ANSA二次开发_Python基础-文件IO_Nastran_二次开发_ANSA

ANSA二次开发_Python基础-文件IO

3月前浏览643

ANSA获取所有PART的名称，并输出至文件中。

import ansafrom ansa import basefrom ansa import constants

with open("D:/temp/temp.txt", 'w') as f2:  all_part = base.CollectEntities(constants.NASTRAN,None,'ANSAPART')  name_ids = set(map(lambda x: x._name, all_part))  print (name_ids)  f2.write(str(name_ids))

Python提供了丰富的文件I/O（输入/输出）功能，允许读取和写入文件。

主要通过open函数来完成，它可以打开文件并返回一个文件对象。

通过这个文件对象，你可以对文件进行读取、写入和其他操作。

打开文件

使用open函数打开文件时，可以指定不同的模式：

'r'：读取模式（默认）。

'w'：写入模式，会覆盖已存在的文件。

'x'：独占创建模式，如果文件已存在会引发错误。

'a'：追加模式，写入到已存在文件的末尾。

'b'：二进制模式。

't'：文本模式（默认）。

'+'：更新模式，读取和写入。

1、读取文件

# 打开文件进行读取with open('example.txt', 'r') as file: content = file.read() print(content)

# 逐行读取with open('example.txt', 'r') as file: for line in file: print(line, end='')

2、写入文件

# 写入文本到文件with open('example.txt', 'w') as file: file.write("Hello, World!\n")

3、追加字符

with open('example.txt', 'a') as file: file.write("Another line.\n")

4、使用二进制模式

# 以二进制模式写入with open('binary.dat', 'wb') as file: file.write(b'\x00\x01\x02\x03')

# 以二进制模式读取with open('binary.dat', 'rb') as file: content = file.read() print(list(content))

文件操作的其他常用方法

- file.readline()：读取文件的下一行。

- file.readlines()：读取文件中的所有行并返回一个列表。

- file.seek(offset)：改变当前文件操作指针的位置；offset是指定的位置。

- file.tell()：返回当前文件操作指针的位置。

以二进制模式读取和写入文件，这在处理非文本文件时使用。

# 打开一个图片文件进行读取with open("D:/temp/无标题.png", 'rb') as source_file:    content = source_file.read()
# 将读取的内容写入到新的图片文件with open("D:/temp/无标题1.png", 'wb') as dest_file:    dest_file.write(content)

来源：TodayCAEer

ANSA二次开发_Python基础-pandas模块-批量创建材料

Pandas是一个开源的Python数据分析库，提供了高性能、易用的数据结构和数据分析工具。Pandas使得在Python中进行数据清洗、分析、和可视化变得更加快捷和简单。它是基于NumPy构建的，使得数据操作和分析工作对于有着不同背景的人们都易于上手。但是在ANSA开发中使用较少。拿来解析xlsx还是挺方便的，但还是建议使用ANSA提供的API解析。案例：批量创建材料importansafromansaimportbasefromansaimportconstantsimportpandasaspddf=pd.read_excel('C:\\Users\\jintian\\Documents\\mat.xlsx')forindex,rowindf.iterrows():ifnotrow.isnull().all():row_dict={'Name':row['Name'],'E':row['E'],'NU':row['NU'],'RHO':row['RHO'],'DEFINED':'YES'}base.CreateEntity(constants.NASTRAN,'MAT1',row_dict)Pandas主要有两种类型的数据结构：Series：一维数组，与NumPy的数组类似，但它可以有一个索引。索引可以是数字，也可以是标签。DataFrame：二维的表格型数据结构，可以看作是由多个Series组成的字典（共用同一个索引）。Pandas强大的功能包括但不限于：快速高效地处理大量数据读取和写入各种格式的数据，包括CSV、Excel、SQL数据库和HDF5格式数据清洗功能，如处理缺失数据、数据过滤、数据转换等数据合并、分组、重塑时间序列分析Pandas经典使用案例1.数据读取和预览:importpandasaspd#读取CSV文件df=pd.read_csv('data.csv')#预览前五行数据print(df.head(5))2.数据清洗数据清洗是数据分析中的重要步骤。Pandas提供了多种数据清洗的工具，例如处理缺失值：#填充缺失值df.fillna(0,inplace=True)#删除含有缺失值的行df.dropna(inplace=True)3.数据筛选Pandas允许使用条件逻辑来筛选数据：#筛选'age'列大于30的所有行filtered_df=df[df['age']>30]#筛选'age'大于30并且'gender'为'male'的行filtered_df=df[(df['age']>30)&(df['gender']=='male')]4.数据分组和聚合Pandas的groupby功能非常强大，可以用来对数据集进行分组和聚合操作：#按'gender'分组并计算每组的平均'age'grouped_df=df.groupby('gender')['age'].mean()print(grouped_df)5.数据合并Pandas提供了多种数据合并的方法，如concat、merge和join：#假设有两个DataFrame，df1和df2merged_df=pd.merge(df1,df2,on='key_column')Pandas是Python数据分析的核心库之一，提供了强大的数据处理能力，前处理中常规开发使用较少，后处理numpy与pandas搭配使用使得数据分析工作变得更加高效。来源：TodayCAEer