Python进阶之路 5.2.4 更进一步控制字符串格式化参数

5.2.4 更进一步控制字符串格式化参数

format方法的功能远不止这些,在一对大括号中添加一些字符串格式化类型符,可以对格式化字符串进行更多的控制。例如,下面的代码会将一个字符串类型的格式化参数值按原样输出、通过repr函数输出,以及输出其Unicode编码。

print('{first!s} {first!r} {first!a}'.format(first='中'))

输出结果:

中 '中' '\u4e2d'

除此之外,format方法还支持很多其他的控制符,例如,可以将整数按浮点数输出,也可以将十进制数按二进制、八进制、十六进制格式输出。例5.6演示了如何使用这些控制符格式化字符串。

[例 5.6] 下面的代码使用了s、r、a、f、b、o、x和%字符串格式化类型符对字符串进行格式化。

print('原样输出:{first!s} 调用repr函数:{first!r} 输出Unicode编码:{first!a}'.format(first='高'))
#输出结果:原样输出:高 调用repr函数:'高' 输出Unicode编码:'\u9ad8'

print('整数:{num} 浮点数:{num:f}'.format(num=25))
#将25按整数、浮点数格式输出,输出结果:整数:25 浮点数:25.000000

print('十进制:{num} 二进制:{num:b} 八进制:{num:o} 十六进制:{num:x}'.format(num=56))
#将56按十进制、二进制、八进制、十六进制格式输出
#输出结果:十进制:56 二进制:111000 八进制:70 十六进制:38

print('科学计数法:{num:e}'.format(num=555))
#将555按科学计数法格式输出,输出结果:科学计数法:5.550000e+02

print('百分比:{num:%}'.format(num=0.88))
#将0.88按百分比格式输出:百分比:88.000000%

输出结果:

原样输出:高 调用repr函数:'高' 输出Unicode编码:'\u9ad8'
整数:25 浮点数:25.000000
十进制:56 二进制:111000 八进制:70 十六进制:38
科学计数法:5.550000e+02
百分比:88.000000%

下面将列出format支持的一些常用的字符串格式化类幸符

表 5-1 字符串格式化类型符

类型描述
a将字符串按Unucode编码输出
b将一个整数格式化为一个二进制数
c将一个整数解释成ASCII
d将整数格式化为十进制的整数
e将十进制数格式化为科学计数法形式,用小写的e表示
E将十进制数格式化为科学计数法形式,用大写的E表示
f将十进制整数格式化为浮点数,会将特殊值(nan和inf)转换为小写
F与f的功能相同,只是特殊值nan和inf)转换为大写
g会根据整数值的位数,在浮点数和科学计数法之间,在整数位超过6位时,与e相同,否则与f相同
G与g的功能相同,只是科学计数法中的E以及特殊值会大写
o将一个整数格式化为八进制数
s按原样格式化字符串
x将一个整数格式化为十六进制数,字母部分用小写
X与x的功能相同,只是字母部分用大写
%将数值格式化为百分比形式

在表 5-1 中提到的inf和nan是Python语言中的特殊值。inf表示无穷大。float(‘inf’)表示正无穷,float(’-inf’)表示负无穷(无穷小)。nan可解释为非数字,nan既不是无穷大,也不是无穷小,而是无法计算时返回的一个符号,例如下面的代码会格式化inf和nan。

print('{:F} {:f}'.format(float('nan'),float('inf')))
#输出结果:NAN inf

注意:在使用表 5-1 所示的字符串格式化类型符时需要在前面加上冒号(:)或感叹号(!)。大多数类型符加冒号,有一部分(如a、r)要加感叹号。如{!r}、{!a},如果写成{a}、{r}会抛出异常。

  • 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 基于深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