python序列类型举例说明_Python基础__Python序列基本类型及其操作(1)

本节考虑的Python的一个中要的内置对象序列, 所谓的序列即一个有序对象的集合。这里的对象可以是数字、字符串等。根据功能的不同将序列分为字符串、列表、元组,本文将以下这几种对象做一些介绍。

一. 字符串

字符串是一个非常常见的对象,我们平时在文本中编辑的对象都是字符串,例如‘你的名字,‘I love python!’等都是字符串,字符串的重要性不言而喻。

1.字符串的定义

通常我们将需要编辑的字符串的字符串放在一个英文的单引号/英文双引号中,例如当我们在编辑器输入'I love python ! '的时候我们就创建了一个字符串对象,此时的字符串还没有变量来接受,所以我们需要用一个变量名来接受该字符串。例如 s1 = 'I love python ! ', 这就是创建一个字符串的完整格式,即 变量名 = ‘’字符串对象’,这里需要注意的是英文单引号。

2.字符串的相关运算

>>>s1 = 'I love python ! '

>>>s1 = 'Hello 2018 ! '

合并:+ , 字符串的加法表示字符串的合并

>>> s1+s2

'I love python !Hello 2018 !'

重复: *, 乘法表示字符串的重复

>>> s1*3

'I love python !I love python !I love python !'

索引:s1[index] 正数表示从第一个位置0开始索引,负数表示从倒数第一个开始 。注意空格也是一个字符串

>>> s1[0]

'I'

>>> s1[-1]

'!'

>>> s1[1]

' '

s.find(object):查找元素位置,默认返回元素第一次出现的位置,可添加查找范围,若没有返回-1

s.index(value, [start, [stop]])默认返回元素第一次出现的位置,可添加查找范围,如不存在则会报错。

s[i:j] : 切片,截取字符串的某一部分,i为截取开始段,j为截取结束段。注意包含开始不包含结束( 左闭右开)

>>> s1[2:7]

'love '

len(s): 判断长度, 返回字符串的长度

s.count('a'): 返回s中a的个数,若没有返回0

s.endswith('hk'): 是否以...结尾,返回True /False

s.startswith('a'):是否以...开始,返回True /False

s.replace('old','new'): 替换,需要特别注意的是替换并没有改变字符串的值,而是开辟了新的一个字符串对象,若需要用新的字符串对象字需要为它赋一个新的变量名

>>> s1.replace('love','hate')

'I hate python !'

>>> s1

'I love python !'

s.isalpha(): 判断是否全是字母/汉字

s.isdigit():判断是否全是数字,只能判断正整数

s.islower():判断是否全是小写

s.isupper():判断是否全是大写

s.lower(): 转换为小写

s.upper(): 转换为大写 #另外开辟一个地址需要一个新的地址接受,s本身没有变

>>> s1.upper()

'I LOVE PYTHON !'

>>> s1

'I love python !'

s.split(): 分割,默认以空格分割,也可以自定义分割位置,分割之后转化为列表。字符串自身没有不改变。

>>> s1.split()

['I', 'love', 'python', '!']

>>> s1.split('love')

['I ', ' python !']

>>> s1

'I love python !'

只对经常用到的操作做以介绍,在介绍中特别强调了,字符串自身没有发生改变,这一点是非常重要的字符串一旦定义就不会发生改变,若要利用操作之后新的字符串一定一定要将其赋给一个新的变量名。

二. 列表

列表Python中比较灵活的是有序对象的集合,以字符串不同的是,列表可以包含任何对象:数字,字符串,甚至其他列表。同样,与字符串不同的是列表都是可变对象,他们支持在原处修改。下面对列表进行描述:

列表是:

任意对象的有序集合

通过偏序读取

可改变长度、异构以及任意嵌套

可改变序列分类

1.定义

L = ['Hello','world','!']     列表的定义是放在英文[]中括号内的,可嵌套如 L = ['Hello','world','!',['I','love','Python','!']]

2. 列表的运算

L = ['Hello','world','!']

L1 = ['Hello','world','!',['I','love','Python','!']]

L[i],L[i][j]: 索引

>>> L1[2]

'!'

>>> L1[3]

['I', 'love', 'Python', '!']

>>> L1[3][1]

'love'

L[i:j]: 切片,左闭右开

len(L):

+:合并

*: 重复

添加:

L.append(object):在末尾添加对象,一次只能添加一个对象,若对象为一个列表时将该列表视为一个对象

L.extend(object):在末尾添加对象,一次可以添加多个对象,这是append()函数与insert()函数的主要区别

L.insert(index,object):在固定的位置添加对象,index表示添加对象的位置,一次只能添加一个对象。注意添加对象后面的

对象的索引都发生了变化。

删除:

L.pop() 默认删除最后一个元素

L.remove(value) -> None 指定删除

L.clear() -> None -- remove all items from L:将列表清空

L.copy() -> list -- a shallow copy of L: 复制,注意复制后不是同一个对象,内存地址改变。copy()是复制函数,复制之后变为两个相同的对象,他们相同但不是同一个        对象

>>> L2 = L.copy()

>>> L2

['Hello', 'world', '!']

>>> L2 == L

True

>>> L2 is L

False

>>> id(L)

59761048

>>> id(L2)

59761128

L.reverse():  将列表反转

L.sort(): 排序,排序是一个语言中非常重要的一部分,以后会对sort()函数做一个深入的介绍,这里简单介绍一些用法。

>>> L

['Hello', 'world', '!']

>>> L.sort()

>>> L

['!', 'Hello', 'world']

>>> L.sort(key = len, reverse = True)

>>> L

['Hello', 'world', '!']

字符串转化为列表:s.split(), list(s)

>>> s1 = 'China is a great country'

>>> L = s1.split()

>>> L

['China', 'is', 'a', 'great', 'country']

>>> L1 = list(s1)

>>> L1

['C', 'h', 'i', 'n', 'a', ' ', 'i', 's', ' ', 'a', ' ', 'g', 'r', 'e', 'a', 't', ' ', 'c', 'o', 'u', 'n', 't', 'r', 'y']

列表的基本操作目前就介绍这些,进一步的操作将在以后的学习中介绍。 ***注意列表是可变的***

三. 元组

元组有简单对象构成,元组与列表非常相似,只不过元组不能在远处修改(它们是不可变的),构成使用圆括号,元组具有列表的大多数属性。

元组是:

任意对象的有序集合

通过偏序读取

属于不可变序列类型

固定长度、异构任意嵌套

1. 元组的定义

元组的定义方式有两种如下

>>> T =1,2,3

>>> T

(1, 2, 3)

>>> T=(1,2,3)

>>> T

(1, 2, 3)

2. 元组的操纵

元组的基本操作与列表一样,这里不多做介绍

问题: 为什么有了列表还要元组?

元组的不可变性提供了某种完整性,可以确保在程序中不会被修改,而列表没有这样的性质。元组的角色类似于‘常量声明’, 一旦定义无法改变,而列表不具备这样的性质。实际中应该按需应用。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Statsmodels是Python中用于统计建模和计量经济学的库,它提供了各种统计模型,包括线性回归、时间序列分析等。在时间序列分析中,ARIMA模型是一种常用的模型。 ARIMA模型是自回归移动平均模型的缩写,它是一种广义的线性模型,常用于描述时间序列数据的自相关结构和随机性。ARIMA模型可以分为AR(自回归)、MA(移动平均)和差分(I)三部分,其中AR是指用当前值的前几个值来预测当前值,MA是指用当前误差的前几个值来预测当前误差,差分是指对时间序列进行差分处理,使其变得平稳。 在Python中,使用Statsmodels中的ARIMA模型进行时间序列分析可以分为以下几个步骤: 1. 导入相关库 ```python import pandas as pd import numpy as np import statsmodels.api as sm import matplotlib.pyplot as plt ``` 2. 读取数据 ```python data = pd.read_csv("data.csv", index_col=0, parse_dates=True) ``` 3. 绘制时间序列图 ```python plt.plot(data) plt.show() ``` 4. 确定模型阶数 可以使用ACF和PACF图来确定ARIMA模型的阶数。ACF图展示了时间序列与其滞后版本之间的自相关性,PACF图展示了当前时间序列与其滞后版本之间的部分自相关性。根据ACF和PACF图的信息,可以确定ARIMA模型的p、d和q参数。 ```python fig, ax = plt.subplots(2,1) sm.graphics.tsa.plot_acf(data, lags=30, ax=ax[0]) sm.graphics.tsa.plot_pacf(data, lags=30, ax=ax[1]) plt.show() ``` 5. 拟合模型 根据确定的ARIMA模型阶数,使用ARIMA()函数拟合时间序列数据。 ```python model = sm.tsa.ARIMA(data, order=(p,d,q)) results = model.fit() ``` 6. 模型诊断 使用plot_diagnostics()函数进行模型诊断,检查残差是否符合白噪声假设。 ```python results.plot_diagnostics(figsize=(15, 12)) plt.show() ``` 7. 预测 使用forecast()函数进行预测。 ```python forecast = results.forecast(steps=10) ``` 以上就是使用Python中Statsmodels包进行时间序列分析ARIMA模型的步骤。

“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