006-Python高级数据类型

本文详细介绍了Python的高级数据类型,包括列表、元组、字典和字符串的定义、常用操作及循环遍历。列表是有序集合,元组是不可变的列表,字典是键值对集合,字符串是有序字符集合。还提到了切片操作以及关键字、函数和方法的区别。
摘要由CSDN通过智能技术生成
基本数据类型
  • Python中数据类型可以分为数字型非数字型
  • 数字型
    • 整型 (int)
    • 浮点型(float
    • 布尔型(bool
      • True 非空字符串等
      • False 0 None ""
    • 复数型 (complex)
      • 主要用于科学计数法
  • 非数字型
    • 列表
    • 元组
    • 字典
    • 字符串

1. 列表

1.1 列表的定义
  • List(列表)是由一系列按特定顺序排列的元素组成,在Python中,用方括号[] 来表示列表,并用逗号来分隔其中的元素。
    cars = ['奔驰', '宝马', '奥迪', '捷豹']
    
  • 列表是有序集合,因此要访问列表的任何元素,只需将该元素的位置或索引告诉Python即可,其 索引 是从 0 开始
    • 索引 就是数据在 列表 中的位置编号,索引 又可以被称为 下标
    cars = ['奔驰', '宝马', '奥迪', '捷豹']
    print(cars[0])  # 奔驰
    

注意:从列表中取值时,如果 超出索引范围,程序会报错
python cars = ['奔驰', '宝马', '奥迪', '捷豹'] print(cars[5])
mysql C:\Users\rulai\AppData\Local\Programs\Python\Python36\python.exe D:/test/index.py Traceback (most recent call last): File "D:/test/index.py", line 2, in <module> print(cars[5]) IndexError: list index out of range

1.2 列表常用操作
  • ipython3中定义一个列表,例如:cars = []

  • 输入 cars. 按下 TAB 键,ipython会提示列表能够使用的方法如下:

    In [1]: cars.
    append()  count()   insert()  reverse()
    clear()   extend()  pop()     sort()
    copy()    index()   remove()
    
  • 也可以在Pycharm编辑器中,在操作的列表变量后面输入.,就会罗列出可以操作的方法

  • 根据操作方法功能分类增 删 改 查

    • # 在列表指定位置插入数据
      列表.insert(索引, 数据)
      
      # 在列表末尾追加数据
      列表.append(数据)
      
      # 将整个新列表追加到列表
      列表.extend(新列表) 
      
    • # 删除指定索引的列表数据
      del 列表[索引]
      
      # 删除第一个位置的指定数据
      列表.remove[数据]
      
      # 删除列表末尾数据
      列表.pop
      
      # 删除指定索引列表数据
      列表.pop(索引)
      
      # 清空列表数据
      列表.clear
      
    • # 修改指定索引的数据
      列表[索引] = 数据
      
    • # 计算列表长度
      len(列表)
      
      # 统计某数据在列表中出现的次数
      列表.count(数据)
      
      # 默认列表升序排序
      列表.sort()
      
      # 列表数据降序排序
      列表.sort(reverse=True)
      
      # 列表数据反转
      列表.reverse()
      
关键字、函数和方法区别
  • 关键字Python系统预留的标识符,可以通过ipython查看关键字有哪些

    In [1]: import keyword
    In [2]: keyword.kwlist
    
  • 函数是系统或者个人封装好的功能块,可以直接根据函数调用

    函数名([参数1, 参数2, ……])  # 中括号表示不一定需要
    
  • 方法 可以理解成类,对象里的函数

  • 方法 需要通过 类的实例化对象 + . + 方法名 来使用

    对象.方法名([参数1, 参数2, ……])  # 中括号表示不一定需要
    

在Pycharm编辑器中,对象后面输入 .,就会罗列出可以使用的方法

1.3 循环遍历
  • 使用 for in实现循环遍历

    cars = ['奔驰', '宝马', '奥迪', '捷豹']
    
    # for 临时变量 in 列表
    for car in cars:
    
        循环内部针对列表元素进行操作
        print(car)
    
    
    cars = ['奔驰', '宝马', '奥迪', '捷豹']
    
    i = 0
    while i < len(cars
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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

打赏作者

程序员buddha2080

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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