python判断变量是否存在

‘壹’ 如何查看python中的变量

1、进入命令提示符，输入python后回车，进入python交互模式。

‘贰’ python 判断某个文件/文件夹是否存在

使用os.path.exists()可以判断文件或者文件夹是否存在，方法很简单，括号中放入需要判断的路径即可，如下

但这种时候容易混淆文件夹和文件，所以可以采用如下命令只检查文件，同样返回布尔型变量

如果文件不存在，直接用open()函数会抛出异常，这时候只要try一下并获取异常即可，如下

上面包含了文件不存在和文件不可读取两种错误类型，这两种都属于IO error，简化一下有，

主要是通过文件历早姿的路径来创建path对象，进而判断路径是否存在，如下

（想到这些简单肢绝的知识睁行都似曾相识，为什么要零散地记录呢

参考资料： https://www.py.cn/faq/python/12821.html

‘叁’ 一文带您了解相关性分析：常见的相关系数及Python示例

相关性分析，也称为双变量分析，它的主要目的是找出变量之间是否存在关系，并确定这种关系的大小和作用。在数据分析中，相关性分析扮演着至关重要的角色，它帮助我们深入理解数据之间的关系，为更明智的决策提供依据。通常，我们使用相关系数来衡量变量之间的相关程度，其中常见的相关系数包括皮尔逊相关系数、斯皮尔曼秩相关系数、肯德尔秩相关系数等。

需要注意的是，相关性并不代表因果关系。相关性仅仅表明两个变量之间存在某种联系或关联，并不能说明其中一个变量的变化导致另一个变量发生变化的原因。因此，在进行相关性分析时，我们必须同时考虑其他因素，以免误判。

接下来，我们来了解一下皮尔逊相关系数。皮尔逊相关系数是由卡尔·皮尔逊从弗朗西斯·高尔顿在1880年代提出的一个相似却又稍有不同的想法演变而来，并且其数学公式由奥古斯特·布拉菲于1844年推导出和发表。这个相关系数也称作“皮尔森相关系r”。皮尔逊相关系数在范围−1 ≤ r ≤ 1内取任意实数值。

下面是一个示例，我们对包括语文、数学、英语、物理和化学在内的学科成绩表进行相关性分析，探究学科之间是否存在关联性。通过皮尔逊相关系数等方法，我们将揭示学科成绩之间的相关性程度。从相关系数矩阵可以观察到学科成绩之间普遍存在着一定程度的正相关性。具体而言，该学科成绩表中的学科间普遍存在一定的正相关性，这意味着学生在某个学科表现较好时，其他学科的成绩也可能相对较好。这种相关性可以为教育者和学生提供有价值的信息，帮助他们制定更有效的学习策略和学科优化安排。但需要注意的是，相关性并不代表因果关系，学科成绩之间的关联可能受到其他复杂因素的影响，因此在做出任何决策时，仍需综合考虑其他因素。

秩相关系数（Coefficient of Rank Correlation），又称等级相关系数，反映的是两个随机变量的变化趋势方向和强度之间的关联。它是将两个随机变量的样本值按数据的大小顺序排列位次，以各要素样本值的位次代替实际数据而求得的一种统计量。它是反映等级相关程度的统计分析指标，常用的等级相关分析方法有斯皮尔曼秩相关系数和肯德尔秩相关系数等。

斯皮尔曼秩相关系数（The Spearman's rank coefficient of correlation）是秩相关的一种非参数度量。得名于英国统计学家Charles Spearman，通常记为希腊字母'ρ' (rho)。在讨论斯皮尔曼相关系数之前，首先要理解皮尔逊相关（Pearson's correlation），斯皮尔曼相关可以看作是皮尔逊相关的非参数版本。皮尔逊相关是关于两个随机变量之间的线性关系强度的统计度量，而斯皮尔曼相关考察的是两者单调关系（monotonic relationship）的强度。

肯德尔（Kendall）的Tau相关系数（Kendall's tau correlation coefficient）是一种用于衡量两个变量之间等级关系的相关性指标。它不依赖于数据的具体数值，而是根据数据的秩次（排序）来计算相关性。肯德尔Tau相关系数常用于对有序等级数据进行相关性分析。

相关性分析在数据分析中非常重要，但我们需要牢记一些关键的注意事项。其中最重要的一点是：相关性并不代表因果关系。两个变量之间的相关性只是表明它们之间存在某种联系或关联，而不能确定其中一个变量的变化一定会导致另一个变量发生变化。因此，在进行相关性分析时，我们必须同时考虑其他因素，以避免误判。

下面分别举一个生活中和数据分析工作中实际场景的例子，以更好地理解这个概念。

生活中的例子：假设我们观察到城市的冰淇淋销量与游泳池的使用量之间存在正相关性。即随着气温升高，冰淇淋销量和游泳池的使用量都增加。然而，我们不能简单地得出结论认为冰淇淋销量的增加会直接导致游泳池使用量的增加，或者游泳池使用量的增加是会导致冰淇淋销量增加。实际上，这两者之间可能只是因为炎热的天气而导致的结果，而不能把其中一个的变化作为另外一个发生变化的原因。

数据分析中的例子：在一份销售数据的分析中，我们可能会发现销售额与广告投入之间存在正相关性。然而，仅仅依据相关性并不能确定广告投入是直接导致销售额增加的原因。也可能有其他因素，如产品品质、市场需求等，这些因素同样会对销售额产生影响。因此，在进行决策时，我们需要综合考虑这些因素，而不是仅仅依赖于相关性分析的结果。

尽管相关性分析可以帮助我们理解不同变量之间的关系，但也存在一些局限性，主要体现在以下几个方面：相关性分析是数据分析中一个非常重要的环节，它可以帮助我们了解数据之间的关系，为我们做出更好的决策提供依据。在实际应用中，我们需要根据具体问题来选择恰当的相关系数进行分析，并注意相关性分析的局限性和相关注意事项。

‘肆’ [转]Python彻底搞懂 变量、运算符、in、id()、 is 与 ==的区别

在Python编程中，理解和掌握变量、运算符、in、id()、is与==的区别对于初学者至关重要。本文旨在为Python入门者提供一个清晰直观的指南，帮助大家更好地理解和运用这些基础概念。

一、变量

变量是存储数据的容器，在Python中，它可以存储任何数据类型，无需事先声明类型。变量名由大小写字母、数字和下划线组成，但不能以数字开头。例如，a=1、a_01=2、_a=3中的变量名都是合法的。Python中的变量名区分大小写，因此，变量A和a被视为不同的变量。

变量可以看作是一个可变的量，其值可以根据程序执行的不同阶段而变化。如表达式y=2*x中，x和y是变量名，它们分别存储了不同的值。在执行时，计算机计算2*x的值并赋予变量y。

二、运算符

运算符是用于执行特定操作的符号，Python支持多种运算符。

• 算术运算符：包括加（+）、减（-）、乘（*）、除（/）、取模（%）、幂（**）、取整（//）。例如，2**3表示2的3次方。


• 比较运算符：如等于（==）、不等于（!=）、大于（>）、小于（=）、小于等于（<=）。这些运算符用于比较两个值，结果为True或False。


• 逻辑运算符：包括与（and）、或（or）、非（not），用于组合比较运算。


• 成员运算符：用于检查一个值是否属于序列（列表、元组、字符串）中的成员。例如，in和not in分别用于判断元素是否存在于序列中。


• 身份运算符：is和is not用于比较两个变量是否引用同一个对象。id()函数可以获取变量在内存中的地址。

拓展：is与==的区别

在Python中，is比较的是两个变量是否引用同一个内存地址，而==比较的是两个变量的类型和值是否相同。当两个变量引用同一个对象时，is返回True，而==在类型和值相同的情况下返回True。

通过上述内容，我们可以清晰地理解变量、运算符、in、id()、is与==在Python中的作用和区别，为后续编程学习打下坚实的基础。