Python刻意练习_Task 03:列表与元组

Python:列表与元组

引入:int,float,bool可看成是单独数据,将这些数据放到一起形成一个“容器类型”的数据。Python3 中有6个标准的数据类型,其中不可变数据类型有:Number(数字)、String(字符串)、Tuple(元组);可变数据类型有:List(列表)、Dictionary(字典)、Set(集合)。

Part 01 列表

List=[元素1,元素2,...,元素n]
  • 中括号将所有数据集合在一起,逗号将各个元素间隔开
  • List是有序集合,无固定大小
  • 任意数量,类型的数据均可保存
  • list里面可以包含另外一个list,可以用list构建二维数组。

列表内容更改
1.附加(append,extend)

append(元素)

在List末尾只能添加一个任意类型的元素,被添加元素保持原结构类型。

extend(序列)

在List末尾追加另一序列,将这一序列里的元素追加到原序列中。
例:

List=["今","天","有"]
List.append(["数学课","英语课"])
print(List)#['今', '天', '有', ['数学课', '英语课']]
List=["今","天","有"]
List.extend(["数学课","英语课"])
print(List)#['今', '天', '有', '数学课', '英语课']

2.插入(insert)

insert(a,b)#在编号a对应元素前插入b

3.删除(remove)

remove(元素)

例:

List=["今","天","只","有","课"]
List.remove("只")
List.insert(2,"没")
print(List)#['今', '天', '没', '有', '课']
pop(编号)

删除编号对应元素(空括号默认为最后一个元素),并返回该元素的值。

List=["今","天","没","有","课"]
List.pop(2)
print(List)#['今', '天', '有', '课']
del 元素1,元素2

删除单个或多个元素

List=["今","天","没","有","课"]
del List[1],List[2]
print(List)#['今', '没', '课']

4.读取列表信息

List[n]——读取第n+1个元素
List[-n]——从右侧开始读取倒数第n个元素

补充:

  • list.count(obj)——统计某个元素在列表中出现的次数
  • list.index(obj)——从列表中找出某个值第一个匹配项的索引位
  • list.reverse()——反向列表中元素
  • list.sort( key=None, reverse=False)——对原列表进行排序
  • list.clear()——清空列表

列表分片
1.start:默认以step为1从start的编号往列表尾部切片。
2.:stop默认以step为1从列表头部往stop的编号切片。
3.start:stop默认以step为1从start的编号往stop的编号切片。
4.start:stop:step以step的编号从start的编号往stop的编号切片。

List=[1,2,3,4,5,6]
print(List[2:])#[3, 4, 5, 6]
print(List[-2:])#[5, 6]
print(List[:4])#[1, 2, 3, 4]
print(List[:-4])#[1, 2]
print(List[2:4])#[3, 4]
print(List[-3:-1]#[4, 5]
print(List[::-1])#[6, 5, 4, 3, 2, 1]
print(List[1:4:2])#[2, 4]

拷贝

print(List[:])

或用 list.copy()复制列表

Python3 列表运算符
在这里插入图片描述
Python列表函数

  • len(list)——列表元素个数
  • max(list)——返回列表元素最大值
  • min(list)——返回列表元素最小值
  • list(seq)——将元组转换为列表

Part 02 元组(tumple)

tup=(元素1,元素2,...,元素n)
  • 小括号把所有元素集合,逗号将各个元素分开
  • Python3 元组与列表类似,不同之处在于元组的元素不能修改。
  • 元组中只包含一个元素时,需要在元素后面添加逗号,否则括号会被当作运算符使用。
  • 创建空元组tup1 = ()
  • 创建元组也可不加小括号(不建议)
  • 元组的读取信息,del(),运算符,切片,拷贝与列表相同
  • 元组中的元素值是不允许修改的,但我们可以用运算符对元组进行改动
  • 元组也可构建二维的。tup[ ][ ]进行内层赋值或检索。
tup1 = (0)
type(tup1)# 不加逗号,类型为整型
<class 'int'>
 
tup1 = (0,)
type(tup1)# 加上逗号,类型为元组
<class 'tuple'>

元组内置函数

  • len(list)——元组元素个数
  • max(list)——返回元组元素最大值
  • min(list)——返回元组元素最小值
  • tuple(seq)——将列表转换为元组
  • list.count(obj)——统计某个元素在列表中出现的次数
  • list.index(obj)——从列表中找出某个值第一个匹配项的索引位

解压元组
解压(unpack)一维元组(有几个元素左边括号定义几个变量)

t = (1, 10.31, 'python','a')
(a, b, c) = t
print(a, b, c)#1 10.31 python,a

解压二维元组(按照元组里的元组结构来定义变量)

t = (1, 10.31, ('OK', 'python'))
(a, b, (c, d)) = t
print(a, b, c, d)# 1 10.31 OK python

如果只要元组其中几个元素,用通配符*(wildcard,在计算机语言中代表一个或多个元素)。如果无所谓 rest 变量,那么用通配符*加上下划线_表示。

t = 1, 2, 3, 4, 5
a, b, *rest, c = t
print(a, b, c)  # 1 2 5
print(rest)  # [3, 4]

a, b, *_ = t
print(a, b)  # 1 2

学习资料:
https://mp.weixin.qq.com/s/p-HvNpmRkVFkwbyiuiuw8A

https://blog.csdn.net/weixin_42497253/article/details/102601838?utm_source=app

https://www.runoob.com/python3/python3-tuple.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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