os.walk方法是python中幫助我們高效管理文件、目錄的工具，在深度學(xué)習(xí)中數(shù)據(jù)整理應(yīng)用的很頻繁，如數(shù)據(jù)集的名稱格式化、將數(shù)據(jù)集的按一定比例劃分訓(xùn)練集train_set、測(cè)試集test_set。

1.導(dǎo)入文件（使用os.walk方法前需要導(dǎo)入以下包）

import osimport random # 后續(xù)用來將數(shù)據(jù)隨機(jī)打亂和生成確定隨機(jī)種子，保證每次生成的隨機(jī)數(shù)據(jù)一樣便于測(cè)試模型精準(zhǔn)度

2.os.walk()參數(shù)解釋

os.walk(top, topdown=True, οnerrοr=None, followlinks=False)(后兩個(gè)參數(shù)我?guī)缀鯖]用過)參數(shù)

--top 我們需要遍歷的文件夾的地址（最好使用絕對(duì)地址，相對(duì)地址有時(shí)會(huì)出現(xiàn)未知錯(cuò)誤）--topdown 該參數(shù)為True時(shí)，會(huì)優(yōu)先遍歷top目錄，否則優(yōu)先遍歷top的子目錄(默認(rèn)值為 True)--onerror 需要一個(gè) callable 對(duì)象，當(dāng)walk需要異常時(shí)會(huì)調(diào)用--followlinks 如果為真，則會(huì)遍歷目錄下的快捷方式(linux 下是 symbolic link)實(shí)際所指的目錄(默認(rèn)關(guān)閉)

os.walk 的返回值是一個(gè)生成器(generator),也就是說我們可以用循環(huán)去不遍歷它，來獲得其內(nèi)容。每次遍歷的對(duì)象都是返回的是一個(gè)三元組(root,dirs,files)

--root 指的是當(dāng)前正在遍歷的這個(gè)文件夾的本身的地址--dirs 返回的是一個(gè)列表list，表中數(shù)據(jù)是該文件夾中所有的目錄的名稱(但不包括子目錄名稱)--files 返回的也是一個(gè)列表list , 表中數(shù)據(jù)是該文件夾中所有的文件名稱(但不包括子目錄名稱)

3.用于測(cè)試文件夾組織結(jié)構(gòu)

4.

廢話不說，看測(cè)試?yán)?/p>

4.1 os.walk(top, topdown=True)時(shí)打印返回的 root,dirs,files，順便測(cè)試下topdown為真和假時(shí)的遍歷順序的區(qū)別。（這里就不展示運(yùn)行后的結(jié)果了，代碼拿走直接就可運(yùn)行）

# topdown=True(該參數(shù)默認(rèn)為真)def _get_img_info(): #測(cè)試時(shí)將data_dir 換為自己的目標(biāo)文件夾即可 data_dir = r’C:UsersfutiangeDesktopZero to Heroexpression_testraw_data’ for root,dirs,files in os.walk(data_dir,topdown=True):print(’root={}’.format(root))print(’dirs={}’.format(dirs))print(’files={}’.format(files))if __name__ == ’__main__’: _get_img_info()# topdown=False(該參數(shù)默認(rèn)為假) def _get_img_info(): data_dir = r’C:UsersfutiangeDesktopZero to Heroexpression_testraw_data’ for root,dirs,files in os.walk(data_dir,topdown=False):print(’root={}’.format(root))print(’dirs={}’.format(dirs))print(’files={}’.format(files))if __name__ == ’__main__’: _get_img_info()

4.2 使用案例

在深度學(xué)習(xí)中遍歷數(shù)據(jù)集時(shí)，我們可以對(duì)數(shù)據(jù)集劃分，這里按train ：test = 9 : 1劃分。

import osimport random # 后續(xù)用來將數(shù)據(jù)隨機(jī)打亂和生成確定隨機(jī)種子，保證每次生成的隨機(jī)數(shù)據(jù)一樣便于測(cè)試模型精準(zhǔn)度def _get_img_info(rng_seed,split_n,mode): image_path_list = [] #用來存放圖片的路徑 label_path_list = [] #用來存放圖片對(duì)應(yīng)的標(biāo)簽 data_dir = r’C:UsersfutiangeDesktopZero to Heroexpression_testraw_data’ for root,dirs,files in os.walk(data_dir):for file in files: path_file = os.path.join(root,file) print(path_file) if path_file.endswith('.jpg'): #判斷該路徑下文件是不是以.jpg結(jié)尾#print(os.path.basename(root)) #輸出圖片路徑#print(os.path.basename(root)[0]) #輸出該圖片所在的文件夾的第一個(gè)字符，我這里文件夾的第一個(gè)字符就是圖片的標(biāo)簽，測(cè)試時(shí)可以根據(jù)自己的文件夾名稱更改#print(int(os.path.basename(root)[0]))image_path_list.append(path_file) #將圖片路徑加入列表label_path_list.append(os.path.basename(root)[0]) #根據(jù)文件夾名稱確定標(biāo)簽，并加入列表 data_info = [[n,l] for n,l in zip(image_path_list,label_path_list)] #將圖片路徑-標(biāo)簽 關(guān)聯(lián)起來 random.seed(rng_seed) # 該方法中傳入?yún)?shù)，確保每次生成的種子都是一樣的 random.shuffle(data_info) #上一行代碼生成的種子是確定的，保證了每次將列表元素打亂后的結(jié)果一樣，便于測(cè)試模型性能 split_idx = int(len(data_info) * split_n) # data_len * 0.9 # split_n代表數(shù)據(jù)集劃分的比例 if mode == ’train’:img_set = data_info[:split_idx] elif mode == ’val’:img_set = data_info[split_idx:] else:raise Exception('mode 無法識(shí)別，僅支持(train,valid)') return img_set #返回隨機(jī)打亂后的數(shù)據(jù)集，后續(xù)在對(duì)其進(jìn)行格式化即可將數(shù)據(jù)集加載進(jìn)模型測(cè)試if __name__ == ’__main__’: _get_img_info(1,0.9,’train’)

到此這篇關(guān)于詳解python os.walk()方法的使用的文章就介紹到這了,更多相關(guān)python os.walk()方法內(nèi)容請(qǐng)搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！