python学习Day3——字典

1、创建和使用字典

>>>phonebook = {'Alice':'2341','Beth':'9102','Cecil':'3258'}

2、dict函数

#利用(键,值)对序列建立字典
>>>items = [('name','Gumby'),('age','42')]
>>>d=dict(items)
>>>d
{'age':'42','name':'Gumby'}
>>>d['name']
'Gumby'

#通过关键字参数创建字典
>>>d=dict(name='Gumby',age=42)
>>>d
{'age':'42','name':'Gumby'}

3、字典的格式化字符串

>>>phonebook
{'Beth':'9102','Alice':'2341','Cecil':'3258'}
>>>"Cecil's phone number is %(Cecil)s." % phonebook
"Cecil's phone number is 3258"

4、字典方法

#clear
>>>d={}
>>>d['name']='Gumby'
>>>d['age']=42
>>>d
{'age':42,'name':'Gumby'}
>>>returned_value=d.clear()
>>>d
{}
>>>returned_value
None

#copy(浅复制)
>>>y = x.copy()

#deepcopy
>>>from copy import deepcopy
>>>d={}
>>>d['name']=['Alfred','Bertrand']
>>>c=d.copy()
>>>dc=d.deepcopy()
>>>d['name'].append('Clive')
>>>c
{'name':['Alfred','Bertrand','Clive']}
>>>dc
{'name':['Alfred','Bertrand']}

#fromkeys(使用给定的键建立新的字典)
>>>{}.fromkeys(['name','age'])
{'age':None,'name':Node}
>>>dict.fromkeys(['name','age'],'(unknown)')
{'age':'(unknown)','name':'(unknown)'}

#get(访问字典项,若不存在没有异常,得到None值)
>>>d={}
>>>d.get('name')
None

#items(将字典所有项以列表方式返回)
>>>d={'age':42,'name':'Gumby'}
>>>d.items()
[('age',42),('name','Gumby')]
#iteritems(返回一个迭代器对象而不是列表)

#pop
>>>d={'x':1,'y':2}
>>>d.pop(x)
1
>>>d
{'y':2}

#setdefault(类似get方法,能获得给定键的相关联的值,还能在字典中不含有给定键的情况下设置相应的键值)
>>>d={}
>>>d.setdefault('name','N?A')
'N?A'
>>>d
{'name':'N?A'}
>>>d['name']='Cumby'
>>>d.setfault('name','N?A')
'Gumby'
>>>d
{'name':'Gumby'}

#updata(利用一个字典项更新另一个字典)
>>>d={'name':'Gumby','age':42}
>>>x={'sex':'female'}
>>>d.update(x)
>>>d
{'name':'Gumby','age':42,'sex':'female'}

#values(以列表的形式返回字典中的值)
>>>d={}
>>>d[1]=1
>>>d[2]=2
>>>d[3]=3
>>>d.values()
[1,2,3]

 

  • 0
    点赞
  • 1
    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