每天一点python——day94

#每天一点Python——94
#面向对象的三大特征——封装
'''
封装:隐藏内部细节,对外提供操作方式。【提高程序的安全性】
继承:在函数调用时,使用’形参名称=值‘的方式进行传参,传递参数的顺序可以与定义时参数顺序不同【提高程序的复用性】
多态:在函数定义时,直接对形式参数进行赋值。在调用时,如果该参数不传值,将使用默认值,如果该参数传值,则使用传递的值【提高程序的拓展性和可维护性】
三大特征与语言本身没有关系,不管你是c或者java都一样,这只是一种编程思想,而我们现在就是在学Python,所以接触Python方面比较多。
'''
#封装:
'''
类似于银行用的ATM机,你根本不清楚内部结构,但是你只要会如何使用就可以了。至于内部细节如何使用,就不用管了。
其目的就是保证数据的安全性。
'''
#封装的实现
'''
封装:将数据(属性)和行为(方法)包装在类对象中。在方法内部对属性进行操作,在类对象的外部调用方法。
这样,就不用关心方法内部具体的实现了,从而隔离了复杂度。
'''
#封装的实现:
class Car():
    def __init__(self,pingpai):
        self.pingpai=pingpai
    def qidong(self):
        print('汽车已经启动')

#以上就是一个创建好的类了,
#我们现在创建一个对象
car=Car('汽车')
car.qidong()
print(car.pingpai)
'''
输出结果如下:
汽车已经启动
汽车
这就是封装好一个类后的使用。
'''

封装示意图:

 

点击图中所示位置,就会看到我们创建的类就已经像一个包一样,封装好了。提高了方便

#封装好一个类后,肯定设计到一些权限的使用
#就像一个应用软件,有面向用户和面向操作人员的,要使用就得开通权限,这样就产生了权限控制
'''
权限控制:是通过对属性、方法添加单下划线、双下划线以及首尾双下划线来实现的。
各个下划线的区别:
①单下划线开头:
以单下划线开头的属性或方法表示(protected)受保护的成员,这类成员被视为仅供内部使用,允许类本身和子类进行访问,但实际上它可以被外部代码访问。
②双下划线开头:
表示(private)私有的成员,这类成员只允许定义该属性或方法的类本身进行访问。
③首尾双下划线:
一般表示特殊的方法
'''
#例:权限控制
class Student:
    #首尾双下划线
    def __init__(self,name,age,xingbie):#方法的形参,也就是局部变量
        self._name=name#受保护的单下划线开头,只能本类和子类访问
        self.__age=age#私有的双下划线开头,智能类本身去访问
        self.xingbie=xingbie#普通的实例属性,类的内部,外部以及子类都可以访问【访问权限最大】
    def _fun(self):#定义一个方法,加了一个下划线说明它是受保护的
        print('子类以及它本身可以使用')
    def __fun2(self):#定义一个私有的方法
        print('只有定义的类可以访问')
    def pu(self):#定义一个普通的实例方法
        self._fun()#类本身访问受保护的方法
        self.__fun2()#类本身去访问私有的方法
        print(self._name)#受保护的实例属性
        print(self.__age)#私有的实例属性
#以上就是我们创建出来的类的结构。
#接下来创建一个对象
stu=Student(name='阿四',age=20,xingbie='男')#因为我们初始化方法里面有三个参数,所以我们创建的对象也需要三个参数
#现在我们在类的外部,在类的外部访问受保护的实例属性stu._name
print(stu._name)
#输出:阿四
#然后我们再访问一下类的私有属性stu.__age
'''
print(stu.__age)
输出结果:
'Student' object has no attribute '__age'
会报错。会显示没有这个属性。
这里就疑惑了,我明明定义了这个呀
这是因为私有属性出了类的定义范围,就不能使用了
'''
#访问受保护的示例方法
stu._fun()
#输出:子类以及它本身可以使用
'''
访问私有方法
stu.__fun2()
输出:'Student' object has no attribute '__fun2'
报错,也是没有这个方法,说明也是超过访问了,不允许访问
'''

#私有的实例属性和方法是真的不能访问吗?
'''
可以访问,只是他的访问多了一个形式,要求使用对象名字
如下:
'''
print(stu._Student__age)

stu._Student__fun2()
#为什么可以访问?
#dir()函数可以展示对象中所有的属性和方法。
print(dir(stu))
#输出如下
'''
['_Student__age', '_Student__fun2', '__class__', '__delattr__', 
'__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__',
 '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__', '__lt__', '__module__', 
 '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', 
 '__str__', '__subclasshook__', '__weakref__', '_fun', '_name', 'pu', 'xingbie']
 以上就是这个对象所有的属性和方法了
 在里面可以看到我们私有的age在里面定义为_Student__age
 所以我们访问它时,也需要使用这种形式。
 fun2方法在里面是_Student__fun2
 所以我们调用时也需要对象名打点调用_Student__fun2才可以。
 以上就是权限的控制。
'''

 

  • 7
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
构建新冠肺炎的预测模型需要收集大量的数据,并且需要考虑到多种因素,例如感染人数、传播途径、病毒变异等等。以下是一个简单的构建预测模型的步骤: 1. 收集数据:收集新冠肺炎疫情相关的数据,包括感染人数、死亡人数、治愈人数、地理位置等等。可以从世界卫生组织、各国卫生部门等官方渠道获取数据。 2. 数据预处理:对收集到的数据进行清洗、去重、缺失值处理等预处理操作。 3. 特征工程:对数据进行特征提取和转换,例如使用时间序列分析方法提取时间相关的特征。 4. 模型选择:选择适合的模型进行预测,可以使用回归模型、分类模型等。 5. 模型训练:使用训练数据集对模型进行训练,调整模型的参数和超参数。 6. 模型评估:使用测试数据集对模型进行评估,计算预测的准确率、召回率等指标。 7. 模型应用:将模型应用到实际场景中,进行预测和分析。 对于具体的代码实现,可以使用Python中的机器学习库如scikit-learn、TensorFlow等来实现。以下是一个简单的Python代码实现: ```python import pandas as pd from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split # 加载数据 data = pd.read_csv('data.csv') # 数据预处理 data.drop_duplicates(inplace=True) data.dropna(inplace=True) # 特征工程 data['date'] = pd.to_datetime(data['date']) data['dayofyear'] = data['date'].dt.dayofyear # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(data[['dayofyear']], data['confirmed'], test_size=0.2) # 模型训练 model = LinearRegression() model.fit(X_train, y_train) # 模型评估 score = model.score(X_test, y_test) print('模型准确率:', score) # 模型应用 future_days = pd.date_range('2022-01-01', '2022-12-31') future_dayofyear = [dayofyear for dayofyear in future_days.dayofyear] future_confirmed = model.predict(pd.DataFrame({'dayofyear': future_dayofyear})) print('2022年新增确诊人数预测:', int(future_confirmed.sum())) ``` 以上代码以线性回归模型为例,使用了时间序列分析方法提取时间相关的特征。其他模型的实现方式类似,可根据具体情况进行选择。

“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 1
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