Python:程序控制流程

Python编程基础06:认识程序控制结构 文章目录一、程序控制结构二、结构化程序设计(一)结构化基本原则1、自顶向下2、逐步求精3、模块化4、限制使用goto语句(二)三种流程控制结构1、顺序结构(Sequence Structure)2、选择结构(Selection Structure)3、循环结构(Loop Structure)二、顺序结构(一)顺序结构示意图(二)顺序结构案例演示任务1、计算三角形面积任务2、求解一元二次方程(三)顺序结构小结 一、程序控制结构 程序控制结构是指以某种顺序执行的一系列动作,用于解决某个问题。理论和实践证明,无论 阅读详情

目录

一、顺序结构

二、选择结构

2.1 单分支结构

2.2 双分支结构

2.3 三分支结构

三、循环结构

3.1 while循环

3.2 for循环

3.3 break和continue


一、顺序结构

python语句的顺序结构一直遵循着八字方针:”从左往右,从上到下“。

二、选择结构

2.1 单分支结构

其他语言:

if(条件){
执行条件满足的语句
}

python:

if 条件:
#缩进
#执行条件满足的语句

注意:缩进的问题,要注意tab缩进和空格缩进不能混用,在python是通过缩进展示层级关系。

#输入用户的年龄,根据不同的年龄去打印出不同的内容,用if语句实现
age = 20
if age >= 18:
print("恭喜你,你已经成年了!")
#根据Python缩进表示层级关系,如果满足if条件就会执行Print语句,如果不满足,就不会执行

2.2 双分支结构

if 条件:
#缩进
#执行条件满足的语句
else:
#缩进
#执行条件不满足的语句
#输入用户的年龄,根据不同的年龄去打印出不同的内容,用if语句实现
age = 16
if age >= 18:
print("恭喜你,你已经成年了!")
else:
print("抱歉,你还是未成年!")

2.3 三分支结构

if 条件1:
#缩进
#执行条件1满足的语句
elif 条件2:
#缩进
#执行条件2满足的语句
elif 条件3:
#缩进
#执行条件3满足的语句
elif 条件n:
#缩进
#执行条件n满足的语句
[else:
#执行条件不满足的语句
]
#[内容] 可写可不写,根据实际情况而定

if语句执行的过程中,从上到下的顺序进行执行,但凡在某个分支满足其条件(True),它会执行满足 该条件的语句后不再继续往下执行了。

#输入用户的年龄,根据不同的年龄去打印出不同的内容,用if语句实现
age = 20
# if age >= 18:
# print("恭喜你,你已经成年了!")
# elif age >= 12:
# print("青少年")
if age >= 12:
print("青少年!")
elif age >= 18:
print("成年")
else:
print("小屁孩儿")

三、循环结构

3.1 while循环

字符串的拼接:

#例如:1+2+3+4
num = 1 + 2 + 3 + 4
print("num的值是:"+str(num))
print("num的值是:%s"%num)
print("num的值是:",num)
print("num的值是:{}".format(num))

1. +str()

2. %s占位符

3. 使用,

4. 使用{}补充,字符串中的format()进行拼接(.format())

语法结构:

while 条件:
#缩进
#执行循环体
[esle:
#正常结束这个循环执行的语句]

EG:打印1-100

#打印1~100
index = 1
while index <=100:
print(index)
# index = index + 1
index += 1

3.2 for循环

for循环 ------- for in

for in 循环是用来遍历容器的(可迭代的对象)

引入函数 range() ----- 范围,区间的意思

range(参数1,参数2,step)

range(参数1) -------- 表示的从0~参数1这个范围,但是不包含参数1(前闭后开)

>>> for i in range(10):
... print(i)
...
0
1
2
3
4
5
6
7
8
9

range(参数1,参数2) ------ 从参数1~参数2这个范围,但是不包含参数2(前闭后开)

>>> for i in range(10,20):
... print(i)
...
10
11
12
13
14
15
16
17
18
19

range(参数1,参数2,step)------ 从参数1~参数2这个范围以step为单位 ,但是不包含参数2(前闭后开),step默认值是1

>>> for i in range(10,20,2):
... print(i)
...
10
12
14
16
18

step既可以是正数也可以是负数

>>> for i in range(20,10,-2):
... print(i)
...
20
18
16
14
12

3.3 break和continue

break ---- 跳出循环,终止循环

continue----- 跳过本次循环,继续执行下一次循环

pass ---- 不仅可以用在循环中,用在任何地方

for in range():
#缩进 执行循环体
[else:
#这部分循环正常结束的情况下执行的代码]
(详细总结)python爬取 163收件箱邮件内容,收件箱列表的几种方法(urllib, requests, selenium) 需求:最近有一个需求,需要将163邮箱收件箱里面的所有邮件的内容全部copy下来,整理到一个word里面,不多也就28页的邮件(不要问我为什么有这需求,不告诉你),自己手动去ctrl+ cv 的话,估计要搞吐。然后就想能不能用python的爬虫来实现,虽然过程比较苦(后期改bug改的要吐了)。但是会后还是将需求实现了。这基本也算是入门了 urllib、requests、selenium这几个py... 阅读详情

相关推荐

OGG工具实现MySQL同步到Oracle数据库

OGG工具实现MySQL同步数据到Oracle

Mrzhou的博客 1682

Python第三天:程序控制流程

程序控制流程 了解编程基础的人都知道,程序运行都有一定的流程,今天我们系统的学习一下程序控制的三大流程。 顺序结构 选择结构 循环结构 1.顺序结构 每一个程序的运行必然遵循自左而右,自上而下的顺序结构。 编写程序时只要牢记这个准则就行,再多也没有什么了。 2.选择结构(分支结构) 正常在我们编写程序时,我们会遇到各种各样的需求,这是我们必然要根据不同的条件做出各种各样的选择,为了满足这种需求...

qq_43767544的博客 197

SystemVerilog学习总结

因为选择的offer是IC验证,以前学的是设计,所以只能再学systemverilog(SV)和UVM了。在学习SV和UVM之前,我认为需要学习以下几个部分:数字电路、c++和verilog。因为IC验证确实有不少别的专业之前没学过数字电路和Verilog,所以还是最好先学习一下。 知识点的总结主要是通过systemverilog验证-测试平台编写指南这本书进行的,所以请看书。通过对这本书的目录进行重点的划分,然后再进行相关知识点的总结。最后,给出自己收集的别的博主IC EDA环境的虚拟机,以及使用虚拟机需

博主毕竟还是人,肯定会有错误,各位看的时候发现错误提出来就好 1万+

python总结一:三大程序控制流程

所谓的三大流程就是顺序结构、选择结构、循环结构 顺序结构: 按照顺序依次逐行执行代码的过程。 从左到右,从上到下 # 顺序结构 b = 1 b = 2 print(b) 选择结构: 选择结构表示程序的处理需要根据某个特定的条件选择其中的一个分支执行。选择结构有单选择、双选择和多选择三种形式。 单分支: 只有一个分支 # 单分支 a = 1 if a == 1: print(a) 双分支: 有两个分支 # 双分支 if a == 1: print("分支一") else: ...

m0_65024890的博客 263

FoundationPose 4090部署 真实场景迁移

复现并应用foundationpose

m0_52835296的博客 613

发那科 Fanuc PLC 报文通讯,报文解析。附源程序

发那科 Fanuc PLC 报文通讯,最详细的发那科 PLC报文解析,不再局限在官方提供的库,也不用再局限在windows平台。

ITOfDragon的博客 1747

python中三种分支结构的语句有_Python零基础入门学习09:程序控制流程:顺序结构和分支结构...

注:本文所有代码均经过Python 3.7实际运行检验,保证其严谨性。程序控制流程的概念在计算机运行过程中,“下一条语句”决定了计算机是能够自动调整、自动反复操作,还是只能像计算器那样一步接着一步计算。这种决定“下一条语句”的机制,在程序设计语言中被称为控制流程(control flow)。Python的三种程序控制流程Python有三种控制流程:顺序结构、分支结构和循环结构。顺序结构——按照语句...

weixin_34352565的博客 377

Claude Code 100个真实案例 - 用AI批量清洗Excel脏数据(10万行3分钟搞定)

本案例展示如何使用 Claude Code 搭建一个强大的 Excel 数据清洗工具。支持自动检测和处理空值、重复行、格式错误、异常值等常见脏数据问题,批量处理10万行数据只需3分钟。

yueyeguzhuo的专栏 38

python程序流程控制结构_python学习:程序控制结构·作业20141219

Python学习:程序控制结构 20141219编程环境:windows 7 x64python 2.7.6题目:1 编写程序,完成下列题目(1分)题目内容:如果列出10以内自然数中3或5的倍数,则包括3,5,6,9。那么这些数字的和为23。要求计算得出任意正整数n以内中3或5的倍数的自然数之和。输入格式:一个正整数n。输出格式:n以内中3或5的倍数的自然数之和。输入样例:10输出样例:23时间限...

weixin_39593519的博客 227

【DeepSeek-R1 】分词系统架构解析

DeepSeek-R1 分词系统解析 DeepSeek-R1 采用 SentencePiece Unigram 算法,通过统计语言模型实现高效子词分词。其核心优势包括: 算法对比:相比 BPE/WordPiece,Unigram 基于概率模型,支持多语言,自动回退字符级处理。 特性优化:智能空格处理、数字分桶、多语言统一支持,并采用前缀树索引和 SIMD 并行加速,编码速度达 12,458 tok/s。

赶紧的博客 429

UNet改进(6):基于注意力机制的多尺度医学图像分割方法

本文提出了一种集成多尺度注意力机制的UNet改进模型UNetWithAttention,用于提升医学图像分割性能。该模型在标准UNet架构基础上,设计了并行3×3、5×5、7×7卷积核的多尺度注意力模块,通过特征拼接和Sigmoid激活生成注意力权重,实现了对不同尺寸病变的自适应关注。模型采用分离式设计,将特征提取与特征选择解耦,在编码器-解码器各阶段嵌入注意力模块。实验表明,该方法在视网膜血管分割和肺结节检测任务中优于标准UNet,Dice系数和IOU分别提升2.6%和4.1%,同时保持计算效率。

2501_91516851的博客 1324

作业:# Python 程序控制流程综合编程题目(不含浮点数运算)

Cuijunke的博客 132

FastGPT智能体开发:FastGPT OpenAPI 知识库接口

FastGPT OpenAPI 知识库接口

王国平的博客 323

python--简析程序控制流程

python中程序控制流程有三种分别是顺序、选择和循环 一、顺序控制流程 顺序控制流程很简单,即从上到下,从左到右执行命令。 二、选择控制流程 选择控制流程分为三种结构:分别是单分支,双分支和多分支 (1)单分支: if 条件: # 执行条件满足的语句 注意: 1、括号问题,可以有,也可以没有 2、python,遇到冒号(:),必须缩进 3、不要混用空格和tab (2)双分支 if 条件: # 执行条件满足的语句 else: # 执行条件不满足的语句 (3)多(三)分支 if 条件1: # 执行条件1

zzyhst99999的博客 195

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Python入门--程序控制-选择结构

Python入门–程序控制-选择结构 三大流程(程序控制流程) (1)顺序 从左到右,从上到下执行的在python中,一个语句的结束,以换行符作为标准的(Java和c语言都是通过;结束语句的) (2)选择结构(分支) 1. 单分支 if 条件 print (“当条件成立时,执行的代码”)实例(空格和tab不能混用) 2.双分支 If condition: #如果条件成立,则执行这的代码 else: #如果条件不成立,则执行这的代码 3. 多分支 if condition1: #条

qq_45967269的博客 398

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

Python编程训练营04-Python 程序控制语句详解

本文详细介绍了Python程序控制语句的三种类型:顺序语句、条件语句和循环语句。顺序语句是Python默认的执行方式,代码按书写顺序依次执行;条件语句通过if-elif-else实现分支逻辑,支持单条件、多条件和复合条件判断;循环语句包括for循环(遍历可迭代对象)和while循环(条件触发),并介绍了break、continue等循环控制语句。文章还列举了常见错误如变量未定义、条件顺序错误、死循环等问题,强调正确使用缩进和边界条件的重要性。掌握这些基础控制语句是编写Python程序的关键。

数据饕餮 966

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python---程序控制流程

Python—程序控制流程 一、三种流程 顺序结构:顺序结构的程序设计是最简单的,只要按照解决问题的顺序写出相应的语句就行,它的执行顺序是自上而下,依次执行。 选择结构:选择程序结构用于判断给定的条件,根据判断的结果判断某些条件,根据判断的结果来控制程序的流程。使用选择结构语句时,要用条件表达式来描述条件。 循环结构 :循环结构可以减少源程序重复书写的工作量,用来描述重复执行某段算法的问题,这是程序设计中最能发挥计算机特长的程序结构 。 二、循环结构的三个要素: 循环变量 循环体 循环终止条件 for

芋粥菜菜子的博客 217

4、Python入门--程序控制-选择结构。

程序控制的三大流程 1、顺序结构 从左到右,从上而下执行的 在python,一个语句的结束,以换行符作为标志的 print(“hello”) print(“world”) //顺序运行 2、选择结构 ①单分支 (只考虑当什么的时候,只有一个条件) if 条件: // 必须分行+TAB一下 不然是同等级别...

qq_44833539的博客 436

python入门之三大流程

python中控制程序的三大流程,三大流程又叫程序控制流程,在我们编写代码时,程序是怎么运行的,要用到程序控制流程。 三大流程分别是: 1.顺序:在普通代码中,运行的方向是从上到下,从左到右。 2.分支(又叫选择)结构:当代码遇到不同的情况时,不同的选择,代码的实现是不一样的 ①单分支: if 条件: #强制缩进,缩进一定要保持一种,不能改变 (条件成立的情况下,执行缩进的代码...

qq_44487069的博客 401

Python——程序控制流程

if语句执行的过程中,从上到下的顺序进行执行,但凡在某个分支满足其条件(True),它会执行满足该条件的语句后不再继续往下执行了。注意:缩进的问题,要注意tab缩进和空格缩进不能混用,在Python是通过缩进展示层级关系。#[内容] 可写可不写,根据实际情况而定。#执行条件不满足的语句。#执行条件满足1的语句。#执行条件满足2的语句。#执行条件满足3的语句。#执行条件不满足的语句。#执行条件不满足的语句。#执行条件满足的语句。#执行条件满足的语句。

m0_70884519的博客 50

python 三大流程

python 三大流程 在python中我们学习了程序控制流程 什么是程序控制流程呢? 1、程序控制流程 顾名思义:就是用一些代码进行组合,变成出一些人们想要的程序,来控制一些变量和条件,来更好的实现人们想要的结果。 分为三大流程: 顺序控制流程:* 代码从上到下,从左到右执行。 选择控制流程: 分为单分支,双分支,多分支结构 也就是说通过判断语句,对条件进行筛选,选择执行的程序。 单分支: if 判断条件 : #条件成立时要执行的代码 注:只需要判断单个条件的输出 双分支: if 判断语句 : ..

Ambition_57的博客 447

Python第四天笔记(程序控制流程)

Python第四天笔记 内容回顾: 常见运算符: 赋值运算符 = += -= *= … 程序控制流程(三大流程) |–顺序 |–选择结构 |--单分支 If 条件: # |--双分支 If条件: # else: # |--多分支

WEINIHM的博客 147

Python程序控制流程-三大流程

程序控制流程: 顺序:代码是从上而下,从左到右运行 选择:单分支 if条件: #条件成立时要执行的代码 双分支 if (): #条件成立时执行的代码 else: #条件不成立 。。。。。 else: 前面的条件都不满足 例如: x = int(input(“请输入您的总分:”)) if x >= 90: print(‘优’) elif x>=80: print(‘良’) elif x >= 70: print(‘中’) elif x >= 60: print(‘合格’) else:

shen12354的博客 239

三大流程

三大流程(程序控制流程) 顺序(从左到右,从上到下) 选择(分支) 单分支 if条件 语句块 双分支 if条件 条件满足执行的代码 多分支 (三分之) if条件1:...

qq_43773458的博客 213

python入门-常见的运算符、程序控制流程

注释 在python中,单行注释我们使用符号“#” #注释 多行注释我们使用三个引号(单引号、双引号均可以) """ 注释 注释 注释 """ 常见的运算符 算数运算符 常见的有以下几种: 加 +:两个对象相加 减 -:得到负数或是一个数减去另一个数 乘 *:两个数相乘或是返回一个被重复若干次的字符串 除 /:x除以y 注意:python是一门弱数据类型语言,对于Python3.X来...

wz1997123的博客 440

【python基础02】

1.常见的运算符 (1)算术运算符 + - * / %求模 //整除 **幂次方 (2)关系(比较)运算符:结果是布尔值(TRUE FLASE) > < >= <= == !=(<>) 例子eg:比较两个整数的大小,将结果返回 注:%s表示占位符 结果如下: (3)逻辑运算符:多个表达式之间的关联关系,结果是布尔值 与-- and:只要有一个...

小小Python的博客 271
上一篇: Python:常见的运算符
下一篇: Python习题详解
Smiling Mr. Rui
博客等级 码龄5年 1438粉丝 123原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

Smiling Mr. Rui

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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