python文件读写

readlines

# -*-coding:utf-8-*-
# !/usr/bin/env python
import ast

fout = open('/home/upsmart/1log/warcraft/mid/report01out.csv', 'w')
with open ('/home/upsmart/1log/warcraft/mid/report01.csv','r') as f:
    all = f.readlines()
    # print(type(str))
    for str in all:
        o = []
        list = ast.literal_eval(str)
        # list = eval(str)

        for at in list:
            if(type(at).__name__=='dict'):
                mid =at['mid']
                o.append(mid)
            if(type(at).__name__=='unicode'):
                o.append(at)
        print >> fout ,(",".join(o).encode("utf-8"))
        print(",".join(o).encode("utf-8"))

readlines:读取文件中所有的行放入一个list中,适用于小的文件,如果是大文件内存不够用

readline

# -*-coding:utf-8-*-
# !/usr/bin/env python
import ast

fout = open('/home/upsmart/1log/warcraft/mid/report01out.csv', 'w')
with open ('/home/upsmart/1log/warcraft/mid/report01.csv','r') as f:

    one = f.readline()
    while one:
        print type(one)
        list = ast.literal_eval(one)
        print type(list)
        for at in list :
            o =[]
            if(type(at).__name__ == 'dict'):
                mid = at['mid']
                o.append(mid)
            if(type(at).__name__=='unicode'):
                o.append(at)
        print >> fout ,(",".join(o).encode("utf-8"))
        one = f.readline()

read

# -*-coding:utf-8-*-
# !/usr/bin/env python
f = open('/home/upsmart/1log/warcraft/mid/a.txt')
lines = f.read()
print lines
print(type(lines))
f.close()

注意点:
1) with open as 和open的区别
with open as 读到文件最后会自动关闭文件,即便出现异常。
open直接打开文件,如果出现异常,如读取过程中文件不存在或异常,则直接出现错误,close方法无法执行,文件无法关闭
用with open as比较好

2)ast.literal_eval 和 eval

类型转换
字符串型的list,tuple,dict转变成原有的类型

eval在做计算前并不知道需要转化的内容是不是合法的(安全的)python数据类型。只是在调用函数的时候去计算。如果被计算的内容不是合法的python类型就会抛出异常。

ast.literal则会判断需要计算的内容计算后是不是合法的python类型,如果是则进行运算,否则就不进行运算。

一般采用ast.literal_eval

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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