码小会讲解【列表】——Python学习秘籍

python合并列表的方法 在Python中,合并列表(List)是一个常见的操作,可以通过多种方法实现。 阅读详情

往期的文章已经给大家讲解了【字符串】、【基本数据类型】、【运算符】、【循环】,相信不少伙伴已经看过了,没看过的快去看看吧!如果小会的讲解能在编程学习中帮助你一点点,就很欣慰了。

一、定义:

列表(list)作为Python中最常用的数据结构之一,顾名思义就是一个清单,里面按顺序排好了一堆数据。我们先看一下列表的构成。

举例:

list_example = [1, 2.0, "three", 4]

第一个数据是1,第二个数据是2.0,第三个数据是字符串three,第四个数据是个整数4,全用逗号隔开。

Python的一个好处是它比较灵活,列表里的数据类型可以多种多样,不需要统一全是同一个类型的数据(比如没有必要全是整数或者全是字符串)。

二、list列表的常用操作

要使用列表,我们需要掌握三个基本操作:添加、删除、修改。
以及其他的一些函数,小会将简单介绍几个常用的,其他的大家可以自行上网搜索并试着自己敲代码尝试。

1 )列表的索引

直接用中括号[ ]索引其下标即可,或用for循环遍历所有的值
*注意:当下标为负数时则代表从后往前所以(或理解为长度+负下标),即-1代表最后一个元素,-2代表倒数第2个元素。

a = [1,2,3]print(a[1])     #输出2,因为一个list列表的下标从0开始,按照0, 1, 2,...的顺序排列
print(a[-1])    #输出3
for i in a:
    print(i) #输出1 2 3

2)列表的添加元素

insert函数在任意位置插入元素

list_name.insert(index_number, element)

例:

#首先定义一个列表example = ["A", "B", "C", "D"]#在下标为2处添加新元素
example.insert(2, "inserted element")
print(example) #['A', 'B', 'inserted element', 'C', 'D']

我们可以在结果里看到,新添的词组被放在在第三个位置(下标为2),而原来位置上的C被往后推了一个格。

append函数在队尾插入元素

list1.append(5)  #在list1的最后插入元素5

extend()函数在尾部扩展一个新列表

list1 = [1]list1.extend([2, 3])  # list1为[1, 2, 3]

注意,集合set中没有append和insert,取代的是add()

set1.add(2) #向集合中加入元素2

3)列表删除元素

用del函数删除列表指定位置的元素

del(list1[index]) #删除list1中index位置的元素(index也可以表示一个范围,如[1, 3])

用pop函数剔除队尾元素,并将其返回

a = list1.pop(index) #将list1中index位置元素剔除并赋值给a,默认删除最后一个元素

用remove函数删除列表中值为指定值的元素

list1.remove(value) #删除list中值为value的元素

用clear函数彻底清空列表全部内容

list1.clear() #清空list1的全部内容

用分片赋值空列表的办法删除元素

list1 = [1, 2, 3, 4, 5]   list1[2:] = []   list1  # 输出[1, 2]

*注意:集合中只有remove和discard,其中discard删除不存在的元素不会报错,但是remove与list中一样,会报错。

4)列表的拼接
可以简单的用 + 将两个列表连接起来

a = [1, 2]
b = [3]
c = a + b
那么c = [1, 2, 3]

5)修改已有数据
如果我们要修改某个数据,我们直接赋值即可实现。

#首先定义一个列表
example = ['John', 'Sam', 'Alice', 2020]
#修改最后一位上的数据
example[-1] = 'Lucy'
print(example) 
#['John', 'Sam', 'Alice', 'Lucy']

2020已经被成功改为人名Lucy。

6)列表的重复
可以将一个列表直接乘一个数字n获得n倍重复后的列表,相当于n个这样的列表连接起来。

a = [0]
b = a * 5
那么b = [0, 0, 0, 0, 0]

7)元素成员判断(判断一个元素是否存在一个列表中)

a = [1, 2, 3, 4, 5]
b = 2
print(b in a)# 输出True
print(b not in a)# 输出False

若in前面的元素在列表中则运算值为真;否则为假 not in与in刚好相反。

三、列表常用函数

1)列表的排序:sort方法与sorted()函数
sort方法
参数:
Key:主要是用来进行比较的元素,只有一个参数,具体的函数的参数就是取自于可迭代对象中,指定可迭代对象中的一个元素来进行排序。
reverse:是否降序(True为降序,不指定该参数为升序)
sorted()函数:
与sort方法功能类似,但是sorted()函数有返回值,返回的是排序后的结果。

2)extend函数
我们可以用加号来合并俩列表,我们也可以用extend函数来实现列表的延展。

a = [1, 2, 3]
b = [4, 5]
#把a、b合并,两种方法
c = a + ba.extend(b)
#现在c和a应该长一个样子
print(c) #[1, 2, 3, 4, 5]
print(a) #[1, 2, 3, 4, 5]

extend的优点在于,比如在a.extend(b)中,b的类型不一定要是列表,它也可以是元组、字典或者集合。如果使用a = a + b,则a和b都必须是列表。
extend是将新增的列表拆开来,里面的元素一个一个添加进去,可以理解为列表合并、延展。

—————————————————分割线——————————————————————

好啦,今天的内容就是以上这些部分了,如果有兴趣学习Python的小伙伴,可以关注我们的免费课程!!戳下方
免费课程《嘿有趣之Python快速入门》

Python列表list操作-遍历、查找、增加、删除、修改、排序 阅读详情

相关推荐

OpenAI Codex实战指南:用自然语言生成Python与Shell脚本

最近在尝试自动化一些重复性工作时,发现手动编写脚本不仅耗时,而且对编程新手门槛较高。无论是处理数据、批量重命名文件,还是想写个简单的爬虫,都需要投入不少学习成本。这时,一个强大的代码生成工具就显得尤为重要。本文将围绕 OpenAI Codex 这一革命性的 AI 代码生成模型,为你提供一份从零基础到实战应用的完整指南。无论你是编程小白,还是希望提升效率的开发者,都能通过本文掌握如何利用 Codex 自动生成 Python、Shell 等各类脚本,真正实现“用自然语言写代码”。 1. Codex 是什么?它能

weixin_30693683的博客 395

【Python基础】零基础学习Python列表操作

作者:来自读者投稿整理:Lemon出品:Python数据之道“ 「Python数据之道」导读:本文来自读者投稿,Python数据之道早些时候也发过 Python 列表相关的文章,可以...

fengdu78的博客 2181

Python中创建多维列表

在Python中,我们可以使用列表来存储和操作多个值。列表是一种有序的、可变的数据类型,可以容纳任意类型的元素。要创建多维列表,我们可以在列表中嵌套其他列表,从而形成多个维度。根据具体的需求和使用场景,选择适合的方法来创建和操作多维列表。一种创建多维列表的常见方法是使用嵌套循环。如果我们需要处理更复杂的多维数据,可以使用NumPy库。除了使用嵌套循环,我们还可以使用列表推导式来创建多维列表。下面我将介绍几种常见的方法来创建多维列表,并附上相应的源代码示例。安装完成后,我们可以使用NumPy来创建多维列表。

code_welike的博客 1062

python 数组 indexof_indexOf() 如何判断一个元素在指定数组中是否存在? 找出指定元素出现的所有位置? indexOf()方法 是正序查找,lastIndexOf()是倒叙查找...

indexOf()方法返回在数组中可以找到一个给定元素的第一个索引,如果不存在,则返回-1。let a = [2, 9, 7, 8, 9];a.indexOf(2); // 0a.indexOf(6); // -1a.indexOf(7); // 2a.indexOf(8); // 3a.indexOf(9); // 1if (a.indexOf(3) === -1) {// element do...

weixin_39685578的博客 5246

华为iTrustee实战:5分钟搞定TrustZone环境搭建(附BoostKit配置技巧)

本文提供了一份华为iTrustee与ARM TrustZone环境的5分钟快速搭建实战指南。详细介绍了在TaiShan服务器上利用鲲鹏BoostKit套件部署可信执行环境(TEE)的完整流程,包括环境检查、驱动安装、首个可信应用(TA)的编译与运行,并分享了关键的BoostKit配置技巧与深度排错方法,助力开发者快速为业务注入硬件级安全能力。

yoga7的博客 968

Android wifi源码分析(二) Wifi关闭流程

接着上一篇,这篇说一下Wifi的关闭流程。 由上一篇可以知道,framework层提供的wifi开关接口都是**setWifiEnabled**,只是参数不同而已。*true*表示开启wifi、*false*表示关闭wifi。

奋斗的菜鸟ing 3300

码小会讲解【循环】——Python学习秘籍

往期的文章已经给大家讲解了【字符串】、【基本数据类型】、【运算符】,相信不少伙伴已经看过了,没看过的快去看看吧!如果小会的讲解能在编程学习中帮助你一点点,就很欣慰了。 言归正传,今天就来讲解一下【循环】。 Python中的循环分为for循环和while循环两种。 第一种:For循环 Python的for循环可以遍历任何序列的项目,如一个列表或者一个字符串。 1)for 循环语句的一般形式为: for (表达式1; 表达式2; 表达式3) { 语句; } 我们通过一个例子来看一下for循.

Codeforest_cloud的博客 164

陷波滤波器设计以及Simulink仿真

离散型陷波滤波器设计以及simulink仿真

hmq252198885的博客 3168

码小会讲解【字符串】 ——Python学习秘籍

日常编码中,大多数时候我们要对数据进行处理,而这些数据不管是数组、列表、字典,最终都逃不开字符串的处理。 今天,小会就和大家聊一聊字符串。 一、字符串的定义 估计很多人看到这个标题就想关网页了,别这样!不妨往下看看,今天小会用人话给大家解释这些复杂的定义,绝对秒懂。 书本的定义是,字符串是放在引号里面的一系列字符。小会觉得用人话不严谨地说,就是标点符号和字母文字组成的那些单词、句子,比如: ‘hello’ ‘My lucky number is 7’ 重点就是一定一定一定要用引号引起来,至于是单引号或双引

Codeforest_cloud的博客 207

【Unity3D】关于unity中spriteAtlas的打包方案及使用时内存状态的多组对照实验

unity项目中使用精灵(Sprite)为了降低性能消耗,我们可以使用精灵图集(Sprite Atlas)技术,它能够将多个纹理合并成一个大纹理

云渊寒烬 5101

博途PLC模糊PID控制(量化因子和比例因子)

参数"量化因子和比例因子",都是为了对清晰值进行比例变换而设置的,其作用是使变量按一定比例进行放大或缩小,以便和我们的模糊论域相匹配完成一一映射。这种变换对整个系统的工作性能也是有影响的。(其实相当于额外引入了比例作用,所以说模糊PID的调节是个系统工程)。限于本人能力,文中难免出现错误和不足,欢迎大家批评和指正。博途PLC的模糊PID控制完整算法可以参看下面这篇文章博途PLC模糊PID控制详解(SCL完整源代码+参数)_RXXW_Dor的博客-优快云博客。......

RXXW_Dor的博客 5272

码小会讲解【字典】——Python学习秘籍

Python里面有3大数据结构:列表,字典和集合。之前小会已经讲解了列表,今天来讲一下字典。作为最常用的数据结构之一,里面有一些重要的技巧用法,小会把这些都整理到一起,希望能对你的编程功力大有帮助。 一、定义 字典的每个值都具备自己独有的名称即键( key ),每个 key 都有对应的值( value ),字典中的 key 和 value 必须成对出现 。整个字典包括在花括号‘{ }’中,它的每个键值 ( key => value )对使用冒号( : )分割,每对值之间用逗号( , )分割。 定义.

Codeforest_cloud的博客 297

Hermes 教程 03:Skills 系统

摘要:Hermes Skills是一种自我改进机制,可将解决问题的经验保存为可复用技能文档。v0.13.0版本遵循agentskills.io开放标准,与Claude Skills互通。技能创建流程包括发现问题、创建技能文件、加载使用和优化更新四个阶段。系统提供技能检索和自维护机制(Curator),支持技能媒体路由和多种管理命令。内置技能涵盖开发调试、创意头脑风暴等场景,通过积累技能使Hermes更适应用户需求。

程序猿_三产 736

python怎么全部替换单引号_码小会讲解【字符串】 ——Python学习秘籍

日常编码中,大多数时候我们要对数据进行处理,而这些数据不管是数组、列表、字典,最终都逃不开字符串的处理。今天,小会就和大家聊一聊字符串。一、字符串的定义 估计很多人看到这个标题就想关网页了,别这样!不妨往下看看,今天小会用人话给大家解释这些复杂的定义,绝对秒懂。书本的定义是,字符串是放在引号里面的一系列字符。小会觉得用人话不严谨地说,就是标点符号和字母文字组成的那些单词、句子,比如:‘hello’...

weixin_39981185的博客 2117

制作INCA和CANape通用的A2L

CANape和INCA通用的A2L配置与修改

赞的博客 5970

乐企增值税及附加税费预缴申报表填报能力说明文档V1.004

申报表填报,是指企业在自有业务系统中将算税结果数据按预填规则要求加工汇总后,进行申报表填报的过程。申报表填报前对纳税申报所需的前提条件进行校验。校验通过后,应用前序算税结果数据及预填规则进行纳税申报表预填,生成申报表数据。申报表数据通过申报业务规则校验后,经纳税人确认即完成申报表填报业务。

记录点滴 359

python find()效率_码小会讲解【基本数据类型】——Python学习秘籍

在上一期中针对Python学习中【字符串】的相关知识点进行了归纳,今天将梳理一下Python基本数据类型。首先,我们来罗列一下Python提供的基本数据类型,主要介绍常用的4大数据类型。包含:数值Numbers(整形、浮点型、复数、布尔型等)、字符串String、列表List、字典Dictionaries。一、数值(Numbers)数字类型一般用来存储整数、浮点数(小数)、布尔值(bool)等,分...

weixin_39742065的博客 339

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

码小会讲解【基本数据类型】——Python学习秘籍

在上一期中针对Python学习中【字符串】的相关知识点进行了归纳,今天将梳理一下Python基本数据类型。 首先,我们来罗列一下Python提供的基本数据类型,主要介绍常用的4大数据类型。包含:数值Numbers(整形、浮点型、复数、布尔型等)、字符串String、列表List、字典Dictionaries。 一、数值(Numbers) 数字类型一般用来存储整数、浮点数(小数)、布尔值(bool)等,分别用 int、float、bool符号表示其对应类型。 在python中可以使用 type()方法 查.

Codeforest_cloud的博客 176

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

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

秒懂百科python_码小会讲解【字符串】 ——Python学习秘籍

日常编码中,大多数时候我们要对数据进行处理,而这些数据不管是数组、列表、字典,最终都逃不开字符串的处理。今天,小会就和大家聊一聊字符串。一、字符串的定义估计很多人看到这个标题就想关网页了,别这样!不妨往下看看,今天小会用人话给大家解释这些复杂的定义,绝对秒懂。书本的定义是,字符串是放在引号里面的一系列字符。小会觉得用人话不严谨地说,就是标点符号和字母文字组成的那些单词、句子,比如:‘hello’‘...

weixin_39622901的博客 306

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")

perl 取字符串不带换行符_码小会讲解【字符串】 ——Python学习秘籍

日常编码中,大多数时候我们要对数据进行处理,而这些数据不管是数组、列表、字典,最终都逃不开字符串的处理。今天,小会就和大家聊一聊字符串。一、字符串的定义 估计很多人看到这个标题就想关网页了,别这样!不妨往下看看,今天小会用人话给大家解释这些复杂的定义,绝对秒懂。书本的定义是,字符串是放在引号里面的一系列字符。小会觉得用人话不严谨地说,就是标点符号和字母文字组成的那些单词、句子,比如:‘hello’...

weixin_39834488的博客 138

PYTHON学习0017:集合----2019-6-11

一、定义及特点:集合是一个无序的,不重复的数据组和,作用如下:1、去重,吧一个列表变成集合,就自动去重了2、关系测试,测试两组数据之间的交集,差集,并集等关系。3、语法:s={},如果大括号里为空表示是字典,如果里面有数据,比如s={1,2,“alex”}就表示集合(set)了。4、可以吧其他数据类型转换为集合,比如列表m=【“alex”,“rain”,“pw”】转换语法为set(m),转换后就为...

weixin_34124939的博客 115

【pytorch框架学习】4.梯度

梯度是一个向量,是由各个方向的偏导组成的向量。

m0_66606474的博客 1532

提示词工程:从基础概念到实战应用,解锁大模型高效沟通秘籍

在尝试使用 ChatGPT、Claude、文心一言等大模型时,你是否遇到过这样的困惑:明明问的是同一个问题,别人能得到精准、详尽的答案,而你得到的却是敷衍、错误甚至完全跑偏的回复?问题可能不在于模型本身,而在于你与模型“沟通”的方式——提示词。 提示词工程(Prompt Engineering)正是解决这一痛点的核心技能。它并非简单的“提问技巧”,而是一门系统化地设计、优化指令,以高效、稳定地激发大语言模型(LLM)潜力的工程学科。无论是让模型生成代码、分析数据、创作内容,还是构建复杂的智能体(Agent)

weixin_34315485的博客 429

PCA算法(python版本)

PCA算法求主方向和法向量

qhu1600417010的博客 2241

机器学习之k-近邻算法

一、k-近邻算法概述 k-近邻算法,简单概述就是采用不同特征值之间的距离方法分类 二、KNN工作原理 1、假设有一个带有标签的样本数据(训练样本集),其中包含了每条数据与所属分类对于关系。 2、输入没有标签的数据后,将新数据的每个特征与样本集中数据对应的特征进行比较。 1、计算新数据与样本数据集中每条数据的距离。 2、对求得的所有距离进行排序(从小到大,越小表示越相似)。...

weixin_44790749的博客 252

Neo4j图数据库Python实战:从关系建模到生产部署

图数据库是一种以节点、关系和属性为核心的数据模型,专为处理高度关联的数据而设计,其本质区别于关系型数据库的表格范式。它基于图论原理,通过高效的关系遍历(如Cypher的MATCH与变量路径)实现毫秒级复杂关联查询,在反欺诈、知识图谱、推荐系统等场景中展现出不可替代的技术价值。相比SQL的JOIN嵌套与递归CTE,图查询更贴近业务语义,天然支持社交网络、资金链路、IT依赖等网状结构建模。本文聚焦Neo4j与Python协同实践,涵盖Cypher查询优化、标签与关系建模规范、LOAD CSV与UNWIND批量导

weixin_30613433的博客 548
上一篇: 码小会讲解——Python之while和for循环案例
下一篇: 码小会讲解【字典】——Python学习秘籍
码小会
博客等级 码龄6年 30粉丝 24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
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