python中show函数的用法_Python3基础之函数用法

一般来说,函数(function)是组织好的、可重复使用的、具有一定功能的代码段。函数能提高应用的模块性和代码的重复利用率,在Python中已经提供了很多的内建函数,比如print(),同时Python还允许用户自定义函数。

本文就来实例总结一下Python3的函数用法,具体内容如下:

一、定义

定义函数使用关键字def,后接函数名和放在圆括号( )中的可选参数列表,函数内容以冒号起始并且缩进。一般格式如下:

def 函数名(参数列表):

"""文档字符串"""

函数体

return [expression]

注意:参数列表可选,文档字符串可选,return语句可选。

示例:

def fib(n):

"""Print a Fibonacci series"""

a, b = 0, 1

while b < n:

print(b, end=' ')

a, b = b, a+b

print()

fib(2000) # call

f = fib # assignment

f(2000)

函数名的值是一种用户自定义的函数类型。函数名的值可以被赋予另一个名字,使其也能作为函数使用。

二、函数变量作用域

在函数内部定义的变量拥有一个局部作用域,在函数外定义的拥有全局作用域。注意:在函数内部可以引用全局变量,但无法对其赋值(除非用global进行声明)。

a = 5 # 全局变量a

def func1():

print('func1() print a =', a)

def func2():

a = 21 # 局部变量a

print('func2() print a =', a)

def func3():

global a

a = 10 # 修改全局变量a

print('func3() print a =', a)

func1()

func2()

func3()

print('the global a =', a)

三、函数调用

1、普通调用

与其他语言中函数调用一样,Python中在调用函数时,需要给定和形参相同个数的实参并按顺序一一对应。

def fun(name, age, gender):

print('Name:',name,'Age:',age,'Gender:',gender,end=' ')

print()

fun('Jack', 20, 'man') # call

2、使用关键字参数调用函数

函数也可以通过keyword=value 形式的关键字参数来调用,因为我们明确指出了对应关系,所以参数的顺序也就无关紧要了。

def fun(name, age, gender):

print('Name:',name,'Age:',age,'Gender:',gender,end=' ')

print()

fun(gender='man', name='Jack', age=20) # using keyword arguments

3、调用具有默认实参的函数

Python中的函数也可以给一个或多个参数指定默认值,这样在调用时可以选择性地省略该参数:

def fun(a, b, c=5):

print(a+b+c)

fun(1,2)

fun(1,2,3)

注意:通常情况下默认值只被计算一次,但如果默认值是一个可变对象时会有所不同, 如列表, 字典, 或大多类的对象时。例如,下面的函数在随后的调用中会累积参数值:

def fun(a, L=[]):

L.append(a)

print(L)

fun(1) # 输出[1]

fun(2) # 输出[1, 2]

fun(3) # 输出[1, 2, 3]

4、调用可变参数函数

通过在形参前加一个星号(*)或两个星号(**)来指定函数可以接收任意数量的实参。

def fun(*args):

print(type(args))

print(args)

fun(1,2,3,4,5,6)

# 输出:

#

# (1, 2, 3, 4, 5, 6)

def fun(**args):

print(type(args))

print(args)

fun(a=1,b=2,c=3,d=4,e=5)

# 输出:

#

# {'d': 4, 'e': 5, 'b': 2, 'c': 3, 'a': 1}

从两个示例的输出可以看出:当参数形如*args时,传递给函数的任意个实参会按位置被包装进一个元组(tuple);当参数形如**args时,传递给函数的任意个key=value实参会被包装进一个字典(dict)。

5、通过解包参数调用函数

上一点说到传递任意数量的实参时会将它们打包进一个元组或字典,当然有打包也就有解包(unpacking)。通过 单星号和双星号对List、Tuple和Dictionary进行解包:

def fun(a=1, b=2, c=3):

print(a+b+c)

fun() # 正常调用

list1 = [11, 22, 33]

dict1 = {'a':40, 'b':50, 'c':60}

fun(*list1) # 解包列表

fun(**dict1) # 解包字典

# 输出:

# 6

# 66

# 150

注:*用于解包Sequence,**用于解包字典。解包字典会得到一系列的key=value,故本质上就是使用关键字参数调用函数。

四、lambda表达式

lambda关键词能创建小型匿名函数。lambda函数能接收任何数量的参数但只能返回一个表达式的值,它的一般形式如下:

lambda [arg1 [,arg2,.....argn]] : expression

lambda表达式可以在任何需要函数对象的地方使用,它们在语法上被限制为单一的表达式:

f = lambda x, y: x+y

print(f(10, 20))

def make_fun(n):

return lambda x: x+n

f = make_fun(15)

print(f(5))

五、文档字符串

函式体的第一个语句可以是三引号括起来的字符串, 这个字符串就是函数的文档字符串,或称为docstring 。我们可以使用print(function.__doc__)输出文档:

def fun():

"""Some information of this function.

This is documentation string."""

return

print(fun.__doc__)

文档字符串主要用于描述一些关于函数的信息,让用户交互地浏览和输出。建议养成在代码中添加文档字符串的好习惯。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要在Python画指数函数的图像,可以使用Matplotlib库。以下是一个简单的例子: ```python import numpy as np import matplotlib.pyplot as plt # 定义指数函数 def exp_func(x, a, b): return a * np.exp(b * x) # 生成一些随机数据 x_data = np.linspace(0, 5, 50) y_data = 2.5 * np.exp(0.8 * x_data) + np.random.normal(size=50) # 使用curve_fit函数进行拟合 from scipy.optimize import curve_fit popt, pcov = curve_fit(exp_func, x_data, y_data) # 绘制数据和拟合曲线 plt.scatter(x_data, y_data) plt.plot(x_data, exp_func(x_data, *popt), 'r-') plt.show() ``` 在上面的代码,我们首先定义了一个指数函数`exp_func`,然后生成一些随机数据。使用`curve_fit`函数进行拟合,得到拟合参数`popt`。最后,使用Matplotlib库绘制数据和拟合曲线。 如果你想要更深入地了解如何使用Python进行回归分析,可以使用Scikit-learn库。这个库包含了许多常见的回归算法,包括线性回归、岭回归、Lasso回归、弹性网络回归等。以下是一个使用岭回归进行指数拟合的例子: ```python import numpy as np from sklearn.linear_model import Ridge import matplotlib.pyplot as plt # 生成一些随机数据 x_data = np.linspace(0, 5, 50) y_data = 2.5 * np.exp(0.8 * x_data) + np.random.normal(size=50) # 将数据转化为矩阵形式 X = x_data.reshape(-1, 1) y = y_data.reshape(-1, 1) # 使用岭回归进行拟合 ridge = Ridge(alpha=1.0) ridge.fit(X, y) # 绘制数据和拟合曲线 plt.scatter(x_data, y_data) plt.plot(x_data, ridge.predict(X), 'r-') plt.show() ``` 在上面的代码,我们首先生成一些随机数据。将数据转化为矩阵形式,然后使用岭回归进行拟合。最后,使用Matplotlib库绘制数据和拟合曲线。

“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

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