python解题错题本

1、nums[i+1:].index(res)中.index()方法可以返回元素所在列表的下标，使用非常普遍，牢记

2、.join() 函数，这个函数展开来写应该是str.join(item)，join函数是一个字符串操作函数，str表示字符串（字符），item表示一个成员，注意括号里必须只能有一个成员，比如','.join('a','b')这种写法是行不通的。','.join('abc')上面代码的含义是“将字符串abc中的每个成员以字符','分隔开再拼接成一个字符串”，输出结果为：'a,b,c'。join里放列表、元组、字典也是可以的

3、sorted函数，内部可以放可迭代对象，返回排序后的样子，例如a = "cdax" b = sorted(a) return b可以得到["a","c","d","x"]，结果是一个列表，内部是每个元素的排序，会以单个字符串呈现

4、若要一对多的形式尽量使用字典存储，字典某个键对应的值可以是一个列表，可以使用append方法添加，例如table[s_].append(s)，最后只需要值的话可以使用values方法，例如table.values()

5、ord(s)函数用来获取字符s的ASCII码，在创建哈希函数会用到，dict = defaultdict(list)创建一个默认字典dict。默认字典是一种特殊的字典，当你试图访问一个不存在的键时，它会自动创建一个默认值。在这里，每个键的默认值是一个空列表。

6、用好while循环能够事半功倍，while循环：while condition:  # code to be executed。这里的condition是一个布尔表达式，如果其结果为True，则执行循环体中的代码。一旦condition变为False，循环就会停止。好好理解，执行语句执行到while时会循环执行while命令，直到不满足条件为止，可以用来判断某个递增条件的终点，或者反复执行某个命令。

7、pd.read_excel('')单引号内写文件路径，读取文件

8、df_img['id'] = df_img.apply(lambda x: str(x.lable.split("_")[0]), axis=1)，先解释匿名函数，x.lable表示取出x的lable项，.split("_")这是分割方法，以_为标志进行分割，[0]表示取第一项，str()是转化为字符串函数，axis=1表示逐行操作，若是axis=0则是逐列操作。

9、在pandas库中，参数axis用于指定数据操作的方向。axis=1表示操作应该沿着每一行或者跨越行进行，也就是沿着列的方向。这在一些函数中非常有用，比如apply(), drop(), mean()等等。

例如，在apply()函数中，如果设置axis=1，那么传入的函数会被应用到每一行；在drop()函数中，如果设置axis=1，那么会删除指定的列。

相对的，axis=0表示操作应该沿着每一列或者跨越列进行，也就是沿着行的方向。例如，在apply()函数中，如果设置axis=0，那么传入的函数会被应用到每一列；在drop()函数中，如果设置axis=0，那么会删除指定的行。

10、pd.to_datetime()日期转化函数，转化为日期，不带时刻。.strftime('%Y-%m-%d')时间格式化函数

11、df_img.drop_duplicates(subset='file_name')，去重函数，subset接收去重的参考列

12、在pandas中，unique()函数用于获取列中的所有唯一值，返回的是一个数组，包含列中所有不同的值。这个函数常常用于查看一列中有哪些不同的值，或者有多少个不同的值。

13、df_driver['driver_id'] = df_driver['driver_id'].astype(str)，在pandas中，astype()函数用于更改列的数据类型。在这个例子中，astype(str)表示将'driver_id'列的数据类型转换为字符串类型。

这个操作通常在数据预处理阶段使用，例如，当我们需要将数字类型的数据转换为字符串类型，或者将字符串类型的数据转换为日期类型等。

14、sel_driver_id = list(df_driver['driver_id'].unique()) df = df_img[df_img.driver_id.isin(sel_driver_id)]，

这两行代码的作用是从df_img DataFrame中筛选出那些'driver_id'在df_driver DataFrame中出现过的行。

1. sel_driver_id = list(df_driver['driver_id'].unique()): 这行代码是获取df_driver DataFrame中'driver_id'列的所有唯一值，并将这些唯一值转换为一个列表，存储在sel_driver_id变量中。

2. df = df_img[df_img.driver_id.isin(sel_driver_id)]: 这行代码是筛选出df_img DataFrame中那些'driver_id'在sel_driver_id列表中的行，并将筛选结果存储在df DataFrame中。

在pandas中，isin()函数用于检查每个元素是否存在于传入的列表中，返回一个布尔值的序列。这个函数常常用于根据某些条件筛选数据。

15、df['file_name'].duplicated().any(): 这行代码首先使用duplicated()函数检查'file_name'列中的每个值是否是重复的，返回一个布尔值的序列。然后使用any()函数检查这个序列中是否有True，如果有，返回True，否则返回False。所以，如果'file_name'列中有重复值，这行代码的结果就会是True，否则就会是False。

16、df[df['file_name'].duplicated(keep=False)]['file_name'].unique(): 这行代码首先使用duplicated(keep=False)函数检查'file_name'列中的每个值是否是重复的，与duplicated()函数不同的是，如果一个值在列中出现了多次，duplicated(keep=False)会将这个值的所有出现都标记为True。然后使用这个布尔值的序列筛选出df中的行，最后使用unique()函数获取这些行中'file_name'列的所有唯一值。所以，这行代码的结果就是'file_name'列中所有重复的值。

17、在Python的os库中，os.path.basename()函数接受一个路径作为输入，然后返回路径的最后一部分，也就是文件名或者最后一个目录名。如果路径以目录分隔符结束，那么返回的就是空字符串。

例如：

• 如果file_path是'/home/user/documents/file.txt'，那么os.path.basename(file_path)的结果就是'file.txt'。
• 如果file_path是'/home/user/documents/folder/'，那么os.path.basename(file_path)的结果就是空字符串。

18、使用Python的Path类（来自pathlib模块）创建了一个Path对象，代表一个文件系统路径。

Path类是Python 3.4及更高版本中引入的，用于处理文件系统路径。与使用os模块的函数相比，使用Path类可以用更简洁、更直观的方式处理路径。

在这个例子中，original_path是一个Path对象，代表路径'/Users/catorg/Desktop/工作汇总/2023.07/ConvNeXt_V2/image_data_2nd'。

你可以对Path对象进行各种操作，例如：

• original_path.name：返回路径的文件名，例如'image_data_2nd'。
• original_path.parent：返回路径的父路径，例如Path('/Users/catorg/Desktop/工作汇总/2023.07/ConvNeXt_V2')。
• original_path.exists()：检查路径是否存在。
• original_path.is_file()：检查路径是否是一个文件。
• original_path.is_dir()：检查路径是否是一个目录。

19、get_image_files(original_path)这行代码是使用fastai库的get_image_files()函数，从original_path指定的路径中获取所有的图像文件。

get_image_files()函数会递归地搜索指定的路径，找出所有的图像文件（如.jpg, .png等），并返回一个包含所有图像文件路径的列表。

在这个例子中，img_path是一个包含original_path路径下所有图像文件路径的列表。

这个函数非常适合在处理图像数据时使用，可以方便地获取到所有的图像文件，无论它们是在同一个目录下，还是分散在多个子目录中。

20、df = df.reset_index(drop=True)这行代码的作用是重置DataFrame df的索引。

在pandas中，每个DataFrame都有一个索引。索引是用来标识每一行的，可以是数字，也可以是其他类型，如字符串。有时候，我们在处理数据的过程中，可能会打乱原来的索引，例如在筛选或排序数据后，索引可能就不再是连续的数字。

reset_index()函数就是用来重置索引的。它会移除原来的索引，并添加一个新的从0开始的整数索引。

在这个函数中，drop=True参数的意思是，不保留原来的索引。如果设置为drop=False（默认值），那么原来的索引会被添加为一个新的列。

所以，df = df.reset_index(drop=True)这行代码的结果就是，df的索引被重置为从0开始的整数，而原来的索引被丢弃。

21、df.groupby(['dt', 'label']).count()这行代码的作用是按照'dt'和'label'列对DataFrame df进行分组，并计算每个组的数量。

在pandas中，groupby()函数用于对数据进行分组。在这个例子中，groupby(['dt', 'label'])表示按照'dt'和'label'两列的值进行分组，具有相同'dt'和'label'值的行会被分到同一组。

count()函数用于计算每个组的数量。在groupby()之后使用count()，可以得到每个组的行数。

所以，df.groupby(['dt', 'label']).count()的结果是一个新的DataFrame，索引是'dt'和'label'的唯一组合，每一列的值是对应组的行数。

这个操作常常用于统计分析，例如，我们可以用这种方式来查看每个日期每个标签的数据有多少。

22、