小数据池,深浅拷贝以及集合

小数据池,深浅拷贝以及集合

一.小数据池

小数据池的验证方法必须脱离代码块才能进行验证

驻留机制--先执行代码块的规则,再执行小数据池的规则

1.小数据池 --缓存机制(驻留机制)

小数据池的支持数据类型和范围:

  • 数字
    • -5 ~ 256
  • 字符串
    • 在同一个代码块下,只要内容相同就采用相同的内存地址
    • 字符串做乘法的时候总长度不能超过20
    • 中文和特殊符号乘法的时候乘以0
  • 布尔值
    • 在同一个代码块下,只要内容相同就采用相同的内存地址

2.代码块

一个文件,一个函数,一个模块,一个类,终端中一行就是一个代码块.

代码块的支持数据类型和范围

  • 数字
    • 在同一个代码块下,只要内容相同就采用相同的内存地址(-5以后不是)
    • 数字在做乘法的时候范围 -5 ~ 256
    • 数字在做乘法的时候不能使用浮点数
  • 字符串
    • 在同一个代码块下,只要内容相同就采用相同的内存地址
    • 字符串进行乘法的时候总长度不能超过20
    • 中文和特殊符号乘法的时候只能乘以1或0
  • 布尔值
    • 在同一个代码块下,只要内容相同就采用相同的内存地址二.

二. == 和 is

  • == 判断等号两边的值是否相等
  • is 判断两边的值内存地址是否相同

三.深浅拷贝

1.赋值

赋值: 多个变量名指向同一个内存地址,一个变量对其进行操作后,其他变量进行查看时都变动

lst = [1,2,3,[5,6,7]]
lst1 = lst
print(lst)
print(lst1)     #[1,2,3,[5,6,7]]
                #[1,2,3,[5,6,7]]

2.浅拷贝

  • 浅拷贝的时候只拷贝第一层元素
  • 浅拷贝在修改第一层元素(不可变数据类型)的时候,拷贝出来的新列表不进行改变
  • 浅拷贝在替换第一层元素内的(可变数据类型)时候,拷贝出来的新列表进行改变
  • 浅拷贝在修改第一层元素中的元素(第二层)的时候,拷贝出来的新列表进行改变
  • lst[:] --是浅拷贝
lst =[1,2,3,[6,7,8]]
lst1= lst
lst[-1].append(9)
print(lst)
print(lst1)      #[1, 2, 3, [6, 7, 8, 9]]
                 #[1, 2, 3, [6, 7, 8, 9]]

1729481-20190711204117985-386529618.png

浅拷贝

lst = [1,2,3[6,7,8]]
lst1 = lst.copy()
print(lst)
print(lst1)     #[1,2,3,[6,7,8]]
                #[1,2,3,[6,7,8]]

1729481-20190711204110174-1889007064.png

lst = [1,2,3,[6,7,8]]
lst1 = lst.copy()
lst[-1].append(9)
print(lst)
print(lst1)      #[1, 2, 3, [6, 7, 8, 9]]
                 #[1, 2, 3, [6, 7, 8, 9]]

1729481-20190711204100824-2061857857.png

lst = [1,2,3,[6,7,8]]
lst1 = lst.copy()
lst[3] = 9
print(lst)
print(lst1)        #[1, 2, 3, 9]
                   #[1, 2, 3, [6, 7, 8]]
  
lst = [1,2,3,[5,6,7,[8,9]]]
lst1 = lst.copy()
lst.append(10)
print(lst)
print(lst1)       #[1, 2, 3, [5, 6, 7, [8, 9]],10]
                  #[1, 2, 3, [5, 6, 7, [8, 9]]]

    
lst = [[1,2,],90,6,7,[5,6]]
lst1 = lst.copy()
lst[-1] = 8
print(lst)
print(lst1)      #[[1, 2], 90, 6, 7, 8]
                 #[[1, 2], 90, 6, 7, [5,6]]    
        
lst = [1,2,3,4,[5,6,7,[8,9]]] 
lst1 = lst.copy()
lst[-1][-1] = "56"
print(lst)
print(lst1)      #[1, 2, 3, 4, [5, 6, 7, '56']]
                 #[1, 2, 3, 4, [5, 6, 7, '56']]

dic = {"alex":[1,2,3,[5,6]]}
dic1 = dic.copy()
dic["alex"][-1] = "56"
print(dic)
print(dic1)     #{'alex': [1, 2, 3, '56']}
                #{'alex': [1, 2, 3, '56']}

3.深拷贝

  • 不可变的数据类型共用,可变的数据类型重新开辟空间
  • 对源数据进行修改,深拷贝的内容不进行修改

1729481-20190711204052041-1998785759.png

import copy
lst = (1,2,3,[5,6,7])
lst1 = copy.deepcopy(lst)
lst[-1].append(8)
print(lst)
print(lst1)            #(1, 2, 3, [5, 6, 7, 8])
                       #(1, 2, 3, [5, 6, 7])

四.集合(set)

  • 没有值的字典
  • 无序,不支持索引
  • 天然去重

定义集合 s = {1,"alex",False}

增:

s = {"刘嘉玲", '关之琳', "王祖贤"}

#添加 s.add()
s.add("郑裕玲") # 重复的内容不会被添加到set集合中
print(s)


#迭代添加 s.update()
s.update("麻花藤") 
print(s)
s.update(["张曼⽟", "李若彤","李若彤"])
print(s)

删:

s = {"刘嘉玲", '关之琳', "王祖贤","张曼⽟", "李若彤"}

# s.pop()     # 随机弹出⼀个.

#s.remove()    # 直接删除元素

s.remove("⻢⻁疼") # 不存在这个元素. 删除会报错


#s.clear() # 清空set集合.需要注意的是set集合如果是空的. 打印出来是set()

改:

# set集合中的数据没有索引. 也没有办法去定位⼀个元素. 所以没有办法进⾏直接修改.
# 我们可以采⽤先删除后添加的⽅式来完成修改操作
s = {"刘嘉玲", '关之琳', "王祖贤","张曼⽟", "李若彤"}
# 把刘嘉玲改成赵本⼭
s.remove("刘嘉玲")
s.add("赵本⼭")
print(s)

查:

# set是⼀个可迭代对象. 所以可以进⾏for循环
for el in s:
 print(el)

常用操作

s1 = {"刘能", "赵四", "⽪⻓⼭"}
s2 = {"刘科⻓", "冯乡⻓", "⽪⻓⼭"}

# 交集(&)
# 两个集合中的共有元素
print(s1 & s2) # {'⽪⻓⼭'}
print(s1.intersection(s2)) # {'⽪⻓⼭'}

# 并集(丨)
print(s1 | s2) # {'刘科⻓', '冯乡⻓', '赵四', '⽪⻓⼭', '刘能'}
print(s1.union(s2)) # {'刘科⻓', '冯乡⻓', '赵四', '⽪⻓⼭', '刘能'}

# 差集(-)
print(s1 - s2) # {'赵四', '刘能'} 得到第⼀个中单独存在的
print(s1.difference(s2)) # {'赵四', '刘能'}

# 反交集(^)
print(s1 ^ s2) # 两个集合中单独存在的数据 {'冯乡⻓', '刘能', '刘科⻓', '赵四'}
print(s1.symmetric_difference(s2)) # {'冯乡⻓', '刘能', '刘科⻓', '赵四'}
s1 = {"刘能", "赵四"}
s2 = {"刘能", "赵四", "⽪⻓⼭"}

# ⼦集(<)
print(s1 < s2) # set1是set2的⼦集吗? True
print(s1.issubset(s2))

# 超集(>)
print(s1 > s2) # set1是set2的超集吗? False
print(s1.issuperset(s2))


#冻结集合
s = frozenset(["赵本⼭", "刘能", "⽪⻓⼭", "长桂"])
dic = {s:'123'}   # 可以正常使⽤了
print(dic)

转载于:https://www.cnblogs.com/tutougold/p/11172601.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
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