Python的列表

一  列表定义:类似于数组,又不同于数组,数组只能存放同类型的数据,列表可以存放混合类型的数据

1 创建一个列表如:member = ['高山','流水',123,23.6]

 向列表增加元素方法有 append()extend() insert()

append()方法是将参数作为一个元素增加到列表的末尾。
extend()
方法则是将参数作为一个列表去扩展列表的末尾。

insert()可以向指定位置添加元素。

>>> member = ['白天','黑夜',123,23.6]
>>> member
['白天', '黑夜', 123, 23.6]
>>> len(member)
4
>>> member.append('空间')
>>> member
['白天', '黑夜', 123, 23.6, '空间']
>>> member.append('456','笔记')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: append() takes exactly one argument (2 given)
>>> member.extend(['456','笔记'])
>>> member
['白天', '黑夜', 123, 23.6, '空间', '456', '笔记']
>>> member.insert(0,'玫瑰')
>>> member
['玫瑰', '白天', '黑夜', 123, 23.6, '空间', '456', '笔记']

3 从列表中获取元素 可以通过元素的索引值,但注意列表索引值是从 0 开始的

4 从列表中删除元素有remove()、del语句、pop()

5 列表切片:从列表中一次性获取多个元素,返回值为一个列表

6 对列表进行顺序排序、逆序排序用sort()、reverse()

>>> member.remove('笔记')
>>> member
['玫瑰', '白天', '黑夜', 123, 23.6, '空间', '456', [123, 23.6]]
>>> del member['空间']
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: list indices must be integers or slices, not str
>>> del member [1]
>>> member
['玫瑰', '黑夜', 123, 23.6, '空间', '456', [123, 23.6]]
>>> member.pop()
[123, 23.6]
>>> member.pop(1)
'黑夜'
>>> member[1:3]
[123, 23.6]

7 列表的一些常用操作符:比较操作符(>、<)、逻辑操作符(or、and)、连接操作符(+)
>>> list = [123]
>>> list = [147]
>>> list2 = [123]
>>> list > list2
True
>>> list3 = [123,456]
>>> list4 = [147,258]
>>> list3 >list4
False
>>> list5 = list3 + list4
>>> list5
[123, 456, 147, 258]
>>> list3
[123, 456]
>>> list*3
[147, 147, 147]
>>> 147 in list
True
8  列表常用的一些方法

列表名.count()        是指列表中有多少个元素

列表名.index()        是指列表中特定元素的索引值

关于一个列表复制为另一个列表记住要用分片拷贝的方法,不然的话如果修改了原列表新列表也将要被修改具体见下面的代码

>>> list5.count(123)
1
>>> list5.index(123)
0
>>> list5.reverse()
>>> list5
[258, 147, 456, 123]
>>> list7 = [1,5,7,6,4,8,3]
>>> list8 = list7[:]
>>> list8
[1, 5, 7, 6, 4, 8, 3]
>>> list9 = list7
>>> list7.sort()
>>> list7
[1, 3, 4, 5, 6, 7, 8]
>>> list8
[1, 5, 7, 6, 4, 8, 3]
>>> list9
[1, 3, 4, 5, 6, 7, 8]

二 元组

1 元组和列表非常相似,一旦定义,就不可改变(不能添加、删除或修改)

2 创键和访问一个元组,用()来创建,创建元组包含一个函数时要注意括号内要有一个逗号

3当我们希望内容不被轻易改写的时候,我们使用元组
34 当我们需要频繁修改数据,我们使用列表

>>> number = (1,2,6,3,4,8,5)
>>> number
(1, 2, 6, 3, 4, 8, 5)
>>> number[1]
2
>>> number [3:]
(3, 4, 8, 5)
>>> test =(1)
>>> test
1
>>> type(test)
<class 'int'>
>>> test = (1,)
>>> test
(1,)
>>> type (test)
<class 'tuple'>





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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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