python学习day4数据输入

于 2024-07-21 23:41:41 发布
阅读量24 收藏
点赞数 1
分类专栏： 机器学习 文章标签： python 学习
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_54714615/article/details/140593474
版权

文章目录

数据输入

数据输入：input()
         input('你是谁')
注：不管你输入什么类型数据，全部按照字符串来看。

例如
age=input('输入你的年龄')
print(type(age))
age=int(age)
print('你的年龄是%s'%age,type(age))
结果
输入你的年龄23
<class 'str'>
你的年龄是23 <class 'int'>
#include<菜鸡>
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python学习Day-1
Mrho9527的博客
02-16 462
学习记录
Python学习Day01
weixin_57911807的博客
08-23 190
0基础学习Python第一天
Python 学习日记day 2
CryBaby0609的博客
10-15 704
python
python学习day2
qq_44981522的博客
12-01 4690
python学习day2 一、定义变量和给变量复制的原理 python定义变量的时候： 需要先申请内存，内存申请多大看数据需要多大，然后将数据保存到内存中再和变量进行关联。 重新给变量赋值的时候，会重新申请新的内存，新的内存大小由新的数据的大小决定。 结论：python赋值变量的时候要比C语言和JAVA少占用一些内存，但速度相比较其他两种语言要慢一点，所以python在数据处理以及大数据方面要比其他两种语言更加适用一点。 二、数学运算符 +(加)、-（减）、*（乘）、/(除)、%(取余;取模)、//(整
如何把Excel的数据导入python？
热门推荐
qq_40783513的博客
09-06 6万+
Python数据分析——excl导入数据的简单方法（xlrd） 本文的初衷是发现网上很多Excel导入Python都没有结合具体Excel文档进行讲解，所以这篇文档将会呈现一个简单快速的Excel+Python的入门方法。 开发环境 Prerequisites: 在开始用Python导入Excel之前，要配置好自己的开发环境，最好有IDE（terminal也可）+安装相应的数据分析包。 IDE ：pycharm，vscode，etc 数据分析包：matplotlib，xlrd，numpy，etc 导入数
python 数据分析 day3 矩阵及利用线性回归处理boston数据集
qq_33489955的博客
04-30 2226
矩阵及线性回归矩阵定义矩阵np.matrix();推荐np.array()方法创建矩阵矩阵的属性矩阵对应的数组矩阵对应的一维数组逆矩阵矩阵转置:X.T/X.transpose/X.swapaxes(0,1)矩阵的运算矩阵乘法:m1*m2/m1@m2/数乘/np.matmul()求行列式的值:np.linalg.dat()线性回归 矩阵 定义矩阵np.matrix();推荐np.array()方法创建矩阵 m1=np.matrix('1 2 3;4 5 6') """ matrix([[1, 2, 3],
Python Day8作业，批量导入CSV文件数据
qq_67780151的博客
07-01 985
对CSV文件进行批量读取数据并加入一个新的CSV文件中
如何使用Python进行数据清洗和预处理
一键难忘的博客
05-30 2770
数据清洗和预处理是数据科学和机器学习项目中的关键步骤。这些步骤确保了数据的质量和一致性，从而为后续的分析和建模提供了坚实的基础。Python作为数据科学领域的热门编程语言，提供了丰富的库和工具来处理和清洗数据。本文将介绍如何使用Python进行数据清洗和预处理，并提供相应的代码示例。
python打印int型数据,python入门day04——基本数据类型、输入输出
weixin_35888365的博客
03-26 1717
文章目录一、基本数据类型1、数字类型1.1、整型int1.2浮点型float数学运算与比较运算2、字符串类型str3：列表类型list:索引对应值,索引反映的是位置4、字典类型dict5、布尔类型True和False二、输入输出1、接收用户输入input2、输出print3、了解知识一、基本数据类型1、数字类型1.1、整型int定义：age=10作用：记录个数、年龄、年份、等级、出生年1.2浮点型...
小白学习python Day1
12-22
在Python编程语言的学习中，第一天通常会涉及到基础的语法结构和基本数据类型。这里我们将深入讲解这些关键概念。 首先，程序的格式框架至关重要，因为Python是依赖缩进来定义代码块的。缩进分为单层缩进和多层缩进...
蓝桥杯python第4天，python-Day04.rar
04-30
在“蓝桥杯Python第4天”的学习中，我们将深入探讨Python这一强大而易学的编程语言。Python以其简洁的语法、丰富的库支持和跨平台特性，成为了初学者和专业人士的首选语言之一。尤其在数据处理、网络编程、科学计算...
python入门python-Day25.rar
04-19
在Python编程语言的世界里，"Day25"可能代表着一个为期多日的Python学习课程的第25天，这通常涵盖了中级到高级的Python概念。在这个阶段，学习者可能已经掌握了基础语法，如变量、数据类型、控制结构（条件语句、...
python-day15-day19
03-18
在Python编程语言的学习过程中，"python-day15-day19"这部分内容涵盖了从第15天到第19天的学习笔记。尽管没有提供具体的笔记内容，但我们可以根据通常的Python学习路径来推测涵盖的一些关键知识点。 1. **面向对象...
使用Python的Turtle库绘制动态风车
最新发布
爱写代码的小朋友
07-20 191
python绘制风车
华为od机试真题 — 代表团坐车(Python)
学习,你不是一个人在战斗 ～ 961302305（QQ,微信）
07-17 596
【华为od机试真题 】代表团坐车(Python) 某组织举行会议，来了多个代表团同时到达，接待处只有一辆汽车可以同时接待多个代表团，为了提高车辆利用率，请帮接待员计算可以坐满车的接待方案输出方案数量。
【Python如何将字符串连接在一起并使用`join()`方法】
qq_36253366的博客
07-19 261
方法是字符串对象的方法，而不是列表或元组等序列类型的方法。因此，你需要先指定一个用作分隔符的字符串，然后调用这个字符串的。方法将字符串连接在一起，你需要首先确保这些字符串被存储在一个序列类型中（如列表或元组），然后调用这个序列的。方法是一个字符串方法，它用于将序列（如列表、元组等）中的元素以指定的字符连接生成一个新的字符串。列表中的所有字符串元素使用空格作为分隔符连接成一个新的字符串。方法，并将你想要作为分隔符的字符串作为参数传递给。方法，并将包含要连接字符串的序列作为参数传递。
IPython 日志秘籍：%logstate 命令全解析
2401_85812026的博客
07-17 580
logstate命令是 IPython 日志系统的重要组成部分，它帮助我们掌控日志记录的状态。通过本文的介绍，你应该对如何在 IPython 中使用%logstate查看日志状态有了更深入的理解。记住，合理利用日志系统，可以让你的数据探索过程更加透明和可追溯。本文详细介绍了 IPython 的%logstate命令，包括其基本概念、基本用法、输出解析以及实战示例。希望本文能够帮助读者更好地利用 IPython 的日志系统，优化数据探索和科学计算的工作流。记住，掌握%logstate。
python导入鸢尾花数据集
06-02
你可以使用Scikit-learn库中的`load_iris()`函数来导入鸢尾花数据集，示例如下： ```python from sklearn.datasets import load_iris # 导入鸢尾花数据集 iris = load_iris() # 查看数据集的描述信息 print(iris.DESCR) # 获取数据集的特征数据和标签数据 X = iris.data y = iris.target # 查看特征数据和标签数据的形状 print('特征数据的形状：', X.shape) print('标签数据的形状：', y.shape) ``` 输出结果如下： ``` .. _iris_dataset: Iris plants dataset -------------------- **Data Set Characteristics:** :Number of Instances: 150 (50 in each of three classes) :Number of Attributes: 4 numeric, predictive attributes and the class :Attribute Information: - sepal length in cm - sepal width in cm - petal length in cm - petal width in cm - class: - Iris-Setosa - Iris-Versicolour - Iris-Virginica :Summary Statistics: ============== ==== ==== ======= ===== ==================== Min Max Mean SD Class Correlation ============== ==== ==== ======= ===== ==================== sepal length: 4.3 7.9 5.84 0.83 0.7826 sepal width: 2.0 4.4 3.05 0.43 -0.4194 petal length: 1.0 6.9 3.76 1.76 0.9490 (high!) petal width: 0.1 2.5 1.20 0.76 0.9565 (high!) :Missing Attribute Values: None :Class Distribution: 33.3% for each of 3 classes. :Creator: R.A. Fisher :Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov) :Date: July, 1988 The famous Iris database, first used by Sir R.A. Fisher. The dataset is taken from Fisher's paper. Note that it's the same as in R, but not as in the UCI Machine Learning Repository, which has two wrong data points. This is perhaps the best known database to be found in the pattern recognition literature. Fisher's paper is a classic in the field and is referenced frequently to this day. (See Duda & Hart, for example.) The data set contains 3 classes of 50 instances each, where each class refers to a type of iris plant. One class is linearly separable from the other 2; the latter are NOT linearly separable from each other. .. topic:: References - Fisher, R.A. "The use of multiple measurements in taxonomic problems" Annual Eugenics, 7, Part II, 179-188 (1936); also in "Contributions to Mathematical Statistics" (John Wiley, NY, 1950). - Duda, R.O., & Hart, P.E. (1973) Pattern Classification and Scene Analysis. (Q327.D83) John Wiley & Sons. ISBN 0-471-22361-1. See page 218. - Dasarathy, B.V. (1980) "Nosing Around the Neighborhood: A New System Structure and Classification Rule for Recognition in Partially Exposed Environments". IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. PAMI-2, No. 1, 67-71. - Gates, G.W. (1972) "The Reduced Nearest Neighbor Rule". IEEE Transactions on Information Theory, May 1972, 431-433. - See also: 1988 MLC Proceedings, 54-64. Cheeseman et al"s AUTOCLASS II conceptual clustering system finds 3 classes in the data. 特征数据的形状： (150, 4) 标签数据的形状： (150,) ``` 其中，`iris.data`为特征数据，`iris.target`为标签数据。

“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
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