每个python文件就是一个模块_python中包和模块概述

4ad3e6be1ba4

image.png

python中的包和模块是两个不同的概念,模块是具有某一个特定功能的代码块,而包就是模块的集合。用import来调用包和模块。

python中的包和模块,首先是按照代码的功能进行整理整合,将相似功能的代码/大量代码 整理到一起 方便统一管理

模块(module):python中每个python文件就是一个模块(模块名称就是文件名称),每个python文件中,封装类似功能的变量、函数、类型等等,可以被其他的python模块通过import关键字引入重复使用!

包(pakcage)(文件夹):包含多个python文件/模块的文件夹,并且文件夹中有一个名称为init.py的特殊声明文件,那么这个文件夹就是一个包(模块包),可以将大量功能相关的python模块包含起来统一管理,同样也可以被其他模块通过import关键字引入重复使用封装的模块和代码!

具体的调用方法有两个:1.import直接加包或者模块的名字

2.是通过from调用

第一种方法就不再过多解释重点说一下第二种方法:

1.from . import xxx # 从当前模块路径下,引入xxx模块

2.from .. import xxx # 从当前模块的父级路径下,引入xxx模块

3.from pkg import module # 从 pkg包中引入一个模块module

4.from pkg.module import vars, func, clazz# 从指定的模块中直接引入

REMARK:from xx import 语法方式,主要是针对出现了包结构的python代码而特定的代码引入方式,首先要非常明确代码的组织结构才能正确使用from import语法进行代码的引入和复用

REMARK2:通过上述代码,可以看到form import语法区分为两种操作

使用了./..的相对路径的引入操作方式

直接使用包/模块名称的绝对引入操作方式

1.2.2.from import 相对引入

首先,相对引入本身是相对当前正在操作的文件的路径

同一级路径使用符号:.

上一级路径使用符号:..

创建测试项目文件夹demo02/

项目中创建一个工具模块:utils.py

# coding:utf-8

# 测试变量

test_msg = “hello”

# 测试函数

def test_func():

print(“test 函数操作”)

# 测试类型

class Test:

pass

项目中创建主测试模块:main.py

# 模块的相对引入

from . import utils

# 测试变量

print(utils.test_msg)

# 测试函数

utils.test_func()

# 测试类型

t = utils.Test()

包的引入可以通过相对路径直接操作,这里的demo02/可以是python的包,也可以是一个普通包含

python代码的文件夹。

但是需要注意的是,一旦使用相对路径,就要明确所谓相对路径~是依赖他们所属的父级文件夹确定的,

就类似生活中的兄弟姐妹的称谓一样,是相对他们的父亲来说的,所以运行代码需要在demo02/文件夹

所在路径,执行如下命令运行

# 命令行执行运行代码的命令,告诉python解释器在执行指定路径中的python代码

python –m demo02.main

REMARK:如果直接在demo02/文件夹中,执行命令

python main.py 就会出现如下错误

ImportError:cannot import name ‘utils’

1.2.3.from import 绝对引入

绝对引入操作方式比较直接,从最外层的包的源头直接开始操作;

如:from pygame import K_A, K_S, K_D, K_W

这种操作方式在第三方模块的操作中是司空见惯的,但是在独立的项目开发中使用较少!

还是上面那个案例操作,修改main.py代码如下:

# 相对引入操作

# from . import utils

# 绝对引入操作

from demo02 import utils

# 使用utils中的变量、函数、类型等等..

运行操作方式当然和前面讲过的类似,既然你确定了项目是从demo02/为最外层文件夹的话,那么

运行也是参考demo02来执行命令

python –m demo02.main

包:发布操作

标准化构建:将开发的代码文件按照标准的格式进行组织管理

打包压缩:将构建好的代码文件,打包压缩到一个文件中,方便管理使用

发布:将自己开发好的程序,经过打包之后,发布到官方模块管理标准网站中!

其他开发人员~在联网的情况下:pip install 你的名字

1.5.1.本地发布

在我们已经开发好的一个包文件夹下,创建一个python模块:setup.py

模块中定义如下内容

# 引入构建包信息的模块

from distutils.core import setup

# 定义发布的包文件的信息

setup(

name=“damu_pkg01”, # 发布的包文件名称

version=”1.0”, # 发布的包的版本序号

description=”我的测试包”, # 发布包的描述信息

author=”大牧莫邪”, # 发布包的作者信息

author_email=”damu@163.com”, # 作者联系邮箱信息

py_modules=[‘__init__.py’,’..’,..]# 发布的包中的模块文件列表

)

执行当前程序包文件的构建操作命令:按照标准格式组织包中的所有数据文件

python setup.py build

REMARK:构建完毕的文件

可以通过python setup.py install命令直接当成第三方模块进行安装

执行命令进行包的打包发布

python setup.py sdist

REMARK:打包的文件,主要是方便进行网络传输,打包之后会在dist中创建包含包中所有信息的

tar.gz压缩包文件;该文件就可以通过git等方式提交给对应的开源组织发布你的自定义模块了!

在本地发布过之后,要是发布到网站上,就再执行一条命令就可以了:

twine upload dist/*

执行过这条命令后要是别的主机相使用这个模块,就可以直接在网站上下载,网站是http://pypi.python.org/pypi。另外特别需要注意的是要是打包图片或者MP3文件时,就需要在文件下添加一个文件MANIFEST.in,然后在文件里面添加:

recursive-include 图片或MP3文件名称 *

然后开始执行发布操作。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
课程设计:基于Python的数据分析 1. 课程概述 本课程将介绍Python在数据分析中的应用,括数据清洗、数据处理、数据可视化、机器学习等方面。通过本课程的学习,学生将掌握使用Python进行数据分析的基本方法和技巧,能够熟练运用Python进行数据处理和分析,为后续学习和实践打下基础。 2. 课程安排 本课程分为四个模块,分别是数据清洗、数据处理、数据可视化和机器学习。每个模块含理论讲解和实践练习。具体安排如下: - 模块一:数据清洗 介绍数据清洗的基本概念和方法,括数据预处理、数据去重、缺失值处理、异常值处理等。实践练习使用Python对数据进行清洗。 - 模块二:数据处理 介绍数据处理的基本方法和技巧,括数据聚合、数据拆分、数据合并等。实践练习使用Python进行数据处理。 - 模块三:数据可视化 介绍数据可视化的基本概念和方法,括常用的图表类型、图表设计原则等。实践练习使用Python进行数据可视化。 - 模块四:机器学习 介绍机器学习的基本概念和方法,括监督学习、无监督学习等。实践练习使用Python进行机器学习。 3. 实践练习 以下是模块一数据清洗中的实践练习,括数据预处理、数据去重、缺失值处理和异常值处理。 数据预处理 数据预处理是数据分析的第一步,目的是将数据转换成适合分析的形式。常见的数据预处理方法括数据类型转换、数据格式转换等。下面是一个数据预处理的示例代码: ```python import pandas as pd # 读取数据 df = pd.read_csv('data.csv') # 查看数据 print(df.head()) # 将时间列转换为datetime类型 df['time'] = pd.to_datetime(df['time']) # 查看数据 print(df.head()) ``` 数据去重 数据中可能存在重复的记录,需要进行数据去重处理。下面是一个数据去重的示例代码: ```python import pandas as pd # 读取数据 df = pd.read_csv('data.csv') # 查看数据 print(df) # 数据去重 df = df.drop_duplicates() # 查看去重后的数据 print(df) ``` 缺失值处理 数据中可能存在缺失值,需要进行缺失值处理。常见的缺失值处理方法括删除缺失值、填补缺失值等。下面是一个缺失值处理的示例代码: ```python import pandas as pd # 读取数据 df = pd.read_csv('data.csv') # 查看数据 print(df) # 删除缺失值 df = df.dropna() # 查看删除缺失值后的数据 print(df) # 填补缺失值 df = df.fillna(0) # 查看填补缺失值后的数据 print(df) ``` 异常值处理 数据中可能存在异常值,需要进行异常值处理。常见的异常值处理方法括删除异常值、修正异常值等。下面是一个异常值处理的示例代码: ```python import pandas as pd # 读取数据 df = pd.read_csv('data.csv') # 查看数据 print(df) # 删除异常值 df = df[df['value'] < 100] # 查看删除异常值后的数据 print(df) # 修正异常值 df.loc[df['value'] > 50, 'value'] = 50 # 查看修正异常值后的数据 print(df) ``` 4. 总结 本课程介绍了Python在数据分析中的应用,括数据清洗、数据处理、数据可视化、机器学习等方面。通过本课程的学习,学生能够掌握使用Python进行数据分析的基本方法和技巧,为后续学习和实践打下基础。

“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