【Python】收集的高级函数、功能

最新推荐文章于 2022-04-10 20:09:25 发布

兔子爱读书

最新推荐文章于 2022-04-10 20:09:25 发布

阅读量4.1k

点赞数 4

分类专栏： Python编程手册文章标签： python 函数

未经许可禁止转载！

本文链接：https://blog.csdn.net/ztf312/article/details/75313422

版权

本文详细介绍了Python的高级函数和实用技巧，包括numpy的数学函数、dict对象的特性和操作、日志写入、numpy的array操作、random模块的随机选择功能、数据处理方法以及错误处理。讲解了log函数、dict的键值对应、dump和dumps的区别、日志写入的注意事项、numpy的array添加元素、文件备份拷贝、networkx处理复杂网络数据、矩阵运算和序列操作等，帮助读者提升Python编程技能。

摘要由CSDN通过智能技术生成

说明：本文更新顺序是从下到上，最新的函数更新在开头。

np.log

log默认以e为底，log10, log2, log1p, emath.log

dict对象的keys()和values()返回的值，只要之间无修改，则总是一一对应的。

搜dict的key， value顺序，中文没搜到想要的结果。

英文答案链接：python-dictionary-are-keys-and-values-always-the-same-order

在调用dict.keys()和dict.values()时，只要期间没有对dict对象做过干预或变更操作，则得到的结果，键-值顺序总是一一对应的。

Python种dump和dumps的区别

dumps是将dict转化成str格式，loads是将str转化成dict格式。

dump和load也是类似的功能，只是与文件操作结合起来了。

Python日志实时写入

open 函数中有一个bufferin的参数，默认是-1，如果设置为0是，就是无缓冲模式。 
但是用二进制模式打开这个文件，并且把要写入的信息转换byte -like如下。

with open("test.txt",'wb',buffering=0) as f:
#wb是写模式加二进制模式
    f.write(b"hello!")在字符串前加b，转换成二进制

如果没用二进制打开文件会提示ValueEorror：

没把字符串转成二进制会提示：TypeError: a bytes-like object is required, not ‘str’

测试：

class Logger(object):
    def __init__(self, log_path="default.log"):
        self.terminal = sys.stdout
        # self.log = open(log_path, "w+")
        self.log = open(log_path, "wb", buffering=0)

    def print(self, message):
        self.terminal.write(message + "\n")
        self.log.write(message.encode('utf-8') + b"\n")

    def print_time(self, text=""):
        message = time.strftime('[ %Y-%m-%d %H:%M ]', time.localtime(time.time())) + text
        self.print(message)

    def flush(self):
        self.terminal.flush()
        self.log.flush()

    def close(self):
        self.log.close()

报错：TypeError: can't concat str to bytes

这是因为：

（1）log.write需要写入bytes对象，encode返回的是bytes型的数据，不可以和str相加，将‘\n’前加b

（2）terminal.write函数参数需要为str类型，转化为str

numpy, argsort逆序

a=np.arange(10)
a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
a[0]=11
a
array([11,  1,  2,  3,  4,  5,  6,  7,  8,  9])
np.argsort(a)
array([1, 2, 3, 4, 5, 6, 7, 8, 9, 0], dtype=int64)

numpy 往array里添加一个元素

首先这里p_arr为一个numpy的array，p_为一个元素

p_arr = np.concatenate((p_arr,[p_])) # 先将p_变成list形式进行拼接，注意输入为一个tuple
p_arr = np.append(p_arr,p_) #直接向p_arr里添加p_
# 注意一定不要忘记用赋值覆盖原p_arr不然不会变
# 但是，仍然建议用list子代append。因为numpy的append默认添加的值全转化为float64了。

python-文件备份/拷贝

shutil.copy(sourceDir, targetDir)

os.path.join()：路径拼接

networkx 读取txt或gml中的复杂网络数据

import networkx as nx
#抽取txt中的数据
def read_txt(data):
    g = nx.read_edgelist("data", create_using=nx.DiGraph())
    print(g.edges())
 
#抽取gml中的数据
#networkx可以直接通过函数从gml文件中读出数据
def read_gml(data):
    H=nx.read_gml(data)
    print(H.edges())
 
read_txt('D:\\Artifical\\平均度4\\SF2-4.txt')
print('---------------gml------------------')
read_gml('D:\\文档\\论文\\代码\\社区发现\\数据\\data\\adjnoun\\adjnoun.gml')

--------------------- 
原文：https://blog.csdn.net/qq_38266635/article/details/81743336

判断无向图连通性

while len(list(nx.dfs_edges(G)))!=G.number_of_nodes()-1:
    G = RG(100, e)
    print("not connected!")

networkx取邻接矩阵

def get_adj_matrix(G):
return nx.adjacency_matrix(G).todense()

todense()与toarray()

todense()返回一个矩阵，toarray()返回一个numpy数组。

np.random.choice

1、以p的概率，在a中取size个数，p值越大越可能被取到；2、当replace=True时，取值可重复

import numpy as np
a1=np.array([3,5,2.6,41.2,5.7])
a2 = np.random.choice(a=a1, size=3, replace=False, p=[0.2, 0.1, 0.3, 0.4, 0.0])
print(a2)
输出: array([41.2,  5. ,  2.6])

random.sample(list, n)，从列表中取n个样本

注意sample是属于random模块，而不是nump.random模块，二者不一样。

注意n必须是整数，返回一个列表。

关于二维数组求和的几种方法

a = [[1,2],[3,4],[5,6]]

1.sum(map(sum,a)) #first, map(func,a) 函数是对a中的每一个元素进行sum操作

解释一下map函数， map(fund, a) equals [func(i) for i in a] and return a list

2.sum(sum(i) for i in a) ＃second one

3.sum(sum(a[i]) for i in range(len(a))) #third one

4.reduce(lambda x,y:x+y , reduce(lambda x,y:x+y, a))
---------------------
作者：jinmingz
来源：CSDN
原文：https://blog.csdn.net/zjm750617105/article/details/51173032
版权声明：本文为博主原创文章，转载请附上博文链接！

reshape 与 .resize

reshape：有返回值，所谓有返回值，即不对原始多维数组进行修改；
resize：无返回值，所谓有返回值，即会对原始多维数组进行修改；
但是，numpy.resize(a, size)不会对原数组进行修改。

>> X = np.random.randn(2, 3)
>> X
array([[ 1.23077478, -0.70550605, -0.37017735],
       [-0.61543319,  1.1188644 , -1.05797142]])

>> X.reshape((3, 2))
array([[ 1.23077478, -0.70550605],
       [-0.37017735, -0.61543319],
       [ 1.1188644 , -1.05797142]])

>> X
array([[ 1.23077478, -0.70550605, -0.37017735],
       [-0.61543319,  1.1188644 , -1.05797142]])

>> X.resize((3, 2))
>> X
array([[ 1.23077478, -0.70550605],
       [-0.37017735, -0.61543319],
       [ 1.1188644 , -1.05797142]])

来自：https://blog.csdn.net/lanchunhui/article/details/51258503?utm_source=copy

numpy.reshape

（1）通过reshape生成的新数组和原始数组公用一个内存，也就是说，假如更改一个数组的元素，另一个数组也将发生改变。

（2）reshape只能作用于能规整划分的数组。

>>> z = np.array([[1, 2, 3, 4],[5, 6, 7, 8],[9, 10, 11, 12],[13, 14, 15, 16]])

>>> print(z)
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]
 [13 14 15 16]]
>>> print(z.shape)
(4, 4)
>>> print(z.reshape(-1))
[ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16]
>>> print(z.reshape(-1,1))  #我们不知道z的shape属性是多少，
                            #但是想让z变成只有一列，行数不知道多少，
                            #通过`z.reshape(-1,1)`，Numpy自动计算出有16行，
                            #新的数组shape属性为(16, 1)，与原来的(4, 4)配套。
[[ 1]
 [ 2]
 [ 3]
 [ 4]
 [ 5]
 [ 6]
 [ 7]