python replace函数怎么用，python replace函数用法
各位老铁们好，相信很多人对python replace函数怎么用都不是特别的了解，因此呢，今天就来为大家分享下关于python replace函数怎么用以及python replace函数用法的问题知识，还望可以帮助大家，解决大家的一些困惑，下面一起来看看吧！
python内置函数
8个超好用的内置函数set()、eval()、sorted()、reversed()、map()、reduce()、filter()、enumerate()。
1、set()
当需要对一个列表进行去重操作的时候，set()函数就派上用场了。
用于创建一个集合，集合里的元素是无序且不重复的。集合对象创建后，还能使用并集、交集、差集功能。
2、eval()
之前有人问如何用Python写一个四则运算器，输入字符串公式，直接产生结果。用eval()来做就很简单：eval(str_expression)作用是将字符串转换成表达式，并且执行。
3、sorted()
在处理数据过程中，我们经常会用到排序操作，比如将列表、字典、元组里面的元素正/倒排序。这时候就需要用到sorted()，它可以对任何可迭代对象进行排序，并返回列表。
4、reversed()
如果需要对序列的元素进行反转操作，reversed()函数能帮到你。reversed()接受一个序列，将序列里的元素反转，并最终返回迭代器。
5、map()
做文本处理的时候，假如要对序列里的每个单词进行大写转化操作。这个时候就可以使用map()函数。
map()会根据提供的函数，对指定的序列做映射，最终返回迭代器。也就是说map()函数会把序列里的每一个元素用指定的方法加工一遍，最终返回给你加工好的序列。比如：对列表里的每个数字作平方处理。
6、reduce()
前面说到对列表里的每个数字作平方处理，用map()函数。那我想将列表里的每个元素相乘，该怎么做呢?这时候用到reduce()函数。
reduce()会对参数序列中元素进行累积。第一、第二个元素先进行函数操作，生成的结果再和第三个元素进行函数操作，以此类推，最终生成所有元素累积运算的结果。
你可能已经注意到，reduce()函数在Python3里已经不再是内置函数，而是迁移到了functools模块中，这说明reduce()函数太重要了!
7、filter()
filter()函数用于过滤序列，过滤掉不符合条件的元素，返回一个迭代器对象，如果要转换为列表，可以使用 list()来转换。
该接收两个参数，第一个为函数，第二个为序列，序列的每个元素作为参数传递给函数进行判断，然后返回 True或 False，最后将返回 True
的元素放到新列表中。
8、enumerate()
enumerate()函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for
循环当中。
python gensim怎么用word2vect
词向量（word2vec）原始的代码是C写的，python也有对应的版本，被集成在一个非常牛逼的框架gensim中。
我在自己的开源语义网络项目graph-mind（其实是我自己写的小玩具）中使用了这些功能，大家可以直接用我在上面做的进一步的封装傻瓜式地完成一些操作，下面分享调用方法和一些code上的心得。
1.一些类成员变量：
[python]view plaincopy
def__init__(self,modelPath,_size=100,_window=5,_minCount=1,_workers=multiprocessing.cpu_count()):
self.modelPath=modelPath
self._size=_size
self._window=_window
self._minCount=_minCount
self._workers=_workers
modelPath是word2vec训练模型的磁盘存储文件（model在内存中总是不踏实），_size是词向量的维度，_window是词向量训练时的上下文扫描窗口大小，后面那个不知道，按默认来，_workers是训练的进程数（需要更精准的解释，请指正），默认是当前运行机器的处理器核数。这些参数先记住就可以了。
2.初始化并首次训练word2vec模型
完成这个功能的核心函数是initTrainWord2VecModel，传入两个参数：corpusFilePath和safe_model，分别代表训练语料的路径和是否选择“安全模式”进行初次训练。关于这个“安全模式”后面会讲，先看代码：
[python]view plaincopy
definitTrainWord2VecModel(self,corpusFilePath,safe_model=False):
'''''
initandtrainaneww2vmodel
(corpusFilePathcanbeapathofcorpusfileordirectoryorafiledirectly,insometimeitcanbesentencesdirectly
aboutsoft_model:
ifsafe_modelistrue,theprocessoftrainingusesupdatewaytorefreshmodel,
andthiscankeeptheusageofos'smemorysafebutslowly.
andifsafe_modelisfalse,theprocessoftrainingusesthewaythatloadall
corpuslinesintoasentenceslistandtrainthemonetime.)
'''
extraSegOpt().reLoadEncoding()
fileType=localFileOptUnit.checkFileState(corpusFilePath)
iffileType==u'error':
warnings.warn('loadfileerror!')
returnNone
else:
model=None
iffileType==u'opened':
print('trainingmodelfromsingleFile!')
model=Word2Vec(LineSentence(corpusFilePath),size=self._size,window=self._window,min_count=self._minCount,workers=self._workers)
eliffileType==u'file':
corpusFile=open(corpusFilePath,u'r')
print('trainingmodelfromsingleFile!')
model=Word2Vec(LineSentence(corpusFile),size=self._size,window=self._window,min_count=self._minCount,workers=self._workers)
eliffileType==u'directory':
corpusFiles=localFileOptUnit.listAllFileInDirectory(corpusFilePath)
print('trainingmodelfromlistFilesofdirectory!')
ifsafe_model==True:
model=Word2Vec(LineSentence(corpusFiles[0]),size=self._size,window=self._window,min_count=self._minCount,workers=self._workers)
forfileincorpusFiles[1:len(corpusFiles)]:
model=self.updateW2VModelUnit(model,file)
else:
sentences=self.loadSetencesFromFiles(corpusFiles)
model=Word2Vec(sentences,size=self._size,window=self._window,min_count=self._minCount,workers=self._workers)
eliffileType==u'other':
#TODOaddsentenceslistdirectly
pass
model.save(self.modelPath)
model.init_sims()
print('producingword2vecmodel...ok!')
returnmodel
首先是一些杂七杂八的，判断一下输入文件路径下访问结果的类型，根据不同的类型做出不同的文件处理反应，这个大家应该能看懂，以corpusFilePath为一个已经打开的file对象为例，创建word2vec model的代码为：
[python]view plaincopy
model=Word2Vec(LineSentence(corpusFilePath),size=self._size,window=self._window,min_count=self._minCount,workers=self._workers)
其实就是这么简单，但是为了代码健壮一些，就变成了上面那么长。问题是在面对一个路径下的许多训练文档且数目巨大的时候，一次性载入内存可能不太靠谱了（没有细研究gensim在Word2Vec构造方法中有没有考虑这个问题，只是一种习惯性的警惕），于是我设定了一个参数safe_model用于判断初始训练是否开启“安全模式”，所谓安全模式，就是最初只载入一篇语料的内容，后面的初始训练文档通过增量式学习的方式，更新到原先的model中。
上面的代码里，corpusFilePath可以传入一个已经打开的file对象，或是一个单个文件的地址，或一个文件夹的路径，通过函数checkFileState已经做了类型的判断。另外一个函数是updateW2VModelUnit，用于增量式训练更新w2v的model，下面会具体介绍。loadSetencesFromFiles函数用于载入一个文件夹中全部语料的所有句子，这个在源代码里有，很简单，哥就不多说了。
3.增量式训练更新word2vec模型
增量式训练w2v模型，上面提到了一个这么做的原因：避免把全部的训练语料一次性载入到内存中。另一个原因是为了应对语料随时增加的情况。gensim当然给出了这样的solution，调用如下：
[python]view plaincopy
defupdateW2VModelUnit(self,model,corpusSingleFilePath):
'''''
(onlycanbeasingleFile)
'''
fileType=localFileOptUnit.checkFileState(corpusSingleFilePath)
iffileType==u'directory':
warnings.warn('cannotdealadirectory!')
returnmodel
iffileType==u'opened':
trainedWordCount=model.train(LineSentence(corpusSingleFilePath))
print('updatemodel,updatewordsnumis:'+trainedWordCount)
eliffileType==u'file':
corpusSingleFile=open(corpusSingleFilePath,u'r')
trainedWordCount=model.train(LineSentence(corpusSingleFile))
print('updatemodel,updatewordsnumis:'+trainedWordCount)
else:
#TODOaddsentenceslistdirectly(sameaslastfunction)
pass
returnmodel
简单检查文件type之后，调用model对象的train方法就可以实现对model的更新，这个方法传入的是新语料的sentences，会返回模型中新增词汇的数量。函数全部执行完后，return更新后的model，源代码中在这个函数下面有能够处理多类文件参数（同2）的增强方法，这里就不多介绍了。
4.各种基础查询
当你确定model已经训练完成，不会再更新的时候，可以对model进行锁定，并且据说是预载了相似度矩阵能够提高后面的查询速度，但是你的model从此以后就read only了。
[python]view plaincopy
deffinishTrainModel(self,modelFilePath=None):
'''''
warning:afterthis,themodelisread-only(can'tbeupdate)
'''
ifmodelFilePath==None:
modelFilePath=self.modelPath
model=self.loadModelfromFile(modelFilePath)
model.init_sims(replace=True)
可以看到，所谓的锁定模型方法，就是init_sims，并且把里面的replace参数设定为True。
然后是一些word2vec模型的查询方法：
[python]view plaincopy
defgetWordVec(self,model,wordStr):
'''''
gettheword'svectorasarrayListtypefromw2vmodel
'''
returnmodel[wordStr]
[python]view plaincopy
defqueryMostSimilarWordVec(self,model,wordStr,topN=20):
'''''
MSimilarwordsbasicqueryfunction
return2-dimList[0]isword[1]isdouble-prob
'''
similarPairList=model.most_similar(wordStr.decode('utf-8'),topn=topN)
returnsimilarPairList
[python]view plaincopy
defculSimBtwWordVecs(self,model,wordStr1,wordStr2):
'''''
twowordssimilarbasicqueryfunction
returndouble-prob
'''
similarValue=model.similarity(wordStr1.decode('utf-8'),wordStr2.decode('utf-8'))
returnsimilarValue
上述方法都很简单，基本上一行解决，在源代码中，各个函数下面依然是配套了相应的model文件处理版的函数。其中，getWordVec是得到查询词的word2vec词向量本身，打印出来是一个纯数字的array；queryMostSimilarWordVec是得到与查询词关联度最高的N个词以及对应的相似度，返回是一个二维list（注释里面写的蛮清楚）；culSimBtwWordVecs是得到两个给定词的相似度值，直接返回double值。
5.Word2Vec词向量的计算
研究过w2v理论的童鞋肯定知道词向量是可以做加减计算的，基于这个性质，gensim给出了相应的方法，调用如下：
[python]view plaincopy
defqueryMSimilarVecswithPosNeg(self,model,posWordStrList,negWordStrList,topN=20):
'''''
pos-negMSimilarwordsbasicqueryfunction
return2-dimList[0]isword[1]isdouble-prob
'''
posWordList=[]
negWordList=[]
forwordStrinposWordStrList:
posWordList.append(wordStr.decode('utf-8'))
forwordStrinnegWordStrList:
negWordList.append(wordStr.decode('utf-8'))
pnSimilarPairList=model.most_similar(positive=posWordList,negative=negWordList,topn=topN)
returnpnSimilarPairList
由于用的是py27，所以之前对传入的词列表数据进行编码过滤，这里面posWordList可以认为是对结果产生正能量的词集，negWordList则是对结果产生负能量的词集，同时送入most_similar方法，在设定return答案的topN，得到的返回结果形式同4中的queryMostSimilarWordVec函数，大家可以这样数学地理解这个操作：
下面一个操作是我自创的，假设我想用上面词向量topN“词-关联度”的形式展现两个词或两组词之间的关联，我是这么做的：
[python]view plaincopy
defcopeMSimilarVecsbtwWordLists(self,model,wordStrList1,wordStrList2,topN_rev=20,topN=20):
'''''
rangewordvecresfortwowordListfromsourcetotarget
usewordVectortoexpresstherelationshipbetweensrc-wordListandtag-wordList
first,usethetag-wordListasneg-wordListtogettherev-wordList,
thenusethescr-wordListandtherev-wordListasthenewsrc-tag-wordList
topN_revistopNofrev-wordListandtopNisthefinaltopNofrelationshipvec
'''
srcWordList=[]
tagWordList=[]
srcWordList.extend(wordStr.decode('utf-8')forwordStrinwordStrList1)
tagWordList.extend(wordStr.decode('utf-8')forwordStrinwordStrList2)
revSimilarPairList=self.queryMSimilarVecswithPosNeg(model,[],tagWordList,topN_rev)
revWordList=[]
revWordList.extend(pair[0].decode('utf-8')forpairinrevSimilarPairList)
stSimilarPairList=self.queryMSimilarVecswithPosNeg(model,srcWordList,revWordList,topN)
returnstSimilarPairList
这个操作的思路就是，首先用两组词中的一组作为negWordList，传入上面的queryMSimilarVecswithPosNeg函数，得到topN一组的中转词，在使用这些中转词与原先的另一组词进行queryMSimilarVecswithPosNeg操作，很容易理解，第一步得到的是一组词作为negWordList的反向结果，再通过这个反向结果与另一组词得到“负负得正”的效果。这样就可以通过一组topN的“词-关联度”配对List表示两组词之间的关系。
学python别说还不会用这些快捷键了
学python别说还不会用这些快捷键了
ー、编辑(Editing)
1.Ctr+Space基本的代码完成（类、方法、属性）。
2.Ctrl+Alt+Space快速导入任意类。
3.Ctrl+Shift+Enter语句完成。
4.Ctrl+P参数信息（在方法中调用参数）。
5.Ctrl+Q快速查看文档。
6.F1外部文档。
7.Shift+F1外部文档。进入web文档主页。
8.ctrl+Shift+Z->Redo重做。
9.Ct+悬浮单击鼠标左键简介进入代码定义。
10.Ctl+F1显示错误描述或警告信息。
11.AIt+Insert自动生成代码。
12.Ctrl+0重新方法。
13.Ctrl+AIt+T选中。
14.Ct+行注释取消行注释。
15.Ctrl+Shift+/块注释。
16.Ctrl+Shift+1查看快速定义。
17.Ctrl+Shift+B跳转到类型声明。
18.Ctl+U跳转到父方法、父类。
19.Ctrl+]爪跳转到代码块结束、开始。
20.Ctrl+F12弹出文件结构。
21.Ctrl+H类型层次结构。
22.Ctrl+Shift+H方法层次结构。
23.Ctrl+AIt+H调用层次结构。
24.F2/Shift+F2下一条、前一条高亮的错误。
25.F4/Ctrl+Enter编辑资源、查看资源。
26.AIt+Home显示导航条F11书签开关。
27.Ctrl+Shift+F11书签助记开关。
28.Ctrl+#[0-9]跳转到标识的书签。
29.Shift+F11显示书签AIt+Tab切换窗口。
30.Ctrl+Shift+J添加智能线。
31.Ctrl+Enter智能线切割。
32.Shift+Enter另起一行。
33.Ctrl+Shift+U在选定的区域或代码块间切换。
34.Ctrl+Delete删除到字符结束。
35.Ctrl+Backspace删除到字符开始。
36.Ctrl+Numpad+展开/折叠代码块〔当前位置的：函数，注释等)。
37.Ctrl+shift+Numpad.+/展开折叠所有代码块。
38.Ctr+F4关闭运行的选项卡。
39.默认是选中+ctrlcommand+shift+u转换字母大小写。
二、查找替换(Search/Replace)
1.F3下一个。
2.Shift+F3前一个。
3.Ctrl+R替换。
4.Ctrl+Shif+F或者连续2次敲击shift全局查找何以在整个项目中查我煤个字符痒什么的，如查找某个函数名字符串看之前是怎么使用这个函数的。
5.Ctrl+Shift+R全局替换。
三、运行(Running)
1.Alt+Shift+F10运行模式配置。
2.Alt+Shift+F9调试模式配置。
3.Shift+F1O运行。
4.Shift+F9调试。
5.Ctrl+Shift+F10运行编辑器配置。
6.Ctrl+Alt+R运行manage.py任务。
四、调试(Debugging)
1.F8跳过。
2.F7进入。
3.Shift-+F8退出。
4.Alt+F9运行游标。
5.At+F8验证表达式。
6.Ctrl+Alt+F8快速验证表达式。
7.F9恢复程序。
8.Ctrl+F8断点开关。
9.Ctrl+Shift+-F8查看断点。
五、导航(Navigation)
1.Ctrl+N跳转到类。
2.Ctrl+Shift+N跳转到符号。
3.Alt+Right/儿eft跳转到下一个、前一个编辑的选项卡，代码文件(cmd+alt+right/left mac)。
4.AIt+Up/Down跳转到上一个、下一个方法。
5.F12回到先前的工具窗口。
6.Esc从工具窗口回到编辑窗回。
7.Shift+Esc隐藏运行的、最近运行的窗。
8.Ctrl+Shift+F4关闭主动运行的选项卡。
9.Ctrl+G查看当前行号、字符号。
10.Ctrl+E当前文件弹出，打开最近使用的文件列表。
11.Ctrl+AIt+Left/Right.后退、前进。
12.Ctrl+Shift+Backspace导航到最近编辑区域，差不多就是返回上次编辑的位置。
13.At+F1查找挡前文件或标识。
14.Ctrl+B/Ctrl+Click跳转到声明。
15.Ctr+AIt+B跳转到实现。
16.Ctrl+W选中增加的代码块。
17.Ctrl+Shift+W回到之前状态。
18.Ctrl+Shift+][选定代码块结束、开始。
19.Alt+Enter快速修正。
20.Ctr+AIt+L代码格式化。
21.Ctrl+At+0优化导入。
22.Ctrl+AIt+1自动缩进。
23.Tab/Shift+Tab缩进、不缩进当前行。
24.Ctrl+X/Shift+-Delete剪切当前行或选定的代码块到剪贴板。
25.Ctrl+C/Ctrl+Insert,复制当前行或选定的代码块到剪贴板。
26.Ctrl+V/Shift+Insert从剪贴板粘贴。
27.Ctrl+Shift+V从最近的缓冲区粘贴。
28.Ctrl+D复制选定的区域或行。
29.Ctr+Y删除选定的行。
好了，文章到此结束，希望可以帮助到大家。