回车与换行符的区别及python中使用

article/2025/9/21 5:01:24


一、区别

转载自http://www.pythontab.com/html/2017/linuxkaiyuan_0115/1116.html

1. 由来

在计算机还没有出现之前,有一种叫做电传打字机(Teletype Model 33)的机械打字机,每秒钟可以打10个字符。但是它有一个问题,就是打完一行换行的时候,要用去0.2秒,正好可以打两个字符。要是在这0.2秒里面,又有新的字符传过来,那么这个字符将丢失。

于是,研制人员想了个办法解决这个问题,就是在每行后面加两个表示结束的字符。一个叫做“回车”,告诉打字机把打印头定位在左边界,不卷动滚筒;另一个叫做“换行”,告诉打字机把滚筒卷一格,不改变水平位置。

这就是“换行”和“回车”的由来。


2. 使用

后来,计算机发明了,这两个概念也就被般到了计算机上。那时,存储器很贵,一些科学家认为在每行结尾加两个字符太浪费了,加一个就可以。于是,就出现了分歧。

回车 \r 本义是光标重新回到本行开头,r的英文return,控制字符可以写成CR,即Carriage Return

换行 \n 本义是光标往下一行(不一定到下一行行首),n的英文newline,控制字符可以写成LF,即Line Feed

符号    ASCII码      意义

\n        10        换行NL

\r        13        回车CR

在不同的操作系统这几个字符表现不同,比如在WIN系统下,这两个字符就是表现的本义,在UNIX类系统,换行\n就表现为光标下一行并回到行首,在MAC上,\r就表现为回到本行开头并往下一行,至于ENTER键的定义是与操作系统有关的。通常用的Enter是两个加起来。


不同操作系统下的含义:

\n:  UNIX 系统行末结束符

\n\r: window 系统行末结束符

\r:  MAC OS 系统行末结束符


我们经常遇到的一个问题就是,Unix/Mac系统下的文件在Windows里打开的话,所有文字会变成一行;而Windows里的文件在Unix/Mac下打开的话,在每行的结尾可能会多出一个^M符号。


3. 软回车和硬回车

再扩展一下回车的一些知识。

硬回车就是普通我们按回车产生的,它在换行的同时也起着段落分隔的作用。 

软回车是用 Shift + Enter 产生的,它换行,但是并不换段,即前后两段文字在 Word 中属于同一“段”。在应用格式时你会体会到这一点。

软回车能使前后两行的行间距大幅度缩小,因为它不是段落标记,要和法定的段落标记——硬回车区别出来。硬回车的html代码是<p>..</p>,段落的内容就夹在里面,而软回车的代码很精悍:<br>。网页的文字如果复制到word中,则硬回车变为弯曲的箭头,软回车变为向下的箭头。


二、python中使用

转载自https://blog.csdn.net/mrknight/article/details/9717995

1. 测试程序(python2.7 + win7)

(1) test1: "w"方式写时的'\n'会在被系统自动替换为'\r\n'

[python]  view plain copy
  1. # -*- coding: utf-8  -*-  
  2.   
  3. def main():  
  4.     try:  
  5.         fout = open("test1.txt""w")  
  6.     except IOError:  
  7.         print "Error: open file failed."  
  8.         return  
  9.   
  10.     for i in range(5):  
  11.         line = str(i) + "\n"  
  12.         fout.write(line)  
  13.   
  14.     fout.close()  
  15.   
  16. if __name__ == "__main__":  
  17.     main()  

测试结果:


(2) test2: "wb"方式写时的'\n'不会在被系统自动替换为'\r\n'

[python]  view plain copy
  1. fout = open("test2.txt""wb")  

测试结果:


(3) test3: "r"方式读时,文件中的'\r\n'会被系统替换为'\n'

另外,python提到的通用新行格式(U修饰符),个人觉得是把"r"默认"rU"的,测试中两种方式读取结果一样。

[python]  view plain copy
  1. # -*- coding: utf-8  -*-  
  2.   
  3. def main():  
  4.     try:  
  5.         fin = open("test1.txt""r")  
  6.     except IOError:  
  7.         print "Error: open file failed."  
  8.         return  
  9.   
  10.     for line in fin:  
  11.         for i in range(len(line)):  
  12.             print "\t%d" % ord(line[i]),  
  13.         print ""  
  14.   
  15.     fin.close()  
  16.   
  17. if __name__ == "__main__":  
  18.     main()  

对于上述不同内容的两个文件输出为:


(4) test4: "rb"方式读时,文件中的'\r\n'不会被系统替换为'\n'





http://chatgpt.dhexx.cn/article/yXUxHtqx.shtml

相关文章

回车和换行的区别

回车和换行的区别 回车和换行的概念不同的系统间传递文件会涉及格式的转换Unix -> WindowsUnix <- Windows 回车和换行的概念 首先介绍一下“回车”&#xff08;carriage return,’\r’&#xff09;和“换行”&#xff08;line feed,’\n’&#xff09;这两个概念的来历…

在数组中查找指定元素 (15分)

int search( int list[], int n, int x ){int index -1;for(int i0;i<n;i){if(list[i] x){index i;break;}}return index; }

[PTA]习题8-2 在数组中查找指定元素

Spring-_-Bear 的 CSDN 博客导航 本题要求实现一个在数组中查找指定元素的简单函数。 函数接口定义&#xff1a; int search( int list[], int n, int x );其中 list[] 是用户传入的数组&#xff1b;n&#xff08;≥0&#xff09;是 list[] 中元素的个数&#xff1b;x 是待查…

[PTA]实验8-1-5 在数组中查找指定元素

Spring-_-Bear 的 CSDN 博客导航 本题要求实现一个在数组中查找指定元素的简单函数。 函数接口定义&#xff1a; int search( int list[], int n, int x );其中 list[] 是用户传入的数组&#xff1b;n&#xff08;≥ 0&#xff09;是 list[] 中元素的个数&#xff1b;x 是待…

习题8-2 在数组中查找指定元素

习题8-2 在数组中查找指定元素 (15 分) 本题要求实现一个在数组中查找指定元素的简单函数。 函数接口定义&#xff1a; int search( int list[], int n, int x );其中list[]是用户传入的数组&#xff1b;n&#xff08;≥0&#xff09;是list[]中元素的个数&#xff1b;x是待…

C语言刷题系列——9.在数组中查找指定元素

&#x1f6a9;实现一个在数组中查找指定元素的简单函数 &#x1f506;一) 题目要求&#x1f506;二) 题解 &#x1f506;一) 题目要求 函数接口定义&#xff1a;int search( int list[], int n, int x );其中list[]是用户传入的数组&#xff1b;n&#xff08;≥0&#xff09;是…

逻辑回归L1和L2正则化

正则化 正则化是用来防止模型过拟合的过程&#xff0c;常用的有L1正则化和L2正则化两种选项&#xff0c;分别通过在损失函数后加上参数向 量 的L1范式和L2范式的倍数来实现。这个增加的范式&#xff0c;被称为“正则项”&#xff0c;也被称为"惩罚项"。损失函数改变&…

【机器学习】L1正则化和L2正则化

L1正则化和L2正则化 在机器学习实践过程中&#xff0c;训练模型的时候往往会出现过拟合现象&#xff0c;为了减小或者避免在训练中出现过拟合现象&#xff0c;通常在原始的损失函数之后附加上正则项&#xff0c;通常使用的正则项有两种&#xff1a;L1正则化和L2正则化。L1正则…

什么是L1和L2正则化,以及它们有什么区别

一、L1和L2正则化是什么&#xff1f; 在防止过拟合的方法中有L1正则化和L2正则化&#xff0c;L1和L2是正则化项&#xff0c;又叫做惩罚项&#xff0c;是为了限制模型的参数&#xff0c;防止模型过拟合而加在损失函数后面的一项。 在二维的情况下&#xff0c;黄色的部分是L2和…

L2正则化方法

背景 在机器学习中&#xff0c;无论是分类还是回归&#xff0c;都可能存在由于特征过多而导致的过拟合问题。当然解决的办法有 &#xff08;1&#xff09;减少特征&#xff0c;留取最重要的特征。 &#xff08;2&#xff09;惩罚不重要的特征的权重&#xff0c;即降低不重要…

对L1正则化和L2正则化的理解

一、 奥卡姆剃刀(Occams razor)原理&#xff1a; 在所有可能选择的模型中&#xff0c;我们应选择能够很好的解释数据&#xff0c;并且十分简单的模型。从贝叶斯的角度来看&#xff0c;正则项对应于模型的先验概率。可以假设复杂模型有较小的先验概率&#xff0c;简单模型有较大…

L1、L2正则化的原理及适用场景

1. L1正则化&#xff0c;也称Lasso回归 1.1 含义 权值向量 中各元素的绝对值之和&#xff0c;一般记作 。 1.2 公式表示 添加了L1正则化的损失函数一般可表示为&#xff1a; 1.3 作用 L1正则常被用来解决过拟合问题&#xff1b; L1正则化容易产生稀疏权值矩阵&#x…

机器学习中L1正则化和L2正则化

深度学习中的归一化(normalization)和正则化(regularization)_qq_26697045的博客-CSDN博客_权重归一化 1.L1和L2的区别 在机器学习中&#xff1a; - L1 regularization 是指向量中各个元素绝对值之和&#xff0c;通常表述为,线性回归中使用L1正则的模型也叫Lasso regularizati…

每天五分钟机器学习:L1正则化和L2正则化有什么区别?

本文重点 正则化包含L1正则化和L2正则化,本文将介绍一下这两个正则化有什么不同? 正则化 L1正则化 L1正则化目的是减少参数的绝对值总和,定义为: L2正则化 L2正则化的目的是减少参数平方的总和,定义为: 二者的区别? 1、L1正则化会使得某一维的权重为0,产生稀疏权…

L1、L2正则化总结

为什么不用L0范数而用L1范数? L0范数是向量中非0元素的个数&#xff0c;若使用L0范数来规则化一个参数矩阵&#xff0c;就是希望其稀疏&#xff0c;大部分元素都是0。但L0范数难以优化求解&#xff0c;L1范数是L0范数的最优凸近似&#xff0c;且比L0范数更易优化求解。 L1和…

L1正则化 L2正则化的Python 实现

上一篇文档 https://blog.csdn.net/xingzhe2001/article/details/86316712 介绍了L1 L2正则化 本文介绍L1, L2 正则化的实现 L1正则化 代码 def L1Norm(l, theta):return np.dot(np.abs(theta), np.ones(theta.size)) * ldef L1NormPartial(l, theta):return np.sign(theta…

一文了解L1正则化与L2正则化

正则化的目的&#xff1f; 欠拟合从字面意思来看就是欠缺拟合程度&#xff0c;这一般在复杂度很低的模型中出现。从数学上来看&#xff0c;一元一次函数为一条直线、一元二次函数为一个曲线&#xff0c;以此类推。那么参数越多&#xff0c;其越能拟合更复杂的特征&#xff0c;…

【学习笔记】深刻理解L1和L2正则化

深刻理解L1和L2正则化 学习视频&#xff1a;BV1Z44y147xA、BV1gf4y1c7Gg、BV1fR4y177jP up主&#xff1a;王木头学科学 L1、L2正则化即使用L1、L2范数来规范模型参数。 凡是减少泛化误差&#xff0c;而不是减少训练误差的方法&#xff0c;都可以称为正则化方法。 通俗来说&am…

L1正则化和L2正则化(从解空间角度)

文章目录 一、什么是过拟合&#xff1f;二、为什么模型会过拟合&#xff1f;三、如何防止模型过拟合&#xff1f;四、L1正则和L2正则4.1 L1、L2的区别4.2 为什么正则化能够防止过拟合&#xff1f;4.3 为什么L1正则具有稀疏性或者说L1正则能够进行特征选择&#xff1f; 最后&…

机器学习之L1正则化和L2正则化(附源码解析)

前言 今天还是机器学习的基础知识内容&#xff0c;也是最基础的哈。首先说一下什么是正则化&#xff0c;其实它就是一个减少方差的策略。那么什么是方差呢&#xff1f;在这里也引入一个和方差相辅相成的概念--偏差。 偏差度量了学习算法的期望预测与真实结果的偏离程度&#…