大蟒日志7

本文介绍了Python中的模块概念,特别是如何使用内置模块sys来获取命令行参数和PYTHONPATH。此外,还展示了如何创建和导入自定义模块。

十一、Modules 1

第一个模块

# 2018.4.9
# first Module
import sys
# Hey,python, 我要用“sys”模块, 麻烦给我调出来
print('The command line arguments are:')
for i in sys.argv:
    print(i)

print('\n\nThe PYTHONPATH is',sys.path,'\n')

'''
以上在pycharm中运行结果为:
The command line arguments are:
D:/pycharm/lab/module_using_sys.py


The PYTHONPATH is ['D:\\pycharm\\lab', 'D:\\py........
'''

【注】
1.sys是一种built-in模块(内置模块), 所以python可以找到该模块;
argv变量是sys模块中的一个变量,这就使得此argv变量不会与其他argv变量相冲突(clash)。

2.sys.argv变量是一个字符串列表, 它包含了命令行参数列表, 所以用command(终端命令窗口)也能看到同样的结果。(如下图1所示)
图1

3.当我们执行python module_using_sys.py we are arguments 时,我们用python命令运行模块module_using_sys.py,接下来的 we are arguments 是传递给程序的参数。python将命令行参数存储在sys.argv变量中供我们使用。(在命令提示符窗口运行如图2所示)
图2

4.列表元素总是从所运行脚本的名称作为第一个元素开始的。在这个例子中
‘module_using_sys.py’ = sys.argv[0]
‘we’ = sys.argv[1]
‘are’ = sys.argv[2]
‘arguments’ = sys.argv[3]
也就是说,module_using_sys.py、 we、are、 arguments这四个元素是属于sys.argv列表。

5.sys.path mudule的导入路径(directory)名列表。
sys.path列表中第一个字符串就是sys.path的当前路径, 它与PYTHONEPATH环境变量相同。
这意味着你可以直接导入位于当前路径中的模块。否则,你将不得不将模块放置在sys.path中列出的路径之一中。

6.当前路径是程序的路径, 可以用下面的语句找到当前路径。(我存储的*.py文件当前路径为D:\pycharm\lab)

import os
print(os.getcwd())
#运行结果为:D:\pycharm\lab

Mymodule

# 2018.4.14
# Every Python program is also a module. 
# Let's make our own modules!
def say_hi():

    print('Hi, this is DIDI\'s module speaking.')
__version__ = '0.1'

在另一个.py文件中我们就可以import这个模块,引用的方式有以下两种:

# 2018.4.14
# 注意:此程序必须与所引用模块的程序必须存储在同一路径下

# 1
import mymodule

mymodule.say_hi()
print('Version', mymodule.__version__)

# 2
from mymodule import say_hi, __version__

say_hi()
print('Version', __version__)

'''
运行结果:
Hi, this is DIDI's module speaking.
Version 0.1
'''

【声明】本博文为学习笔记,含有个人修改成分,并非完全依照《a byte of python》,仅供参考。若发现有错误的地方,请不吝赐教,谢谢。同时,我也会不定期回顾,及时纠正。#

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制问题,并提供完整的Matlab代码实现。文章结合数据驱动方法与Koopman算子理论,利用递归神经网络(RNN)对非线性系统进行建模与线性化处理,从而提升纳米级定位系统的精度与动态响应性能。该方法通过提取系统隐含动态特征,构建近似线性模型,便于后续模型预测控制(MPC)的设计与优化,适用于高精度自动化控制场景。文中还展示了相关实验验证与仿真结果,证明了该方法的有效性和先进性。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事精密控制、智能制造、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能控制设计;②为非线性系统建模与线性化提供一种结合深度学习与现代控制理论的新思路;③帮助读者掌握Koopman算子、RNN建模与模型预测控制的综合应用。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现流程,重点关注数据预处理、RNN结构设计、Koopman观测矩阵构建及MPC控制器集成等关键环节,并可通过更换实际系统数据进行迁移验证,深化对方法泛化能力的理解。
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