Dictionnaire de cornichon à Python

Pickle peut être utilisé pour prétraiter les cadres d'entité Python qui est le processus de conversion d'un objet à partir de mémoire en un flux d'octet qui peut être enregistré sur le disque comme format binaire. Cette procédure est connue sous le nom de sérialisation. Pour ce faire, utilisez la méthode de pickle dump (). Lorsque cet enregistrement binaire est à nouveau chargé dans un programme Python, il peut être désérialisé et converti en un objet Python en utilisant la méthode Pickle Load ().

Cet article vous apprend à stocker les données, plus spécifiquement un dictionnaire, en utilisant le module de cornichon de Python. Pour commencer, nous devons acheter le module de cornichon. Pickle Dump () accepte trois paramètres. La première entrée spécifie les données pour enregistrer. Le deuxième paramètre est l'objet de fichier qui est renvoyé lorsqu'un fichier est ouvert en mode écriture (WB). L'argument de valeur clé est le troisième paramètre. Le protocole est défini par ce paramètre. Un cornichon est classé en deux types: le protocole le plus élevé ainsi qu'un protocole par défaut de cornichon. Pour récupérer ou désérialiser les données, la méthode Pickle Load () est utilisée à travers laquelle un objet de fichier est obtenu en ouvrant un fichier en mode de lecture-binaire (RB).

Exemple 1: sérialisation et désérialisation des données dans un fichier de cornichon à l'aide de la fonction de vidage et de chargement de cornichon

Dans cet exemple, nous apprendrons à sérialiser et à désérialiser les données en tant que dictionnaire avec un code très simple.

Dans le code présenté dans l'illustration précédente, le premier module Pickle de la bibliothèque Python est importé afin que ses méthodes puissent être utilisées. Ensuite, un dictionnaire de données avec 2 clés et valeurs est initialisé et stocké dans la variable nommée «Forme». Dans la ligne suivante, la méthode Pickle Dump () est utilisée pour ouvrir un nouveau fichier avec le nom «Info.P ”en mode écriture-binaire (WB) et les données« forme »sont stockées dans ce fichier. Dans la ligne suivante, la méthode Pickle Load () est utilisée pour le même fichier dans lequel nous avons vidé les données en mode RB. Cela renvoie nos données de dictionnaire et est stocké dans la variable nommée «A». Enfin, cet objet renvoyé s'affiche à la borne de sortie à l'aide de la commande d'impression comme indiqué dans la capture d'écran suivante.

Nous pouvons voir que les données ont été stockées pour la première fois dans «Info.Fichier P ”à l'aide de la méthode de vidage. Ensuite, lorsque nous avons utilisé la méthode Load () dans le même fichier, nous avons récupéré nos données.

Exemple 2: Utilisation de la fonction Dump Pickle avec un protocole supplémentaire pour sérialiser les données en python

Ceci est un exemple similaire dans lequel nous utilisons un protocole supplémentaire, le «plus haut_protocol», de cornichon qui est le dernier protocole. Ce protocole permet de nouvelles fonctionnalités linguistiques que nous pouvons utiliser et inclure des optimisations.

Dans le code fourni dans l'illustration précédente, le premier module de cornichon est importé. Ensuite, un dictionnaire d'un élément avec une clé et une valeur est initialisé et stocké dans la variable «A». Dans la ligne suivante, un nouveau fichier qui est le «Info.P ”est ouvert en mode WB comme poignée. Maintenant, le fichier est dans l'objet appelé «manche». Ensuite, la fonction Dump () est utilisée pour «manipuler» avec le dictionnaire «A» en utilisant le «plus haut_protocol». Cela permet d'enregistrer le dictionnaire «A» dans «Info.Fichier p ”sur le disque de l'ordinateur. Pour extraire les informations du fichier, le fichier est ouvert en mode «RB» d'abord. Ensuite, la méthode Pickle Load () est utilisée pour ce fichier. Les données renvoyées sont enregistrées dans l'attribut «B». Enfin, en utilisant la commande d'impression, ces informations s'affichent au nœud de sortie, comme le montre la capture d'écran suivante:

Exemple 3: sérialisation et désérialisation d'une liste de données dans un fichier de cornichon à l'aide de la fonction de vidage et de chargement de cornichon

Dans cet exemple, le module Pickle est importé en premier. Ensuite, certaines données sont insérées dans un dictionnaire dans un format de liste et stockées dans la variable «Shape_Colors». Dans la ligne suivante, la méthode Pickle Dump () est utilisée directement avec ces données. À la place du fichier dans son paramètre, les «informations.Le fichier p ”est ouvert en mode WB. En conséquence, les données du dictionnaire sont maintenant vilées dans ce fichier qui est stocké sur le disque de l'ordinateur. Ensuite, pour lire les données du fichier, la méthode Pickle Load () est utilisée sur le même fichier. Les données renvoyées sont enregistrées dans la variable «A». Enfin, en utilisant la commande d'impression, ces informations s'affichent aux bornes secondaires, comme illustré dans l'instantané suivant:

Exemple 4: stockage des informations dans un fichier de cornichon à l'aide des fonctions de vidage et de chargement de cornichon avec différents paramètres

Dans le code fourni, le premier module de cornichon est importé. Ensuite, un dictionnaire des salaires est initialisé et stocké dans la variable «salaires». Dans la ligne suivante, un nouveau fichier «Salaire.P ”est ouvert en mode WB comme poignée. Maintenant, le fichier est dans l'objet appelé «manche». Ensuite, la fonction Pickle Dump () est utilisée pour «gérer» avec le dictionnaire «salaires» en utilisant le «plus haut_protocol». Cela permet de sauver le dictionnaire dans les «salaires» dans le «salaire.Fichier p ”sur le disque de l'ordinateur. Maintenant, afin de récupérer les données du fichier, le fichier est ouvert pour la première fois en mode «RB». Ensuite, la méthode Pickle Load () est utilisée pour ce fichier. Les informations rétablies sont enregistrées dans la variable «A». En fin de compte, en utilisant la commande d'impression, ces données s'affichent à l'extrémité de sortie comme illustré dans l'instantané suivant:

Exemple 5: sérialisation et désérialisation des données dans plusieurs dimensions dans un fichier de cornichon à l'aide de la fonction de vidage et de chargement de cornichon

La création de dataframes (tableaux multidimensionnels) dans Python est pratique pour tester les nouvelles méthodes et fonctions trouvées dans le module de Panda de Python. Il existe différentes méthodes pour construire une dataframe à partir de zéro, mais l'une des plus simples est d'utiliser un dictionnaire de base.

Dans le code fourni dans l'illustration précédente, les premiers modules de cornichon et de pandas sont importés. Ensuite, une table multidimensionnelle est créée à l'aide du PD.Méthode DataFrame (). Le prochain attribut de la stratégie est une liste de quatre listes. Chaque liste correspond à une ligne de la table. Le deuxième paramètre est les «colonnes» qui définit le cap de chaque colonne de la table. Cette dataframe est stockée dans «pré». Ensuite, un nouveau fichier qui est «présente.P ”est ouvert en mode WB et la méthode Pickle Dump () est utilisée sur ce fichier avec le DataFrame. Maintenant, nos données spécifiées sont stockées dans la «fréquentation.Fichier p ”sur le disque dur de l'ordinateur.

Pour récupérer les données du fichier, nous ouvrons le fichier en mode RB qui permet la lecture du fichier. Ensuite, la méthode Pickle Load () est utilisée dans la «présence.fichier p ”. Enfin, les données du fichier s'affichent au terminal de sortie. Comme nous pouvons le voir, l'ensemble de DataFrame est affiché au terminal de sortie qui est stocké dans la «présence.fichier p ”.

Conclusion

Prenez des précautions supplémentaires lorsque vous travaillez avec des fichiers de cornichon. Le module de cornichon manque de sécurité. Décochez uniquement les données dans lesquelles vous êtes confiant. Il est possible de créer des données de cornichons malveillants qui pourraient exécuter du code arbitraire pendant le processus de décapitation. Il s'agit néanmoins d'une méthode efficace pour stocker des dictionnaires, des listes et des tables en python. Le décapage est particulièrement bénéfique dans l'analyse des données lorsque vous exécutez des opérations de routine sur les données telles que le prétraitement. J'espère que cet article vous a aidé à découvrir les différentes méthodes du module Pickle de Python et comment l'utiliser avec des dictionnaires.