创建File文件对象和文件的几个常用的方法

一,File对象的创建

  //创建一个文件的对象 
   File f1 = new File("文件的地址");       
   
   //绝对路径
  System.out.println("f1的绝对路径:" + f1.getAbsolutePath());      
    
  // 相对路径      
   File f2 = new File("LOL.exe");        
   System.out.println("f2的绝对路径:" + f2.getAbsolutePath());      
     
  // 把f1作为父目录创建文件对象       
  File f3 = new File(f1, "LOL.exe");         
  System.out.println("f3的绝对路径:" + f3.getAbsolutePath());

三种创建对象的方式都比较常用,最后的一种两个路径结合在一起形成了绝对的的路径

二,常用的一些方法

1 //文件是否存在
System.out.println(“判断是否存在:”+f.exists());

2 //判断是否是文件夹
System.out.println(“判断是否是文件夹:”+f.isDirectory());

3 //判断是否是文件
System.out.println(“判断是否是文件:”+f.isFile());

4 //判断文件的长度
System.out.println(“获取文件的长度:”+f.length());

5 //文件最后修改的时间
long time = f.lastModified();
Date d = new Date(time);
System.out.println(“获取文件最后的修改时间:”+d);

6 //文件的重命名
File f2 = new File(“d:/java1”);
f.renameTo(f2);
System.out.println();

7 //以字符串数组的形式,返回当前文件夹下的所有文件(不包含子文件及子文件夹
f.list();

8 // 以文件数组的形式,返回当前文件夹下的所有文件(不包含子文件及子文件夹)
File[]fs = f.listFiles();

9 // 以字符串形式返回获取所在文件夹
f.getParent();

10 // 以文件形式返回获取所在文件夹
f.getParentFile();

11 // 创建文件夹,如果父文件夹skin不存在,创建就无效
f.mkdir();

12 // 创建文件夹,如果父文件夹skin不存在,就会创建父文件夹
f.mkdirs();

13 // 创建一个空文件,如果父文件夹skin不存在,就会抛出异常
f.createNewFile();

14 // 所以创建一个空文件之前,通常都会创建父目录
f.getParentFile().mkdirs();

15 // 列出所有的盘符c: d: e: 等等
f.listRoots();

16 //删除文件
f.delete();

17 //JVM结束的时候,刪除文件,常用于临时文件的删除
f.deleteOnExit();`

### 多元高斯模型Python中的实现 多元高斯分布是多变量正态分布在多个维度上的推广,在机器学习数据分析领域有着广泛应用。对于多元高斯模型的应用,可以用于异常检测、聚类以及作为其他复杂模型的基础组件。 #### 使用`scikit-learn`库构建多元高斯模型 为了简化开发流程并提高效率,推荐使用成熟的第三方库如 `scikit-learn` 来快速搭建多元高斯模型[^1]。下面是一个简单的例子来说明如何创建一个基于多元高斯分布的概率估计器: ```python from sklearn.datasets import make_blobs import numpy as np from scipy.stats import multivariate_normal import matplotlib.pyplot as plt # 创建模拟数据集 X, _ = make_blobs(n_samples=300, centers=[[0, 0], [-4, -4], [4, 4]], cluster_std=[0.8, 1.2, 0.6]) # 计算均值向量μ和协方差矩阵Σ mu = X.mean(axis=0) sigma = np.cov(X.T) # 定义多元高斯分布对象 rv = multivariate_normal(mu, sigma) # 可视化原始数据及其对应的概率密度函数 plt.scatter(X[:, 0], X[:, 1]) x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5 y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5 xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100), np.linspace(y_min, y_max, 100)) pos = np.dstack((xx, yy)) plt.contour(xx, yy, rv.pdf(pos)) plt.show() ``` 这段代码展示了怎样通过计算样本集合的平均数和协方差矩阵来定义一个多维随机变量,并绘制出该分布下的等高线图以直观展现不同位置处的可能性大小。 #### 超参数调整与优化 值得注意的是,虽然这里并没有涉及到显式的训练过程(因为这是一个无监督的学习方法),但在实际应用中可能还需要考虑选择合适的核函数以及其他超参数设置问题[^3]。例如,在某些情况下可能会引入额外的约束条件或者采用特定类型的先验知识来进行更精确地拟合目标分布特性。
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