if not os.path.exists(feature_dir):
    os.makedirs(feature_dir)

nohup python -u test.py > test.log 2>&1 &
#最后的&表示后台运行
#2 输出错误信息到提示符窗口
#1 表示输出信息到提示符窗口, 1前面的&注意添加, 否则还会创建一个名为1的文件
#最后会把日志文件输出到test.log文件

#查看
tail -f test.log#如果要实时查看日志文件使用命令
cat test.log#查看全部输出使用命令

###1.python  
#读写txt
with open(r"./data/user_dict.txt","r",encoding="utf-8") as f:
    data = f.readlines()
#追加模式
with open(r"./data/user_dict.txt","a",encoding="utf-8") as f:
    t = "你好"
    f.write("\n"+t)

#按行读取tsv / 内存大可以直接.readlines()
with open("./data/train.tsv",encoding = "utf-8") as file:
    line = file.readline()
    limit = 0
    while line and limit<10:
        print(line)
        limit+=1
        line = file.readline()

###2.json 存储dict
x = {..}
#save
with open(r"./x.json","w") as f:  
    json.dump(x, f, ensure_ascii=False)   #单行
print("done")
## 格式化
with open(r"result.json", "w") as f:  
    json.dump(res, f, ensure_ascii=False, indent=4)  

#read
with open(r"./x.json","r") as f:
    x = json.loads(f.readlines()[0])  
#读取格式化后的多行json
with open(r"./x.json","r") as f:
    x = json.load(f)

###3.numpy 存储list
x = [x,]
np.save("./././x.npy",x)
x = np.load(r"./././x.npy")

###4.pandas
#read xlsx
data = pd.read_excel(r"xxxx.xlsx","Sheet1")

#dict to df
result = {x:1,y:2,..}  
df = pd.DataFrame(list(result.items()), columns=["key","value"])
#save df
df.to_csv(r"./result.csv", index=False,header=True)
#read
df = pd.read_csv(r"./result.csv",encoding = "gbk")

s.islower() #判断是否所有字符小写
s.isupper() #判断是否所有字符大写
s.isalpha() #判断是否所有字符为字母
s.isalnum() #判断是否所有字符为字母或数字
s.isdigit() #判断是否所有字符为数字
s.istitle() #判断是否所有字符为首字母大写

from collections import Counter
x = [1,2,3,2]
y= "1232"
Counter(x)
#>>Counter({2: 2, 1: 1, 3: 1})  #就是一个dict
Counter(y)
#>>Counter({"2": 2, "1": 1, "3": 1})
Counter("1232")["2"]
#>>2

# 把时间处理 以找到登陆时间
import time
def timestamp_datetime(value):
    format = "%Y-%m-%d %H:%M:%S"
 # value为传入的值为时间戳(整形)，如：1332888820
    value = time.localtime(value)
 ## 经过localtime转换后变成
 ## time.struct_time(tm_year=2012, tm_mon=3, tm_mday=28, tm_hour=6, tm_min=53, tm_sec=40, tm_wday=2, tm_yday=88, tm_isdst=0)
 # 最后再经过strftime函数转换为正常日期格式。
    dt = time.strftime(format, value)
    return dt
def datetime_timestamp(dt):
  #dt为字符串
  #中间过程，一般都需要将字符串转化为时间数组
    time.strptime(dt, "%Y-%m-%d %H:%M:%S")
  ## time.struct_time(tm_year=2012, tm_mon=3, tm_mday=28, tm_hour=6, tm_min=53, tm_sec=40, tm_wday=2, tm_yday=88, tm_isdst=-1)
  #将"2012-03-28 06:53:40"转化为时间戳
    s = time.mktime(time.strptime(dt, "%Y-%m-%d %H:%M:%S"))
    return int(s)

d = datetime_timestamp("2015-03-30 16:38:20")
print(d)
s = timestamp_datetime(1427704700)
print(s)

#方法1.用List的成员函数sort进行排序，在本地进行排序，不返回副本
#方法2.用built-in函数sorted进行排序（从2.4开始），返回副本，原始输入不变
listX = [[1,4],[2,5],[3,3]]
sorted(listX, key=lambda x : x[1])
#>>[[3, 3], [1, 4], [2, 5]]

### 两个list按同意顺序排序
list1 = [1, 2, 3, 4, 15, 6]
list2 = ["a", "b", "c", "d", "e", "f"]
c = list(zip(list1,list2))
c.sort(reverse=True) #降序du
list1[:],list2[:] = zip(*c)
print(list1,list2)

path1 = os.getcwd()   #最外层执行的main.py的路径
path2 = os.path.dirname(os.path.realpath(__file__))  #当前py文件的绝对路径

print("\r",object,end="",flush=True)
 
#e.g.
for i,img_name in enumerate(img_names):
    print("\r",str(i)+"/"+str(len(img_names)),end="",flush=True)

img = cv2.imread("000000000113_0.jpg")
img = Image.fromarray(img)
img = img.resize((192,192))
img = np.array(img)

def imgToBase64(img_array):
    # 传入图片为RGB格式numpy矩阵，传出的base64也是通过RGB的编码
    img_array = cv2.cvtColor(img_array, cv2.COLOR_RGB2BGR) #RGB2BGR，用于cv2编码
    encode_image = cv2.imencode(".jpg", img_array)[1] #用cv2压缩/编码，转为一维数组
    byte_data = encode_image.tobytes() #转换为二进制
    base64_str = base64.b64encode(byte_data).decode("ascii") #转换为base64
    return base64_str
    
def base64ToImg(base64_str):
    # 传入为RGB格式下的base64，传出为RGB格式的numpy矩阵
    byte_data = base64.b64decode(base64_str)#将base64转换为二进制
    encode_image = np.asarray(bytearray(byte_data), dtype="uint8")# 二进制转换为一维数组
    img_array = cv2.imdecode(encode_image, cv2.IMREAD_COLOR)# 用cv2解码为三通道矩阵
    img_array = cv2.cvtColor(img_array, cv2.COLOR_BGR2RGB)# BGR2RGB
    return img_array

为你推荐