python基础——类型注解【变量,函数,Union】

📝前言:
上一篇文章Python基础——面相对象的三大特征提到,python中的多态,python中,类型是动态的,这意味着我们不需要在声明变量时指定其类型。然而,这可能导致运行时错误,因为我们可能意外地使用了错误的类型,所以这篇文章来讲解一下python中的类型注解。
类型注解提供了一种方法,可以在编写代码时显式指定预期的类型,从而减少这些错误。

🎬个人简介:努力学习ing
📋个人专栏:C语言入门基础以及python入门基础
🎀CSDN主页 愚润求学
🌄每日鸡汤:自律的本质,就是亲手杀死曾经那个颓废的自己

一,什么是类型注解

类型注解是一种为函数、类或模块参数和返回值指定预期类型的方法。它们用于提高代码可读性和帮助开发者在开发过程中捕获潜在的类型错误。类型注解不会强制执行类型检查,但它们可以与第三方工具结合使用,以实现更严格的类型检查。

例如,当我们在给函数输入变量的时候,我们就可以使用Ctrl+p来查看类型注解:
在这里插入图片描述

二,为变量设置类型注解

语法:

变量: 类型

除了使用这种语法做注解外,也可以在注释中进行类型注解。
语法:

# type: 类型

例如:
在这里插入图片描述
但是,第一种更为常用,所以,下面主要介绍第一种类型注解的方法

1,基础数据类型注解

在这里插入图片描述

2,类对象类型注解

在这里插入图片描述

3,基础容器类型注解

在这里插入图片描述

4,元素类型详细注解

在这里插入图片描述

注意:
1,元组类型设置类型详细注解,需要将每一个元素都标记出来
2,字典类型设置类型详细注解,需要2个类型,第一个代表key,第二个代表value

什么时候用类型注解?👇🏻
在这里插入图片描述

三,函数的类型注解

语法:

def 函数名(参数1:类型, 参数2:类型, ……) -> 类型:
	pass

参数:类型:对参数进行注解
->类型:对返回值进行注解

例如,我们对一个加法函数进行类型注解:
在这里插入图片描述

四,联合类型注解

我们用Union[类型, 类型, ……]来定义联合类型注解(要导包:from typing import Union

使用场景:
当我们给序列进行类型注解的时候:
在这里插入图片描述
上面这种情况,容器里的元素都是同类型的

但是
当我们遇到容器中的元素是不同类型的,如:
在这里插入图片描述
这时候,我们就可以使用Union来进行注解
在这里插入图片描述

Union联合类型注解,在变量注解、函数(方法)形参和返回值注解中,均可使用。
在这里插入图片描述
(以上图片来源于B站黑马程序员,如有侵权,请告知)


🌈我的分享也就到此结束啦🌈
要是我的分享也能对你的学习起到帮助,那简直是太酷啦!
若有不足,还请大家多多指正,我们一起学习交流!
📢公主,王子:点赞👍→收藏⭐→关注🔍
感谢大家的观看和支持!祝大家都能得偿所愿,天天开心!!!

  • 50
    点赞
  • 41
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 21
    评论
Python中,可以使用概率论中的随机变量分布来进行统计计算。常见的离散型分布包括二项分布和泊松分布,连续性分布包括正态分布、均匀分布和指数分布等。这些分布可以用来计算概率、期望和方差等统计量。 对于正态分布,可以使用scipy.stats库中的norm模块进行计算。例如,可以使用norm.cdf函数计算小于某个值的概率,使用norm.ppf函数计算给定累积概率时的反函数值。代码示例如下: ``` from scipy.stats import norm # 计算小于40的概率 p1 = norm.cdf(40, loc=50, scale=10) # 计算30到40之间的概率 p2 = norm.cdf(40, loc=50, scale=10) - norm.cdf(30, loc=50, scale=10) # 计算小于2.5的概率 p3 = norm.cdf(2.5, 0, 1) # 计算-1.5到2之间的概率 p4 = norm.cdf(2) - norm.cdf(-1.5) # 计算累计概率为0.025时的反函数值 q1 = norm.ppf(0.025, loc=0, scale=1) # 计算累计概率为0.975时的反函数值 q2 = norm.ppf(0.975, 0, 1) print(p1, p2, p3, p4, q1, q2) ``` 对于计算随机变量的概率分布的均值和方差,可以使用numpy库进行计算。代码示例如下: ``` import numpy as np # 假设有一个数据框df,其中包含了不合格品数和概率 mymean = sum(df['不合格品数'] * df['概率']) # 计算均值 myvar = sum((df['不合格品数'] - mymean) ** 2 * df['概率']) # 计算方差 mystd = np.sqrt(myvar) # 计算标准差 print(mymean, myvar, mystd) ``` 以上是关于Python统计学中随机变量的概率分布的一些基本操作和计算方法。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [Python统计学03——随机变量的概率分布](https://blog.csdn.net/weixin_46277779/article/details/126673517)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“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 21
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

愚润求学

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