Python Day03

函数

1、一般形式:

  	声明 函数名字 (参数)
  	def func_name([params]):
  		执行体
  		return xxx
  	func_name([params])

2.函数的参数:

(1)默认参数:带默认值的参数一定要统一放在最后
def fun_name(name,age = 12):
    print("{}今年{}岁了!".format(name,age))
fun_name("lili")

运行结果:lili今年12岁了!
(2)可变参数:可传递多个参数:*可以让Python创建一个空数组,并将接受到所有值,**可以创建一个空字典。
#计算器
def jisuan(*args):
    a = sum(args)
    print(a)
jisuan(1,2,3,4,5)
运行结果:15
#猴子分桃
'''
def peach():
    i = 0
    j = 1
    x = 0
    while (i < 5) :
        x = 4 * j
        for i in range(0,5) :
            if(x%4 != 0) :
                break
            else :
                i += 1
            x = (x/4) * 5 +1
        j += 1
    print(x)

peach()
运行结果:3121.0

字符串和常用数据结构

1、字符串:

  • len() : 计算字符串的长度
  • capitalize() : 字符串首字母大写
  • upper() : 字符串变大写
  • find() : 字符串中查找子串所在位置
  • startswith() : 检查字符串是否以指定的字符串开头
  • endswith() : 检查字符串是否以指定的字符串结尾
  • center() : 将字符串以指定的宽度居中并在两侧填充指定的字符
  • isdigit() : 检查字符串是否由数字构成
  • isalnum() :检查字符串是否由字母构成
  • strip() 、lstrip()、rstrip() : 获得字符串修剪左右两侧空格的拷贝
#将网页中所有网址打印出来
import requests
response = requests.get("http://news.baidu.com/")
response.enconding = 'utf8'
HTML = response.text
for line in HTML.split('\n'):
    if "<a" in line and "http" in line:
        splits = line.split('"')
        for i in splits:
            if "http" in i and "background" not in i:
                print(i)
运行结果:
https://www.baidu.com/
http://tieba.baidu.com/
......
http://www.cyberpolice.cn/wfjb/
http://www.bjjubao.org/

除了字符串,Python还内置了多种类型的数据结构,如果要在程序中保存和操作数据,绝大多数时候可以利用现有的数据结构来实现,最常用的包括列表、元组、集合和字典。
2、列表:[ ]

  • len() : 计算列表的长度
  • append() : 追加值到列表
  • insert() : 在指定位置插入值
  • remove() : 删除谋职
  • clear() : 清空列表
  • sort() : 升序排序,改变原列表
  • sorted() : 升序排序,不改变原列表

和字符串一样,列表也可以做切片操作,通过切片操作可以实现对列表的复制或将列表中的一部分取出来创建出新的列表

#1. 循环遍历列表元素
	def main():
	    fruits = ['grape', 'apple', 'strawberry', 'waxberry']
			fruits += [''pear', 'mango']
	    for fruit in fruits:
	        print(fruit.title(), end=' ')
	    print()
运行结果:
Grape Apple Strawberry Waxberry  Pear Mango

#2.列表切片
	def main():
	    fruits = ['grape', 'apple', 'strawberry', 'waxberry']
	    fruits1 = fruits[1:2]
	    print(fruits1)
	main()
运行结果:
	['apple']

#3.可以通过反向切片操作来获得倒转后的列表的输出
	def main():
	    fruits = ['grape', 'apple', 'strawberry', 'waxberry']
	    fruits2 = fruits[::-1]
	    print(fruits2)
	main()
运行结果:
	['waxberry', 'strawberry', 'apple', 'grape']

列表去重可利用set()集合.

a = [1,1,2,3,1,4,5,3,1,6,6]
print(set(a))

运行结果:{1, 2, 3, 4, 5, 6}

#去重的另一种方法
b = []
a = [1,1,2,3,1,4,5,3,1,6,6]
for i in a:
    if i not in b:
        b.append(i)
print(b)

运行结果:[1, 2, 3, 4, 5, 6]
#利用匿名函数以长度排序
list = ["kaak","csdcsdc","sa","fgfga"]
list1 = sorted(list,key = lambda x:len(x))  #key指定以什么方式进行排序
print(list1)

我们还可以使用列表的生成式语法来创建列表。

a = [x for x in range(100)]#列表生成式
print(a)

运行结果:[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35,
36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99]

a = [x for x in range(1,100,2)]#列表生成式
print(a)

运行结果:[1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27, 29, 31, 33, 35, 37, 39, 41, 43, 45, 47, 49, 51, 53, 55, 57, 59, 61, 63, 65, 67, 69, 71, 73, 75, 77, 79, 81, 83, 85, 87, 89, 91, 93, 95, 97, 99]

3、元组:()
元组与列表类似,不同之处在于元组的元素不能修改,把多个元素组合到一起就形成了一个元组,所以它和列表一样可以保存多条数据。
1.如果不需要对元素进行添加、删除、修改的时候,可以考虑使用元组
2.如果一个方法要返回多个值,可以使用元组
3.元组在创建时间和占用的空间上面都优于列表

4、集合:{ }
与列表和元组不同,集合的最大特点是:集合里边的元素是不可重复的并且集合内的元素还是无序的。
一般情况下集合常用的两个场景是:
1.去重(如:列表去重);
2.关系测试(如:取交集、取并集、取差集等)

5、字典:dict = {key:value}
字典是另一种可变容器模型,可以存储任意类型对象,与列表、集合不同的是,字典的每个元素都是由一个键和一个值组成的“键值对”,键和值通过冒号分开。
字典是无序的,没有索引操作,除非转换成有序字典。

#1.通过键可以获取字典中对应的值
	def main():
	    scores = {'白白': 95, '宁宁': 78, '东东': 82}
	    print(scores['白白'])
	main()
运行结果:
	95

#2. 对字典进行遍历(遍历的其实是键再通过键取对应的值)
	def main():
	    scores = {'白白': 95, '宁宁': 78, '东东': 82}
	    for rong in scores:
	        print('%s\t--->\t%d' % (rong, scores[rong]))
	main()
运行结果:
	白白    --->    95
	宁宁    --->    78
	东东    --->    82

#3.更新字典中的元素
	def main():
	    scores = {'白白': 95, '宁宁': 78, '东东': 82}
	    scores['宁宁'] = 65
	    print(scores)
	main()
运行结果:
	{'白白': 95, '宁宁': 65, '东东': 82}

#4. get方法也是通过键获取对应的值但是可以设置默认值

#5.删除字典中的元素
	def main():
	    scores = {'白白': 95, '宁宁': 78, '东东': 82}
	    pop_obj = scores.pop('白白')
	    print(pop_obj)
	main()
运行结果:
	95
	
#6.清空字典
	def main():
	    scores = {'白白': 95, '宁宁': 78, '东东': 82}
	    scores.clear()
	    print(scores)
	main()
运行结果:
	{}
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
【5层】2800平米框架商务写字楼毕业设计(含计算书,建筑、结构图) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 、6可私信博主看论文后选择购买源代码。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值