沉淀再出發:在python3中導入自定義的包

沉淀再出發:在python3中導入自定義的包

一、前言

    在python中如果要使用自己的定義的包，還是有一些需要注意的事項的，這里簡單記錄一下。

二、在python3中導入自定義的包

 2.1、什么是模塊、包、庫？

  模塊：就是.py文件，里面定義了一些函數和變量，需要的時候就可以導入這些模塊。
  包：在模塊之上的概念，為了方便管理而將文件進行打包。包目錄下第一個文件便是 __init__.py，然后是一些模塊文件和子目錄，假如子目錄中也有 __init__.py，那么它就是這個包的子包了。
  庫：具有相關功能模塊的集合。這也是Python的一大特色之一，即具有強大的標准庫、第三方庫以及自定義模塊。標准庫就是下載安裝的python里那些自帶的模塊，要注意的是，里面有一些模塊是看不到的比如像sys模塊，這與linux下的cd命令看不到是一樣的情況。第三方庫是由其他的第三方機構，發布的具有特定功能的模塊。自定義模塊是用戶自己編寫的模塊。
  這三個概念實際上都是模塊，只不過是個體和集合的區別。

 2.2、簡單的自定義包

  我們在任何一個目錄下面新建一個文件夾和兩個.py文件，然后在文件夾下面創建一個空的__init__.py文件和.py的文件，然后開始實驗。

 首先我們看看在同級目錄下各個模塊的引用情況

  

  打開CMD，將目錄切換到當前文件夾下，運行程序，可以發現在同目錄下正常運行並且生成了緩存文件：

 然后我們測試在不同目錄下

 

  在sub1文件夾下我們因為創建了__init__.py文件，系統會認為這個文件是一個package，因此，就會嘗試着加載和發現我們定義的模塊：

   然后再use.py中，我們發現可以正常的使用和執行了：

   其實如果我們將__init__.py文件刪除了，結果也會是一樣的，同樣可以運行：

    但是如果我們使用import 包名.模塊名的時候就會出現問題了，我們會發現如果是在同級上可以正常使用，但是在不同的包下面，除非我們使用全稱，要不然的話是不能成功的（注意：這個時候我們的包依舊沒有使用__init__.py文件）：

   即使我們使用了__init__.py依舊會是這樣：

 那么到底是為什么呢？

    這是因為python3需要絕對路徑引用，從project的根位置開始指明被引模塊的位置。通用格式為：from directory import module 。如果module存在於directory1下的directory2，那么建議寫成from directory1.directory2 import module，其中程序運行時根目錄（mount）為directory1。使用from語句可以把模塊直接導入當前命名空間，from語句並不引用導入對象的命名空間，而是將被導入對象直接引入當前命名空間。但是如果直接使用import的時候，就會使用另一個命名空間下面的函數或者變量，這個時候我們就需要使用全稱來指代。

   那么有沒有解決辦法呢，當然是有的，比如我們將子包加入到sys.path中，這樣系統就能自動識別了（這個時候不需要__init__.py文件）：

import sys
sys.path.append('sub1')
import mytest
print(mytest.sub(2,3))

 2.3、__init__.py的作用

  大家可能注意到，我一直在提這個文件，那么我們可以看到在很多的大型項目之中都是有這個文件存在的，我們可以看看我們自己使用pip install XXX，從網上下載的包文件：

   隨便找一個都會發現這個文件的，並且在子目錄下面也都會有這個文件的，我們看看上面的這個文件的內容，可以發現其中將自己目錄下面的文件進行了一種整合方便用戶直接來使用，再看看下面的子目錄中的__init__.py文件有的為空，有的就是整合該目錄下面的文件資源的：

# pylint: disable-msg=W0614,W0401,W0611,W0622

# flake8: noqa

__docformat__ = 'restructuredtext'

# Let users know if they're missing any of our hard dependencies
hard_dependencies = ("numpy", "pytz", "dateutil")
missing_dependencies = []

for dependency in hard_dependencies:
    try:
        __import__(dependency)
    except ImportError as e:
        missing_dependencies.append(dependency)

if missing_dependencies:
    raise ImportError(
        "Missing required dependencies {0}".format(missing_dependencies))
del hard_dependencies, dependency, missing_dependencies

# numpy compat
from pandas.compat.numpy import *

try:
    from pandas._libs import (hashtable as _hashtable,
                             lib as _lib,
                             tslib as _tslib)
except ImportError as e:  # pragma: no cover
    # hack but overkill to use re
    module = str(e).replace('cannot import name ', '')
    raise ImportError("C extension: {0} not built. If you want to import "
                      "pandas from the source directory, you may need to run "
                      "'python setup.py build_ext --inplace --force' to build "
                      "the C extensions first.".format(module))

from datetime import datetime

# let init-time option registration happen
import pandas.core.config_init

from pandas.core.api import *
from pandas.core.sparse.api import *
from pandas.tseries.api import *
from pandas.core.computation.api import *
from pandas.core.reshape.api import *

# deprecate tools.plotting, plot_params and scatter_matrix on the top namespace
import pandas.tools.plotting
plot_params = pandas.plotting._style._Options(deprecated=True)
# do not import deprecate to top namespace
scatter_matrix = pandas.util._decorators.deprecate(
    'pandas.scatter_matrix', pandas.plotting.scatter_matrix, '0.20.0',
    'pandas.plotting.scatter_matrix')

from pandas.util._print_versions import show_versions
from pandas.io.api import *
from pandas.util._tester import test
import pandas.testing

# extension module deprecations
from pandas.util._depr_module import _DeprecatedModule

json = _DeprecatedModule(deprmod='pandas.json',
                         moved={'dumps': 'pandas.io.json.dumps',
                                'loads': 'pandas.io.json.loads'})
parser = _DeprecatedModule(deprmod='pandas.parser',
                           removals=['na_values'],
                           moved={'CParserError': 'pandas.errors.ParserError'})
lib = _DeprecatedModule(deprmod='pandas.lib', deprmodto=False,
                        moved={'Timestamp': 'pandas.Timestamp',
                               'Timedelta': 'pandas.Timedelta',
                               'NaT': 'pandas.NaT',
                               'infer_dtype': 'pandas.api.types.infer_dtype'})
tslib = _DeprecatedModule(deprmod='pandas.tslib',
                          moved={'Timestamp': 'pandas.Timestamp',
                                 'Timedelta': 'pandas.Timedelta',
                                 'NaT': 'pandas.NaT',
                                 'NaTType': 'type(pandas.NaT)',
                                 'OutOfBoundsDatetime': 'pandas.errors.OutOfBoundsDatetime'})

# use the closest tagged version if possible
from ._version import get_versions
v = get_versions()
__version__ = v.get('closest-tag', v['version'])
del get_versions, v

# module level doc-string
__doc__ = """
pandas - a powerful data analysis and manipulation library for Python
=====================================================================

**pandas** is a Python package providing fast, flexible, and expressive data
structures designed to make working with "relational" or "labeled" data both
easy and intuitive. It aims to be the fundamental high-level building block for
doing practical, **real world** data analysis in Python. Additionally, it has
the broader goal of becoming **the most powerful and flexible open source data
analysis / manipulation tool available in any language**. It is already well on
its way toward this goal.

Main Features
-------------
Here are just a few of the things that pandas does well:

  - Easy handling of missing data in floating point as well as non-floating
    point data.
  - Size mutability: columns can be inserted and deleted from DataFrame and
    higher dimensional objects
  - Automatic and explicit data alignment: objects can be explicitly aligned
    to a set of labels, or the user can simply ignore the labels and let
    `Series`, `DataFrame`, etc. automatically align the data for you in
    computations.
  - Powerful, flexible group by functionality to perform split-apply-combine
    operations on data sets, for both aggregating and transforming data.
  - Make it easy to convert ragged, differently-indexed data in other Python
    and NumPy data structures into DataFrame objects.
  - Intelligent label-based slicing, fancy indexing, and subsetting of large
    data sets.
  - Intuitive merging and joining data sets.
  - Flexible reshaping and pivoting of data sets.
  - Hierarchical labeling of axes (possible to have multiple labels per tick).
  - Robust IO tools for loading data from flat files (CSV and delimited),
    Excel files, databases, and saving/loading data from the ultrafast HDF5
    format.
  - Time series-specific functionality: date range generation and frequency
    conversion, moving window statistics, moving window linear regressions,
    date shifting and lagging, etc.
"""

 下面我們看看__init__.py的作用：

     __init__.py文件用於組織包（package）。當文件夾下有__init__.py時，表示當前文件夾是一個package，其下的多個module統一構成一個整體。這些module都可以通過同一個package引入代碼中。__init__.py文件可以什么都不寫，但如果想使用from package1 import *這種寫法的話，需要在__init__.py中加上：

__all__ = ['file1','file2'] #package1下有file1.py,file2.py

 我們看一個例子：

 

 

    目前我們沒有__init__.py文件，是可以運行的：

    但是我們不能使用from  sub2  import * 來使用。

    如果使用__init__.py，在其中加入下面的語句，程序就可以正常運行了，特別是當該文件夾下的模塊特別多的時候就非常有用了。

__all__= ['file1','file2']

三、總結

     關於自定義package的導入，我們需要理解的還有很多，只有徹底的理解了其中的道理，我們才能真正的學會去使用它。