字典类型及其操作中国大学mooc

最新推荐文章于 2022-08-02 20:45:00 发布

终是蝶衣梦晓楼

最新推荐文章于 2022-08-02 20:45:00 发布

阅读量391

点赞数 1

分类专栏： python 学习笔记文章标签： python

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/SUMPLUSS/article/details/108064599

版权

python 同时被 2 个专栏收录

36 篇文章 1 订阅

订阅专栏

30 篇文章 0 订阅

订阅专栏

字典类型及其操作

集合、列表、字典三个类型构成了序列类型

字典类型及其定义

映射：（和数学的映射关系完全相同）

字典类型是映射类型的体现（键值对）

键值对之间没有顺序

采用大括号{}和dict()创建，键值对之间采用：来表示

<字典变量> = {<键1>：<值1>，<键2>：<值2>…}也可以用[]索引来操作。（类似于切片操作）

<值>=<字典变量> [键]返回值

<字典变量> [键]=<值>赋予值

type()返回类型

生成空字典和空集合注意区别！（视频中存在介绍）

字典类型的操作函数及方法

在这里插入图片描述

在这里插入图片描述

值是自己定义的值，类似于异常检测

测试题及其答案

在这里插入图片描述

第二和第三是之前讲的内容，并没有在上面的操作符里。

字典类型的应用场景

····最重要的方面是对于映射的表达···

元素的遍历

迭代循环：for k in d:

<语句块>

#终于把组合数据类型这个地方的坑补上了，开心啊~~~

#终于把组合数据类型这个地方的坑补上了，开心啊~~~

终是蝶衣梦晓楼

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
1
评论
字典类型及其操作中国大学mooc

字典类型及其操作集合、列表、字典三个类型构成了序列类型字典类型及其定义映射：（和数学的映射关系完全相同）字典类型是映射类型的体现（键值对）键值对之间没有顺序采用大括号{}和dict()创建，键值对之间采用：来表示<字典变量> = {<键1>：<值1>，<键2>：<值2>…}也可以用[]索引来操作。（类似于切片操作）<值>=<字典变量> [键]返回值<字典变量> [键]=<值>赋予值
复制链接

扫一扫

专栏目录

终是蝶衣梦晓楼 CSDN认证博客专家 CSDN认证企业博客

码龄5年

102: 原创

22万+: 周排名

2万+: 总排名

7万+: 访问

: 等级

1513: 积分

102: 粉丝

140: 获赞

39: 评论

368: 收藏

私信

关注

热门文章

分类专栏

生物学 6篇
开发日志 3篇
程序代码 12篇
嵌入式 7篇
python 36篇
FPGA 1篇
笔记 39篇
stm32 1篇
Linux 4篇
蓝桥杯 2篇
学习笔记 30篇
操作系统 2篇
计算机二级 6篇
NCRE 2篇
Lua 1篇
游戏开发 1篇
数据分析 3篇
爬虫 3篇

最新评论

go注释！
CSDN-Ada助手: 不知道 Go 技能树是否可以帮到你：https://edu.csdn.net/skill/go?utm_source=AI_act_go
利用Python实现Smithwaterman算法
普通网友: 优质好文，支持支持。【我也写了一些相关领域的文章，希望能够得到博主的指导，共同进步！】
crossover2.py
Henrietta_L: 第一
SourceCode.py
Henrietta_L: 老公好棒
Python实现蚁群算法(样例）
终是蝶衣梦晓楼: import numpy as np class AntColony: def __init__(self, distances, n_ants, n_best, n_iterations, decay, alpha=1, beta=1): """ Args: distances (2D numpy.array): 两点之间的距离的二维数组 n_ants (int): 每次迭代运行的蚂蚁数量 n_best (int): 每次迭代中存放信息素的最佳蚂蚁数量 n_iteration (int): 迭代次数 decay (float): 信息素衰减速率。信息素值乘以衰减速率，因此0.95会导致衰减，0.5会导致更快的衰减。 alpha (int or float): 信息素的指数，较高的alpha给予信息素更大的权重。默认为1 beta (int or float): 距离的指数，较高的beta给予距离更大的权重。默认为1 """ self.distances = distances self.pheromone = np.ones(self.distances.shape) / len(distances) # 初始化信息素矩阵 self.all_inds = range(len(distances)) self.n_ants = n_ants self.n_best = n_best self.n_iterations = n_iterations self.decay = decay self.alpha = alpha self.beta = beta def run(self): shortest_path = None shortest_path_length = np.inf for i in range(self.n_iterations): all_paths = self.gen_all_paths() self.spread_pheronome(all_paths, self.n_best, shortest_path=shortest_path, shortest_path_length=shortest_path_length) shortest_path, shortest_path_length = self.pick_best_path(all_paths) self.pheromone * self.decay return shortest_path, shortest_path_length def spread_pheronome(self, all_paths, n_best, shortest_path, shortest_path_length): sorted_paths = sorted(all_paths, key=lambda x: x[1]) for path, path_length in sorted_paths[:n_best]: for move in path: self.pheromone[move] += 1.0 / self.distances[move] # 更新路径上的信息素 def pick_best_path(self, all_paths): # 按长度对所有路径进行排序 all_paths = sorted(all_paths, key=lambda x: x[1]) best_path = all_paths[0] # 获取最短路径 return best_path def gen_path_dist(self, path): total_dist = 0 for ele in path: total_dist += self.distances[ele] return total_dist def gen_all_paths(self): all_paths = [] for i in range(self.n_ants): path = self.gen_path(0) all_paths.append((path, self.gen_path_dist(path))) return all_paths def gen_path(self, start): path = [] visited = set() visited.add(start) prev = start for i in range(len(self.distances) - 1): move = self.pick_move(self.pheromone[prev], self.distances[prev], visited) path.append((prev, move)) prev = move visited.add(move) path.append((prev, start)) # 返回起始点 return path def pick_move(self, pheromone, dist, visited): pheromone = np.copy(pheromone) pheromone[list(visited)] = 0 row = pheromone ** self.alpha * (( 1.0 / dist) ** self.beta) norm_row = row / row.sum() move = np_choice(self.all_inds, 1, p=norm_row)[0] return move # 辅助函数 def np_choice(a, size, replace=True, p=None): """numpy的random.choice不允许选择不替换的选项，编写一个简单的函数来实现""" idx = np.random.choice(range(len(a)), size=size, replace=replace, p=p) return np.array(a)[idx] # 示例用法 if __name__ == '__main__': # 示例距离矩阵（对称） distances = np.array([[0, 2, 2, 5], [2, 0, 1, 2], [2, 1, 0, 1], [5, 2, 1, 0]]) # 参数设置 n_ants = 3 n_best = 2 n_iterations = 10 decay = 0.95 # 创建蚁群实例 ant_colony = AntColony(distances, n_ants, n_best, n_iterations, decay) # 运行优化 shortest_path, shortest_path_length = ant_colony.run() print("最短路径:", shortest_path) print("最短路径长度:", shortest_path_length)

您愿意向朋友推荐“博客详情页”吗？

强烈不推荐
不推荐
一般般
推荐
强烈推荐

提交

最新文章

目录

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

终是蝶衣梦晓楼 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。