AI摘要：本文主要介绍了Python编程语言中的一些常用库和函数，包括TensorFlow、Pandas、NumPy等。首先，通过代码展示了如何使用这些库进行文件读取、数据可视化等操作。接着，介绍了Python中的all()和any()函数，这两个函数用于对可迭代对象中的元素进行布尔值判断。然后，详细讲解了如何使用TensorFlow动态给变量赋值。此外，还介绍了如何使用conda创建和管理Python虚拟环境。最后，探讨了Pandas中获取行数、列数和元素总数的方法，以及使用GPU进行计算的相关操作。
Powered by AISummary.
# %%
import os,sys
import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
# %%
print(tf.__version__)
# %%
current_dir_path = os.getcwd()
current_dir_path
# %%
csv_files = []
for roots, dirs, files in os.walk(current_dir_path):
for file in files:
# print(file)
if file.endswith(".csv"):
csv_files.append(os.path.join(roots, file))
print(os.path.join(roots,file))
# %%
current_dirs_name = os.listdir(current_dir_path)
current_dirs_name
# %%
csv_files
# %%
data = pd.read_csv(csv_files[0])
data_keys = data.keys()
# %%
data_keys
# %%
pld = pd.DataFrame(data,columns=['median_income','population'])
# %%
plt.scatter(pld['median_income'],pld['population'],c='red')
# %%all()和any()
语法 ：any(iterable)
对于迭代中的任何 x，如果 bool(x) 是 True，返回 True。
如果迭代是空，返回 False。
any() 函数将一个可迭代对象作为参数，只要该可迭代对象中至少有一项为 True，就返回 True。
语法：all(iterable)
如果 bool(x) 对于可迭代对象中的所有值 x 为 True，则返回 True。
如果可迭代对象为空，则返回 True。
all() 函数接受一个可迭代对象作为参数，仅当可迭代对象中的所有项的计算结果为 True，或可迭代对象为空时才返回 True。在所有其他情况下，all() 函数返回 False。
Tensorflow
动态的给变量tf.Variable赋值
如果只需要给Variable赋值一次，可以通过assign这样进行赋值。
x = tf.Variable(0)
y = tf.assign(x,1)使用conda
conda命令的使用方式都是一致的，首先可以先创建虚拟环境，例如Python3.9的环境：
conda create -n Python39 python=3.9
创建完成后激活（也可以配置到bashrc中默认激活）
conda activate Python39
激活python3.9
source /home/yokay/miniconda3/bin/activate
释放python3.9
conda deactivate
Pandas获取行数，列数和元素总数（大小）
pandas.DataFrame
显示行数，列数等：df.info（）
获取行数：len（df）
获取列数：len（df.columns）
获取行数和列数：df.shape
获取元素总数（大小）：df.size
指定index时的注意事项：如果使用set_index（）方法将数据列指定为索引，则该列将从数据主体中删除（值属性），因此不会计入列数。
pandas.Series
获取元素总数（大小）：len（s），s.size
使用GPU运行
- tf.config.list_physical_devices('GPU')获取GPU信息：PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')
得到GPU的编号为0
- CUDA_VISIBLE_DEVICES=0 python3 main.py
扩维度和换维度
np.expand_dims
（360，480）——>（1，360，380）：np.expand_dims(a, axis=0)
（360，480）——>（360，380，1）：np.expand_dims(a, axis=-1)
np.transpose
（1，360，380）——>（360，1，380）：np.transpose(a, (1,0,2))
（1，360，380）——>（360，380，1）：np.transpose(a, (1,2,0))