【学习笔记】Python 语法

• python 中的 tuple 并不支持单个赋值。

• 判断一个元素是不是在 set 里面可以使用 in 实现：

  >>>A=set(['a','b','c','d'])
  >>>'a' in A
  False
  

• python 中的 set 可以直接通过 & 实现求交，| 实现求并，- 求对称差（或者说从一个集合中移除另一个集合的元素）

try-except

try:
	# 执行一段可能存在错误的代码
	num=10/0
except ZeroDivisionError/ValueError: # 可能的错误类型
	print("除数不能为零")
else:
	# 如果没有错误会执行这部分
	print(f"{num}")
finally:
	# 无论是否报错，这部分代码都会执行
	

请注意，try-except语句只应用于你预期可能会出现异常的代码块，而不应滥用它。处理异常应该是程序设计的一部分，而不是隐藏错误的手段。--- ChatGPT

with

with 上下文管理器表达式 as 变量:
    # 在此缩进块中使用资源，代码块执行完成后资源会自动释放
    # ...

上下文管理器表达式 是一个实现了上下文管理协议的对象。这可以是一个内置对象（如文件对象）或自定义对象，只要它定义了 __enter__() 和 __exit__() 方法即可。

变量 是一个用于在 with 代码块中引用资源的变量。

当进入 with 代码块时，会调用上下文管理器对象的 __enter__() 方法，该方法负责资源的分配和初始化。然后，当离开 with 代码块时，会调用上下文管理器对象的 __exit__() 方法，该方法负责资源的释放。

比如 with open('address','r') as file 在走出 with 语句的时候会自动将 address 目录下的文件执行 file.close()

import os

os 是 operating system 的缩写。它可以支持如下操作：

• 文件和目录操作：

  创建目录：os.mkdir(path)
  创建多级目录：os.makedirs(path)
  删除目录：os.rmdir(path)
  递归删除目录及其内容：os.removedirs(path)
  删除文件：os.remove(path)
  重命名文件或目录：os.rename(src, dst)
  获取文件属性：os.stat(path)
  检查路径是否为目录：os.path.isdir(path)
  检查路径是否为文件：os.path.isfile(path)

• 路径操作：

  合并路径：os.path.join(path1, path2, ...)
  拆分路径：os.path.split(path)
  获取文件名：os.path.basename(path)
  获取目录名：os.path.dirname(path)
  获取当前工作目录：os.getcwd()

• 环境变量：

  获取系统环境变量：os.environ
  获取特定环境变量：os.environ.get('VAR_NAME')
  设置环境变量：os.environ['VAR_NAME'] = 'VALUE'

• 系统命令执行：

  在 Python 脚本中执行系统命令：os.system(command)

广播

Python中的广播（broadcasting）是一种用于在不同形状的数组之间执行二进制操作的机制，使得它们的形状可以兼容，并且能够按照一定的规则进行元素级操作。这个机制允许你在不显式复制数据的情况下，对形状不同的数组进行操作，这可以节省内存和提高代码的效率。

广播的原理基于以下规则：

• 如果两个数组的维度不同，将维度较小的数组进行扩展，使得它的维度与较大的数组相匹配。扩展时会在维度较小的数组的前面（左侧）添加新的维度，这些维度的大小为1。

• 如果两个数组的维度相同，但某些维度的大小不同，将大小为1的维度扩展为匹配较大数组的大小。

• 如果在某个维度上两个数组的大小都不相等且不为1，那么广播将无法执行，会引发错误。

广播的目的是使得两个数组在进行元素级操作时具有兼容的形状，这样可以将相应的元素一一对应起来进行操作，而不需要显式复制数据。

np.newaxis 可以帮助你在特定位置添加大小为 $1$ 的维度。

如果要给一个训练集一个测试集求 $L_2$ 距离，不允许使用任何 for loop。它的写法是 dists=np.sqrt(np.sum((X[:,np.newaxis]-X_train)**2,axis=2))

原理就是先把原来大小为 $[N,picture\_size]$ 的图片添加维度变成 $[N,1,picture\_size]$ 。这下子来发广播，广播的时候大小为 $[M,picture\_size]$ 的 X_train 首先在左边添加一维，大小变成 $[1,M,picture_size]$

接下来根据广播的原理 $[N,1],[1,M]$ 统一变成 $[N,M]$，然后就可以对位操作了。完全无法深入理解如何广播，都说广播比 for loop 快，我不会广播只能写出来不能利用并行计算的废物代码了。