Python数据结构之list

List的特性是有序,可迭代,可变.

 

List运算符及成员运算

表达式结果描述
[1, 2, 3] + [4, 5, 6][1, 2, 3, 4, 5, 6]组合
['Hi!'] * 4['Hi!', 'Hi!', 'Hi!', 'Hi!']重复
3 in [1, 2, 3]TRUE元素是否存在于列表中

List的常用方法  

序号方法说明
1list.append(obj)在列表末尾添加新的对象
2list.count(obj)统计某个元素在列表中出现的次数
3list.extend(seq)在列表末尾一次性追加另一个序列中的多个值(用新列表扩展原来的列表)
4list.index(obj)从列表中找出某个值第一个匹配项的索引位置
5list.insert(index, obj)将对象插入列表的指定引索位置
6list.pop(obj=list[-1])移除列表中的一个元素(默认最后一个元素),并且返回该元素的值.也可指定引索值
7list.remove(obj)移除列表中某个值的第一个匹配项
8list.reverse()反向排列列表中元素
9list.sort([func])对原列表进行排序
10list.copy()浅复制列表
11list.clear()清空列表

List的补充知识点

  • 索引越界

对于空列表来说,指定实际的索引会引发越界的错误,而使用 [ : ]或者[ :-1]则可以有效的避免.

L=[]

print(L[0])

#输出:
Traceback (most recent call last):
  File "D:/Pycharm/xxx.py", line 2, in <module>
    print(L[0])
IndexError: list index out of range

print(L[:])
print(L[ :-1])

#输出:
[]
[]
  • 切片的技巧

切片实际调用的是内置的slice函数.

L=[1,2,3,4,5,6,7,8,9,10]

print(L[: : 2])#正序间隔一个再取一个
print(L[: :-1])#倒序,类似reverse函数
print(L[: :-2])#倒序后间隔一个再取一个

#输出:
[1, 3, 5, 7, 9]
[10, 9, 8, 7, 6, 5, 4, 3, 2, 1]
[10, 8, 6, 4, 2]
  • 深浅复制

在pyhton中'=='和关键字is都可以用于判断对象相等情况,但这两种是有很大的区别的:

'=='用于判断对象的值是否相等.

is关键字是判断对象在内存中的id是否相等.

用具体的例子来说明下:

#方式一:
L1=[1,2,3]
L2=L1

#方式二:
K1=[1,2]
K2=[1,2]

L1==L2 #输出True
L1 is L2 #输出True

K1==K2 #输出True
K1 is K2 #输出False

在这两个不同方式的赋值中,在内存中到底是怎么表示的呢? 下面用图了说明:

 

在方式一中,L2其实指向L1,再统一指向同一个内存对象,所以内存ID相同,而且值也相同.

而方式二中,K1,K2虽然值相同,但却是指向的不同的内存对象,故内存ID不同.

再来聊聊可变对象和不可变对象,我们知道str是不可变对象,list是可变对象,这个可变不可变具体是什么意思呢?

实际上真正决定可变不可变的就是实实在在的内存对象.

还是以代码来说明:

s='abc'
k=[1,2,3]

print(s.upper())#输出:ABC.  有返回值,说明返回了新的对象,而原内存对象未改变
print(k.append(100))#输出:None.   无返回值,是在原内存对象进行了修改

print(s)#输出:abc
print(k)#输出[1,2,3,100]

了解以上两点后,就可以讨论深浅复制的问题了.

首先来看个例子:

#例一
L=[1,2,3]
K=L.copy() #或者 K=L[:]
L.append(100)
print(L)#输出:[1, 2, 3, 100]
print(K)#输出:[1, 2, 3]

#例二
L1=[1,2,[3]]
K1=L1.copy()
L1[-1].append(100)
print(L1)#输出:[1, 2, [3, 100]]
print(K1)#输出:[1, 2, [3, 100]]

在例一中,变量对应的都是非嵌套结构,而在例二中,变量对应的是嵌套结构(不限于列表嵌套列表).

而在对变量做类似的操作后,输出的结果却不同.

首先可以判断的是,在非嵌套的结构中,是不存在深浅复制的问题的.

而若在嵌套可变对象的数据结构中,对变量进行的复制仅仅是浅复制.

可变对象(实际是内存对象)的值被修改后,该内存对象并没有改变(既id没有改变).复制的本质是记录每个元素的内存对象或者或每个元素的内存id,从原变量复制产生的新变量是按照记录的内存对象(id值)去查找和显示对应的元素,虽然原变量的元素值已经改变,但该元素的内存对象并没有改变,所以新变量的会随着原变量的改变而改变.

若要避免这样的情况,就需要使用深复制.python的内置模块copy提供了该功能.

还是以同样的代码举例:

import copy

L1=[1,2,[3]]
K1=copy.deepcopy(L1)
L1[-1].append(100)
print(L1) #输出:[1, 2, [3, 100]]
print(K1) #输出:[1, 2, [3]]

最后总结下:

在非嵌套的数据结构中,不存在深浅复制的问题.

而在对嵌套了可变结构的数据进行复制时,务必要使用深复制.

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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