记录一些python编程过程中的一些有用的小知识、小技巧，零零散散，想起来就添一点儿。
判断文件是否为空
line = f.readline()之后判断line是否存在，比如现在的任务是剔除一组文件里没有内容的项：
for file in fileList:
with open(file) as f:
line = f.readline()
if not line:
os.remove(filePath)
调用系统命令
import os
os.system("system cmd")
python标准错误输出
import sys
sys.stderr.write(string)
# 打印至命令行
np.ndarray指定值类型
以任何方法产生或转换np.array()数组的时候，建议指定数组数据类型。如建造适用于图像的零数组：
imgOut = np.zeros(imgIn.shape, dtype=np.uint8)
转换适用于np操作的浮点数组：
imgOut = np.array(imgIn/255., dtype=np.float)
如果需要，也可以建造时不指定，而在使用时另行转换：
imgOut = np.uint8(imgOut*255)
numpy生成高斯噪声
np.random.normal(mean, std, shape)
如果是用于给图像加噪声，则图像以np.array表示为imgArr后，各参数可有：
mean = imgArr.mean()；
std = imgArr.std()；
shape = imgArr.shape。
numpy限定数组的值范围
图像作为数组执行加噪声操作后，值可能会突破0–255，使用uint8类型会报错。此时需要将值强制限定在0–255的范围。
imgOut = np.clip(imgOut, 0.0, 1.0)
# 这里是因为前面将图像数组转换成浮点类型方便添加高斯噪声，
# clip函数的min, max 参数可以是浮点或整型。
concurrent.futures 并发加速
本部分内容较多较重要，在Python实录03中详细展开。
numba加速
numba对带循环的方法的处理有奇效，往往可达到几十甚至上百倍的加速。使用也很简单，通过import numba as nb导入nb.jit修饰器，并通过函数定义上一行添加@jit标记使用该修饰器的函数。比如给图片添加椒盐噪声的代码：
@nb.jit()
def pepperSalt(imgIn):
imgOut = np.zeros(imgIn.shape, np.uint8)
for i in range(imgIn.shape[0]):
for j in range(imgIn.shape[1]):
for k in range(imgIn.shape[2]):
rdn = np.random.random()
if rdn < 0.025:
imgOut[i][j][k] = 0
elif rdn > 0.975:
imgOut[i][j][k] = 255
else:
imgOut[i][j][k] = imgIn[i][j][k]
return imgOut
有三个需要注意的点：
- @jit只能修饰显示定义的函数，而不能修饰某几条语句或lambda函数。
- Numba对处理循环有奇效，非循环语句则无法实现较强的加速。
- Numba只支持了Python原生函数和部分NumPy函数， 对如opencv等其他库函数则无法加速，会报warning甚至error。
python3中的zip()函数
zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
在 python 3 中为了减少内存，zip() 返回的是一个对象。如需展示列表，需手动 list() 转换。
>>> a = [1,2,3]
>>> b = [4,5,6]
>>> c = [4,5,6,7,8]
>>> zipped = zip(a,b) # 打包为元组的列表
>>> print(zipped)
<zip at zip at 0x......> # 返回一串地址，由于zip的返回值是一个对象
>>> print(*zipped)
(1, 4) (2, 5) (3, 6) # 返回打包的值，非列表形式。
# 注意，由于已经通过*符号将zipped的值提取出来了，zipped对应的地址内容现在为空
>>> print(list(zipped))
[] # zipped已空
>>> zipped = zip(a,c) # 元素个数与最短的列表一致
>>> print(list(zipped))
[(1, 4), (2, 5), (3, 6)] # 返回列表
# 注意，由于已经通过list将zipped的值提取出来了，zipped对应的地址内容现在为空
>>> print(*zipped)
None # zipped已空
>>>
numpy 和 torch 中的 zeros_like
zeros_like( array/tensor) 函数 like 的不只有原 array/tensor 的 shape， type 也会 like。此处一定要注意。
如果需要一个特定数据元素构成的 array 或 tensor ，如 float 类型的 tensor: ft 转 int8 类型，应当使用 ft = ft.to(torch.int8) 类似语句加以指定和转换。
open() 打开文件的读写追加三种模式
‘r’： 读
‘w’： 写
‘a’： 追加
‘r+’ == r+w（可读可写，文件若不存在就报错(IOError)）
‘w+’ == w+r（可读可写，文件若不存在就创建）
‘a+’ == a+r（可追加可写，文件若不存在就创建）
对应的，如果是二进制文件，就都加一个b就好啦：
‘rb’， ‘wb’， ‘ab’， ‘rb+’， ‘wb+’， ‘ab+’
列表复制
复制列表的时候，不能直接 y = x 这样赋值。这种方法实际上是让 y 指向了和原列表 x 相同的地址。正确的打开方式如下：
>>> x=[4,6,2,1,7,9,4]
>>> y=x[:]
>>> y.sort()
>>> print x
[4, 6, 2, 1, 7, 9, 4]
>>> print y
[1, 2, 4, 4, 6, 7, 9]
调用x[:]得到的是包含了x所有元素的分片，这是一种很有效率的复制整个列表的方法。
