python-learning-task1

本文档提供了Python学习的基础知识,包括环境搭建、Python初体验、基础语法讲解及数值类型的基本概念等内容。通过阅读本文档,读者可以了解如何配置Python开发环境、掌握Python的基础语法,并对Python的数值类型有初步的认识。
部署运行你感兴趣的模型镜像

@TOC

python-learning-task1

参考资料:
1.菜鸟教程
http://www.runoob.com/python3/python3-tutorial.html
2.廖雪峰https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000
1. 环境搭建
a) anaconda环境配置
b) 解释器
2. python初体验
a) print and input
3. python基础讲解
a) python变量特性+命名规则
b) 注释方法
c) python中“:”作用
d) 学会使用dir( )及和help( )
e) import使用
f) pep8介绍
4. python数值基本知识
a) python中数值类型,int,float,bool,e记法等
b) 算数运算符
c) 逻辑运算
d) 成员运算符
e) 身份运算符
f) 运算符优先

1. 环境搭建

a) anaconda环境配置 
python版本3.7 
jupyter notebook
在这里插入图片描述
 b) 解释器 
CPython:1.官方解释器;2.C语言开发;3.使用最广
IPython:1.基于CPython;2.交互式解释器
PyPy:1.JIT技术;2.动态编译;3.执行速度快
Jython:Java平台
IronPython:微软net平台

2. python初体验

a) print and input 
在这里插入图片描述

3. python基础讲解

a)python变量特性+命名规则 
变量名称只能含有字母、数字或者下划线,不包含空格,且必须以字母或者下划线开头。不能使用保留字和内置标识符。

b) 注释方法 
“#”号开头则后面注释部分不参与执行。

c) python中“:”作用 
Python没有像其他语言一样采用{}或者begin…end分隔代码块,而是采用代码缩进和冒号来区分代码之间的层次。

d) 学会使用dir( )及和help( ) 
dir() 函数不带参数时,返回当前范围内的变量、方法和定义的类型列表;带参数时,返回参数的属性、方法列表。如果参数包含方法__dir__(),该方法将被调用。如果参数不包含__dir__(),该方法将最大限度地收集参数信息。

help( )是用于查找帮助的,可以查找函数的参数使用规则等。

e) import使用
在 python 用 import 或者 from…import 来导入相应的模块。

将整个模块(somemodule)导入,格式为: import somemodule

从某个模块中导入某个函数,格式为: from somemodule import somefunction

从某个模块中导入多个函数,格式为: from somemodule import firstfunc, secondfunc, thirdfunc

将某个模块中的全部函数导入,格式为: from somemodule import *

f) pep8介绍 

4. python数值基本知识

a) python中数值类型,int,float,bool,e记法等
整型(Int) - 通常被称为是整型或整数,是正或负整数,不带小数点。Python3 整型是没有限制大小的,可以当作 Long 类型使用,所以 Python3 没有 Python2 的 Long 类型。
浮点型(float) - 浮点型由整数部分与小数部分组成,浮点型也可以使用科学计数法表示(2.5e2 = 2.5 x 102 = 250)
复数( (complex)) - 复数由实数部分和虚数部分构成,可以用a + bj,或者complex(a,b)表示, 复数的实部a和虚部b都是浮点型。在这里插入图片描述
在这里插入图片描述
b) 算数运算符
在这里插入图片描述
c) 逻辑运算
在这里插入图片描述
 d) 成员运算符
  在这里插入图片描述

e) 身份运算符
在这里插入图片描述 
f) 运算符优先
在这里插入图片描述

您可能感兴趣的与本文相关的镜像

Python3.9

Python3.9

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

### Scikit-learn库的使用教程 #### 一、Scikit-learn简介 Scikit-learn是一个用于数据挖掘和数据分析的强大工具,建立在NumPy, SciPy 和 matplotlib之上。该库设计高效的数据处理管道,支持监督学习算法和无监督学习算法等多种机器学习方法[^1]。 #### 二、下载与安装 对于大多数操作系统而言,推荐通过`pip`来安装scikit-learn及其依赖项。打开命令提示符或终端并执行如下命令完成安装: ```bash pip install -U scikit-learn ``` 为了确认安装是否成功,可以在Python环境中输入下面这段代码片段来进行版本号检测: ```python import sklearn print(sklearn.__version__) ``` 如果能够正常显示版本信息,则说明安装过程顺利完成[^2]。 #### 三、官方文档链接 详细的API描述和技术细节可以参阅官方网站上的[用户指南](https://scikit-learn.org/stable/user_guide.html),这里包含了丰富的理论背景知识以及实际操作指导;同时还有专门针对新手的学习资源页面——[初学者入门](https://scikit-learn.org/stable/tutorial/index.html)。 #### 四、快速上手实例 以下提供了一个简单的线性回归模型构建例子作为演示用途: ```python from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.datasets import make_regression # 创建模拟数据集 X, y = make_regression(n_samples=100, n_features=1, noise=0.1) # 划分训练集测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 初始化线性回归对象 model = LinearRegression() # 训练模型 model.fit(X_train, y_train) # 输出预测结果 predictions = model.predict(X_test) print(predictions) ``` 此段程序展示了如何利用内置函数生成样本点,并将其划分为两部分分别用来拟合参数(即训练阶段)和评估性能(即测试阶段)。最后调用了`.fit()`方法完成了整个建模过程。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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