实习第二天--python、pexpect学习

本文详细介绍Python的基本数据类型、变量定义、流程控制等基础语法,并举例说明字符串格式化、列表、元组、字典及集合的操作方法。
  1. 定义基本类型直接 a = 1 不需要 int a = 1;
  2. 定义一个函数 def a : 不需要大括号,直接按照缩进规范
  3. 整数和浮点数:向浮点数取;5 // 2,取整。5 / 2精确。
  4. 字符串:可用’test’ “test” “”" test “”" 定义
  5. 字符串的格式化:
    (1)str1 = “I am %s,I am %d”%(name,age)
    (2)str2 = “我是{},今年{}”.format(name,age)
    (3)str3 = “我是{name},今年{age}”.format(name=‘aaa’,age=‘bbb’)
    (4)str4 = f"我是{name},今年{age}"
  6. 布尔型 True\False 空值 None
  7. 列表的创建和访问:与Java差不多 print(list[1:3],list[3]) 可以有这种写法
  8. 元组tuple 创建: a = (1, 2, 3) / a = 1, 特点:元组里的数值不能修改
  9. 字典(底层是哈希表,key是不可变的,如元组) 创建 如:c = { a: 1} 或者 b = dict(x=1,y=2,z=“tt”);
    字典的API, clear() update() get() pop()
  10. 集合(只关心key,key不可重复)
    创建:a = { ‘a’ , ‘b’, ‘c’ } 或 l = {1,2,4,3,5,3,4} s1 = set(l)
  11. 条件语句:
    (1)if
    a = int(input(“请输入一个数字:”))
    print(a,type(a))
    if a > 0:
    print(“这是一个大于零的数字”)
    (2)if…else
    a = int(input(“请输入一个数字:”))
    if a > 0:
    print(“这是一个大于零的数”)
    else:
    print(“它不大于零”)
    (3)if…elif…else
    a = int(input(“请输入一个数字:”))
    if a > 0:
    print(“这是一个大于零的数”)
    elif a == 0:
    print(“它等于零”)
    else:
    print(“它不大于零”)
  12. while语句
  13. for循环
    (1)如:
    a = ‘12345’
    b = [1,2,3,4,5]
    c = {
    1: “a”,
    2: “b”,
    3: “c”
    }

for a,b in c.items():
print(’{}={}’.format(a,b))
(2)range(start,stop,step)
如:
for item in range(1,20,4):
print(item)
14. 函数:
def my_Sum(a,b):
return a+b
15. 作用域
函数的作用域只能在方法体内有效,不会修改原先的值

  1. 模块
  2. sys.path的用处
  3. 虚拟环境
    终端是全局环境,pyCharm创建的项目是零时环境,它帮你引入了一些三方的库

if name == ‘main’:
print(name)
print(“aaa”)

pexpect学习:

  1. 主要接口
    (1)run函数
    (2)spawn函数
    spawn类是Pexpect库的主要对象即接口对象,主要用于启动和控制子程序

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
2.ssh专用类
在这里插入图片描述
在这里插入图片描述

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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