所以我们需要将这些向量存入一个文件当中，每次先看看图库中有没有新增的图片，如果有新增的图片，那么就将新增的图片变成1x10000向量再存入文件之中，然后从文件中读取全部图片向量即可。当图库中没有新增图片的时候，那么就直接调用文件中的图片向量进行计算就好。这样子算是节省了大量的时间。
所以本文就是从零开始建立一个这样的图片存储管理系统。
实现逻辑
第一次读入图片
我们的图库中拥有一大堆图片，每一张图片上面都是一个手写的数字，图片的名称为[数字内容]_[序号]。比如说一个图片的名称为2_3，代表这一张图片里面的数字是2，并且是“数字是2的第3张图片”。
存在一个csv文件作为我们的建议的图片数据库，名称为Data.csv。
首先我们读取图库中所有图片的名称，保存在fileNames中。然后读取Data.csv中所有数据。
提取出Data.csv的最后一列（一共10002列，第10001列说明该数字是什么数字，第10002列是图片的名称），也就是数据库中存储的所有图片的名称，存储在item中。
将新加入图库的图片名称保存在newFileNames中。如果Data.csv为空，那么就直接令newFileNames = fileNames。也就是说如果数据库中什么也没有，那么图库中所有图片都是新加入的。
如果Data.csv不为空，那么就将item里面的内容与fileNames的内容比较，如果出现了fileNames里面有的名称item中没有，那么就将这些名称放进newFileNames中。如果item里有的名称fileNames中没有，那就不管。
也就是说，我令我们的数据库只进不出。
现在我们得到了新加入图库的图片的名称newFileNames。
将newFileNames中的名称的图片带入上一文中函数GetTrainPicture进行处理，得到了一个nx10001的矩阵，每一行代表一个新加入的图片，前10000列是图片向量，第10001列是该图片的数字，保存在pic中。
将这些图片压入到数据库的后面。
读取之前数据库原有的图片向量，并与pic合并，得到目前拥有的所有的训练图片向量pic。
Created with Raphaël 2.1.0 图库图片名称fileNames 数据库为空？ 全部导入newFileNames 带入GetTrainPicture函数 得到矩阵pic 与数据库中原有数据合并 压入数据库 数据库图片名称item 比较得到newFileNames yes no
以上就是本章写的所有内容，下面放出代码来详细解释一下。
代码解析
主文件
import os
import numpy as np
import OperatePicture as OP
import OperateDataBase as OD
import csv
##Essential vavriable 基础变量
#Standard size 标准大小
N = 100
#Gray threshold 灰度阈值
color = 100/255
#读取原CSV文件
reader = list(csv.reader(open('DataBase.csv', encoding = 'utf-8')))
#清除读取后的第一个空行
del reader[0]
#读取num目录下的所有文件名
fileNames = os.listdir(r"./num/")
#对比fileNames与reader，得到新增的图片newFileNames
newFileNames = OD.NewFiles(fileNames, reader)
print('New pictures are: 'newFileNames)
#得到newFilesNames对应的矩阵
pic = OP.GetTrainPicture(newFileNames)
#将新增图片矩阵存入CSV中
OD.SaveToCSV(pic, newFileNames)
#将原数据库矩阵与新数据库矩阵合并
pic = OD.Combination(reader, pic)我将两节内容分别封装在两个py文件里面，上一篇文章中的图片的切割与处理等所有内容我放在文件OperatePicture里面了，这一节的数据库处理放在了文件OperateDatabase里面。
因为整个代码的逻辑我在上面已经捋过一遍了，所以我不再解释其中的内容，接下来针对每个函数开始讲解。
OperateDatabase代码
从上面的主文件中，我们首先用到了函数NewFiles，主要是对比fileNames和reader这两个文件中图片的名称有什么不同，返回值是新增的图片的名称的列表。下面是代码
def NewFiles(fileNames, reader):
'''判断是否有不同于数据库中的新文件加入'''
#如果数据库中没有数据，则返回filenames
if len(reader) == 0:
return fileNames
else:
#从数据库中提取所有名称
files = [item[10001] for item in reader]
#需要加入的图片名称
newFileNames = []
for item in fileNames:
#判断当前名称是否存在数据库中
#如果不存在，则加入newFileNames
if item not in files:
newFileNames.append(item)
return newFileNames首先判断reader是否有内容，如果没有内容，说明是第一次执行，那么会直接把fileNames返回。否则才会进入下面进行比较。
返回了newFileNames之后，就会把这个列表中的所有名称的图片通过GetTrainPicture函数得到一个1x10001大小的矩阵，具体过程请看我上一篇文章讲的内容。
之后为了把新的数据存入CSV文件中，我们利用函数SaveToCSV将pic存入文件中，具体代码如下。
def SaveToCSV(pic, fileNames):
'''将pic与对应的dileNames存入CSV文件'''
writer = csv.writer(open('Database.csv', 'a', newline = ''), dialect = 'excel')
#将fileNames变为列表
f = [item for item in fileNames]
#每一行依次写入文件中
for i in range(len(pic)):
#将改行图片向量转为list
item = pic[i].tolist()
#将这个图片向量对应的名称f放入列表最后一个
item.append(f[i])
writer.writerow(item)当函数运行过后，会把pic矩阵对应的内容直接给续写入CSV文件中，相当于数据库操纵的写入，并不会覆盖之前原有的数据。
之后我们需要将数据库原有的一大堆数据reader和新加进来的数据pic合并到pic里面，所以利用Combination函数将两个矩阵合并，代码如下
def Combination(reader, pic):
'''将两个矩阵reader与pic合并'''
#两个矩阵的总行数
l = len(reader) + len(pic)
#初始化新的矩阵
newPic = np.zeros(l*10001).reshape(l, 10001)
#将reader最后的那个字符串名称去掉
for item in reader:
item.pop()
#将reader转化为numpy的矩阵形式
reader = np.array(reader)
#新矩阵前半部分放reader，后半部分放pic
if len(reader) != 0:
newPic[0:len(reader), :] = reader
newPic[len(reader):len(pic), :] = pic
return newPic因为reader最后一行还包括了一个图片的名称，所以先利用pop将其去掉，之后转化为矩阵形式，然后再直接放入矩阵中。这个矩阵操作可能没有见过，下面我详细解释一下。
假如我现在有一个2x3的矩阵和一个2x2的矩阵
m = [[1 2 3]
[4 5 6]]
n = [[7 8]
[9 1]]我可以进行如下操作
#操作一
m[:, 0:2] = n
print(m)
#操作二
m[:, 1:3] = n
print(m)
#以下为输出结果
#操作一
[[7 8 3]
[9 1 6]]
#操作二
[[7 7 8]
[9 9 1]]可以看出操作一直接把m的第一二列给替换成n，操作二把m的第二三列替换成了n。具体过程可以百度查一下numpy的矩阵的操作，也可以自己总结规律，不细讲了。
