Python 学习——Day3

1. Dict 字典

1) 定义与创建

字典是python最为重要的数据结构之一,是另一种可变容器模型,且可存储任意类型对象。字典的每个键值对用冒号分割,每个键值对之间用逗号分割,整个字典包括在花括号{ }中 。

2) 字典的方法

修改:
在这里插入图片描述
添加:
在这里插入图片描述
删除:
在这里插入图片描述

2. 集合

1) 特性与创建

集合(set)是一个无序的不重复元素序列。可以使用大括号{ }或者 set() 函数创建集合,注意:创建一个空集合必须用 set() 而不是 { },因为 { } 是用来创建一个空字典。
案例:
在这里插入图片描述

2) 方法

集合间的运算:
在这里插入图片描述
添加元素:
将元素添加到集合中,如果元素已存在,则不进行任何操作。
在这里插入图片描述
移除元素:
将元素从集合中移除,如果元素不存在,则会发生错误。
在这里插入图片描述

3. 判断语句(掌握多种条件判断)

Python 编程中 if 语句用于控制程序的执行,基本形式为:
if 判断条件:
执行语句……
else:
执行语句……
案例:
在这里插入图片描述

4. 三目表达式

条件为真时返回的结果if条件判断else条件判断为假时的返回结果。
案例:
在这里插入图片描述

5. 循环语句

Python提供了for循环和while循环:
while循环:在给定的判断条件为 true 时执行循环体,否则退出循环体。
案例:
在这里插入图片描述
for循环:重复执行语句。
案例:
在这里插入图片描述
循环控制语句可以更改语句执行的顺序。Python支持以下循环控制语句:
break语句:在语句块执行过程中终止循环,并且跳出整个循环。
Continue语句:在语句块的执行过程中终止当前循环,跳出该次循环,执行下一次循环。
pass语句:pass是空语句,是为了保持程序结构的完整性。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
构建新冠肺炎的预测模型需要收集大量的数据,并且需要考虑到多种因素,例如感染人数、传播途径、病毒变异等等。以下是一个简单的构建预测模型的步骤: 1. 收集数据:收集新冠肺炎疫情相关的数据,包括感染人数、死亡人数、治愈人数、地理位置等等。可以从世界卫生组织、各国卫生部门等官方渠道获取数据。 2. 数据预处理:对收集到的数据进行清洗、去重、缺失值处理等预处理操作。 3. 特征工程:对数据进行特征提取和转换,例如使用时间序列分析方法提取时间相关的特征。 4. 模型选择:选择适合的模型进行预测,可以使用回归模型、分类模型等。 5. 模型训练:使用训练数据集对模型进行训练,调整模型的参数和超参数。 6. 模型评估:使用测试数据集对模型进行评估,计算预测的准确率、召回率等指标。 7. 模型应用:将模型应用到实际场景中,进行预测和分析。 对于具体的代码实现,可以使用Python中的机器学习库如scikit-learn、TensorFlow等来实现。以下是一个简单的Python代码实现: ```python import pandas as pd from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split # 加载数据 data = pd.read_csv('data.csv') # 数据预处理 data.drop_duplicates(inplace=True) data.dropna(inplace=True) # 特征工程 data['date'] = pd.to_datetime(data['date']) data['dayofyear'] = data['date'].dt.dayofyear # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(data[['dayofyear']], data['confirmed'], test_size=0.2) # 模型训练 model = LinearRegression() model.fit(X_train, y_train) # 模型评估 score = model.score(X_test, y_test) print('模型准确率:', score) # 模型应用 future_days = pd.date_range('2022-01-01', '2022-12-31') future_dayofyear = [dayofyear for dayofyear in future_days.dayofyear] future_confirmed = model.predict(pd.DataFrame({'dayofyear': future_dayofyear})) print('2022年新增确诊人数预测:', int(future_confirmed.sum())) ``` 以上代码以线性回归模型为例,使用了时间序列分析方法提取时间相关的特征。其他模型的实现方式类似,可根据具体情况进行选择。

“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