学习笔记 | Python处理矢栅数据（1）

最新推荐文章于 2023-12-30 01:07:04 发布
最新推荐文章于 2023-12-30 01:07:04 发布
阅读量1.2k 收藏 18
点赞数 2
分类专栏： Python 遥感 文章标签： python 遥感 数据处理
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/qq_41718357/article/details/119777092
版权

文章目录

1. 栅格数据介绍

在这里插入图片描述

import rioxarray
import matplotlib
sr_HARV = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/HARV/DSM/HARV_dsmCrop.tif")
sr_HARV

在这里插入图片描述

print(sr_HARV.rio.crs)
print(sr_HARV.rio.nodata)
print(sr_HARV.rio.bounds())
print(sr_HARV.rio.resolution())
print(sr_HARV.rio.width)
print(sr_HARV.rio.height)
print(sr_HARV.values)

# 输出
EPSG:32618
-9999.0
(731453.0, 4712471.0, 733150.0, 4713838.0)
(1.0, -1.0)
1697
1367
[[[408.76998901 408.22998047 406.52999878 ... 345.05999756 345.13998413
   344.97000122]
  [407.04998779 406.61999512 404.97998047 ... 345.20999146 344.97000122
   345.13998413]
  [407.05999756 406.02999878 403.54998779 ... 345.07000732 345.08999634
   345.17999268]
  ...
  [367.91000366 370.19000244 370.58999634 ... 311.38998413 310.44998169
   309.38998413]
  [370.75997925 371.50997925 363.41000366 ... 314.70999146 309.25
   312.01998901]
  [369.95999146 372.6000061  372.42999268 ... 316.38998413 309.86999512
   311.20999146]]]

sr_HARV.plot()

在这里插入图片描述

print(sr_HARV.rio.crs)
print(sr_HARV.rio.crs.to_epsg())
# EPSG:32618
# 32618

from pyproj import CRS
epsg = sr_HARV.rio.crs.to_epsg()
epsg
# 32618

crs = CRS(epsg)
crs
##############################
#<Projected CRS: EPSG:32618>
Name: WGS 84 / UTM zone 18N
Axis Info [cartesian]:
- E[east]: Easting (metre)
- N[north]: Northing (metre)
Area of Use:
- name: Between 78°W and 72°W, northern hemisphere between equator and 84°N, onshore and offshore. Bahamas. Canada - Nunavut; Ontario; Quebec. Colombia. Cuba. Ecuador. Greenland. Haiti. Jamica. Panama. Turks and Caicos Islands. United States (USA). Venezuela.
- bounds: (-78.0, 0.0, -72.0, 84.0)
Coordinate Operation:
- name: UTM zone 18N
- method: Transverse Mercator
Datum: World Geodetic System 1984 ensemble
- Ellipsoid: WGS 84
- Prime Meridian: Greenwich

print(crs.name)
crs.area_of_use
###################
# WGS 84 / UTM zone 18N
# AreaOfUse(west=-78.0, south=0.0, east=-72.0, north=84.0, name='Between 78°W and 72°W, northern hemisphere between equator and 84°N, onshore and offshore. Bahamas. Canada - Nunavut; Ontario; Quebec. Colombia. Cuba. Ecuador. Greenland. Haiti. Jamica. Panama. Turks and Caicos Islands. United States (USA). Venezuela.')

# 求最大值、最小值、均值、标准差
print(sr_HARV.max())
print(sr_HARV.min())
print(sr_HARV.mean())
print(sr_HARV.std())

######################
<xarray.DataArray ()>
array(416.06997681)
Coordinates:
    spatial_ref  int32 0
<xarray.DataArray ()>
array(305.07000732)
Coordinates:
    spatial_ref  int32 0
<xarray.DataArray ()>
array(359.85311803)
Coordinates:
    spatial_ref  int32 0
<xarray.DataArray ()>
array(17.83168952)
Coordinates:
    spatial_ref  int32 0

print(sr_HARV.quantile([0.25,0.75]))
####################################
<xarray.DataArray (quantile: 2)>
array([345.58999634, 374.27999878])
Coordinates:
  * quantile  (quantile) float64 0.25 0.75

# 也可以通过numpy来得到这些值
import numpy as np
print(np.percentile(sr_HARV,25))
print(np.percentile(sr_HARV,75))
# 345.5899963378906
# 374.2799987792969

rgb_HARV = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/HARV/RGB_Imagery/HARV_RGB_Ortho.tif")
rgb_HARV
###################
<xarray.DataArray (band: 3, y: 2317, x: 3073)>
[21360423 values with dtype=float64]
Coordinates:
  * band         (band) int32 1 2 3
  * x            (x) float64 7.32e+05 7.32e+05 7.32e+05 ... 7.328e+05 7.328e+05
  * y            (y) float64 4.714e+06 4.714e+06 ... 4.713e+06 4.713e+06
    spatial_ref  int32 0
Attributes:
    STATISTICS_MAXIMUM:  255
    STATISTICS_MEAN:     nan
    STATISTICS_MINIMUM:  0
    STATISTICS_STDDEV:   nan
    _FillValue:          -1.7e+308
    scale_factor:        1.0
    add_offset:          0.0

rgb_HARV.plot.imshow(robust=True)

在这里插入图片描述

2. 栅格数据重投影

DTMhill_HARV.rio.reproject_match

DTMhill_HARV.rio.reproject_match

import rioxarray
import matplotlib
surface_HARV = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/HARV/DSM/HARV_dsmCrop.tif")
terrain_HARV = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/HARV/DTM/HARV_dtmCrop.tif")
DTMhill_HARV = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/HARV/DTM/HARV_DTMhill_WGS84.tif")
surface_HARV

######################
<xarray.DataArray (band: 1, y: 1367, x: 1697)>
[2319799 values with dtype=float64]
Coordinates:
  * band         (band) int32 1
  * x            (x) float64 7.315e+05 7.315e+05 ... 7.331e+05 7.331e+05
  * y            (y) float64 4.714e+06 4.714e+06 ... 4.712e+06 4.712e+06
    spatial_ref  int32 0
Attributes:
    STATISTICS_MAXIMUM:  416.06997680664
    STATISTICS_MEAN:     359.85311802914
    STATISTICS_MINIMUM:  305.07000732422
    STATISTICS_STDDEV:   17.83169335933
    _FillValue:          -9999.0
    scale_factor:        1.0
    add_offset:          0.0

surface_HARV.rio.crs.wkt

#########################
# We can see the datum and projection are UTM zone 18N and WGS 84 respectively.
'PROJCS["WGS 84 / UTM zone 18N",GEOGCS["WGS 84",DATUM["WGS_1984",SPHEROID["WGS 84",6378137,298.257223563,AUTHORITY["EPSG","7030"]],AUTHORITY["EPSG","6326"]],PRIMEM["Greenwich",0,AUTHORITY["EPSG","8901"]],UNIT["degree",0.0174532925199433,AUTHORITY["EPSG","9122"]],AUTHORITY["EPSG","4326"]],PROJECTION["Transverse_Mercator"],PARAMETER["latitude_of_origin",0],PARAMETER["central_meridian",-75],PARAMETER["scale_factor",0.9996],PARAMETER["false_easting",500000],PARAMETER["false_northing",0],UNIT["metre",1,AUTHORITY["EPSG","9001"]],AXIS["Easting",EAST],AXIS["Northing",NORTH],AUTHORITY["EPSG","32618"]]'

DTMhill_HARV.rio.crs.wkt
# 'GEOGCS["WGS 84",DATUM["WGS_1984",SPHEROID["WGS 84",6378137,298.257223563,AUTHORITY["EPSG","7030"]],AUTHORITY["EPSG","6326"]],PRIMEM["Greenwich",0],UNIT["degree",0.0174532925199433,AUTHORITY["EPSG","9122"]],AXIS["Latitude",NORTH],AXIS["Longitude",EAST],AUTHORITY["EPSG","4326"]]'
# we can see the DTMhill is in unprojected geographic coodinate system

DTMhill_HARV_pro = DTMhill_HARV.rio.reproject_match(surface_HARV)
DTMhill_HARV_pro.rio.crs.wkt
# 'PROJCS["WGS 84 / UTM zone 18N",GEOGCS["WGS 84",DATUM["WGS_1984",SPHEROID["WGS 84",6378137,298.257223563,AUTHORITY["EPSG","7030"]],AUTHORITY["EPSG","6326"]],PRIMEM["Greenwich",0,AUTHORITY["EPSG","8901"]],UNIT["degree",0.0174532925199433,AUTHORITY["EPSG","9122"]],AUTHORITY["EPSG","4326"]],PROJECTION["Transverse_Mercator"],PARAMETER["latitude_of_origin",0],PARAMETER["central_meridian",-75],PARAMETER["scale_factor",0.9996],PARAMETER["false_easting",500000],PARAMETER["false_northing",0],UNIT["metre",1,AUTHORITY["EPSG","9001"]],AXIS["Easting",EAST],AXIS["Northing",NORTH],AUTHORITY["EPSG","32618"]]'

DTMhill_HARV_pro.rio.to_raster("G:/learnpy/data/NEOSAirRS/HARV/DTM/HARV_DTMhill_WGS84_utm_18.tif")

DTMhill_HARV_pro.plot(cmap = "viridis")

在这里插入图片描述

DTMhill_HARV_pro_valid = DTMhill_HARV_pro.where(DTMhill_HARV_pro != DTMhill_HARV_pro.rio.nodata)
DTMhill_HARV_pro_valid.plot(cmap = "viridis")

在这里插入图片描述

import matplotlib.pyplot as plt
DTMhill_HARV_pro_valid.plot(cmap = "viridis")
plt.title("Harvard Forest Digital Terrain Model")

在这里插入图片描述

terrain_HARV_valid = terrain_HARV.where(terrain_HARV != terrain_HARV.rio.nodata)
terrain_HARV_valid.plot()
plt.title("Harvard Forest Digital Terrain Model")

在这里插入图片描述

plt.style.use("ggplot")
terrain_HARV_valid.plot()
plt.title("Harvard Forest Digital Terrain Model")
plt.ticklabel_format(style="plain")

在这里插入图片描述
练习SJER数据，重投影并作图

surface_SJER = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/SJER/DSM/SJER_dsmCrop.tif",masked=True)
terrain_SJER = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/SJER/DTM/SJER_dtmCrop.tif",masked = True)
surface_SJER.plot()

在这里插入图片描述

plt.figure()
terrain_SJER.plot()
plt.title("SJER Digital Surface Model")

plt.figure()
surface_SJER.plot()
plt.title("SJER Digital Terrain Model")

在这里插入图片描述
在这里插入图片描述

3. 栅格计算

在这里插入图片描述

surface_SJER = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/SJER/DSM/SJER_dsmCrop.tif",masked=True)
terrain_SJER = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/SJER/DTM/SJER_dtmCrop.tif",masked = True)
surface_SJER.rio.crs.wkt == terrain_SJER.rio.crs.wkt
# True

CHM_SJER = surface_SJER - terrain_SJER
CHM_SJER
#########################
<xarray.DataArray (band: 1, y: 2178, x: 2005)>
array([[[0.1000061 , 0.3999939 , 1.05999756, ..., 0.        ,
         0.        , 0.        ],
        [0.        , 0.        , 1.70999146, ..., 0.        ,
         0.        , 0.        ],
        [0.        , 0.42999268, 1.35998535, ..., 0.        ,
         0.        , 0.        ],
        ...,
        [0.01000977, 0.        , 0.08001709, ..., 1.64001465,
         7.41000366, 0.98999023],
        [0.04998779, 0.        , 0.        , ..., 0.23001099,
         8.63000488, 1.25      ],
        [0.        , 0.        , 0.        , ..., 0.07998657,
         0.19000244, 0.        ]]])
Coordinates:
  * band         (band) int32 1
  * x            (x) float64 2.557e+05 2.557e+05 ... 2.577e+05 2.577e+05
  * y            (y) float64 4.112e+06 4.112e+06 4.112e+06 ... 4.11e+06 4.11e+06
    spatial_ref  int32 0

CHM_SJER.plot(cmap = "viridis")

在这里插入图片描述

print(CHM_SJER.max())
print(CHM_SJER.min())

########################
<xarray.DataArray ()>
array(32.63000488)
Coordinates:
    spatial_ref  int32 0
<xarray.DataArray ()>
array(-1.3999939)
Coordinates:
    spatial_ref  int32 0

CHM_SJER.plot.hist(bins = 50)

在这里插入图片描述

surface_HARV1 = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/HARV/DSM/HARV_dsmCrop.tif",masked=True)#去除了fillValue-9999
print(surface_HARV1)#去除了fillValue-9999

########################################
<xarray.DataArray (band: 1, y: 1367, x: 1697)>
[2319799 values with dtype=float64]
Coordinates:
  * band         (band) int32 1
  * x            (x) float64 7.315e+05 7.315e+05 ... 7.331e+05 7.331e+05
  * y            (y) float64 4.714e+06 4.714e+06 ... 4.712e+06 4.712e+06
    spatial_ref  int32 0
Attributes:
    STATISTICS_MAXIMUM:  416.06997680664
    STATISTICS_MEAN:     359.85311802914
    STATISTICS_MINIMUM:  305.07000732422
    STATISTICS_STDDEV:   17.83169335933
    scale_factor:        1.0
    add_offset:          0.0

terrain_HARV1 = rioxarray.open_rasterio("G:/learnpy/data/NEOSAirRS/HARV/DTM/HARV_dtmCrop.tif",masked=True) 
print(terrain_HARV1)
terrain_HARV1.plot.hist(bins=50)

在这里插入图片描述

CHM_HARV = surface_HARV - terrain_HARV
print(CHM_HARV.min().values)  
print(CHM_HARV.max().values)
CHM_HARV.plot.hist(bins=50)

在这里插入图片描述

CHM_HARV1 = surface_HARV1 - terrain_HARV1
CHM_HARV1.plot.hist(bins=50)

在这里插入图片描述

4. 栅格重分类

import numpy as np
import rioxarray

# difine the bins for pixel values
class_bins = [CHM_HARV1.min().values, 2, 10, 20, np.inf]
class_bins
# classifies the original canopy height model array
canopy_height_classes = np.digitize(CHM_HARV1, class_bins)
print(type(canopy_height_classes))
canopy_height_classes
#############################################
#<class 'numpy.ndarray'>
array([[[3, 3, 3, ..., 1, 1, 1],
        [3, 3, 3, ..., 1, 1, 1],
        [3, 3, 3, ..., 1, 1, 1],
        ...,
        [4, 4, 4, ..., 1, 1, 1],
        [4, 4, 3, ..., 2, 1, 2],
        [4, 4, 4, ..., 2, 1, 1]]], dtype=int64)

import xarray
from matplotlib.colors import ListedColormap
import earthpy.plot as ep
import matplotlib.pyplot as plt
#define color map of the legend
height_colors = ["gray", "y", "yellowgreen", "g", "darkgreen"]
height_cmap = ListedColormap(height_colors)
height_cmap

在这里插入图片描述

# define classname for the legend
category_names = [
    "No Vegetation",
    "Bare Area",
    "Low Canopy",
    "Medium Canopy",
    "Tall Canopy",
]
category_names
# ['No Vegetation', 'Bare Area', 'Low Canopy', 'Medium Canopy', 'Tall Canopy']

# we should konw in what order the legend items should be arranged
category_indices = list(range(len(category_names)))
category_indices
# [0, 1, 2, 3, 4]

# we put the numpy array in a xarray DataArray so that the plot is made with coordinates
canopy_height_classified = xarray.DataArray(canopy_height_classes, coords=CHM_HARV1.coords)
canopy_height_classified

############################################
<xarray.DataArray (band: 1, y: 1367, x: 1697)>
array([[[3, 3, 3, ..., 1, 1, 1],
        [3, 3, 3, ..., 1, 1, 1],
        [3, 3, 3, ..., 1, 1, 1],
        ...,
        [4, 4, 4, ..., 1, 1, 1],
        [4, 4, 3, ..., 2, 1, 2],
        [4, 4, 4, ..., 2, 1, 1]]], dtype=int64)
Coordinates:
  * band         (band) int32 1
  * x            (x) float64 7.315e+05 7.315e+05 ... 7.331e+05 7.331e+05
  * y            (y) float64 4.714e+06 4.714e+06 ... 4.712e+06 4.712e+06
    spatial_ref  int32 0

# Making the plot
plt.style.use("default")
plt.figure()
im = canopy_height_classified.plot(cmap = height_cmap, add_colorbar = False)
ep.draw_legend(im_ax=im, classes = category_indices, titles = category_names)
plt.title("Classfied Canopy Heihgt Model-NEON Harvard Forest Field Site")
plt.ticklabel_format(style="plain")

在这里插入图片描述

5. 设置元数据并到处为GeoTiff

CHM_HARV1.rio.write_crs(surface_HARV1.rio.crs, inplace=True)
CHM_HARV1.rio.set_nodata(-9999.0, inplace=True)
CHM_HARV1.rio.to_raster("G:/learnpy/data/NEOSAirRS/HARV/CHM_HARV.tif")
CHM_SJER = surface_SJER - terrain_SJER
plt.figure()
CHM_SJER.plot(robust=True, cmap = "viridis")
plt.ticklabel_format(style = "plain")
plt.title("Canopy Height Model for San Joaquin Experimental Range, Z Uints: Meters")

在这里插入图片描述

# Campare the SJER and HARV
fig, ax = plt.subplots(figsize = (9,6))
CHM_HARV1.plot.hist(ax = ax, bins =50, color="green")
CHM_SJER.plot.hist(ax = ax, bins = 50,color="orange")

在这里插入图片描述
Tips:
rioxarray
NEON-geopy

GeoSuper
关注
  • 2
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
Python地理数据处理 十三：栅格数据处理（一）
amyniez的博客，欢迎交流讨论
03-12 5787
目录1.数据重采样1.1 重采样为更小的像素 1.数据重采样   ReadAsArray函数可以重采样读取的数据，并且指定输出缓冲区大小或传递一个已有的缓冲区数组。 函数格式： band.ReadAsArray([xoff], [yoff], [win_xsize], [win_ysize], [buf_xsize], [buf_ysize], [buf_obj]) xoff是开始阅读的专栏，默认值为0。 yoff是开始阅读的行，默认值为0。 win_xsize是要读取的列数，默认为全部读取。
关于Python 的简单栅格图像边界提取方法
09-19
今天小编就为大家分享一篇关于Python 的简单栅格图像边界提取方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
python矢量裁剪栅格代码_python 矢量数据转栅格数据代码实例
weixin_39805119的博客
12-11 145
这篇文章主要介绍了python 矢量数据转栅格数据代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下投影包osr与proj4的使用osr投影转换示例from osgeo import osr,ogr#定义投影#wgs84source=osr.SpatialReference()source.ImportFromEPSG(4326)#googl...
python实现使用GDAL实现矢量转栅格
做GIS梦的人
11-28 5609
需求 现在有一个shp文件和栅格数据，需要将shp转换成和栅格数据空间位置一致且像元大小一致的栅格数据。ArcGIS速度比较慢，使用GDAL将shp文件转为和目标栅格同样大小的栅格 转换前 目标影像 代码 from osgeo import gdal, gdalconst from osgeo import ogr rasterFile = 'F:/**0416.dat' ...
利用Python提取栅格数值
qq_32649321的博客
06-07 983
none
[Python 地理空间处理系列：1]栅格影像边界批量转矢量
阳光在手指间
09-11 1791
任务：将一个文件夹中的所有栅格边界批量转为矢量格式 说明：仅将栅格的边界转为矢量的shape格式，栅格内部不转 代码： import gdal import ogr import osr import fnmatch import os ogr.RegisterAll() img_path="D:/img/" #影像所在的文件夹 shape_path="D:/shp" #shape输出位置 if not os.path.exists(shape_path): os.mkdir(shape_p
学习笔记 | python语言 | 输入和输出
01-20
Python提供了 input()内置函数从标准输入读入一行文本，默认的标准输入是键盘。 >>> name = input() Shawpoo # 用户手动输入的内容 >>> print(name) Shawpoo # 计算机打印出的内容 str = input(请输入：); print (你...
python文本数据处理学习笔记详解
01-20
最近越发感觉到限制我对Python运用、以及读懂别人代码的地方，大多是在于对数据的处理能力。 其实编程本质上就是数据处理，怎么把文本数据、图像数据，通过python读入、切分等，变成一个N维矩阵，然后再带入别人的...
python3学习笔记–python中的数据类型汇总。
12-20
python数据类型汇总一.数值型Number1.int2.float3.complex4.数据类型转换二.字符串str对字符串进行操作,字符串的方法。1. 字符串切片2. 字符串统计3. 判断4. 拼接5. 对字符串操作后输出6. 转换7. 索引三.列表list对...
python数据分析学习笔记|数据探索.html
01-29
python数据分析学习笔记|数据探索.html
Python库 | dsm-0.5.2-py3-none-any.whl
03-18
python库，解压后可用。 资源全名：dsm-0.5.2-py3-none-any.whl
Python批量实现栅格影像可视化
qq_43874102的博客
04-22 3370
任务描述： 对栅格影像进行可视化并保存图片 数据准备： 文件夹(工作空间)内含有需要批量可视化的tif影像 工具准备： Python环境 操作： 替换代码中的路径、根据需要调整可视化图片格式 # -*- coding: utf-8 -*- import os import numpy as np from osgeo import gdal import earthpy_plot_revised as ep # 文件目录 root_path = r"D:\DATA\04_T" out_path = r"
GDAL工具箱详解之gdalinfo.exe
番茄园
08-14 4595
GDAL工具箱详解之gdalinfo.exeGDAL自带的工具包含了众多的功能，可以看做是利用该开源库进行的典型开发案例。本节主要介绍其中基本的一项工具——gdalinfo.exe。 该工具箱位于GDAL文件夹下的apps文件夹中，属于命令行可执行程序。 目录GDAL工具箱详解之gdalinfoexe目录 使用方法 常规项目的内容 典例 源码分析 源码及分析 流程图 参数初始化 读取信息主函数使用方
python：使用Anaconda安装rioxarray
qq_44894692的博客
03-16 1826
在python中使用Anaconda安装rioxarray包时，首先需要安装GDAL和rasterio，然后再安装rioxarray。
6.3 Python写文件
wk的博客
07-05 191
3、写文件 （1）write(str或bytes) 说明：输出字符串或字节串（只有以二进制模式（b模式）打开的文件才能写入字节串） 输出字符串 with open('data.txt', 'a', True, 'GBK') as f: f.write('痴迷、淡然\r\n') 输出字节串 with open('data.txt', 'ab', True) as f: ...
Windows安装rioxarray
酱肉包GIS
02-16 524
Windows安装rioxarray
Python+GDAL栅格数据基本操作
热门推荐
GIS哼哈哈的博客
08-10 2万+
Python+GDAL栅格数据基本操作什么是栅格数据？什么是GDAL？如何对栅格数据进行读取栅格数据行列号和地理坐标相互转换如何写入到栅格数据文件 什么是栅格数据？ 最简形式的栅格由按行和列（或格网）组织的像元（或像素）矩阵组成，其中的每个像元都包含一个信息值（例如温度）。栅格可以是数字航空像片、卫星影像、数字图片或甚至扫描的地图。 为何将数据存储为栅格？ 在GIS的应用中最常见的是矢量数据和栅格数据，相比于矢量数据，栅格数据的存储格式简单，处理简单，所以经常使用。但是也存在着数据冗余大的缺点。 有时只
Python将普通图像转化为栅格影像
最新发布
weixin_41099712的博客
12-30 1197
通过GDAL库将普通图像转化为栅格影像
Python网格数据升尺度降尺度
horizon012的博客
03-08 1196
升尺度 降尺度 插值
python学习笔记|字符串与正则表达式练习题答案
07-16
Python学习笔记|字符串与正则表达式练习题答案 1. 练习题1： 题目：给定一个字符串s，找出其中的连续的最长的数字串。 答案：可以通过正则表达式来匹配数字串，然后使用max函数找出最长的。 代码示例： import re ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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。

余额充值