【python深入】collections-Counter使用总结

https://segmentfault.com/a/1190000011544079

关于collections的使用,首先介绍:Counter的使用

需要执行:from collections import Counter

在很多使用到dict和次数的场景下,Python中用Counter来实现会非常简洁,效率也会很高

 

接下来是对其用法的一个简介:

初始化:

 

从上面可以看出,可以直接Counter()为空,之后再通过c[0]=1类似这样的方式进行设置,可以从一个类似list或者tuple这样可迭代对象,也可以从mapping得到,也可以直接通过keywords参数的形式进行初始化

 

下面是所支持的方法:

1、elements()

 

获取elements就是将其中的key值乘以出现次数全部打印出来,当然需要通过list或者其他方式将其所有元素全部展示出来,当出现了负数或者0的情况,可以看到:负数对应的key值是不会打印的:

 

 

2、most_common([n])

根据上面的c值来计算most_common(),其中c出现次数2次,a出现次数1次,b出现次数-1次,执行方法后可以看到,n为可选参数,如果不输入n的值,则默认返回所有,输入-1则返回空,输入小于最长长度,则返回前n个数,输入等于最长长度,则返回所有:

 

 

3、subtract([iterable_or_mapping])

可以直接看用法:

 

是通过c.subtract(d)来进行调用的,如果c中某个元素不存在,则默认其值为0,其实得到的就是将所有元素进行相减的结果

 

4、接下来是通用用法,下面的这些Counter对象都是支持的,包括:

c.values()

sum(c.values())

c.keys()

c.clear()

list(c)

set(c)

dict(c)

c.items()

c += Counter()    #这个是最神奇的,就是可以将负数和0的值对应的key项去掉

 

并且像加减与或等的也都是支持的:

  • 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