研一用到的python知识总结

1.format函数
格式化字符串函数，接受任意个数的参数，位置也可以随意更改。
常用的一种方式：

print("年龄：{age},性别：{sex}".format(age=23,sex = '女'))
#我理解位置可以随意更改就是format中sex可以放在age前

在网上看到的：字典

dict = {"age":23,"sex":"女"}
print("年龄：{age},性别：{sex}".format(**dict))

列表

list = [23,"女"]
print("年龄：{0[0]},性别：{0[1]}".format(list))

输出都是：

年龄：23,性别：女

心得：使用format函数可以避免参数和其他内容混在一起的现象，不方便查看也不方便修改
在看别人paper中的模型的时候发现大家都爱用这种方式来设置参数，我自己写程序就喜欢一个一个设置参数…
2.enumerate（）函数
用于将一个可遍历的数据对象（列表、元组、字符串等，我比较常在处理csv或者excel文件数据时用到）组合为一个索引序列，可以同时列出数据和数据下标，一般用在for循环中。
把excel表格内容读取后存成列表（用pandas的话，用df.values.to_list()这种）

list = ['赵','钱','孙','李']
for i , element in enumerate(list):
    print("这是《百家姓》第 {} 个 姓 {} ".format(i+1,element))

心得：但是pandas读取Excel为pd，我更多用的就是iloc这样的函数了
3.pandas中的apply、applymap、map
（1）apply（）
让方程作用在一维向量上，一行或者一列（也是series，但是能使用功能更复杂的函数，map只能接受一个参数的函数,我一般就只用apply了）
（2）applymap（）
让方程作用于df每一个元素
（3）map（）
将函数作用于一个Series的每一个元素

我们平时经常用的是读取Excel得到一个dataframe,这里直接创建dataframe

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(3,3),columns=['a','b','c'],index=['d','e','f'])
f = lambda x:x.max()+x.min()
df1 = df.apply(f,axis=1)
df2 = df.apply(f,axis=0)
print(df)
print(df1)
print(df2)

输出，其中axis=0是y轴操作，=1是x轴向操作

          a         b         c
d -0.839769  0.621662 -0.104818
e  0.888246 -0.249358 -0.267761
f  0.036634 -0.138499  1.155909
d   -0.218108
e    0.620485
f    1.017410
dtype: float64
a    0.048477
b    0.372303
c    0.888148
dtype: float64

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(3,3),columns=['a','b','c'],index=['d','e','f'])
def reduce2(x):
    return x-2
df3 = df.applymap(reduce2)
print(df3)

          a         b         c
d -1.376674 -2.171564  0.143255
e -3.430472 -0.347179 -1.925782
f -3.953170 -1.507850 -1.005750

在进行数据处理的时候，经常要对某一行或者一列的字符串进行增删改，就可以利用apply函数，将增删改自定义的函数进行应用
4.join（）函数
用于连接字符串，我之前总会用+，包括在接触format函数之前，但是看文章发现join函数很不错。

list = ['赵','钱','孙','李']
print(','.join(list))

赵,钱,孙,李

再一个就是合并路径的应用，比如处理多个文件，他们的前缀是相同的，只需要改最后一个文件路径

import os
str_path = ['aaa','bbb','ccc']
for strr in str_path:
    new_str = os.path.join('/abc/def/',strr)
    print(new_str)

/abc/def/aaa
/abc/def/bbb
/abc/def/ccc

然后就可以愉快地处理每一个文件中的内容了
接下来是我在论文提供的开源代码中常见的几个
5.divmod（）函数
divmod（a , b)
得到(a//b,a%b)元组
以前本科的时候得到除数和余数，因为应用不多所以没觉得怎么好，在代码中常见是用于进制转换，将a（s）转换为h和min

a = 3601
#一个小时是3600s
m,s = divmod(a,60)
h,m = divmod(m,60)
print(h,m,s)

6.计算模型运行时间

import time
tic = time.time()
#中间随便做点什么
a = 3601
m,s = divmod(a,60)
h,m = divmod(m,60)
toc = time.time()
a = toc-tic
print(a)

1.9073486328125e-06

7.对矩阵进行操作
（1）np.dot(a,b)矩阵乘法
传统的ab是元素相乘，dot就可以按照线代中教的行列进行操作了
（2）X.reshape(X.shape[0],-1).T
将(a ,b , c ,d)维度的矩阵变成（bcd,a)的形式
这个是在做吴恩达老师DL课程作业的时候遇到的，bcd属于一篇图片，a是样本数。处理完以后就可以进行后续操作了。
8.序列解包
看大神们的代码进行看到，我自己一般不太习惯用。
for x,y in zip(keys,values)

list_1 = [1,2,3,4]
list_2 = ['赵','钱','孙','李']
for x,y in zip(list_1,list_2):
    print(x,y)

1 赵
2 钱
3 孙
4 李

在网上看enumerate也算是序列解包
9.import于from…import区别

import datetime
print(datetime.datetime.now())

from datetime import datetime
print(datetime.now())

加了from …import后就可以不用在使用的时候加模块名的限定了。

参考链接：
pandas数据处理三板斧——map、apply、applymap详解
初学者滥用python的5个情景