python 序列笔记

一、字符串

1、python字符格式化操作符 (%)

Python字符格式化操作符只适用于字符串类型,使用百分号(%)。目前Python支持两种格式的输入参数,一种是元组,第二种是字典格式的输入参数。

(1)元组格式输入参数

>>> "%d" % 15
'15'

>>> "we are in %s and have %d cars" % ('haerbin', 5)
'we are in haerbin and have 5 cars'

(2)字典格式输入参数

>>> 'there are %(howmany)d %(lang)s quotation Symbols' % {'lang':'Python','howmany':3}
'there are 3 Python quotation Symbols'


2、原始字符串操作符(r/R)

在使用字符串的时候,在一般情况下,转移字符会进行特殊处理,如果希望将转移字符作为普通字符处理,可使用原始字符操作符r/R来实现。在字符串的的第一个引号前面加上r/R即可。

>>> print r'hello world\n'
hello world\n

3、三引号

Python中的三引号允许字符串跨越多行,而且可以包含换行符、制表符以及其他特殊字符。

二、列表

当需要连接两个列表获取新的列表的时候,使用extend方法比直接使用“+”操作符要节约内存。

列表解析:

>>> [i*2 for i in [8,-2,5]]

          [16, -4, 10]

三、元组

所有的多对象的、都好分隔的、没有明确用符号定义的,这些集合默认的类型都是元组。

所有函数返回的多对象(不包括有符号封装的)都是元组类型。

元组和列表直接可是通过list、tuple工厂函数进行转换。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
对于Python中的时间序列多步预测,可以使用长短期记忆网络(LSTM)来实现。LSTM是一种适用于处理序列数据的深度学习模型,它可以捕捉序列中的长期依赖关系。 在Python中,可以使用Keras库来构建和训练LSTM模型。首先,需要准备好时间序列数据,并将其转换为适合LSTM模型的输入格式。通常,可以将时间序列数据转换为监督学习问题,其中输入序列用于预测输出序列的下一个时间步。 接下来,可以使用Keras中的LSTM层来构建LSTM模型。可以指定LSTM层的神经元数量、输入序列长度和输出序列长度等参数。然后,可以将LSTM层与其他层(如全连接层)组合起来构建完整的模型。 在训练模型之前,需要将数据集划分为训练集和测试集。可以使用训练集来训练模型,并使用测试集来评估模型的性能。 在训练过程中,可以使用适当的损失函数和优化算法来最小化模型的预测误差。可以使用均方误差(MSE)作为损失函数,并使用随机梯度下降(SGD)或Adam优化算法来优化模型。 最后,可以使用训练好的模型来进行多步预测。可以将模型输入最后几个时间步的数据,然后使用模型预测未来多个时间步的值。 如果你想了解更多关于Python中使用LSTM进行时间序列多步预测的详细信息,可以参考\[1\]中提供的链接和\[2\]中提供的GitHub源码地址。这些资源将提供更具体的实现细节和示例代码。 #### 引用[.reference_title] - *1* *2* [Python时间序列LSTM预测系列学习笔记(10)-多步预测](https://blog.csdn.net/yangwohenmai1/article/details/84568633)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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