碧海蓝天

具体如下：模块名：module_name包名：package_name类名：ClassName方法名：method_name函数名：function_name异常名：ExceptionName全局常量名：GLOBAL_CONSTANT_NAME全局变量名：global_var_name实例名：instance_var_name函数参数名：function_parameter_name局部变量名：local_var_name总结来讲：1.对于类名，用驼峰命名法；2.对于其他，用下划

使用场景1、将自己的一个项目打包好后，希望别人能方便快速的安装使用自己的项目。那么就可以将项目依赖的所有包写到一个requirements.txt中。(注：可以是任意的.txt文件名，比如env.txt。)2、下载了别人的项目代码，需要一键配置所有的依赖环境。编写requirements.txt。比如一个示例如下：--index https://pypi.douban.com/simple/werkzeugflask==2.0.1Pillowopencv-python第一行指定pip安

直接在末尾添加一行数据思路：利用df.apped()方法即可实例：data = { 'name':['li', 'gg', 'zz'], 'age':[20, 21, 22], 'height':[170, 178, 174]}df = pd.DataFrame(data)print('df:')print(df)df_new = df.append({'name':'yy', 'age':25, 'height':168}, ignore_index=True)pr

基础render_template()有什么用在Python代码中 直接生成 HTML 缺点很多，比如笨拙，效率低，可读性差。因此， Flask 提供了 Jinja2 模板引擎来帮助开发者高效灵活生成HTML。使用该方法可以渲染模板，你只要提供模板名称和需要作为参数传递给模板的变量就行了。html模板文件的位置模板即自己写好的模板html文件，需要放在templates文件夹内。目录结构如下：/application.py/templates /hello.html或者/appl

需求利用flask开一个web-app，其功能是：在网页上罗列出一指定根文件夹中的文件或子文件夹。当用户点击该文件链接后，可下载至本地；当用户点击子文件夹时，在网页上罗列出该子文件夹中的文件或其子文件夹。注意：这里的文件夹结构是已知的有限的。比如最多只有两级子目录。实现此实例中的目录结构如下：在根目录下有两级子目录。代码如下：...

需求利用flask开一个web-app，其功能是：在网页上罗列出一指定文件夹的文件。当用户点击该文件链接后，可下载至本地。注意：为了简便，这里的文件夹只是一级目录，即没有子文件夹。对有任意子文件夹中文件的下载，后续再学习一下再实现该功能。实现代码如下：from flask import Flask, send_from_directoryimport osapp = Flask(__name__)root_dir = r'E:\Documents\test'def file_lis

简介Flask是什么Flask是一个用Python编写的Web应用程序框架，基于Werkzeug WSGI工具包和Jinja2模板引擎。关键词解释如下：什么是web框架：一个库和模块的集合，使Web应用程序开发人员能够编写应用程序，而不必担心协议，线程管理等低级细节。Web Server Gateway Interface（Web服务器网关接口，WSGI）已被用作Python Web应用程序开发的标准。 WSGI是Web服务器和Web应用程序之间通用接口的规范。Werkzeug：它是一个WSGI

import pandas as pd对表格的各种操作中总体上就可以分为4类：查，改，增，删。下面我们来练习一个如何对DataFrame进行各种操作。实例1：英超积分榜用英超积分榜这个实例来熟悉下pandas中DataFrame的操作。首先从网上抠一个当前的英超积分榜，保存为ecxel格式。然后导入到pandas中，初始化为一个DataFrame。df = pd.read_excel("C:\\Users\\CFSKA\\Documents\\tmp\\tmp\\英超积分表.xlsx", i

引入指数形式的曲线也是工程实践中经常遇到的。比如指数衰减。处理流程获取实验数据x, y利用scipy.optimize.curve_fit()进行指数函数拟合。curve_fit本质是提供一个目标函数和初值，通过优化算法去搜索出最佳的拟合参数。可以提供一个初值，使得拟合更快更准。得到拟合出的系数，进行后续的数据处理。实例已知一组类似指数衰减数据，形如:y=a0ex/a1+a2y = a_0e^{x/a_1}+a_2y=a0​ex/a1​+a2​，需拟合出系数。import numpy

方法获取实验数据x, y利用scipy.optimize.curve_fit()进行三角函数拟合。curve_fit本质是提供一个目标函数和初值，通过优化算法去搜索出最佳的拟合参数。在这里目标函数定义为：a0sin⁡(a1x+a2)+a3a_0\sin(a_1x+a_2)+a_3a0​sin(a1​x+a2​)+a3​需要给出一个初值[a0, a1, a2, a3]。主要是频率参数a1，可通过傅里叶变换fft得到一个初值。得到拟合出的系数，进行后续的数据处理。比如周期，频率，峰峰值等

引入在实际项目中，往往有这样的需求：对采集到的数据进行数据处理（曲线拟合），再计算出一些想要的参数，比如峰值/dip值/周期等等。核心即曲线拟合。不同的曲线形式，就灵活选择不同的拟合函数。其中一种常见的形式为：二次函数拟合。方法获取实验数据x, y利用np.polyfit(x, y, 2)进行二次拟合得到拟合出的系数，进行后续的数据处理实例已知一组二次曲线型数据，要求拟合出该曲线，并且返回最大点/对称点的坐标。import numpy as npimport matplotlib.

需求需要将json文件中的数据导入到matlab中进行数据分析。实现思路是：1.将json文件导入到python中读取出数据；2.利用scipy.io.savemat()将数据存储为.mat格式(blog)实例from scipy.io import savematdef json_to_mat(filename): fin = open(filename, encoding='UTF-8') s = json.load(fin) data = dict() f

需求将python程序中的数据保存为.mat格式数据，方便后续导入到matlab中进行处理分析。实现可调用已有接口：scipy.io.savemat(file_name, mdict)file_name为保存的文件名mdict为一个字典，其中包含了要保存的变量名和对应的值。实例实例代码如下：分别保存int, string, list, dict, array类型数据到一个.mat文件。看一下效果如何。from scipy.io import savematimport numpy as

简介python中有两个内置函数any()和all()，熟练掌握它们后，可在许多需要逻辑判断的实际场景中使用到。简单讲：any()：如果列表中所有元素都为False，则返回False；否则有一个为Ture，就返回True。all()：如果列表中所有元素都为True，则返回True；否则有一个为False，就返回False。实例In [5]: a = [-4,-3,3,4]In [6]: all([x>0 for x in a])Out[6]: FalseIn [7]: any([

引入在实际项目中，常需要批量处理某些文件夹下的子文件夹/文件。因此就需要遍历文件夹下所有的文件。若只想读取特定的文件，就是在遍历过程中加一个条件判断即可，比如限定只访问特定后缀名的文件。在python中，可通过os模块的os.walk()轻松实现对文件夹的遍历。os.walk()接口的基本使用：传入参数top，即需要遍历的根文件夹返回结果是一个生成器，可通过for循环去迭代其中的元素，就是一个从上至下的目录树。Signature: os.walk(top, topdown=True, o

实例已知自变量x，y为两个一维数组，因变量z为对应shape的二维数组，要求画出类似matlab imagesc的二维图效果。效果1不对x，y做坐标处理，直接由meshgrid生成格点坐标，那么结果图中数据点是体现在网格线上，直观上会觉得少一列数据。效果2对x，y先做个坐标处理，再由meshgrid生成格点坐标，那么结果图中数据点就是体现在网格中央，及类似matlab imagesc的效果import numpy as npimport matplotlib.pyplot as plt

格式<OnTrue> if <conditon> else <OnFalse>实例1In [1]: print('haha') if 1>0 else print('biubiu')haha实例2In [2]: T = 40In [3]: r='hot' if T>35 else 'soso'In [4]: rOut[4]: 'hot'

问题描述最近在用spyder时，先import某一模块。后发现需要修改该模块，修改代码后，重新import，却发现并没有起作用。注：暂未清楚具体原因，用vscode或者以前用的spyder似乎并没有出现这个问题。解决办法用imp模块的relaod方法，每次修改后，reload该模块。from imp import reloadimport test.mod as modreload(mod)...

引言实际项目中，往往需要保存数据到本地，以便后续查看和复用。一种思路是将数据保存为json格式，它适用于：待保存的数据主要是python的原生数据类型（Int, double, str, list, tuple, dict等）保存数据codeimport jsondictObj = { 'name': 'zhuang', 'state': 'exciting', 'data': [1,2,3,4,5]

方法利用datetime模块import datetimenow = datetime.datetime.now().strftime('%Y/%m/%d %H:%M:%S')print(now)输出2020/08/20 22:54:57使用场景保存文件时，利用当前时间生成文件名

plt绘制的图不显示在ipython中，而是单独弹出一个窗口。设置：T-

测试1matlab代码N = 20:25;iters = 2.^N;time = zeros(1,length(N));a = 0.111;b = 0.222;for k = 1:length(N) r = 0; t1 = clock; for i = 1:2^N(k) r = 0.5*a + 0.6*b; end t2 = clock; time(k) = etime(t2,t1); endplot(iters

实例代码x= np.arange(10)y1 = x**2y2 = x**4_,ax=plt.subplots()ax.plot(x,y1,'b')ax.set_xlabel('x')ax.set_ylabel('y1',color='b')ax2 = ax.twinx()ax2.plot(x,y2,'r')ax2.set_ylabel('y2',color='r')结果

shift+F10运行程序alt+shift+E运行所选double shift全局搜索alt+shift万能键ctrl+Q快速查看文档ctrl+B跳转到源码ctrl+/注释ctrl+alt+L格式化代码

相同点都可用来比较两个对象是否相同不同点比较标准不一样== 只比较：两个对象的值是否相同，内存地址可以不一样is 比较两个对象是否完全相同，即内存地址要一样实例In[18]: a= [1,2,3]In[19]: b= a[:]In[21]: a == bOut[21]: TrueIn[22]: a is bOut[22]: FalseIn[23]: id(a)Out[23]: 2500879778760In[24]: id(b)Out[24]: 2500879837320

实例1使用场景：快速多次计算一个数学函数，返回list 。注：也可用numpy，输入为array类型，即可实现一次计算出多个函数值。In [22]: list(map(lambda x: x**2, [1,2,3]))Out[22]: [1, 4, 9]In [23]: list(map(lambda x,y:x+y, [1,2,3],[1,2,3]))Out[23]: [2, 4, 6]未完待续…...

index使用：list.index(value)功能：返回value在list中的索引count使用：list.count(value)功能：返回value在list中出现的次数生成list的倒序方法1：list(reversed(iterable))方法2：list[::-1]

接口Docstring: product(*iterables, repeat=1) --> product objectCartesian product of input iterables. Equivalent to nested for-loops.For example, product(A, B) returns the same as: ((x,y) for x in A for y in B).The leftmost iterators are in th

问题：1.如何将array保存到txt文件中？2.如何将存到txt文件中的数据读出为ndarray类型？需求：科学计算中，往往需要将运算结果（array类型）保存到本地，以便进行后续的数据分析。解决：直接用numpy中的方法。1:numpy.savetxt(fname,X):第一个参数为文件名，第二个参数为需要存的数组（一维或者二维）。2.numpy.loadtxt(fname)：

需求实际程序中，往往需要将运算结果（ndarray类型）保存到本地，以便进行后续的数据分析。利用numpy.savetxt可以保存1维或2维数据到txt文件中，但无法保存3维以上的数据。比如对一个图像库提取的图像特征。此时可以用numpy.savez方法来保存3维以上的数据。接口保存数据用numpy.savez可以保存任意多个N维数组，有两种保存方式：1.用*args方式，比如np.savez('data',d1,d2,d3),它将会以以arr_0,arr_1,arr_2来表示d1,d2,d3

In [15]: def f(*args): ...: for i in args: ...: print(i) ...: In [16]: f(1,2,3)123In [17]: a = ['ha']*3In [18]: aOut[18]: ['ha', 'ha', 'ha']In [19]: f(a)['ha', 'ha', 'ha']In [20]: f(*a)hahaha

常用指令安装packagepip install [package]更新packagepip install [packge] --upgrade如更新pippip install pip --upgrade卸载packgepip uninstall [package]

tap代码补全?对象的内省。在变量后面加？，将会输出该变量的详细信息；加??,给出更详细的信息ctrl+c中断正在执行的代码reset清楚工作空间中的变量del a删除某个变量

简介优化问题是工程实践中经常遇到的一种问题。简单讲，就是搜索优化出一组自变量参数，使得目标函数达到极小值(极大值)。如何搜索出这组参数呢：这就是优化算法做的事情。不同的优化算法适用于不同的优化问题。本文简要介绍在python种NM算法来解决局部优化问题。注意：scipy.optimize中的fmin和minimize都能调用NM算法来优化。两者区别：minimize是更通用的优化算法接口，它不仅包含NM算法，也可以调用其他算法；而fmin就只能用NM算法minimize中的NM算法多一个ada

简介优化问题是工程实践中经常遇到的一种问题。简单讲，就是搜索优化出一组自变量参数，使得目标函数达到极小值(极大值)。如何搜索出这组参数呢：这就是优化算法做的事情。不同的优化算法适用于不同的优化问题。本文简要介绍在python种NM算法来解决局部优化问题。接口使用总结：NM是局域优化，即最终的优化结果会掉到一个局域最小值附近，故对初值敏感有两种方式设置初值，1.设置x0；2.设置options中的initial_simplex。手动设置initial_simplex更好，可灵活控制收敛速度。

简介用pcolor可以来画2维图，即有两个自变量x，y，和一个因变量C。注意的点：pcolor是用格点来表示C值。故应先用np.meshgrid(x,y)来生成二维的x和y坐标点。C的行索引对应y坐标，列索引对应x坐标。所以画图时，一般将计算好的C转置。pcolor和pcolor功能是相同的，官方文档建议用pcolormesh，它的速度会更快。实例代码def f(x,y): return (x**2+y-11)**2+(x+y**2-7)**2x = np.linspace(-

assert是啥python内置的断言语句(assert statement)。语法如下：assert <condition>assert <condition>,<error message>当condition为True时，顺序执行下一语句；当condition为False时，程序会终止并抛出AssertionError，如果assert语句有error message，则会在AssertionError后显示该信息。assert的使用场景检查参数的

简介是什么numba是一个的即时编译器(just-in-time compiler)。即它能在程序运行时,使用LLVM编译器库将Python函数转换为优化的机器码。从而使得运行速度可以达到C或FORTRAN的速度。怎么用只需用numba去修饰python函数即可。换言之，不需要替换Python解释器、运行单独的编译步骤、安装C/ c++编译器等额外操作。实例1问题描述对于矩阵连乘:Un...U2U1ρU_n...U_2U_1\rhoUn​...U2​U1​ρ, 原方法是用for循环累乘.测试下

引入语法错误可以在运行前检查出，但有一些错误只在运行时弹出，并且会使程序终止。因此，需要引入异常处理，能在运行过程中处理这些错误，使程序能保持正常运行。语法基本语法try...excepttry...except...finallyfinnaly中的代码始终会执行实例def test(a): try: res = a**2 except: print('check input') res = 0 finally: print('done')

简介多进程 vs 多线程CPU密集型用多进程；IO密集型用多线程。实例1在科学计算中使用multiprocessing进行多进程并行计算。前提：多个方法func1，func2，…，funcN是相互独立的，可以并行计算。当每个func的运行时间都较长时，利用多进程并行计算才会极大提高运行效率。原因：使用多进程本身会有一定的时间开销。实例代码注意：通过sleep(t)来模拟控制func运行消耗的时间def func1(x): print(f'当前进程:{os.getpid()},计