如何用程序拆解文本中的数值并计算

比如每个文件由空格分隔的数字构成,行数列数不定,要实现一个可反复执行的算法,每次计算指定文件里所有数字的平均值。

如果只做一次,导入到Excel再算就行了。但如果要反复做很多次,就需要编程序了。各种程序设计语言都能完成这类事情,但不同的语言完成起来麻烦度相差很大。比如用JAVA实现上面的算法,写起来大概是这样:

import java.io.BufferedReader;

import java.io.IOException;

import java.io.FileReader;

import javax.swing.JFileChooser;

import javax.swing.JOptionPane;

import java.util.ArrayList;

 

public class Week04 {

    public static void   main(String[] args) throws IOException {

        String theFile;

        theFile =   getTheFileName();

        double theAverage;

        theAverage =   getTheAverage(theFile);

          displayTheResult(theAverage,"The average is;");

    }

 

    public static String   getTheFileName() {

        String theFile;

        JFileChooser jfc = new   JFileChooser();

          jfc.showOpenDialog(null);

        return theFile =   jfc.getSelectedFile().getAbsolutePath();

    }

 

    public static double   getTheAverage(String s) throws IOException {

        double value = 0,   numValues = 0;

        FileReader fr = new   FileReader(s);

        BufferedReader br = new   BufferedReader(fr);

        String aLine;

        while ((aLine =   br.readLine()) != null) {

             String nums[] = aLine.split(" ");

             For   (int i=0;i<nums.length;i++){

                value +=   Double.parseDouble(nums[i]);     

                numValues++;

             }

        }

        if (numValues > 1) {

            return   value/numValues;

        } else {

            return value;

        }

 

    }

    public static void   displayTheResult(double x, String s){

              JOptionPane.showMessageDialog(null,s + x);

    }

}

 

这就相当费劲了,用C、BASIC等类似语言也一样麻烦。Python会简单一些,但也没有本质差别。而且这些语言环境安装部署都很复杂。

如果用esProc就会简单很多,像这样的问题只要几行代码:

 AB
1=file(pFile).import@i()/读入文件,pFile为参数,如d:\fo.txt
2=A1.(~.array(" "))/每行按空格拆分为数字
3=A2.conj()/合并所有数字
4=A3.avg(float(~))/转为浮点并求平均

esProc 是个脚本语言,可以在 IDE 里反复执行,还可以用命令行方式调用。

类似其它的文件计算例子:比较 csv 文件中数据差异

处理 Excel 也不是问题:excel 合并汇总

这里有总结的更多文本计算例子,涵盖了常见的结构化数据的运算:SPL 结构化文本计算

esProc 是专业的文件处理脚本,即安即用,调试方便,类库丰富,详情参考:文件处理器

关于集算器安装使用、获得免费授权和相关技术资料,可以参见:如何使用集算器

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