【Python篇】python库讲解(pickle | random | numpy)

迷南。 2024-04-17 06:38 77阅读 0赞

#### 文章目录 ####

*  ?pickle模块
 *   *  ?样例
 *  ?random
 *   *  ?样例
 *  ?numpy库
 *   *  ?例子

![在这里插入图片描述][6fc1eb66f23e49a6855ed6b3f012dc3c.png_pic_center]

## ?pickle模块 ##

pickle模块是Python标准库中的一个模块，用于序列化和反序列化Python对象。它可以将Python对象转化为字节流形式，以便于存储或传输，然后在需要时将其还原为原始对象。

pickle模块提供了以下两个主要的函数：

*  pickle.dump(obj, file)：将Python对象`序列化并写入文件`。  
    obj：要序列化的Python对象。  
    file：要写入的文件对象。
 *  pickle.load(file)：从文件中`读取序列化的Python对象并反序列化`l1 mm。  
    file：要读取的文件对象。

使用pickle模块可以方便地实现对象的持久化存储，或者在进程间传递复杂的数据结构。

### ?样例 ###

> 编写一个程序，分别将整数a1=100，字符串a2=“I am a student”，列表list1 = \[1,2,3,4,5,6\]，字典dict1 = \{“姓名”:“张三”,“毕业学校”:“大学”\}，集合set1 = \{3.5,5,“abc”\}用pickle模块写入一个二进制文件中。写入成功后，再次打开文件，读取二进制文件中的数据。  
> 要求：  
> 用try-except语句对写入的过程进行可能出现的异常进行处理。显示写入成功，还是写入失败。

import pickle
    
    # 写入数据到二进制文件
    try:
        a1 = 100
        a2 = "I am a student"
        list1 = [1, 2, 3, 4, 5, 6]
        dict1 = {
        "姓名": "张三", "毕业学校": "大学"}
        set1 = {
        3.5, 5, "abc"}
    
        with open("data.pkl", "wb") as f:
            pickle.dump(a1, f)
            pickle.dump(a2, f)
            pickle.dump(list1, f)
            pickle.dump(dict1, f)
            pickle.dump(set1, f)
    
        print("写入成功！")
    except Exception as e:
        print("写入失败：", e)
    
    # 从二进制文件中读取数据
    try:
        with open("data.pkl", "rb") as f:
            a1 = pickle.load(f)
            a2 = pickle.load(f)
            list1 = pickle.load(f)
            dict1 = pickle.load(f)
            set1 = pickle.load(f)
    
        print("读取成功！")
        print("a1 =", a1)
        print("a2 =", a2)
        print("list1 =", list1)
        print("dict1 =", dict1)
        print("set1 =", set1)
    except Exception as e:
        print("读取失败：", e)

![在这里插入图片描述][861675d2a70042d1ae270514762ac6a4.png]

> wb和rb是Python中文件打开模式的一部分，用于指定`以二进制模式`进行文件读写操作。

*  wb：以二进制模式写入文件。在这种模式下，可以将二进制数据（如字节流、图片、音频等）写入文件。如果文件不存在，则会创建一个新文件；如果文件已存在，则会清空文件内容并重新写入数据。
 *  rb：以二进制模式读取文件。在这种模式下，可以从文件中读取二进制数据。通常用于读取二进制文件、序列化对象等。

## ?random ##

random是Python提供的一个用于生成伪随机数的标准库。它可以用于模拟、游戏、密码学等多种应用场景。

下面是一些random库提供的常用函数：

*  random.random()：返回一个0到1之间的随机浮点数。
 *  random.randint(a, b)：返回一个a到b之间的随机整数。
 *  random.choice(seq)：从序列seq中返回一个随机元素。
 *  random.shuffle(seq)：将序列seq中的元素随机排列。
 *  random.sample(pop, k)：从序列pop中随机选择k个元素并返回一个新序列。

import random
    
    # 生成随机整数
    random_int = random.randint(1, 100)
    
    # 生成随机浮点数
    random_float = random.random()
    
    # 从列表中选择一个随机元素
    fruits = ['apple', 'banana', 'orange']
    random_fruit = random.choice(fruits)
    
    # 将列表中的元素随机排列
    random.shuffle(fruits)
    
    # 从列表中随机选择2个元素
    two_fruits = random.sample(fruits, 2)

### ?样例 ###

> 编写一个程序实现如下功能：  
> 随机产生20个1~100之间的随机整数，写入文本文件中。

import random
    
    # 生成20个1~100之间的随机整数并写入文件
    random_numbers = []
    for _ in range(20):
        random_number = random.randint(1, 100)
        random_numbers.append(random_number)
    with open("E:/a.txt", "w", encoding="utf-8") as file:
        file.write(' '.join(map(str, random_numbers)))

![请添加图片描述][95a14fafd39c4e5d8fe8ab4b05776031.png]

## ?numpy库 ##

numpy库在科学计算和数据分析领域有着广泛的应用，它提供了高效的多维数组对象（ndarray）以及对这些数组进行操作的函数。以下是numpy库的一些主要用途：

*  数组操作：numpy的核心功能是处理数组。它提供了丰富的数组操作函数，例如创建数组、重塑数组形状、索引和切片数组、数组的数学运算（加法、减法、乘法、除法）、逻辑运算等。
 *  数学函数：numpy提供了大量的数学函数，包括三角函数、指数函数、对数函数、幂函数、取整函数、统计函数等。这些函数对于科学计算和数据分析非常有用。
 *  线性代数运算：numpy提供了矩阵和向量的运算功能，包括矩阵乘法、求逆、解线性方程组、特征值和特征向量计算等。这些功能对于线性代数相关的问题非常重要。
 *  随机数生成：numpy可以生成各种分布的随机数，如均匀分布、正态分布、泊松分布等。这对于模拟实验和随机抽样非常有用。
 *  文件输入输出：numpy能够读写数组数据到硬盘，支持多种文件格式，如文本文件、二进制文件、CSV文件等。这样可以方便地保存和加载数据。

总的来说，numpy库为Python提供了高性能、便捷的数组操作和数学函数，使得科学计算和数据分析更加高效和简洁。它是许多其他科学计算库的基础，例如pandas、scikit-learn等都建立在numpy库的基础之上。

import numpy as np
    
    # 创建一个一维数组
    arr1 = np.array([1, 2, 3, 4, 5])
    print("一维数组：", arr1)
    
    # 创建一个二维数组
    arr2 = np.array([[1, 2, 3], [4, 5, 6]])
    print("二维数组：\n", arr2)
    
    # 数组加法
    arr3 = arr1 + 10
    print("数组加法：", arr3)
    
    # 数组乘法
    arr4 = arr2 * 2
    print("数组乘法：\n", arr4)
    
    # 矩阵乘法
    mat1 = np.array([[1, 2], [3, 4]])
    mat2 = np.array([[5, 6], [7, 8]])
    result_mat = np.dot(mat1, mat2)
    print("矩阵乘法结果：\n", result_mat)

![在这里插入图片描述][7e19ee47766c4160bb0d5ec1b1894126.png]

### ?例子 ###

利用numpy库求解下列线性方程组的解  
![在这里插入图片描述][d64567f0d4184af7bd0a20efb61d16ee.png]  
![在这里插入图片描述][4a9857bbc26844d2aec3819c036f1c85.png]

> x = np.linalg.solve(A, b)  
> 这段代码有什么用

这段代码使用了numpy库中的linalg.solve()函数，`它用于求解线性方程组`。

具体来说，假设有一个线性方程组：A \* x = b，其中 A 是一个给定的矩阵，b 是一个给定的向量，x 是要求解的未知向量。

np.linalg.solve(A, b)的作用就是解决这个线性方程组，求出未知向量 x 的值。它使用了数值线性代数的方法，在数学上可以表示为：x = A⁻¹ \* b，其中 A⁻¹ 是矩阵 A 的逆矩阵。

> 在技术的道路上，我们不断探索、不断前行，不断面对挑战、不断突破自我。科技的发展改变着世界，而我们作为技术人员，也在这个过程中书写着自己的篇章。让我们携手并进，共同努力，开创美好的未来！愿我们在科技的征途上不断奋进，创造出更加美好、更加智能的明天！

![在这里插入图片描述][424a5982922040928a6264ac983d1457.png_pic_center]

[6fc1eb66f23e49a6855ed6b3f012dc3c.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/4e4d5ced4bfd46baaef0ea9935a1dbe0.png
[861675d2a70042d1ae270514762ac6a4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/80c263998bdc4c398cfb1ec2be5d5dc0.png
[95a14fafd39c4e5d8fe8ab4b05776031.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/8527f227005c45c3bbbc3c31e4b2b39a.png
[7e19ee47766c4160bb0d5ec1b1894126.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/8ec55eef31864bf6b71da12e4dc927c4.png
[d64567f0d4184af7bd0a20efb61d16ee.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/788001db22e444429abfc0e5244dd3bb.png
[4a9857bbc26844d2aec3819c036f1c85.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/30987b7c5a9d45daae8515de515b2168.png
[424a5982922040928a6264ac983d1457.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/15/c2dcc76ea604495f9116387873f59cb0.png