pythonmd

‘壹’ python一段小函数解释

一般我们常见的网址后缀(suffix)是 cn,或者net,或者com,你说的就是域名的后缀列表
后面代码就是用dot把域名分隔开，
比如www..com 被拆分成[ ‘www','','com']
经过for循环后，到com的时候，进入if分支，而前面走的是else分支，所以可以看到sdomain的变化如下：
遇到www, sdomain包含['www']
遇到 sdomain被替换为['']
遇到com,走if分支，append，变成 ['','com']
然后join后就变成 .com

不过不知道这么些的理由，要是我，就用正则表达式，或者直接保留后面两个部分
domain=url.split('.')
if domain[-1] in suffixs:
return string.join(domain[-2:],'.')
else:
return None #not valid domain

‘贰’ python用到CMD的几个文件夹操作命令

1.进入I盘

c:>I:
I:>2.打开文件夹
I:>cd新建文件夹
I:新建文件夹>返回上级目录
I:新建文件夹>cd..
I:>


3.返回盘符
I:新建文件夹123>cd
I:>4.新建/删除文件夹

c:>md123在C盘下新建一个123的文件夹
c:>rd123删除C盘下123的文件夹5.打开文件
打开123.txt文件
c:>123.txt6.命令行下查看文件命令行下查看123.txt的内容
格式:
I:>type123.txt
0000
0000
I:>7.删除文件删除123.txt文件
格式:
I:>del123.txt
I:>创建加密码文件夹
c:>md123..
删除
c:>rd123..

‘叁’ PYTHON怎样编写自动化

python 有一个很优秀的自动化框架叫做selenium
但是在写程序之前，需要明确所操作的步骤是否是可重复性
然后定制流程计划
然后通过代码实现
python自动是一个十分强大的功能
如果想要了解更详细的内容可以搜索python selenium
获得更多更详细的内容

‘肆’ 有没有老师了解Python用于Meta分析的工具包

Python在科学计算领域，有两个重要的扩展模块：Numpy和Scipy。其中Numpy是一个用python实现的科学计算包。包括：

• 一个强大的N维数组对象Array；

• 比较成熟的（广播）函数库；

• 用于整合C/C++和Fortran代码的工具包；

• 实用的线性代数、傅里叶变换和随机数生成函数。

SciPy是一个开源的Python算法库和数学工具包，SciPy包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。其功能与软件MATLAB、Scilab和GNU Octave类似。

Numpy和Scipy常常结合着使用，Python大多数机器学习库都依赖于这两个模块，绘图和可视化依赖于matplotlib模块，matplotlib的风格与matlab类似。Python机器学习库非常多，而且大多数开源，主要有：

1.scikit-learn

scikit-learn是一个基于SciPy和Numpy的开源机器学习模块，包括分类、回归、聚类系列算法，主要算法有SVM、逻辑回归、朴素贝叶斯、Kmeans、DBSCAN等，目前由INRI资助，偶尔Google也资助一点。

项目主页：

https://pypi.python.org/pypi/scikit-learn/

http://scikit-learn.org/

https://github.com/scikit-learn/scikit-learn

2.NLTK

NLTK(Natural Language Toolkit)是Python的自然语言处理模块，包括一系列的字符处理和语言统计模型。NLTK常用于学术研究和教学，应用的领域有语言学、认知科学、人工智能、信息检索、机器学习等。NLTK提供超过50个语料库和词典资源，文本处理库包括分类、分词、词干提取、解析、语义推理。可稳定运行在Windows, Mac OS X和linux平台上.

项目主页：

http://sourceforge.net/projects/nltk/

https://pypi.python.org/pypi/nltk/

http://nltk.org/

3.Mlpy

Mlpy是基于NumPy/SciPy的Python机器学习模块，它是Cython的扩展应用。包含的机器学习算法有：

l回归

least squares,ridge regression, least angle regression,elastic net, kernel ridge regression,support vector machines(SVM),partial least squares(PLS)

l分类

linear discriminant analysis(LDA), Basicperceptron, Elastic Net,logistic regression, (Kernel) Support Vector Machines (SVM), Diagonal Linear Discriminant Analysis (DLDA), Golub Classifier, Parzen-based, (kernel) Fisher Discriminant Classifier, k-nearest neighbor, Iterative RELIEF, Classification Tree, Maximum Likelihood Classifier

l聚类

hierarchical clustering, Memory-saving Hierarchical Clustering,k-means

l维度约减

(Kernel)Fisher discriminant analysis(FDA), Spectral Regression Discriminant Analysis (SRDA), (kernel)Principal component analysis(PCA)

项目主页：

http://sourceforge.net/projects/mlpy

https://mlpy.fbk.eu/

4.Shogun

Shogun是一个开源的大规模机器学习工具箱。目前Shogun的机器学习功能分为几个部分：feature表示，feature预处理，核函数表示,核函数标准化，距离表示，分类器表示，聚类方法，分布，性能评价方法，回归方法，结构化输出学习器。

SHOGUN的核心由C++实现，提供Matlab、R、Octave、Python接口。主要应用在linux平台上。

项目主页：

http://www.shogun-toolbox.org/

5.MDP

The Molar toolkit for Data Processing (MDP)，用于数据处理的模块化工具包，一个Python数据处理框架。

从用户的观点，MDP是能够被整合到数据处理序列和更复杂的前馈网络结构的一批监督学习和非监督学习算法和其他数据处理单元。计算依照速度和内存需求而高效的执行。从科学开发者的观点，MDP是一个模块框架，它能够被容易地扩展。新算法的实现是容易且直观的。新实现的单元然后被自动地与程序库的其余部件进行整合。MDP在神经科学的理论研究背景下被编写，但是它已经被设计为在使用可训练数据处理算法的任何情况中都是有用的。其站在用户一边的简单性，各种不同的随时可用的算法，及应用单元的可重用性，使得它也是一个有用的教学工具。

项目主页：

http://mdp-toolkit.sourceforge.net/

https://pypi.python.org/pypi/MDP/

‘伍’ python的readme怎么写

了解一个项目，恐怕首先都是通过其Readme文件了解信息。如果你以为Readme文件都是随便写写的那你就错了。github，oschina Git gitcafe的代码托管平台上的项目的Readme.MD文件都是有其特有的语法的。称之为Markdown语法。基本规则如下：
Markdown 语法速查表
1 标题与文字格式
标题
# 这是 H1 <一级标题>
## 这是 H2 <二级标题>
###### 这是 H6 <六级标题>
文字格式
**这是文字粗体格式**
*这是文字斜体格式*
~~在文字上添加删除线~~
2 列表
无序列表
* 项目1
* 项目2
* 项目3
有序列表
1. 项目1
2. 项目2
3. 项目3
* 项目1
* 项目2
3 其它
图片
链接
[链接名称]()
引用
> 第一行引用文字
> 第二行引用文字
水平线
***
代码
`<hello world>`
代码块高亮
```ruby
def add(a, b)
return a + b
end
```
表格
表头 | 表头
------------- | -------------
单元格内容 | 单元格内容
单元格内容l | 单元格内容
如果直接记语法，那似乎困难了些。这里OneCoder推荐两个Markdown的编辑器。

‘陆’ 新手如何快速学习Python

python 非常适合初学者入门。相比较其他不少主流编程语言，有更好的可读性，因此上手相对容易。自带的各种模块加上丰富的第三方模块，免去了很多“重复造轮子”的工作，可以更快地写出东西。配置开发环境也不是很复杂，mac 和 linux 都内置了 python。另外据我所知，不少学校也开始使用 python 来教授程， 最好能找到一个已经会 python 的人。问他一点学习规划的建议，然后在遇到卡壳的地方找他指点。这样会事半功倍。但是，要学会搜索，学会如何更好地提问。没人愿意帮你写作业或是回答“一搜便知”的问题。

如果想要零基础视频资料可以加我企鹅号一六二二中间四七九最后四三五免费分享

然而，别人的经验未必能完全复制。比如我没有说的是，在自学 python 之前，我已在学校系统学习过其他的编程语 对于完全没有编程经验的初学者，在学习 python 的时候，面对的不仅仅是 python 这门语言，还需要面临“编程”的一些普遍问题，比如：

从零开始，不知道从何入手，找了本编程教材发现第二章开始就看不懂了；

缺少计算机基础知识，被一些教程略过的“常识性”问题卡住；

遇到问题不知道怎么寻找 遇到问题不知道怎么寻找解决方案； 语法之后不知道拿来做什么，学完一阵子就又忘了；

缺少数据结构、设计模式等编程基础知识，只能写出小的程序

首先要有信心。虽然可能你看了几个小时也没在屏幕上打出一个三角形，或者压根儿就没能把程序运行起来。但相信我，几乎所有程序员一开始都是这么折腾过来的。

选择合适的教程。有些书很经典，但未必适合你，可能你写了上万行代码之后再看它会比较好。

写代码，然后写更多的代码。光看教程，编不出程序。从书上的例程开始写，再写小程序片段，然后写完整的项目。

除了学习编程语言，也兼顾补一点计算机基础，和英语

‘柒’ python有哪些模块 md5

python的md5模块使用非常简单，包括以下几个函数：

md5.new([arg])
返回一个md5对象，如果给出参数，则相当于调用了update(arg)
md5.updte(arg)
用string参数arg更新md5对象
md5.digest()
返回16字节的摘要，由传给update的string生成，摘要没有ascii字符
md5.hexdigest()
以16进制的形式返回摘要

代码示例：

01.#!/usr/bin/python

02.import
sys

03.import
md5

04.

05.str=sys.argv[1]

06.key =
md5.new()

07.key.update(str)

08.print
key.hexdigest()

09.str=sys.argv[1]

保存代码为md.py

1.[fengyj@fengyj
python]$ chmod +x md.py

2.[fengyj@fengyj
python]$ ./md.py fengyajie

3.

‘捌’ 如何编写高质量的python程序

写出规范的代码是写出高质量代码的第一步，并且有助于培养仔细的习惯。

为了培养规范写代码的习惯，可以安装flake8这个工具，它不仅可以检查代码风格是否符合官方建议（PEP8），而且还能找出潜在的隐患（用Pyflakes做语法分析），更逆天的是还能检测到你有些函数写的太复杂（代码圈复杂度）了，更更逆天的是可以设置git commit之前必须通过这些检查。

当然具体操作需要根据自己的项目进行一些定制，比如可以忽略E501，W293。

空白项目模版

好的开始是成功的一半，写python代码就从pyempty开始吧。

在github上看一下那些经典的项目，web.py,flask, pep8，他们的项目目录都很规范，综合借鉴了一些项目的特点，我写了这个pyempty项目。

1.README.md 这里写你项目的简介，quick start等信息，虽然distutils要求这个文件没有后缀名，但github上如果后缀是.md的话可以直接转换成html显示。

2.ChangeLog.txt 该文件存放程序各版本的变更信息，也有一定的格式，参考web.py的ChangeLog.txt

3.LICENES.txt 这里存放你项目使用的协议，不要编写自己的协议。

4.requirements.txt 如果你的项目需要依赖其它的python第三方库，在这里一行一个写出来，可能pip install的时候能自动帮你安装

5.setup.py 安装脚本，后面详细介绍

6.docs 里面存放你的项目文档，如概要设计，详细设计，维护文档，pydoc自动生成的文档等，强烈推荐大家使用MarkDown格式编写文档

7.src 这个目录里存放项目模块的主要代码，尽量不要把模块目录直接放到根目录，模块代码目录可以在setup.py里指定的

8.tests 这个目录存放所有单元测试，性能测试脚本，单元测试的文件确保以test_做前缀，这样distutils会自动打包这些文件，并且用python -m unittest discover -s ./ -p 'test_*.py' -v 可以直接执行这些测试

单元测试

Martin Fowler："在你不知道如何测试代码之前，就不该编写程序。而一旦你完成了程序，测试代码也应该完成。除非测试成功，你不能认为你编写出了可以工作的程序。"

我们有很多理由不写单元测试，归根结底是懒，虽然代码大全上说：

大部分研究都发现，检测比测试的成本更小。NASA软件工程实验室的一项研究发现，阅读代码每小时能够检测出来的缺陷要比测试高出80%左右(Basili and Selby 1987)。后来，IBM的一项研究又发现，检查发现的一个错误只需要3.5个工作时，而测试则需要花费15-25个工作时（Kaplan 1995)。

但是单元测试还是让别人相信你的代码有很高质量的最有力证据。

好了，请详细阅读：

深入python3.0: 单元测试-2.x也适用

Unit testing framework 不完整中文版

文档

敏捷开发不是提倡什么文档也不写，没有文档就没有传承和积累，轮岗或新人接手任务就会遇到很大的麻烦，所以我决定每个项目最少要写以下文档：

1.nalysis.model.md 概要设计文档，不同于README.md文件，该文档应该写于项目开发之前，把项目有哪些功能，大概分几个模块等项目整体概述信息写一下。

2.design.model.md 详细设计文档，不用太详细，至少把项目依赖哪些东西，谁依赖这个项目，重要算法流程描述，代码整体结构等写出来。

3.maintain.md 维护文档，这个我觉得最重要，你的服务都记录哪些日志，需要监控哪些业务指标，如何重启，有哪些配置项等，没这些东西，你的项目很难运维。

上面这些文档都是项目全局性的文档，不适合写在docstring或注视里，所以要有单独的文档。

打包

python有专门的模块打包系统distutils，你可以用这套机制把你的代码打包并分发到Pypi上，这样任何人都可以用pip或easy_install安装你的模块。

如果你开发的是内部项目，还可以用mypypi架设私有的pypi，然后把项目的大的版本更新发布到内部的pypi上，配置管理人员和运维人员可以很方便的从pypi上拉取代码安装到测试环境或生产环境。

发布大版本的时候要给版本命名及编写ChangeList，可以参考Git Pro的相关章节,主要记住以下几个命令。

git tag -a v0.1 -m 'my test tag' #给大版本命名，打Tag
git describe master #给小版本命名,Git将会返回一个字符串，由三部分组成：最近一次标定的版本号，加上自那次标定之后的提交次数，再加上一段SHA-1值
git shortlog --no-merges master --not v0.1 #生成版本简报,ChangeList
python有自己的打包机制，所以一般不要用git archive命令。

当然大版本管理用pypi管理比较合适，小的bug fix，紧急上线等好多公司都是用git直接从生产环境拉代码更新，因为git,svn等可以很方便的撤销某次更新，回滚到某个位置。

如何管理好大版本上线和小的紧急上线，我还没理清思路，欢迎大家参与讨论。

关于打包，请阅读如下链接：

Python 打包指南

深入Python3.0:打包 Python 类库

python打包:分发指定文件

出自：http://developer.51cto.com/art/201209/356603.htm

‘玖’ python 中self.repos.populateSack(mdtype='filelists')什么意思其中这个mdtype所起什么作用

不可以,python里面初始化指定参数的形式来的,相当于key-value

‘拾’ 这个python程序的入口在哪

可以自己定义入口（main）

在代码最后面加上

if__name__=='__main__':
M=Macro()#实例化类文件
M.ExecuteBlock()#调用类文件的方法

这个实际上类似于C 或者 java 的main()

假设这个文件叫做mac.py

命令行里执行

pythonmac.py
#就会执行if__name__=='__main__':下面的代码