第三周——python学习 Day2 7.12

Python100天学习教程(Python学习视频_Python学习路线):Day01 初识Python 话说,520情人节啥的跟咱程序员有关系吗?都慌着干啥呢,不用学Python的吗? 哈哈哈,大家视情况而定哈,没对象的赶紧跟唐唐一起学Python100天学习教程吧! 今天起唐唐会跟大家出系统的Python100天专题课程和习题,100天从新手到大神,你也可以! Python100天学习教程(Python学习视频_Python学习路线):Day01 初识Python Python简介 Python的... 阅读详情

学习时间:9:00——12:00         17:00——19:00

1.类

1.1创建和使用类

class Dog:
    def __init__(self, name, age):      #init前后有两个下划线!!!!!
        self.name=name
        self.age=age
    def sit(self):
        print(f"{self.name} is now sitting.")
    def roll_over(self):
        print(f"{self.name} rolled over!")

my_dog=Dog("doudou",8)
print(f"My dog'name is {my_dog.name}.")
print(f"My dog is {my_dog.age} years old.")
my_dog.sit()
my_dog.roll_over()


your_dog=Dog("Lucy",6)
print(f"\nYour dog'name is {your_dog.name}.")
print(f"Your dog is {your_dog.age} years old.")
your_dog.sit()
your_dog.roll_over()

(1)class+类名  来定义一个类               

(2)类的名称通常大写,实例的名称通常小写

(3)通过实例访问的变量称为属性,例如name和age,属性可以指定默认值

(4)类中的函数称为方法,有关函数的一切都适用于方法例如sit()和roll_over()

(5)方法__init__()是一个特殊的方法,init前后有各两个下划线,用来区分普通方法

(6)定义包括三个形参:self、name、age,self必不可少且必须位于其他形参前面,它的作用是让实例能够访问类中的属性和方法,其本身是一个指向实例本身的引用,我们通过实参向Dog()传递名字和年龄,self会自动传递

(7)访问实例的属性,可以用句点表示法

(8)想要修改属性的值可以直接通过实例修改,也可以通过增加方法进行修改

1.2继承

编写类时,并非总要从空白开始,如果要编写一个类是另一个现成类的特殊版本,可以使用继承,一个类继承另一个类时,将自动获得另一个类的属性和方法,原有的类为父类,新的类为子类,子类可以继承,也可以定义自己的属性和方法

class Dog:
    def __init__(self, name, age):
        self.name=name
        self.age=age
    def sit(self):
        print(f"{self.name} is now sitting.")
    def roll_over(self):
        print(f"{self.name} rolled over!")

class Toypoodle_Dog(Dog):
    def __init__(self, name ,age):
        super().__init__(name ,age)

my_dog=Toypoodle_Dog("huangdou",4)
print(f"My toypoodle dog'name is {my_dog.name}.")
my_dog.sit()

(1)创建子类时,芙蕾必须包含在当前文件中且位于子类前面,定义了子类名后圆括号内必须指定父类的名称,之后用__init__()接受Dog实例的所有信息,之后方法super()能够调用父类的方法,父类也称超类

(2)添加新属性的位置在super()下方

(3)对于父类中的方法,如果有不符合子类的,都可以进行重写,为此,只需要在子类中定义一个与要重写的父类方法名同名的方法即可

(4)可以在子类前面定义一个新类,然后在子类中将新类当做属性,调用时用句点表示法,先在子类中查找新的属性,然后在新类中查找对应的属性

1.3导入类

为了让文件简洁且易于阅读,可以将类存储在模块中,然后在主程序中导入所需要的模块

(1)导入单个类: from 模块名 import 类名

(2)从一个模块中导入多个类:from 模块名 import 类名1,类名2,...

(3)导入整个模块:import 模块名

调用时用句点表示法:模块名.类名

(4)导入模块中的所有类:from 模块名 import *

(5)使用别名:from 模块名 import 类名 as 别名

(6)标准库:是一组模块,包含其他编程员编写好的函数和类,只需在开头包含一条简单的import语句即可

2.文件和异常

2.1从文件中读取数据

with open(文件名) as 别名:

print(别名.read())

函数open()用来打开文件,括号内接受的参数是要打开的文件名

关键字with可以在不需要访问文件后将其关闭(注意没有用close()来关闭文件,这是因为当文件出现bug时close()未执行,文件将不会关闭,可能造成文件数据丢失或受损,或当过早的调用close()时,会发现需要使用时,文件已经关闭,因此with就避免了这些情况)

with open('test1.txt') as file_object:
    content=file_object.read()
print(content)

方法read()可以读取文件中的全部内容,但是相比与原始文件,会发现多了一个空行,这是因为read()到达文件末尾时会返回一个空字符串,而这个空字符串显示出来就是一个空行,要删除空行,可以使用方法rstrip()

要打开不在程序文件所属目录中的文件,可以

with open '文件名/文件夹名.txt'”)  as 别名:

逐行读取用for循环,要创建一个包含文件各行内容的列表用 文件名.readlines()

2.2写入文件

写入空文件:with open (文件名,'w'):

                           文件名.write()

附加到文件:给文件添加内容,而不是覆盖原来的内容,可以以附加模式打开文件

with open (文件名,'a'):

    文件名.write()

2.3异常

异常用来管理程序执行期间发生的错误,如果没有异常处理,那么遇到错误程序会报错而无法运行;如果进行了处理,那么程序继续运行

使用try-expect代码块可以处理异常

try:
    print(5/0)
except ZeroDivisionError:
    print("You can't divide by zero!")

如果try中的代码没有错误,那么会自动跳过expect代码块,如果遇到错误,python会运行与之匹配的expect代码块

如果不知道可能发生的错误,可以直接在expect后面的错误类型中输入Expectation,这就包含了所有可能发生的错误类型

2.4分析文本

方法split()以空格为分隔符将字符串分拆成多个部分,并将这些部分存储在一个列表中

2.5静默失败

有时候希望程序在发生异常时保持沉默,就需要pass语句,只需要在expect代码块下面输入pass即可,pass也可以充当占位符,提醒你程序的某个地方什么都没有做,当我们发现缺少时,可以回过头来进行处理

2.6存储数据

json模块可以将简单的数据结构转储到文件中,并在程序再次运行时加载该文件中的数据,更重要的是json数据格式并非python专用,也可以将这些数据和其他语言的人共享

存储一组数:json.dump()

接受两个实参:要存储的数据、可用于存储数据的文件对象

import json
numbers=[1,2,3,4,5]
file_name='numbers.json'
with open(file_name,'w') as f:
    json.dump(numbers,f)

先导入模块json,然后创建一个数字列表,接着指定列表要存储在哪个文件中,扩展名通常用.json

将列表读取到内存中:json.load()

import json
file_name='numbers.json'
with open(file_name) as f:
    numbers = json.load(f)
print(numbers)
使用python程序判断某天是不是每个月的第三周的周六问题 假如每个月的第三周的周六是某品牌的会员日,写一个函数ChackDate(date),判断当天是否是品牌日。 例如: ChackDate(“20180911”) flase ChackDate(“20180915”) true from datetime import datetime def CheckDate(data): year = int(data[:4]) ... 阅读详情

相关推荐

三相逆变器双pi控制器参数如何调节_光伏逆变器短路特性简析

1前言短路故障相对于其他故障类型来说是比较常见的,不同的设备的短路故障,大了讲都一样,细了说各有千秋,今天我们主要聊聊光伏逆变器的短路特征。电力系统中的电源,传统意义是指的是并入电力系统的同步发电机。但随着分布式发电技术的发展,各种形式的发电装置并入电力系统。按照分布式电源并网的方式,我们大致可以分为以下三类:➤通过旋转电机和变流器并联并网的电源,主要指双馈风力发电系统;➤仅仅通过变流器...

weixin_39901404的博客 1732

Python学习 Day12

新建python文件,并定义函数。注意若是导入不同模块的同名功能时,只会执行后一个的。创建包成功后会自动生成__init__.py文件。

liuweijieshishab的博客 1656

实战指南:在华为防火墙上构建基于自签CA的SSL证书挑战式认证体系

本文详细介绍了在华为防火墙上构建基于自签CA的SSL证书挑战式认证体系的实战指南。通过自签CA证书生成、华为防火墙SSL VPN配置、客户端安装与测试等步骤,帮助企业实现更安全的远程办公接入方案,有效防范密码泄露风险。文章重点讲解了证书挑战登录的实现原理和配置细节,适用于企业网络安全建设。

weixin_32428571的博客 256

Python Day12 学习

在这里,结果呈现的是映射后的"Home Ownership"和“Term”列的数值,以及其他 列的原始数据。(data - min_val) / (max_val - min_val):将数据缩放到 [0, 1] 范围。明日先把今日所学回温一下,自己书写代码对照,之后再进行新内容的精进。data - min_val:将数据中的每个值减去最小值,确保数据的最小值为 0。max_val - min_val:计算数据的范围(最大值减去最小值)。Q1.如何创建函数?

Y317429的博客 411

RK3568(buildroot)利用squashfs+overlay实现嵌入式系统高可靠存储方案

本文详细介绍了在RK3568嵌入式平台上,基于Buildroot系统,利用squashfs只读根文件系统与overlayfs可写层相结合的高可靠存储方案。该方案能有效防止设备意外断电导致的系统文件损坏,通过内核配置、启动脚本编写及镜像制作,实现系统核心的只读保护与用户数据的持久化分离,显著提升嵌入式设备的现场稳定性。

weixin_29189381的博客 548

魔兽RPG老地图逆向工程:解密三国列传3.0武将招募限制(附JASS实战)

本文详细解析了《三国列传3.0》魔兽RPG地图的武将招募限制机制,通过逆向工程和JASS脚本修改技术,突破SLK加密防线并解密游戏逻辑。文章提供了从工具准备到代码修改的完整实战指南,帮助玩家解除武将数量限制,重温经典游戏的乐趣。

i1j2k的博客 368

Python打卡训练营学习记录Day12

粒子群算法(Particle Swarm Optimization, PSO)是一种基于群体智能的优化算法,由 Kennedy 和 Eberhart 在 1995 年提出。该算法的灵感来源于鸟群或鱼群的群体行为,通过模拟粒子在搜索空间中的飞行来寻找最优解。

FanfanPyt的博客 814

SAP 权限配置(复合角色)

复合角色创建步骤:业务场景:通常单一角色权限颗粒度划分比较细,当需要分配单一角色权限A、B(多个单一角色)给某账号用户Y时,可以先建立一个复合角色C,将A、B绑定到复合角色C中,再将角色C分配给账号Y即完成权限配置。 业务模拟: 1、PFCG创建复合角色: 2、在角色页面添加子角色 在角色分页内添加子角色,点击“菜单”分页中的“读菜单”即可导入子角色中的菜单: 3、将用户分配给...

willieyuan的博客 7087

Python学习 Day3

比较 score_a 是否小于等于 score_b,将结果存储在变量 is_a_lower_or_equal 中;它通过在字符串前加上字母 `f` 或 `F`,并在字符串中使用大括号 `{}` 插入变量或表达式的值,从而实现动态字符串拼接和格式化。在 Python 中,单引号 (`'`)和 双引号 (`"`) 的功能是等价的,都可以用来定义字符串。"' # 使用单引号定义字符串。data = '{"name": "小明", "age": 18}' # JSON 字符串必须用双引号。

Y317429的博客 964

基于LSTM算法实现交通流量预测(Pytorch版)

本研究采用PyTorch框架,设计并实现了一种基于LSTM(Long Short-Term Memory)网络的交通流量预测模型。针对时序性显著的交通流量数据,模型首先将多节点、多通道的时空信息整合为一维特征输入至多层LSTM单元,利用其捕捉长期依赖及短期波动的能力进行深度学习。全连接层随后调整时间步长以适应预测周期需求。模型结构灵活,能适应不同节点数、输入输出长度及通道配置,实现在给定历史流量数据基础上对未来交通流量的精准预测,为交通管理与规划提供数据驱动支持。

打酱油的葫芦娃 4640

《UDS/OBD诊断需求编辑工具》总目录

目录 1 基于CANdela Studio编辑CDD诊断描述文件 2 基于ODX Studio编辑ODX/PDX文件 2.1 编辑ODX-D诊断描述文件 2.2 编辑ODX-F刷写软件 该专栏主要负责介绍CANdela Studio和ODX Studio编辑CDD/ODX/PDX诊断描述文件。 1 基于CANdela Studio编辑CDD诊断描述文件 2 基于ODX Studio编辑ODX/PDX文件 【ODX介绍 】-1- 标准梳理 【ODX介绍】 -2-如何手..

「汽车电子助手」的博客 1万+

Python2.7学习笔记 Day2

Python2.7学习笔记 Day2 字符串String和文本 代码示例与注释: #-*- coding: UTF-8 -*- x = "There are %d types of people." % 10 #这里%d指代整数10 binary = "binary" #定义一个变量,是字符串 do_not = "don't" #定义一个变量,是字符串 y = "Those who know %s...

weixin_45122258的博客 267

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

python学习_Python学习 Day 5758

“我可以一蹶不振 我偏要一鸣惊人”大家在学习python的过程中,欢迎交流和讨论最近的内容都是一些概念性的东西,都是挺简单的,大家浏览一下就好啦下面就开始今天的内容啦小伙伴们要记得及时复习啊Python学习 Day1-2Python学习 Day3-4Python学习 Day 5-6Python学习 Day 7-8Python学习 Day 9-10Python学习 Day 11-12Py...

weixin_39721924的博客 95

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

廖雪峰Python学习笔记day11

学习笔记day10 # python study day11 # collections 内建集合模块 # namedtuple 创建自定义tuple对象,规定tuple元素个数,使用属性引用元素 # from collections import namedtuple # Point = namedtuple('Point', ['x', 'y']) # p = Point(1, 3) # p2 = Point(-1, -3) # print(p.x, p.y) #>>> 1 3 #

zero_130的博客 265

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学习_Python学习 Day 4344

“别人问我喜欢的人是什么样 我就又要开始形容你”今天建了一个百度云的群组,以后文件就保存在群组里,需要的小伙伴可以加进来大家在学习python的过程中,欢迎交流和讨论下面就开始今天的内容啦小伙伴们要记得及时复习啊Python学习 Day1-2Python学习 Day3-4Python学习 Day 5-6Python学习 Day 7-8Python学习 Day 9-10P...

weixin_39625975的博客 95

python学习打卡:Day7 复习

【代码】python学习打卡:Day7 复习。

qq_57589581的博客 324

PYTHON训练营DAY7

# 平A穿插普攻,代码在我手中 #数据预处理 #描述性统计

dhxhsgrx的博客 1195

python训练营day2

比较结果存储在变量 is_a_lower_or_equal 中。str1 + " " + str2 表示先把 str1 的值 "Hello" 取出来,接着添加一个空格 " " ,最后再加上 str2 的值 "Python" ,拼接后的结果 "Hello Python" 被存储在变量 greeting 中。首先,重点肯定是运用换行符\n,它可以使一个 print() 函数调用就实现分三行的输出的效果,其次,注意到这里使用到了“f”,这个就是 f-string ,现在先留个悬念,接下来会详细阐述。

2202_75296561的博客 1085

Python打卡训练营学习记录Day7

【代码】Python打卡训练营学习记录Day7。

FanfanPyt的博客 282

python学习_Python学习 Day 4950

“忽然发现上次一时疏忽插的歌是伴奏?,这次补上来”大家在学习python的过程中,欢迎交流和讨论下面就开始今天的内容啦小伙伴们要记得及时复习啊Python学习 Day1-2Python学习 Day3-4Python学习 Day 5-6Python学习 Day 7-8Python学习 Day 9-10Python学习 Day 11-12Python学习 Day 13-14...

weixin_39524574的博客 94

python学习day2

python学习day2 一、定义变量和给变量复制的原理 python定义变量的时候: 需要先申请内存,内存申请多大看数据需要多大,然后将数据保存到内存中再和变量进行关联。 重新给变量赋值的时候,会重新申请新的内存,新的内存大小由新的数据的大小决定。 结论:python赋值变量的时候要比C语言和JAVA少占用一些内存,但速度相比较其他两种语言要慢一点,所以python在数据处理以及大数据方面要比其他两种语言更加适用一点。 二、数学运算符 +(加)、-(减)、*(乘)、/(除)、%(取余;取模)、//(整

qq_44981522的博客 4930

Python3.7.2学习

Day2 Day1 name = "abc" age = 10 print(name + "的年龄=", age) print(age) a = 3 print(id(a)) b = a a = 5 print(id(a)) print(id(b)) print(a) print(b) print(a) print(111) n = "jack" # python3 # name=input("请输入你的名字:") # python2.7 # name=raw_input(...

疯批美人 423

Python补习day7总结

用于调用父类(基类)构造函数的一种方式。示例::避免在子类中重复父类的初始化代码。:确保父类的初始化逻辑(如设置属性、分配资源等)被执行。:在多重继承情况下,super()可以确保所有基类的构造函数都被正确调用。

m0_74922917的博客 1654

Day2 用Deepseek学习Python基础知识

虽然不是第一次接触编程,但是好久没写代码了,之前也没认真学过python,试一下用deepseek学python有没有用 输入与输出 运算符 条件判断(if-elif-else) 循环结构 for循环 while循环 列表与字典 函数 第三步:练习小项目 猜数字游戏 简易计算器 注意Python 2与3的区别 print语句 Python 2: Python 3: 输入函数 Python 2: 返回字符串, 会执行表达式 Python 3

QM_LX的博客 1916

Python学习 Day4

创建一个包含三个字符串元素的列表 tech_list,元素分别为 “Python”, “Java”, “Go”。修改 tech_list 中的第二个元素(索引为 1),将其从 “Java” 更改为 “Ruby”。计算当前 tech_list 的长度,并将结果存储在变量 current_length 中。对照无误,联动昨日所学字符的获取,获取字符串中元素的方式和获取字符串中字符的方式是相同的。Print(f"1到100的和是:{sum_result}")- 20-27度:打印"绿色提示:适宜温度"

Y317429的博客 901
上一篇: 第三周——python学习 Day1 7.11
下一篇: 第三周——python学习 Day3 7.13
FancySYZ
博客等级 码龄4年 2粉丝 35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