|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
|
>>> os.environ[
"HOME"
]
'C:\\Users\\Administrator'
>>> os.getcwd()
#获得当前的目录
'D:\\new'
>>> os.getenv(
"QTDIR"
)
#获取环境变量的值
'D:\\vs2010-qt-src-4.7.4\\qt-src-4.7.4'
os.putenv(varname, value)
#设置环境变量的值
os.mkdir(path[, mode])
>>> os.mkdir(
"aa"
)
>>> os.rmdir(
"aa"
)
>>>os.makedirs(
"aa\\bb\\cc"
) 多级目录
os.removedirs(path)¶
os.remove(
"d:\\new\\hello.txt"
)
#删除文件，如果是目录的话，出错
os.rename(
"test.txt"
,
"a.txt"
)
random.randint(a, b)
Return a random integer N such that a <
=
N <
=
b.
random.choice(seq)
Return a random element
from
the non
-
empty sequence seq. If seq
is
empty, raises IndexError.
random.random()
Return the
next
random floating point number
in
the
range
[
0.0
,
1.0
).
random.shuffle(x[, random]) 随机排序序列
random.uniform(a, b)¶返回a<
=
N<
=
b之间的浮点数
random.randrange([start], stop[, step])想当于choice(
range
(start, stop, step))
>>> random.random()
# Random float x, 0.0 <= x < 1.0
0.37444887175646646
>>> random.uniform(
1
,
10
)
# Random float x, 1.0 <= x < 10.0
1.1800146073117523
>>> random.randint(
1
,
10
)
# Integer from 1 to 10, endpoints included
7
>>> random.randrange(
0
,
101
,
2
)
# Even integer from 0 to 100
26
>>> random.choice(
'abcdefghij'
)
# Choose a random element
'c'
>>> items
=
[
1
,
2
,
3
,
4
,
5
,
6
,
7
]
>>> random.shuffle(items)
>>> items
[
7
,
3
,
2
,
5
,
6
,
4
,
1
]
>>> random.sample([
1
,
2
,
3
,
4
,
5
],
3
)
# Choose 3 elements
[
4
,
1
,
5
]
>>> datetime.MAXYEAR
9999
>>> datetime.MINYEAR
1
>>> a
=
datetime.date(
2011
,
2
,
1
)
>>> a.today()
datetime.date(
2011
,
11
,
26
)
>>> a.year
2011
>>> a.month
2
>>> a.day
1
>>>
import
time
>>>
from
datetime
import
date
>>> today
=
date.today()
>>> today
datetime.date(
2007
,
12
,
5
)
>>> my_birthday
=
date(today.year,
6
,
24
)
>>>
if
my_birthday < today:
... my_birthday
=
my_birthday.replace(year
=
today.year
+
1
)
>>> my_birthday
datetime.date(
2008
,
6
,
24
)
>>> time_to_birthday
=
abs
(my_birthday
-
today)
#计算日期之差
>>> time_to_birthday.days
202
>>> datetime.now()
#当前时间
datetime.datetime(
2011
,
11
,
26
,
10
,
40
,
10
,
283000
)
>>> datetime.utcnow()
datetime.datetime(
2011
,
11
,
26
,
2
,
40
,
34
,
809000
)
>>> a
=
date(
2005
,
7
,
14
)
#日期和时间进行合并
>>> t
=
time(
12
,
30
,
12
)
>>> datetime.combine(a,t)
datetime.datetime(
2005
,
7
,
14
,
12
,
30
,
12
)
>>> dt
=
datetime.strptime(
"21/11/06 16:30"
,
"%d/%m/%y %H:%M"
)
>>> dt
datetime.datetime(
2006
,
11
,
21
,
16
,
30
)
>>>
from
datetime
import
timedelta, datetime, tzinfo
>>>
class
GMT1(tzinfo):
...
def
__init__(
self
):
# DST starts last Sunday in March
... d
=
datetime(dt.year,
4
,
1
)
# ends last Sunday in October
...
self
.dston
=
d
-
timedelta(days
=
d.weekday()
+
1
)
... d
=
datetime(dt.year,
11
,
1
)
...
self
.dstoff
=
d
-
timedelta(days
=
d.weekday()
+
1
)
...
def
utcoffset(
self
, dt):
...
return
timedelta(hours
=
1
)
+
self
.dst(dt)
...
def
dst(
self
, dt):
...
if
self
.dston <
=
dt.replace(tzinfo
=
None
) <
self
.dstoff:
...
return
timedelta(hours
=
1
)
...
else
:
...
return
timedelta(
0
)
...
def
tzname(
self
,dt):
...
return
"GMT +1"
...
>>>
class
GMT2(tzinfo):
...
def
__init__(
self
):
... d
=
datetime(dt.year,
4
,
1
)
...
self
.dston
=
d
-
timedelta(days
=
d.weekday()
+
1
)
... d
=
datetime(dt.year,
11
,
1
)
...
self
.dstoff
=
d
-
timedelta(days
=
d.weekday()
+
1
)
...
def
utcoffset(
self
, dt):
...
return
timedelta(hours
=
1
)
+
self
.dst(dt)
...
def
dst(
self
, dt):
...
if
self
.dston <
=
dt.replace(tzinfo
=
None
) <
self
.dstoff:
...
return
timedelta(hours
=
2
)
...
else
:
...
return
timedelta(
0
)
...
def
tzname(
self
,dt):
...
return
"GMT +2"
...
>>> gmt1
=
GMT1()
>>>
# Daylight Saving Time
>>> dt1
=
datetime(
2006
,
11
,
21
,
16
,
30
, tzinfo
=
gmt1)
>>> dt1.dst()
datetime.timedelta(
0
)
>>> dt1.utcoffset()
datetime.timedelta(
0
,
3600
)
>>> dt2
=
datetime(
2006
,
6
,
14
,
13
,
0
, tzinfo
=
gmt1)
>>> dt2.dst()
datetime.timedelta(
0
,
3600
)
>>> dt2.utcoffset()
datetime.timedelta(
0
,
7200
)
>>>
# Convert datetime to another time zone
>>> dt3
=
dt2.astimezone(GMT2())
>>> dt3
# doctest: +ELLIPSIS
datetime.datetime(
2006
,
6
,
14
,
14
,
0
, tzinfo
=
<GMT2
object
at
0x
...>)
>>> dt2
# doctest: +ELLIPSIS
datetime.datetime(
2006
,
6
,
14
,
13
,
0
, tzinfo
=
<GMT1
object
at
0x
...>)
>>> dt2.utctimetuple()
=
=
dt3.utctimetuple()
True
class
datetime.time(hour[, minute[, second[, microsecond[, tzinfo]]]])
>>> a
=
time(
10
,
46
,
12
)
>>> a.
min
datetime.time(
0
,
0
)
>>> a.
max
datetime.time(
23
,
59
,
59
,
999999
)
>>> a.hour
10
>>> a.minute
46
>>> a.second
12
>>> a.microsecond
0
class
collections.Counter([iterable
-
or
-
mapping])
A Counter
is
a
dict
subclass
for
counting hashable objects.
>>>
# Tally occurrences of words in a list
>>> cnt
=
Counter()
>>>
for
word
in
[
'red'
,
'blue'
,
'red'
,
'green'
,
'blue'
,
'blue'
]:
... cnt[word]
+
=
1
>>> cnt
Counter({
'blue'
:
3
,
'red'
:
2
,
'green'
:
1
})
>>>
# Find the ten most common words in Hamlet
>>>
import
re
>>> words
=
re.findall(
'\w+'
,
open
(
'hamlet.txt'
).read().lower())
>>> Counter(words).most_common(
10
)
[(
'the'
,
1143
), (
'and'
,
966
), (
'to'
,
762
), (
'of'
,
669
), (
'i'
,
631
),
(
'you'
,
554
), (
'a'
,
546
), (
'my'
,
514
), (
'hamlet'
,
471
), (
'in'
,
451
)]
>>> c
=
Counter([
'eggs'
,
'ham'
])
>>> c[
'bacon'
]
# count of a missing element is zero
0
>>> c[
'sausage'
]
=
0
# counter entry with a zero count
>>>
del
c[
'sausage'
]
# del actually removes the entry
>>> c
=
Counter(a
=
4
, b
=
2
, c
=
0
, d
=
-
2
)
>>>
list
(c.elements())
[
'a'
,
'a'
,
'a'
,
'a'
,
'b'
,
'b'
]
most_common([n])
#出现次数最多的n个
>>> Counter(
'abracadabra'
).most_common(
3
)
[(
'a'
,
5
), (
'r'
,
2
), (
'b'
,
2
)]
>>> c
=
Counter(a
=
4
, b
=
2
, c
=
0
, d
=
-
2
)
>>> d
=
Counter(a
=
1
, b
=
2
, c
=
3
, d
=
4
)
>>> c.subtract(d)
Counter({
'a'
:
3
,
'b'
:
0
,
'c'
:
-
3
,
'd'
:
-
6
})
>>> c
=
Counter(a
=
4
, b
=
2
, c
=
0
, d
=
-
2
)
>>>
sum
(c.values())
# total of all counts
4
>>>
list
(c)
[
'a'
,
'c'
,
'b'
,
'd'
]
>>>
set
(c)
set
([
'a'
,
'c'
,
'b'
,
'd'
])
>>>
dict
(c)
{
'a'
:
4
,
'c'
:
0
,
'b'
:
2
,
'd'
:
-
2
}
>>> c.items()
[(
'a'
,
4
), (
'c'
,
0
), (
'b'
,
2
), (
'd'
,
-
2
)]
>>> c.most_common()[:
-
2
:
-
1
]
# c.most_common()[:-n:-1] n least #common elements
[(
'd'
,
-
2
)]
>>> c
+
=
Counter()
>>> c
Counter({
'a'
:
4
,
'b'
:
2
})
>>> c.clear()
>>> c
Counter()
>>> c
=
Counter(a
=
3
, b
=
1
)
>>> d
=
Counter(a
=
1
, b
=
2
)
>>> c
+
d
# add two counters together: c[x] + d[x]
Counter({
'a'
:
4
,
'b'
:
3
})
>>> c
-
d
# subtract (keeping only positive counts)
Counter({
'a'
:
2
})
>>> c & d
# intersection: min(c[x], d[x])
Counter({
'a'
:
1
,
'b'
:
1
})
>>> c | d
# union: max(c[x], d[x])
Counter({
'a'
:
3
,
'b'
:
2
})
>>>
from
collections
import
deque
>>> d
=
deque(
'ghi'
)
# make a new deque with three items
>>>
for
elem
in
d:
# iterate over the deque's elements
...
print
elem.upper()
G
H
I
>>> d.append(
'j'
)
# add a new entry to the right side
>>> d.appendleft(
'f'
)
# add a new entry to the left side
>>> d
# show the representation of the deque
deque([
'f'
,
'g'
,
'h'
,
'i'
,
'j'
])
>>> d.pop()
# return and remove the rightmost item
'j'
>>> d.popleft()
# return and remove the leftmost item
'f'
>>>
list
(d)
# list the contents of the deque
[
'g'
,
'h'
,
'i'
]
>>> d[
0
]
# peek at leftmost item
'g'
>>> d[
-
1
]
# peek at rightmost item
'i'
>>>
list
(
reversed
(d))
# list the contents of a deque in reverse
[
'i'
,
'h'
,
'g'
]
>>>
'h'
in
d
# search the deque
True
>>> d.extend(
'jkl'
)
# add multiple elements at once
>>> d
deque([
'g'
,
'h'
,
'i'
,
'j'
,
'k'
,
'l'
])
>>> d.rotate(
1
)
# right rotation
>>> d
deque([
'l'
,
'g'
,
'h'
,
'i'
,
'j'
,
'k'
])
>>> d.rotate(
-
1
)
# left rotation
>>> d
deque([
'g'
,
'h'
,
'i'
,
'j'
,
'k'
,
'l'
])
>>> deque(
reversed
(d))
# make a new deque in reverse order
deque([
'l'
,
'k'
,
'j'
,
'i'
,
'h'
,
'g'
])
>>> d.clear()
# empty the deque
>>> d.pop()
# cannot pop from an empty deque
Traceback (most recent call last):
File
"<pyshell#6>"
, line
1
,
in
-
toplevel
-
d.pop()
IndexError: pop
from
an empty deque
>>> d.extendleft(
'abc'
)
# extendleft() reverses the input order
>>> d
deque([
'c'
,
'b'
,
'a'
])
def
tail(filename, n
=
10
):
'Return the last n lines of a file'
return
deque(
open
(filename), n)
def
moving_average(iterable, n
=
3
):
# moving_average([40, 30, 50, 46, 39, 44]) --> 40.0 42.0 45.0 43.0
it
=
iter
(iterable)
d
=
deque(itertools.islice(it, n
-
1
))
d.appendleft(
0
)
s
=
sum
(d)
for
elem
in
it:
s
+
=
elem
-
d.popleft()
d.append(elem)
yield
s
/
float
(n)
def
delete_nth(d, n):
d.rotate(
-
n)
d.popleft()
d.rotate(n)
class
collections.defaultdict([default_factory[, ...]])
>>> s
=
[(
'yellow'
,
1
), (
'blue'
,
2
), (
'yellow'
,
3
), (
'blue'
,
4
), (
'red'
,
1
)]
>>> d
=
defaultdict(
list
)
>>>
for
k, v
in
s:
... d[k].append(v)
...
>>> d.items()
[(
'blue'
, [
2
,
4
]), (
'red'
, [
1
]), (
'yellow'
, [
1
,
3
])]
>>> d
=
{}
>>>
for
k, v
in
s:
... d.setdefault(k, []).append(v)
...
>>> d.items()
[(
'blue'
, [
2
,
4
]), (
'red'
, [
1
]), (
'yellow'
, [
1
,
3
])]
>>> s
=
'mississippi'
>>> d
=
defaultdict(
int
)
>>>
for
k
in
s:
... d[k]
+
=
1
...
>>> d.items()
[(
'i'
,
4
), (
'p'
,
2
), (
's'
,
4
), (
'm'
,
1
)]
>>> s
=
[(
'red'
,
1
), (
'blue'
,
2
), (
'red'
,
3
), (
'blue'
,
4
), (
'red'
,
1
), (
'blue'
,
4
)]
>>> d
=
defaultdict(
set
)
>>>
for
k, v
in
s:
... d[k].add(v)
...
>>> d.items()
[(
'blue'
,
set
([
2
,
4
])), (
'red'
,
set
([
1
,
3
]))]
>>>
def
heapsort(iterable):
...
'Equivalent to sorted(iterable)'
... h
=
[]
...
for
value
in
iterable:
... heappush(h, value)
...
return
[heappop(h)
for
i
in
range
(
len
(h))]
...
>>> heapsort([
1
,
3
,
5
,
7
,
9
,
2
,
4
,
6
,
8
,
0
])
[
0
,
1
,
2
,
3
,
4
,
5
,
6
,
7
,
8
,
9
]
>>> h
=
[]
>>> heappush(h, (
5
,
'write code'
))
>>> heappush(h, (
7
,
'release product'
))
>>> heappush(h, (
1
,
'write spec'
))
>>> heappush(h, (
3
,
'create tests'
))
>>> heappop(h)
(
1
,
'write spec'
)
#coding=utf-8
#堆的实例
from
heapq
import
heappush, heappop, heappushpop, heapify, heapreplace, nlargest,\
nsmallest
heap
=
[]
heappush(heap,
"A"
);
heappush(heap,
"C"
);
heappush(heap,
"B"
);
print
heap
heappop(heap)
#弹出堆中最小的元素
print
heap
var
=
heappushpop(heap,
"D"
)
#返回并弹出堆中最小的元素，并且将D压入堆
print
var
print
heap
var
=
heapreplace(heap,
"E"
)
#返回并弹出堆中最小的元素，并且将D压入堆,
print
var
print
heap
list
=
[
1
,
2
,
3
,
4
,
5
,
6
,
7
,
8
,
9
,
0
]
heapify(
list
);
print
list
print
nlargest(
3
,
list
)
#返回堆中最大的3个
print
nsmallest(
3
,
list
)
#返回堆中最小的3个
|
python标准库学习4
2016-05-06
1432
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
目录
相关文章
|
24天前
|
调度
开发者
Python
Python中的异步编程：理解asyncio库
在Python的世界里，异步编程是一种高效处理I/O密集型任务的方法。本文将深入探讨Python的asyncio库，它是实现异步编程的核心。我们将从asyncio的基本概念出发，逐步解析事件循环、协程、任务和期货的概念，并通过实例展示如何使用asyncio来编写异步代码。不同于传统的同步编程，异步编程能够让程序在等待I/O操作完成时释放资源去处理其他任务，从而提高程序的整体效率和响应速度。
51
0
0
|
27天前
|
数据采集
存储
数据挖掘
Python数据分析：Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域，Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧，帮助数据分析师快速处理复杂数据集，提高工作效率。
62
0
0
|
13天前
|
XML
存储
数据库
Python中的xmltodict库
xmltodict是Python中用于处理XML数据的强大库，可将XML数据与Python字典相互转换，适用于Web服务、配置文件读取及数据转换等场景。通过`parse`和`unparse`函数，轻松实现XML与字典间的转换，支持复杂结构和属性处理，并能有效管理错误。此外，还提供了实战案例，展示如何从XML配置文件中读取数据库连接信息并使用。
32
8
8
|
20天前
|
数据库
Python
异步编程不再难！Python asyncio库实战，让你的代码流畅如丝！
在编程中，随着应用复杂度的提升，对并发和异步处理的需求日益增长。Python的asyncio库通过async和await关键字，简化了异步编程，使其变得流畅高效。本文将通过实战示例，介绍异步编程的基本概念、如何使用asyncio编写异步代码以及处理多个异步任务的方法，帮助你掌握异步编程技巧，提高代码性能。
53
4
4
|
20天前
|
API
数据处理
Python
探秘Python并发新世界：asyncio库，让你的代码并发更优雅！
在Python编程中，随着网络应用和数据处理需求的增长，并发编程变得愈发重要。asyncio库作为Python 3.4及以上版本的标准库，以其简洁的API和强大的异步编程能力，成为提升性能和优化资源利用的关键工具。本文介绍了asyncio的基本概念、异步函数的定义与使用、并发控制和资源管理等核心功能，通过具体示例展示了如何高效地编写并发代码。
30
2
2
|
25天前
|
数据采集
JSON
测试技术
Python爬虫神器requests库的使用
在现代编程中，网络请求是必不可少的部分。本文详细介绍 Python 的 requests 库，一个功能强大且易用的 HTTP 请求库。内容涵盖安装、基本功能（如发送 GET 和 POST 请求、设置请求头、处理响应）、高级功能（如会话管理和文件上传）以及实际应用场景。通过本文，你将全面掌握 requests 库的使用方法。🚀🌟
42
7
7
|
26天前
|
机器学习/深度学习
数据采集
算法
Python机器学习：Scikit-learn库的高效使用技巧
【10月更文挑战第28天】Scikit-learn 是 Python 中最受欢迎的机器学习库之一，以其简洁的 API、丰富的算法和良好的文档支持而受到开发者喜爱。本文介绍了 Scikit-learn 的高效使用技巧，包括数据预处理（如使用 Pipeline 和 ColumnTransformer）、模型选择与评估（如交叉验证和 GridSearchCV）以及模型持久化（如使用 joblib）。通过这些技巧，你可以在机器学习项目中事半功倍。
38
3
3
|
28天前
|
存储
数据挖掘
数据处理
Python数据分析：Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言，Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧，并通过示例代码展示其实际应用。
34
2
2
|
19天前
|
数据采集
数据可视化
数据挖掘
|
25天前
|
文字识别
自然语言处理
API
Python中的文字识别利器：pytesseract库
`pytesseract` 是一个基于 Google Tesseract-OCR 引擎的 Python 库，能够从图像中提取文字，支持多种语言，易于使用且兼容性强。本文介绍了 `pytesseract` 的安装、基本功能、高级特性和实际应用场景，帮助读者快速掌握 OCR 技术。
42
0
0
热门文章
最新文章
1
手把手教你用Python实践深度学习
2
3、Python与设计模式--建造者模式
3
Python中参数多个值的表示法
4
测试Flask+PYTHON的WEB框架
5
一文弄懂CNN及图像识别(Python)
6
8.python之上下文管理协议
7
python目录操作一
8
Python——装饰器（两种不同的使用场景）
9
Grumpy：Google 用 Go 开发的 Python 运行时
10
浅析Python 赋值、浅复制（拷贝）与深度（复制）拷贝
1
探索Python中的并发编程：协程与多线程的比较
84
2
LabVIEW和Python开发微细车削控制系统
56
3
在Python中，利用`os模块`的`path.exists()`函数可判断文件是否存
249
4
Python Web开发主要常用的框架
201
5
使用 Python 访问数据库的基本方法
64
6
在Python Web开发中，测试是一个至关重要的环节
174
7
Playwright安装与Python集成：探索跨浏览器测试的奇妙世界
133
8
神器！使用Python 轻松识别验证码
1066
9
Python内存管理与垃圾回收机制
65
10
【Python进阶（七）】——Series数据结构
167