在本課中，我將討論Python中的imports，提供一些使用不熟悉的庫（以及它們返回的對象）的技巧，并深入研究Python的內容，以及談談運算符重載。

Imports

到目前為止，我們已經討論了內置于該語言的類型和函數。
但是關于Python的最好的事情之一（特別的如果你是一名數據科學家）是為它編寫的大量高質量自定義庫。
其中一些庫位于“標準庫”中，這意味著您可以在運行Python的任何位置找到它們。 其他庫可以輕松添加，即使它們并不總是隨Python一起提供。
無論哪種方式，我們都會使用導入訪問此代碼。
我們將從標準庫中導入math開始我們的示例。

【1】

import mathprint("It's math! It has type {}".format(type(math))) It's math! It has type <class 'module'>

math是一個模塊，模塊只是其他人定義的變量集合。 我們可以使用內置函數dir（）查看數學中的所有名稱。

【2】

print(dir(math)) ['__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__', 'acos', 'acosh', 'asin', 'asinh', 'atan', 'atan2', 'atanh', 'ceil', 'copysign', 'cos', 'cosh', 'degrees', 'e', 'erf', 'erfc', 'exp', 'expm1', 'fabs', 'factorial', 'floor', 'fmod', 'frexp', 'fsum', 'gamma', 'gcd', 'hypot', 'inf', 'isclose', 'isfinite', 'isinf', 'isnan', 'ldexp', 'lgamma', 'log', 'log10', 'log1p', 'log2', 'modf', 'nan', 'pi', 'pow', 'radians', 'sin', 'sinh', 'sqrt', 'tan', 'tanh', 'tau', 'trunc']

我們可以使用點語法訪問這些變量。 其中一些是指簡單的值，比如math.pi：

【3】

print("pi to 4 significant digits = {:.4}".format(math.pi)) pi to 4 significant digits = 3.142

但是我們在模塊中找到最多的是函數：像math.log:

[4]

math.log(32, 2) 5.0

當然，如果我們不了解math.log做什么，我們調用help()函數：

【5】

help(math.log) Help on built-in function log in module math:log(...)log(x[, base])Return the logarithm of x to the given base.If the base not specified, returns the natural logarithm (base e) of x.

我們也可以在模塊本身上調用help（）。 這將為我們提供模塊中所有函數和值的組合文檔（以及模塊的高級描述）。?

【6】

help(math)

Other import syntax

如果我們知道我們將經常使用math中的函數，我們可以在較短的別名下導入它以節省一些輸入（盡管在這種情況下“math”已經相當短）。

【7】

import math as mt mt.pi 3.141592653589793

您可能已經看到了使用某些流行的庫（如Pandas，Numpy，Tensorflow或Matplotlib）執行此操作的代碼。 例如，import numpy as np 和 import pandas as pd是一種常見的約定。

as相當于重命名導入模塊，等價于如下操作：

[8]

import math mt = math

如果我們可以自己引用數學模塊中的所有變量，那不是很好嗎？ 即如果我們可以只引用pi而不是math.pi或mt.pi？ 好消息：我們可以做到這一點。

[9]

from math import * print(pi, log(32, 2)) 3.141592653589793 5.0

import *使您可以直接訪問所有模塊的變量。
壞消息：一些純粹主義者可能會抱怨你這樣做。
[10]

from math import * from numpy import * print(pi, log(32, 2)) --------------------------------------------------------------------------- TypeError Traceback (most recent call last) <ipython-input-10-9b512bc684f5> in <module>()1 from math import *2 from numpy import * ----> 3 print(pi, log(32, 2))TypeError: return arrays must be of ArrayType

什么是什么？ 但它以前工作過！
這些“star imports”偶爾會導致奇怪的，難以調試的情況。
這種情況下的問題是math和numpy模塊都有稱為log的函數，但它們具有不同的語義。 因為numpy導入在第二個，覆蓋了我們從math導入的變量。
一個很好的折衷方案是只從每個模塊導入我們需要的特定內容：

[11]

from math import log, pi from numpy import asarray

Submodules

我們已經看到模塊包含可以引用函數或值的變量。 需要注意的是，它們也可以包含引用其他模塊的變量。

[12]

import numpy print("numpy.random is a", type(numpy.random)) print("it contains names such as...",dir(numpy.random)[-15:]) numpy.random is a <class 'module'> it contains names such as... ['set_state', 'shuffle', 'standard_cauchy', 'standard_exponential', 'standard_gamma', 'standard_normal', 'standard_t', 'test', 'triangular', 'uniform', 'vonmises', 'wald', 'warnings', 'weibull', 'zipf']

如果我們導入numpy模塊，調用randon子模塊中的函數需要兩個點號。

【13】

# Roll 10 dice rolls = numpy.random.randint(low=1, high=6, size=10) rolls array([2, 1, 5, 2, 4, 5, 4, 5, 5, 5])

Oh the places you'll go, oh the objects you'll see

所以在經過6課之后，你對 整數，浮點數，布爾，列表，字符串和字典很熟悉了（對吧？）。
即使這是真的，也不會就此結束。 當您使用各種庫進行專門任務時，您會發現他們定義了您自己必須學習使用的類型。 例如，如果您使用圖形庫matplotlib，您將接觸到它定義的對象，這些對象代表子圖，數字，TickMark和注釋。 pandas函數將為您提供DataFrames和Series。
在本節中，我想與您分享一個快速生存指南，用于處理奇怪的類型。

Three tools for understanding strange objects

在上面的例子中，我們看到調用一個numpy函數給了我們一個“數組”。 我們以前從未見過這樣的事情（不管怎么說都不是這樣）。 但不要驚慌：我們有三個熟悉的內置函數來幫助我們。
1：type（）（這是什么東西？）

【14】

type(rolls)numpy.ndarray

2.dir()（我可以用它做什么？）

【15】

print(dir(rolls)) ['T', '__abs__', '__add__', '__and__', '__array__', '__array_finalize__', '__array_interface__', '__array_prepare__', '__array_priority__', '__array_struct__', '__array_ufunc__', '__array_wrap__', '__bool__', '__class__', '__complex__', '__contains__', '__copy__', '__deepcopy__', '__delattr__', '__delitem__', '__dir__', '__divmod__', '__doc__', '__eq__', '__float__', '__floordiv__', '__format__', '__ge__', '__getattribute__', '__getitem__', '__gt__', '__hash__', '__iadd__', '__iand__', '__ifloordiv__', '__ilshift__', '__imatmul__', '__imod__', '__imul__', '__index__', '__init__', '__init_subclass__', '__int__', '__invert__', '__ior__', '__ipow__', '__irshift__', '__isub__', '__iter__', '__itruediv__', '__ixor__', '__le__', '__len__', '__lshift__', '__lt__', '__matmul__', '__mod__', '__mul__', '__ne__', '__neg__', '__new__', '__or__', '__pos__', '__pow__', '__radd__', '__rand__', '__rdivmod__', '__reduce__', '__reduce_ex__', '__repr__', '__rfloordiv__', '__rlshift__', '__rmatmul__', '__rmod__', '__rmul__', '__ror__', '__rpow__', '__rrshift__', '__rshift__', '__rsub__', '__rtruediv__', '__rxor__', '__setattr__', '__setitem__', '__setstate__', '__sizeof__', '__str__', '__sub__', '__subclasshook__', '__truediv__', '__xor__', 'all', 'any', 'argmax', 'argmin', 'argpartition', 'argsort', 'astype', 'base', 'byteswap', 'choose', 'clip', 'compress', 'conj', 'conjugate', 'copy', 'ctypes', 'cumprod', 'cumsum', 'data', 'diagonal', 'dot', 'dtype', 'dump', 'dumps', 'fill', 'flags', 'flat', 'flatten', 'getfield', 'imag', 'item', 'itemset', 'itemsize', 'max', 'mean', 'min', 'nbytes', 'ndim', 'newbyteorder', 'nonzero', 'partition', 'prod', 'ptp', 'put', 'ravel', 'real', 'repeat', 'reshape', 'resize', 'round', 'searchsorted', 'setfield', 'setflags', 'shape', 'size', 'sort', 'squeeze', 'std', 'strides', 'sum', 'swapaxes', 'take', 'tobytes', 'tofile', 'tolist', 'tostring', 'trace', 'transpose', 'var', 'view']

【16】

# What am I trying to do with this dice roll data? Maybe I want the average roll, in which case the "mean" # method looks promising... rolls.mean() 3.8

【17】

# Or maybe I just want to get back on familiar ground, in which case I might want to check out "tolist" rolls.tolist() [2, 1, 5, 2, 4, 5, 4, 5, 5, 5]

3.help()（告訴我更多）

【18】

# That "ravel" attribute sounds interesting. I'm a big classical music fan. help(rolls.ravel)Help on built-in function ravel:ravel(...) method of numpy.ndarray instancea.ravel([order])Return a flattened array.Refer to `numpy.ravel` for full documentation.See Also--------numpy.ravel : equivalent functionndarray.flat : a flat iterator on the array.

【19】

# Okay, just tell me everything there is to know about numpy.ndarray # (Click the "output" button to see the novel-length output) help(rolls)

當然，你可能更喜歡查看在線文檔。

Operator overloading

下面表達式的值是多少？

【20】

[3, 4, 1, 2, 2, 1] + 10 --------------------------------------------------------------------------- TypeError Traceback (most recent call last) <ipython-input-20-1b8555d93650> in <module>() ----> 1 [3, 4, 1, 2, 2, 1] + 10TypeError: can only concatenate list (not "int") to list

多么愚蠢的問題，當然會報錯。

但是。。。

【21】

rolls + 10array([12, 11, 15, 12, 14, 15, 14, 15, 15, 15])

我們可能會認為Python嚴格控制其核心語法的行為，例如+，<，in，==或方括號用于索引和切片。 但事實上，它需要一種非常不干涉的方法。 定義新類型時，可以選擇添加的工作方式，或者該類型的對象與其他對象的含義相同。
列表的設計者決定不允許將它們添加到數字中。 numpy數組的設計者采用了不同的方式（將數字添加到數組的每個元素）。
下面是一些numpy數組如何與Python運算符交互（或者至少與列表不同）的示例。

【22】

# At which indices are the dice less than or equal to 3? rolls <= 3 array([ True, True, False, True, False, False, False, False, False,False])

【23】

xlist = [[1,2,3],[2,4,6],] # Create a 2-dimensional array x = numpy.asarray(xlist) print("xlist = {}\nx =\n{}".format(xlist, x))xlist = [[1, 2, 3], [2, 4, 6]] x = [[1 2 3][2 4 6]]

【24】

# Get the last element of the second row of our numpy array x[1,-1]6

【25】

# Get the last element of the second sublist of our nested list? xlist[1,-1]--------------------------------------------------------------------------- TypeError Traceback (most recent call last) <ipython-input-25-f74d164f666a> in <module>()1 # Get the last element of the second sublist of our nested list? ----> 2 xlist[1,-1]TypeError: list indices must be integers or slices, not tuple

numpy的ndarray類型專門用于處理多維數據，因此它定義了自己的索引邏輯，允許我們通過元組來指定每個維度的索引。

1 + 1何時不等于2？

事情可能比這更奇怪。 您可能聽說過（甚至使用過）tensorflow，這是一種廣泛用于深度學習的Python庫。 它廣泛使用了運算符重載。

【26】

import tensorflow as tf # Create two constants, each with value 1 a = tf.constant(1) b = tf.constant(1) # Add them together to get... a + b <tf.Tensor 'add:0' shape=() dtype=int32>

a + b不是2，它是（引用tensorflow的文檔）......
???? 操作的一個輸出的符號句柄。 它不保存該操作的輸出值，而是提供在TensorFlow tf.Session中計算這些值的方法。
重要的是要意識到這樣的事情是可能的，并且庫通常會以非顯而易見或神奇的方式使用運算符重載。

理解Python的運算符在應用于整數，字符串和列表時的工作原理并不能保證您在應用與tensorflow Tensor，numpy ndarray或pandas DataFrame時能夠立即理解它們的作用。
例如，一旦您對DataFrame有一點興趣，下面的表達式開始看起來很吸引人：

# Get the rows with population over 1m in South America df[(df['population'] > 10*6) & (df['continent'] == 'South America')]

但為什么它有效呢？ 上面的例子有5個不同的重載運算符。 這些操作中的每一項都在做什么？ 當事情開始出錯時，它可以幫助你知道答案。

很好奇這些是怎么工作的？

你有沒有在一個對象上調用help（）或dir（），并想知道所有帶有雙下劃線的名字到底是什么？

【27】

print(dir(list))['__add__', '__class__', '__contains__', '__delattr__', '__delitem__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__getitem__', '__gt__', '__hash__', '__iadd__', '__imul__', '__init__', '__init_subclass__', '__iter__', '__le__', '__len__', '__lt__', '__mul__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__reversed__', '__rmul__', '__setattr__', '__setitem__', '__sizeof__', '__str__', '__subclasshook__', 'append', 'clear', 'copy', 'count', 'extend', 'index', 'insert', 'pop', 'remove', 'reverse', 'sort']

結果與運算符重載直接相關。
當Python程序員想要定義操作符在其類型上的行為方式時，他們通過實現具有特殊名稱的方法來實現，這些特征名稱以2個下劃線開頭和結尾，例如__lt __，__ setattr __或__contains__。 通常，遵循此雙下劃線格式的名稱對Python具有特殊含義。
因此，例如，[1,2,3]中的表達式x實際上是在幕后調用list方法__contains__。 它相當于（更加丑陋）[1,2,3] .__包含__（x）。
如果您想了解更多信息，可以查看Python的官方文檔，其中描述了許多這些特殊的“下劃線”方法。
我們不會在這些課程中定義我們自己的類型，但我希望你能夠體驗到后來定義你自己的奇妙，怪異類型的樂趣。

Your turn!

轉到最后一個練習筆記本，再進行一輪涉及導入庫，處理不熟悉的對象，當然還有更多的賭博的編程問題。

?

總結

以上是生活随笔為你收集整理的7.Working with External Libraries的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。