python常用函数积累（一）

1、移动文件

import os,shutil srcfile='/home/tx/src' dstfile='/home/tx/dst' count=0 for item in os.listdir(srcfile): count+=1 if count < 5001: sourceFile = os.path.join(srcfile, item) targetFile = os.path.join(dstfile, item) shutil.move(sourceFile,targetFile)

2、numpy.squeeze(a) 从数组a的形状中删除单维条目，即把shape中为1的维度去掉。

x = np.array([[[0], [1], [2]]]) x.shape Out[99]: (1, 3, 1) np.squeeze(x).shape Out[100]: (3,)

3、argparse argparse是python用于解析命令行参数和选项的标准模块，用于代替已经过时的optparse模块。argparse模块的作用是用于解析命令行参数。

使用步骤： import argparse parser = argparse.ArgumentParser() parser.add_argument() parser.parse_args()

解释：首先导入该模块；然后创建一个解析对象；然后向该对象中添加你要关注的命令行参数和选项，每一个add_argument方法对应一个你要关注的参数或选项；最后调用parse_args()方法进行解析；解析成功之后即可使用。 4、import与from import

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

是引入整个datetime包

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

是只引入datetime包里的datetime类 所以import之后前者是datetime这个包可见 后者是datetime.datetime这个类可见 5、上下文管理器 上下文管理器就是在对象内实现了两个方法：enter() 和exit() enter()方法会在with的代码块执行之前执行，exit（）会在代码块执行结束后执行。 exit()方法内会自带当前对象的清理方法。

class Timer: def __init__(self, msg): self.msg = msg self.start_time = None def __enter__(self): self.start_time = time.time() def __exit__(self, exc_type, exc_value, exc_tb): print(self.msg % (time.time() - self.start_time))

6、将对象作为数据描述符 这就是“_ get_”的作用了，将整个对象都作为数据描述符，但是请记住，要想“_ get_”作为数据描述符，那么此对象只能作为类属性，作为实例属性则无效，如下：

lass Dept(object): def __init__(self, name): self.name = name # target是拥有此属性的对象 def __get__(self, target, type=None): # 默认返回self与obj都可以 return 'Dept' class Company(object): # 一定要作为类属性，作为实例属性无效 dept = Dept('organ') # 现在的测试结果 x = Company() # 返回True print type(x.dept) == str

7、用下划线作为变量前缀和后缀指定特殊变量

_xxx 不能用’from module import *’导入 __xxx 类中的私有变量名 xxx 系统定义名字

核心风格：避免用下划线作为变量名的开头。

因为下划线对解释器有特殊的意义，而且是内建标识符所使用的符号，我们建议程序员避免用下划线作为变量名的开头。一般来讲，变量名_xxx被看作是“私有的”，在模块或类外不可以使用。当变量是私有的时候，用_xxx 来表示变量是很好的习惯。 因为变量名xxx对Python 来说有特殊含义，对于普通的变量应当避免这种命名风格。

“单下划线” 开始的成员变量叫做保护变量，意思是只有类对象和子类对象自己能访问到这些变量；

“双下划线” 开始的是私有成员，意思是只有类对象自己能访问，连子类对象也不能访问到这个数据。

以单下划线开头（如_foo）的代表不能直接访问的类属性，需通过类提供的接口进行访问，不能用“from xxx import *”而导入；以双下划线开头的（如foo）代表类的私有成员；以双下划线开头和结尾的（__foo）代表python里特殊方法专用的标识，如 init() 代表类的构造函数。

8、view() 在图像处理中的应用 当需要对输入图像三个通道进行相同的处理时，使用cv2.split和cv2.merge是相当浪费资源的，因为任何一个通道的数据对处理来说都是一样的，我们可以用view来将其转换为一维矩阵后再做处理，这要不需要额外的内存开销和时间开销。

9、float() 函数 float() 函数用于将整数和字符串转换成浮点数。

>>>float(1) 1.0 >>> float(112) 112.0 >>> float(-123.6) -123.6 >>> float('123') # 字符串 123.0

10、scipy.misc 下的图像处理

from scipy.misc import imread, imresize, imsave I = imread('./cat.jpg') I_tinted = I * (1, .95, .9) I_tinted = imresize(I_tinted, (300, 300)) # print(I_tinted.shape) imsave('./figs/cat_tinted.jpg', I_tinted)

imread()：返回的是 numpy.ndarray 也即 numpy 下的多维数组对象； I_tinted = imresize(I_tinted, (300, 300))，经过 imresize 操作得到的 I_tinted 仍然是 3 维的彩色信息（I_tinted.shape ⇒ (300, 300, 3)） 要调整一幅图像的尺寸，可以调用 resize() 方法。该方法的参数是一个元组，用来指定新图像的大小：out = pil_im.resize((128,128)) 11、Numpy数据类型转换astype，dtype 查看数据类型dtype

In [11]: arr = np.array([1,2,3,4,5]) In [12]: arr Out[12]: array([1, 2, 3, 4, 5]) // 该命令查看数据类型 In [13]: arr.dtype Out[13]: dtype('int64') In [14]: float_arr = arr.astype(np.float64) // 该命令查看数据类型 In [15]: float_arr.dtype Out[15]: dtype('float64')

转换数据类型astype

// 如果将浮点数转换为整数，则小数部分会被截断 In [7]: arr2 = np.array([1.1, 2.2, 3.3, 4.4, 5.3221]) In [8]: arr2 Out[8]: array([ 1.1, 2.2, 3.3, 4.4, 5.3221]) // 查看当前数据类型 In [9]: arr2.dtype Out[9]: dtype('float64') // 转换数据类型 float -> int In [10]: arr2.astype(np.int32) Out[10]: array([1, 2, 3, 4, 5], dtype=int32)

字符串数组转换为数值型

In [4]: numeric_strings = np.array(['1.2','2.3','3.2141'], dtype=np.string_) In [5]: numeric_strings Out[5]: array(['1.2', '2.3', '3.2141'], dtype='|S6') // 此处写的是float 而不是np.float64, Numpy很聪明，会将python类型映射到等价的dtype上 In [6]: numeric_strings.astype(float) Out[6]: array([ 1.2, 2.3, 3.2141])

12、np.pad（） 常用与深度学习中的数据预处理，可以将numpy数组按指定的方法填充成指定的形状。 对一维数组的填充

import numpy as np arr1D = np.array([1, 1, 2, 2, 3, 4]) '''不同的填充方法''' print 'constant: ' + str(np.pad(arr1D, (2, 3), 'constant')) print 'edge: ' + str(np.pad(arr1D, (2, 3), 'edge')) print 'linear_ramp: ' + str(np.pad(arr1D, (2, 3), 'linear_ramp')) print 'maximum: ' + str(np.pad(arr1D, (2, 3), 'maximum')) print 'mean: ' + str(np.pad(arr1D, (2, 3), 'mean')) print 'median: ' + str(np.pad(arr1D, (2, 3), 'median')) print 'minimum: ' + str(np.pad(arr1D, (2, 3), 'minimum')) print 'reflect: ' + str(np.pad(arr1D, (2, 3), 'reflect')) print 'symmetric: ' + str(np.pad(arr1D, (2, 3), 'symmetric')) print 'wrap: ' + str(np.pad(arr1D, (2, 3), 'wrap')) 解释： 第一个参数是待填充数组 第二个参数是填充的形状，（2，3）表示前面两个，后面三个 第三个参数是填充的方法 填充方法： constant连续一样的值填充，有关于其填充值的参数。 constant_values=（x, y）时前面用x填充，后面用y填充。缺参数是为0000。。。 edge用边缘值填充 linear_ramp边缘递减的填充方式 maximum, mean, median, minimum分别用最大值、均值、中位数和最小值填充 reflect, symmetric都是对称填充。前一个是关于边缘对称，后一个是关于边缘外的空气对称╮(╯▽╰)╭ wrap用原数组后面的值填充前面，前面的值填充后面 也可以有其他自定义的填充方法

对多维数组的填充

import numpy as np arr3D = np.array([[[1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4]], [[0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5]], [[1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4]]]) '''对于多维数组''' print 'constant: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'constant')) print 'edge: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'edge')) print 'linear_ramp: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'linear_ramp')) print 'maximum: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'maximum')) print 'mean: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'mean')) print 'median: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'median')) print 'minimum: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'minimum')) print 'reflect: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'reflect')) print 'symmetric: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'symmetric')) print 'wrap: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'wrap'))