.close()

新知识点:os模块:
import os
os.rename(f.name,f_new_name):把文件名为f._new_name的文件名称替换为f.name,同时删除f.name文件。f._new_name内容不会改变。

转载于:https://blog.51cto.com/13543767/2409775

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