python os模块 常用命令


os 模块用法示例


python编程时,经常和文件、目录打交道,这是就离不了os模块。os模块包含普遍的操作系统功能,与具体的平台无关。以下列举常用的命令

1. os.name()——判断现在正在实用的平台,Windows 返回 ‘nt'; Linux 返回’posix'2. os.getcwd()——得到当前工作的目录。3. os.listdir()——指定所有目录下所有的文件和目录名。os.listdir(".") os.listdir(os.getcwd()) #获得当前目录中的内容

以列表的形式全部列举出来,其中没有区分目录和文件。

4. os.remove()——删除指定文件5. os.rmdir()——删除指定目录6. os.mkdir()——创建目录注意:这样只能建立一层,要想递归建立可用:os.makedirs()
7. os.path.isfile()——判断指定对象是否为文件。是返回True,否则False8. os.path.isdir()——判断指定对象是否为目录。是True,否则False。
os.path.isdir(".")['softwares', '2017fuwuqi', 'Downloads', '.local', '.luahistory', '.vnc', '.presage', '.config', '.thunderbird', 'Documents', '.enthought', '.remmina', '.ipynb_checkpoints', 'Videos', 'tigervnc', '.bashrc', 'examples.desktop', 'mxnet', '.python_history', '.keras', '.pki', '.bash_logout', 'torch', 'Untitled.ipynb', '.theanorc', 'Desktop', '.nano', 'googlehost', '.sogouinput', '.mozilla', '.sudo_as_admin_successful', '.lesshst', 'bin', 'miscellaneous', '.dbus', '.ICEauthority', '.java', '.nv', '.xsession', 'creataccount.txt', '.gnome2', 'Pictures', '.pam_environment', '.cmake', '.jupyter', '.ipython', 'Templates', '.adobe', 'intel', '.swp', '.rpmdb', '.wget-hsts', '.subversion', 'Public', '.imagej', '.bash_history', '.xinputrc', '.xsession-errors.old', '.cache', '.selected_editor', '.Xauthority', 'solution-grt123-team.pdf', '.viminfo', '.rnd', '.profile', '.TIM_Grid_Data.txt.swp', '.theano', '.nvidia-settings-rc', '.oracle_jre_usage', 'test.py', 'xsession', '.xsession-errors', '.gconf', '.compiz', 'Untitled1.ipynb', '.dmrc', '\xe8\xb4\xa6\xe6\x88\xb7\xe4\xbd\xbf\xe7\x94\xa8\xe8\xaf\xb4\xe6\x98\x8e', '.macromedia', 'caffeinstallbackup', 'matlabtestfordeeplearning', 'Music', '.gnupg', 'backup', 'ping.sh', '.matlab']
  9. os.path.exists()——检验指定的对象是否存在。是True,否则False.os.path.exists("./backup")
10. os.path.split()——返回路径的目录和文件名。os.path.split("/home/bids/ping.sh") ('/home/bids''ping.sh') 此处只是把前后两部分分开而已。就是找最后一个'/'os.path.split("/home/bids/") 
('/home/bids','')

11. os.getcwd()——获得当前工作的目录(get current work dir)12. os.system()——执行shell命令。例:os.system("echo 'hello world!'")
hello world!
0

注意:此处运行shell命令时,如果要调用python之前的变量,可以用如下方式:

var=123
os.environ[‘var’]=str(var) //注意此处[]内得是 “字符串”
os.system(‘echo $var’)


os.environ    #获取系统环境变量#在 import tensorflow 之前加入import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='1' # 这是默认的显示等级,显示所有信息#2级
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2' # 只显示 warning 和 Error#3级
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='3' # 只显示 Error

13. os.chdir()——改变目录到指定目录
#!/usr/bin/python
# -*- coding: UTF-8 -*-import os, sys
path = "/tmp"
# 查看当前工作目录
retval = os.getcwd()
print "当前工作目录为 %s" % retval
# 修改当前工作目录
os.chdir( path )
# 查看修改后的工作目录
retval = os.getcwd()
print "目录修改成功 %s" % retval

执行以上程序输出结果为:

当前工作目录为 /www
目录修改成功 /tmp

14. os.path.getsize()——获得文件的大小,如果为目录,返回0
15. os.path.abspath()——获得绝对路径。
os.path.abspath(".")
'/home/bids'
16. os.path.join(path, name)——连接目录和文件名。
os.path.join('/home/bids/','ping.sh')
'/home/bids/ping.sh'
17.os.path.basename(path)——返回文件名
os.path.basename('/home/bids/ping.sh')
'ping.sh'
18. os.path.dirname(path)——返回文件路径
os.path.dirname('/home/bids/ping.sh')
'/home/bids'
19. 获得程序所在的实际目录import os
import sysif __name__ == "__main__":print os.path.realpath(sys.argv[0])print os.path.split(os.path.realpath(sys.argv[0]))print os.path.split(os.path.realpath(sys.argv[0]))[0]/home/jihite/ftp/del.py
('/home/jihite/ftp', 'del.py')
/home/jihite/ftp 
细节——os.path.spilit()把目录和文件区分开
>>> import os
>>> os.path.split("a/b/c/d")
('a/b/c', 'd')
>>> os.path.split("a/b/c/d/")
('a/b/c/d', '')
20. os.rename("oldname","newname")os.getcwd()
'/home/bids/hahaha'
os.listdir()
['test']
os.rename('test','test_new')
os.listdir()
['test_new']

  1. os.sep #显示当前平台下路径分隔符
    os.sep
    ‘/’ #linux

    os.sep
    ‘\’ #windows


os.linesep #给出当前平台使用的行终止符
os.linesep
‘\n’ #linux

os.linesep
‘\r\n’ #windows
“`


参考文献


python os模块 常用命令

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/246835.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

pandas.DataFrame.iterrows

iterrows DataFrame.iterrows()[source] Iterate over DataFrame rows as (index, Series) pairs. 迭代(iterate)覆盖整个DataFrame的行中,返回(index, Series)对>>> df pd.DataFrame([[1, 1.5]], columns[int, float]) >>> row next(df.iterr…

scipy.ndimage.zoom上采样与下采样

插值 Bilinear interpolation would be order1, nearest is order0, and cubic is the default (order3). 举例说明 import numpy as np import scipy.ndimagex np.arange(64).reshape(8,8)print Original array: print xprint Resampled by a factor of 2 with nearest i…

Python 进度条 tqdm

用法 tqdm(读音:taqadum, تقدّم)在阿拉伯语中的意思是进展。tqdm可以在长循环中添加一个进度提示信息,用户只需要封装任意的迭代器 tqdm(iterator),是一个快速、扩展性强的进度条工具库。 from tqdm import tqdm…

sublime-text-3设置输入中文方法

以下方法在 ubutun16.04 中亲测可行,subl版本为 3126 。 一.下载源文件 源文件github链接地址为 https://github.com/jfcherng/my_scripts 或见CSDN下载。 二.安装fcitx输入法 打开终端,输入命令 sudo apt-get install -y fcitx fcitx-im 安装 fcitx…

你真的懂TensorFlow吗?Tensor是神马?为什么还会Flow?

本文的ipynb 格式见CSDN下载。 0维张量/标量 标量是一个数字 1维张量/向量 1维张量称为“向量”。 2维张量 2维张量称为矩阵 3维张量 公用数据存储在张量 时间序列数据 股价 文本数据 图片 彩色图片 5D张量 结论 实际上,你可以使用一个数字的张量&…

标签传播算法(Label Propagation)及Python实现

半监督学习(Semi-supervised learning)发挥作用的场合是:你的数据有一些有label,一些没有。而且一般是绝大部分都没有,只有少许几个有label。半监督学习算法会充分的利用unlabeled数据来捕捉我们整个数据的潜在分布。它…

UFLDL教程: Exercise: Sparse Autoencoder

自编码可以跟PCA 一样,给特征属性降维 一些matlab函数 bsxfun:Cbsxfun(fun,A,B)表达的是两个数组A和B间元素的二值操作,fun是函数句柄或者m文件,或者是内嵌的函数。在实际使用过程中fun有很多选择比如说加,减等,前面需…

概率图模型: Coursera课程资源分享和简介

本博客中概率图模型(Probabilistic Graphical Model)系列笔记以 Stanford 教授 Daphne Koller 的公开课 Probabilistic Graphical Model 为主线,结合资料(每篇博文脚注都附有链接)加以补充. 为便于对照课程查阅&#x…

UFLDL教程:Exercise:Vectorization

载入数据并显示 Deep Learning and Unsupervised Feature Learning Tutorial Solutions 下载MINIST数据集及加载数据集的函数。MINIST数据集的介绍。 % Change the filenames if youve saved the files under different names % On some platforms, the files might be saved…

UFLDL教程:Exercise:PCA in 2D PCA and Whitening

相关文章 PCA的原理及MATLAB实现 UFLDL教程:Exercise:PCA in 2D & PCA and Whitening python-A comparison of various Robust PCA implementations Deep Learning and Unsupervised Feature Learning Tutorial Solutions 统计学的基本概念 统计学里最基本…

UFLDL教程:Exercise:Softmax Regression

Softmax分类函数的Python实现 Deep Learning and Unsupervised Feature Learning Tutorial Solutions 逻辑回归假设函数 在线性回归问题中,假设函数具有如下形式: 在 logistic 回归中,我们的训练集由m 个已标记的样本构成:&#…

UFLDL教程: Exercise:Self-Taught Learning

自我学习 Deep Learning and Unsupervised Feature Learning Tutorial Solutions 1.先训练稀疏自编码器提取特征,再把特征和label给softmax分类器进行训练,最后用test数据集进行测试。 2.由于实际应用中找到大量有标注的样本是非常困难的,所…

UFLDL教程: Exercise: Implement deep networks for digit classification

Deep networks Deep Learning and Unsupervised Feature Learning Tutorial Solutions 深度网络的优势 比单层神经网络能学习到更复杂的表达。不同层的网络学习到的特征是由最底层到最高层慢慢上升的。比如在图像的学习中,第一个隐含层网络可能学习的是边缘特征&am…

UFLDL教程: Exercise:Learning color features with Sparse Autoencoders

Linear Decoders Deep Learning and Unsupervised Feature Learning Tutorial Solutions 以三层的稀疏编码神经网络而言,在sparse autoencoder中的输出层满足下面的公式 从公式中可以看出,a3的输出值是f函数的输出,而在普通的sparse autoenc…

UFLDL教程:Exercise:Convolution and Pooling

Deep Learning and Unsupervised Feature Learning Tutorial Solutions CNN的基本结构包括两层 其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确…

莫凡机器学习课程笔记

怎样区分好用的特征 避免无意义的信息避免重复性的信息避免复杂的信息 激活函数的选择 浅层神经网络,可以随便尝试各种激活函数 深层神经网络,不可随机选择各种激活函数,这涉及到梯度爆炸和梯度消失。(给出梯度爆炸和梯度消失的…

UFLDL教程:数据预处理

数据预处理是深度学习中非常重要的一步!如果说原始数据的获得,是深度学习中最重要的一步,那么获得原始数据之后对它的预处理更是重要的一部分。 一般来说,算法的好坏一定程度上和数据是否归一化,是否白化有关。 数据归…

How To Install Visual Studio Code On Ubuntu

链接 Linux中安装 Visual Studio Code 详解 在Ubuntu中安装Visual Studio Code How To Install Visual Studio Code On Ubuntu

深度学习笔记(待续)

背景知识 好的特征应具有不变性(大小、尺度和旋转等)和可区分性):例如Sift的出现,是局部图像特征描述子研究领域一项里程碑式的工作。由于SIFT对尺度、旋转以及一定视角和光照变化等图像变化都具有不变性,并…

人工智能泰斗迈克尔·乔丹分享机器学习要义:创新视角,直面挑战

2017年6月21日至22日,腾讯云未来峰会在深圳举行。人工智能领域的世界级泰斗迈克尔欧文乔丹(Michael I.Jordan)进行了主题为“机器学习:创新视角,直面挑战”的演讲,与大家分享他对人工智能的未来与挑战的见解…