2020-11-23 文件操作、异常处理

java面试题及答案2020 大汇总 java面试题及答案2020 java面试题大汇总 百度第一篇 java面试题及答案2020 先点赞后收藏,以后更新及时看 文末后续更新答案,持续更新 一面 2018/9/11 来自于牛客网 1、手写ArrayList 2、手写进制转换算法,求出一个数的二进制数 1 的个数 3、JAVA 基础,equals 和== 4、多线程方式、threadlocal,各种锁,synchronized 和 lock 5、设计模式、spring 类加载方式、实例保存在哪、aop ioc、反射机制6、类加载器,双亲委派模 阅读详情
  • ‘r’ 以只读的方式打开文件。文件的指针会放在文件的开头。这是默认模式
  • ‘rb’ 以二进制的格式打开一个文件用于只读。文件指针会放在文件的开头
  • ‘r+’ 打开一个文件用于读写。文件指针将会放在文件的开头
  • ‘rb+’ 以二进制的格式打开一个文件用于读写。文件指针将会放在文件的开头
  • ‘w’ 打开一个文件只用于写入。如果该文件已经存在则将其覆盖。如果该文件不存在,则创建新文件
  • ‘wb’ 以二进制格式打开一个文件只用于写入。如果该文件已经存在则将其覆盖。如果该文件不存在,则创建新的文件
  • ‘w+’ 打开一个文件用于写读。如果该文件已经存在则将其覆盖。如果该文件不存在则创建新的文件
  • ‘wb+’ 以二进制的格式打开一个文件用于写读。如果该文件已经存在则将其覆盖。如果该文件不存在则创建新的文件
  • ‘a’ 打开一个文件用于追加。如果该文件存在,文件指针将会放在文件的结尾。也就是说,新的内容将会被写入到已有内容之后。如果该文件不存在,则创建新的文件进行写入
  • ''ab 以二进制的格式打开一个文件用于追加。如果该文件已经存在,文件指针将会放在文件的结尾。如果文件不存在,则创建新的文件进行写入
  • ‘a+’ 打开一个文件进行读写。如果该文件已经存在,文件指针将会放在文件的结尾,文件打开时会是追加模式。如果该文件不存在,则创建新的文件用于读写
  • ‘ab+’ 以二进制的格式打开一个文件用于读写。如果该文件已经存在,文件指针将会放在文件的结尾,文件打开时会是追加模式。如果该文件不存在,则创建的新的文件用于读写
  • 文件操作:导入模块:import shutil 复制: copy 移动: move
  • 重命名:os.rename 删除: os.remove
  • 创建目录: os.mkdir(‘E:/ABC/’) 创建多级目录:os.makedirs(‘E:/def/123/’)
import shutil
  shutil.copy('F:\Pythonlianxi\one.txt','F:\Pythonlianxi\luanqibazao')
import shutil
  shutil.move('F:\Pythonlianxi\luanqibazao\Kobai.txt','F:\Pythonlianxi')
import shutil
  shutil.move('F:\Pythonlianxi\luanqibazao\Kobai.txt','F:\Pythonlianxi')
import os
  os.rename('F:\Pythonlianxi\luanqibazao\Kobai.txt','F:\Pythonlianxi\luanibazao\WENDANG.txt')
import os
  os.remove('F:\Pythonlianxi\luanqibazao\WENDANG.txt')
import os
  os.mkdir('F:/abc/')
import os
  os.makedirs('F:/abc/123/')
 

#异常处理
try:
    a = 1
    b = 1
    print(b/a)
except (ZeroDivisionError,TypeError,ValueError) as e:
       print("程序运行出错")
else:
       print('else..')
finally:
       print('fianlly...')
Unity-XLua(23)-Lua中的异常处理 【代码】Unity-XLua(23)-Lua中的异常处理。 阅读详情

相关推荐

避坑指南:Win10/Win11系统下安装MATLAB R2020b常见错误及解决方法

本文详细解析了Win10/Win11系统下安装MATLAB R2020b的常见错误及解决方法,涵盖环境核验、安装进程崩溃、许可证管理器故障等七类高频问题。特别针对Win11用户提供兼容性配置建议,包括运行时库部署和临时目录权限设置,帮助科研人员和工程师高效完成MATLAB安装与调优。

weixin_30814329的博客 375

文件的写入

w+读写 r+读写 a+读写 wb+读写二进制数据 w模式:如果文件不存在,会自动创建文件,如果文件存在打开文件,并且一旦向文件中写入内容,原来的内容的将会被覆盖 a模式:如果文件不存在,会自动创建文件,如果文件存在打开文件,并且会一直向文件中追加数据,不会将原来的数据覆盖 r模式:不会自动创建文件,假设文件不存在,直接抛出异常(报错),可以使用下面的方式做判断,有文件再打开 ...

DragonASDASD的博客 353

电子学会青少年软件编程 Python编程等级考试三级真题解析(选择题)2020年9月B卷

2020年9月Python编程等级考试三级真题解析 选择题(共25题,每题2分,共50分) 1、关于利用CSV模块对文件进行操作,下列描述不正确的是 A、CSV是一种常用的文本格式,使用逗号分隔值的 B、CSV模块是Python的内置模块,包含很多函数,可以非常方便地读取和写入数据 C、由于CSV模块是Python的内置模块,所以可直接使用,无需引入 D、在CSV模块中,读取数据可以使用reader()函数,写入数据使用writer()函数 答案:C 考点分析:考查虽然CSV是python的

青少年编程学习指导 1276

Python文件的读写

r+:读写,如果文件不存在,则报错,如果文件存在,不会删除原来文件内容,如果写入,默认从头写入,可能会覆盖原来内容。#copy2()方法会复制源文件的所有属性,如文件的创建时间、最后修改时间等,不会更改目标文件的属性。每个开发模式都可以加上 b,表示通过二进制操作,可以操作任何类型文件(图片,视频)w+:读写,如果文件不存在,则创建新文件,如果文件存在,会删除原来文件内容。f.write('你好,中国!'.encode('utf-8'))1、如果文件存在,则读取文件内容。1、如果文件存在,则读取文件内容。

qq_58675620的博客 727

2020年9月电子学会Python等级考试试卷(三级)考题解析

青少年软件编程(Python)等级考试试卷(三级A卷) 分数:100.00 题数:39 一、单选题(共25题,每题2分,共50分) 1. 下列程序运行结果是?( ) a=12 b=23 c=str("a+b") print(c) A、35 B、1223 C、a+b D、出现错误提示 试题编号:20200327-tsn-27 题型:单选题 答案:C 难度:容易 试题解析: 2. 通过算式1×23+1×22+0×21+1×20可将二进...

IT_Scratch的博客 1万+

技术前沿:半导体前道检测和量测设备修复技术

半导体前道检测设备是目前除光刻机外,国产渗透率较低的环节之一,近年来我国初步实现国产突破。前道检测相对后道检测环节壁垒更高,国内多家涉及后道测试,涉及前道检测和中道检测相对较少。

VOMMA的博客 4543

文件处理

文件句柄 = open('文件路径', '模式',encoding='编码形式') 打开文件的模式有:'r' :只读模式【默认模式,文件必须存在,不存在则抛出异常】 'w':只写模式【不可读;不存在则创建;存在则清空内容】 'x':只写模式【不可读;不存在则创建,存在则报错】 'a': 追加模式【可读;   不存在则创建;存在则只追加内容】 =======================

defending的博客 539

阿里云大模型ACP认证模拟考试(二)

摘要:在阿里云大模型高级工程师 ACP 认证暂无真题题库的现状下,模拟题具有重要意义。其依照真实考试设计,涵盖题型、题量与分值分布,助力考生熟悉考试框架,合理分配答题时间精力,提升效率。同时,模拟题紧扣官方课程,能帮助考生精准定位知识盲点,如大模型架构原理和通义千问应用实践等重点内容,以便针对性完善知识体系。此外,通过练习模拟题,考生可掌握不同题型的解题思维与技巧,快速洞察复杂题目本质,提高答题准确率。

davidkorhenn的博客 2074

Python 文件处理 open()函数

文件编辑,python对文件的编辑,打开文件,创建文件,写入文件,删除文件。

运维派大星 7244

TBtools的序列提取步骤

本教程详细介绍了如何使用TBtools软件从原来的FASTA序列中提取特定的DNA序列。

weixin_47509995的博客 1万+

十五天学会Autodesk Inventor,看完这一系列就够了(七),工程图纸

不管哪种绘图软件,二维或三维绘图,最终均需要转换成工程图纸,才能交给现场人员进行制作,这是任一产品图都要经历的过程。那本章开始,我们一起看一下Inventor是如何实现工程图纸?

Crazydoubao的博客 4907

基本编程题 --python

1、让Python帮你随机选一个饮品吧! import random listC = ['加多宝', '雪碧', '可乐', '勇闯天涯', '椰子汁'] print(random.choices(listC), type(random.choices(listC))) # choices函数返回列表类型数据 print(random.choice(listC), type(random.ch...

weixin_30914981的博客 1万+

熵权法+TOPSIS完整教学:用Python评估大学科研实力(含雷达图绘制技巧)

本文提供了一套完整的熵权法与TOPSIS综合评价方法在Python中的实现教程,以高校科研实力评估为例,详细讲解了从数据预处理、客观权重计算、综合排序到结果可视化的全流程。重点介绍了如何利用Python进行数据清洗与转换,通过熵权法自动确定指标权重,并结合TOPSIS模型计算各院校与理想解的相对接近度进行排名。教程还包含了使用Matplotlib绘制专业雷达图的技巧,帮助读者直观呈现多维数据的对比分析结果,适用于各类多指标决策与绩效评估场景。

weixin_28520495的博客 416

2020-11-23

实例 Python 异常处理 什么是异常? 异常即是一个事件,该事件会在程序执行过程中发生,影响了程序的正常执行。 一般情况下,在Python无法正常处理程序时就会发生一个异常。 异常是Python对象,表示一个错误。 当Python脚本发生异常时我们需要捕获处理它,否则程序会终止执行。 异常处理 捕捉异常可以使用try/except语句。 try/except语句用来检测try语句块中的错误,从而让except语句捕获异常信息并处理。 如果你不想在异常发生时结束你的程序,只需在try里

qq_41280494的博客 207

[V-10]ARMv8/v9-CPU Virtualization-CPU虚拟化架构简介(vCPU/vPE)

本文简要介绍了CPU虚拟化架构的基础知识。

基层架构师的分享 1267

linux系统下XDMA驱动的安装与测试问题总结

先看两个常见的问题。一个是驱动安装问题,一个是驱动测试错误;error 512 能识别PCIE的设备,但是The kernel modle installed correctly, but no devices were recognized.

whm128的博客 3802

2020年Java题库整理

2020年Java题库整理(WUST) 前言:去我的个人博客阅读效果更好哟。 传送门 知识点整理: 1.Java 语言具有跨平台性, 是一种面向对象的语言,程序具有可移植性,不可多继承。 2.Java的标准版主要用于桌面级的应用和数据库的开发。 3.main()的头定义只能为public void main,一个类中可以没有 main()方法。 4.接口可以继承接口。 5.静态内部类不能访问外部类的非静态成员,内部类可以被声明为 private 或 protected ,内部类可以被定义为 abstra

Harris-H的博客 5215

嵌入式工程师成长之路(5)——板子调试

USB2514集线器调试总结说说USB连接线USB数据线上的“疙瘩”:原来有这么大用处!

云轩阁 4万+

2020-11-29

把之前学的python入门也放上来,这样自己在外面看得见。 一、变量和简单数据类型 1.使用方法修改字符串的大小写: motobike = 'kang ' print(motobike.upper()) D:\Python3\python.exe D:/PyCharm4.5/exercise/first/exercise.py KANG 输出的是字符串所有字母的大写 motobike = 'kang ' print(motobike.title()) D:\Python3\python.exe D:/

chanxiansheng的博客 338

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

2020-11-09 Spring中@Async注解使用

1、配置类 package cn.mb.asyncdemo.config; import cn.mb.asyncdemo.exceptionHandler.AsyncExceptionHandler; import org.springframework.aop.interceptor.AsyncUncaughtExceptionHandler; import org.springframework.context.annotation.Configuration; import org.springfr

bb 235

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Thriving in a Crowded and Changing World: C++ 2006–2020 读后总结

C++在编程语言排行榜里基本上一直在前三,可以说是经久不衰。C++之父Bjarne Stroustrup的这篇长论文《Thriving in a Crowded and Changing World: C++ 2006–2020》解释了C++经久不衰的原因,C++从11到23的发展以及经验教训。 这篇文章就是来总结这篇论文,把我认为其中的精华的部分抽取出来并解释其内在逻辑。

Ahxing1985的专栏 1584

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

C++23新特性

C++23新特性

让每一个想学习编程的人,都能学会,都能看懂,看了都有收获! 1236
下一篇: 2020-11-24 练习
「已注销」
博客等级 码龄6年 0粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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