《python编程从入门到实践》读书笔记3

R语言作加权最小二乘_R语言与计量经济学(三)异方差 这两部分都是对残差假设的检验,经典回归模型的残差服从(0, )的正态分布,且相互独立,这里就是检验残差的方差是否相同。方差是否会随解释变量的变化而变化。library(ggplot2) library(foreign) data5.1<-read.dta("case 5-1.dta") View(data5.1)给出数据的部分截图一元拟合还是习惯先用ggplot2看下效果图。p<-g... 阅读详情

2020-12-04

with open("c:/Users/hasee/Desktop/han_demo.txt") as my_file:
	contents = my_file.read()
	print(contents)
file = open("C:/Users/hasee/Desktop/demo/han_test_demo.txt")

content = file.read()
print(content)
file.close()

上面两种方法都能正确的打开文件并且读取数据,但是在第一种方法中我们可以发现,我们使用了with关键字。关键字with在不需要访问文件后将其关闭。在这个程序中我们调用了open()没有调用close(),我们也可以像第二种那样调用open()和close()来打开和关闭文件,但是这样做时,如果程序存在bug,导致close()语句未执行,文件将不会被关闭,可能会导致文件的数据丢失或者受损。

逐行打印,使用for循环,而不适用read()语句:

file = "C:/Users/hasee/Desktop/demo/han_test_demo.txt"
with open(file) as my_file:
    for line in my_file:
        print(line.rstrip())

使用with关键字时,open()返回的文件对象只在with代码块内可用 ,如果要在with代码块外访问文件内容,可以在with代码块内将文件各行存储在一个列表中,并在with代码块外使用该列表。

file = "C:/Users/hasee/Desktop/demo/han_test_demo.txt"
with open(file) as my_file:
    lines = my_file.readlines()

    for line in lines:
        print(line.rstrip())

readlines()方法从文件中读取每一行,并将其存储在一个列表中,接下来,该列表被存储到变量lines中。

file = "C:/Users/hasee/Desktop/demo/pi_million_digits.txt"
with open(file) as my_file:
    lines = my_file.readlines()

pi_string = ""
for line in lines:
    pi_string += line


print(pi_string[:20] + "...")

在读取文本时,python将其中的所有文本都解读为字符串,如果要将读取的数字作为数值使用,就必须使用函数int()将其转换为整数,或者使用float()转换为浮点数。

file = "C:/Users/hasee/Desktop/demo/pi_million_digits.txt"
with open(file) as my_file:
    lines = my_file.readlines()

pi_string = ""
for line in lines:
    pi_string += line


birthday = input("你的生日是:")

if birthday in pi_string:
        print("你的生日在圆周率里面!")

else:
        print("不在。")

2019年3月14日,谷歌宣布称,圆周率现在已经突破3000万亿位,达到了31.4万亿位,这又是一个巨大的突破,但是,依旧没有算尽。

要将文本写入文件,你在调用open()时,需要提供另一个实参。

split()方法以空格为分隔符,将字符串拆成多个部分,并将这些部分都存储到一个列表中。
在这里插入图片描述
通过split()方法可以查询出一个txt文件有多少个单词。

def count_numbers(filename):
    try:
        with open(filename) as book:
            book_contents = book.read()

    except:
        print("没有" + filename + "这本书")

    else:
        numbers = book_contents.split()
        print(filename + "这本书共有" + str(len(numbers)) + "个单词")


file_name = "C:/Users/hasee/Desktop/demo/han_book.txt"
count_numbers(file_name)

json模块

模块json能够让你将简单的python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。

函数json.dump()接收两个实参:要存储的数据以及可用于存储数据的文件对象。

import json

string = [1, 2, 3]

# 指定文件名
louise = "C:/Users/hasee/Desktop/demo/string.json"

with open(louise, "w") as loulou:
    json.dump(string, loulou)

我们指定了要将该数字列表存储到其中的文件的名称,通常使用文件扩展名.json来指出文件存储的数据为JSON格式。

使用json.load()可以读取数据

import json

file_name = "string.json"
with open(file_name) as loulou:
	numbers = json.load(loulou)

print(numbers)

保存和读取用户生成的数据:

import json
# 为文件起名
filename = "username.json"
# 尝试打开文件
try:
    with open(filename) as loulou:
        username = json.load(loulou)
# 如果之前没有运行过程序会执行
except FileNotFoundError:
    username = input("请输入姓名")
    with open(filename, "w") as loulou:
        json.dump(username, loulou)
        print("we will remember you " + username + "!")
# 程序不发生异常会执行的程序
else:
    print("welcome back " + username)

我们经常遇到代码能够正常运行,但是需要进一步改进的情况。我们可以将代码划分为完成一系列工作的具体函数,这样的过程被称为重构。

《python编程从入门到实践》读书笔记1~3章 p17 避免使用大写字母是个不错的主意,应使用小写字母和下划线。 p19 3个字符串处理方法,.title()以首字母大写方式显示每个单词。 .upper()全部单词大写,.lower()全部单词小写。因为很多时候,你无法依靠用户来提供正确的大小写,因此需要把字符串预先转换为小写,再存储它们。以后需要显示这些信息时,再将其转换为最合适的大小写方式。 p21 删除空白,在编程中,空白泛指任... 阅读详情

相关推荐

使用R语言导入.dta文件

接下来,您可以对导入的数据进行进一步的处理和分析。这只是一些常见的数据处理和分析操作的示例。您可以根据具体的需求和数据特点进行进一步的操作。是Stata数据文件的格式。下面是一份详细的代码示例,演示如何导入。文件并进行数据处理和分析。数据转换:使用各种函数对数据进行转换,如排序、重塑等。子集选择:使用逻辑条件选择数据框中的子集。函数获取数据框中数值变量的摘要统计信息。变量计算:可以使用现有变量创建新的变量。函数查看数据框的结构和变量的类型。文件并进行数据处理和分析。包)创建数据的可视化图形。

ByteScript的博客 2151

Linux中利用csvquote处理csv文件

问题 在linux中处理csv文件时,经常会碰到字段中包含,或\n的问题,这种情况下就不能使用awk、cut等命令处理文件 解决方案 使用csvquote对csv进行预处理。GitHub csvquote可将csv字段中的,转换为US (unit separator,单元分隔符,ascii码31),将\n转换为RS (record separator,记录分隔符,ascii码30),这样在使用cut等命令时就能将它们当作普通字符处理了。 注意事项 在使用python处理转换后的文件时,要注意open方法打开

jerrism的博客 1092

R语言导入.dta文件实战

R语言导入.dta文件实战 #导入.dta文件的基本语法 R的导入.dta文件最简单方法是使用haven库中的read_dta()函数。 此函数使用以下基本语法: data <- read_dta('C:/you-path/file_name.dta') #包的安装和导入 install.packages('haven') library(haven) #下载.dta数据文件 我们将从该页面下载名为cola.dta的.dta文件。 #导入.dta文件 ..

data+scenario+science+insight 1万+

《Python编程,从入门到实践》读书笔记——第3章:列表简介

目录列表是什么访问列表元素索引从0而不是1开始使用列表中的各个值修改、添加和删除元素修改列表元素在列表中添加元素从列表中删除元素组织列表使用方法sort()对列表进行永久性排序使用函数sort()对列表进行临时排序方法reverse()倒着打印列表函数len()确定列表长度使用列表时避免索引错误 列表是什么 列表由一系列按特定顺序排列的元素组成。鉴于列表通常包含多个元素,给列表指定一个表示复数的名...

qq_21389513的博客 208

公文派2025:免费社区版重大安装更新!

距离上一次更新已经过去了将近一年的时间,今天我们带来了全新的免费2025社区版,该版本也是目前最新的版本,无需授权即可使用所有的功能。

似最初 1964

CH32V IAP跳转避坑指南:为什么你的APP跳不过去?从mstatus寄存器配置到函数属性详解

本文深入解析CH32V系列MCU的IAP跳转机制,从mstatus寄存器配置到函数属性优化,详细讲解如何避免APP跳转失败。文章涵盖地址准备、模式切换、跳转执行等关键步骤,并提供调试技巧与实战案例,帮助开发者快速解决CH32V IAP跳转中的常见问题。

weixin_30955617的博客 141

《Python编程:从入门到实践》读书笔记:第3章 列表简介

目录 第3章 列表简介 3.1 列表是什么 3.1.1 访问列表元素 3.1.2 索引从0开始而不是1开始 3.1.3 使用列表中的各个值 3.2 修改、添加和删除元素 3.2.1 修改列表元素 3.2.2 在列表中添加元素 3.2.3 列表中删除元素 3.3 组织列表 3.3.1 使用方法sort()对列表永久排序 3.3.2 使用函数sorted()对列表临时排序 3.3.3 倒着打印列表 3.3.4 确定列表的长度 3.4 使用列表时避免索引错误 第3章 列表简介

weixin_44850744的博客 736

2024年全国大学生电子设计竞赛A题_AC-AC变换电路并联运行

AC-AC变换电路并联运行(A 题)【本科组】

qq_74395263的博客 7846

Python编程:从入门到实践第九章读书笔记9.3继承

第九章读书笔记9.3继承 #coding:gbk #如果你要编写的类是另一个现成类的特殊版本。可使用继承。 #一个类继承另一个类的时候,它将自动获得另一个类的所有属性和方法; #原有的类称为父类,而新类称为子类。 #子类继承了其父类所有的属性和方法 #9.3.1子类的方法__init__() class Car(): #创建子类时,父类必须包含在当前文件中,且位于子类前面 """一次模拟汽车的尝试""" def __init__(se

weixin_46667735的博客 202

ANSYS Twin Builder实战:5步搞定数字孪生模型部署(附ROM配置技巧)

本文详细解析了ANSYS Twin Builder在数字孪生模型部署中的实战应用,重点介绍了ROM(降阶模型)配置技巧。通过5个关键步骤,从环境搭建到工业部署,帮助工程师高效实现高精度三维仿真到轻量化数字孪生的转化,提升预测性维护和系统仿真效率。

weixin_27330481的博客 661

【DAB收音机】DAB 认证介绍

DAB 认证ESTI 标准文档: ETSI 103461实际过认证时,需要根据产品的受众国家及区域,参考当地官方是否有国内认证协议。需要参考当地文档进行功能开发。例如:阿联酋地区用《UAE.S 5021 _ 2018.pdf》标准进行认证。ESTI 的DAB认证协议规定了家用和车载数字无线电的最低要求,及其对应的测试方法,是数字无线电认证标志规定的技术基础。本文以车载数字无线电接收器为例,进行部分DAB认证的介绍,详情请见官方文档。或联系博主获取DAB ESTI 103461的中文翻译资料。

qq_15271231的博客 1221

Python编程:从入门到实践第八章读书笔记8.3返回值

Python编程:从入门到实践第八章读书笔记8.3返回值 今天在调试书中代码例子时,在8.3.3的person.py中进行age的添加时遇到问题:不论按照书上原代码还是我自己调整代码,始终打印不出年龄,却也始终没有报错,这个问题截止现在尚未解决,在此做下记录,以备后查。 #coding:gbk #函数返回的值称为返回值 #在函数中,可使用return语句将值返回到调用函数的代码行 #返回值让你能够将程序的大部分繁重工作移到函数中去完成,从而简化主程序 #8.3.1返回简单值 #formatted_na

weixin_46667735的博客 227

逻辑电平(TTL/CMOS/LVDS/LVPECL/CML)

逻辑电平介绍 TTL------晶体管-晶体管逻辑门(Transistor-Transistor Logic gate) TTL采用5V电源

sinat_15677011的博客 2万+

《Python编程:从入门到实践》读书笔记(3):第9章 类

第9章 类(1)9.1 创建和使用类(2)9.2 使用类和实例(3)9.3 继承(4)9.4 导入类、9.6 类编码风格 (1)9.1 创建和使用类 (2)9.2 使用类和实例 (3)9.3 继承 (4)9.4 导入类、9.6 类编码风格

妙语空空的博客 345

PostgreSQL:详解如何搭建流复制集群

PostgreSQL流复制集群搭建指南摘要 本文详细介绍了PostgreSQL流复制集群的部署流程。流复制通过主节点实时传输WAL日志到备节点实现数据同步,支持高可用和读写分离。部署步骤包括:1)准备相同版本的主备节点环境;2)配置主节点的postgresql.conf和pg_hba.conf;3)创建专用复制用户;4)使用pg_basebackup初始化备库;5)验证复制状态。文章还涵盖复制槽、同步复制等高级配置,以及故障切换方法。该方案可实现数据实时同步,备库提供只读查询服务,是构建高可用Postgre

数据知道的博客 2573

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Python编程:从入门到实践第六章读书笔记6.3遍历字典

Python编程:从入门到实践第六章读书笔记6.3遍历字典 #coding:gbk #6.3.1遍历所有的键-值对 user_0 = { 'username': 'efermi', 'first': 'enrico', 'last': 'fermi', } for key,value in user_0.items(): print("\nkey: " + key) print("\nvalue: " + value) #favorite_language

weixin_46667735的博客 324

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

读书笔记「Python编程:从入门到实践」_3.列表简介

3.1 列表是什么   列表 由一系列按特定顺序排列的元素组成。   在Python中,用方括号([] )来表示列表,并用逗号来分隔其中的元素。 3.1.1 访问列表元素   指出列表的名称,再指出元素的索引 3.1.2 索引从0而不是1开始   Python为访问最后一个列表元素提供了一种特殊语法。通过将索引指定为-X ,可让Python从后面返回第X个列表元素: 3....

weixin_30666753的博客 84

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python编程:从入门到实践第十章读书笔记10.3文件和异常

10.3文件和异常 #coding:gbk #division.py #print(5/0) #Output: #Traceback (most recent call last): # File "10.3.1处理ZeroDivisionError异常.py.py", line 4, in <module> # print(5/0) #ZeroDivisionError: division by zero #上述错误ZeroDivisonError是一个一场对象 #10.3.2

weixin_46667735的博客 233

《python编程从入门到实践》读书笔记与代码实现(二)——数据可视化(3)

笔记与代码实现 第十七章

Seal_Wings的博客 314

Python编程:从入门到实践第七章读书笔记7.3使用while循环来处理列表和字典

Python编程:从入门到实践第七章读书笔记7.3使用while循环来处理列表和字典 #coding:gbk #confirmed_users.py #首先,创建一个待验证用户列表 # 和一个用于存储已验证用户的空列表 unconfirmed_users = ['alice','brian','candace'] confirmed_users = [] #验证每个用户,直到没有未验证用户为止 # 将每个经过验证的列表都移到已验证用户列表中 while unconfirmed_users: #此

weixin_46667735的博客 208

python编程入门到实_《python编程从入门到实践》读书笔记与代码实现(二)——数据可视化(3)...

笔记与代码实现第十七章# -*- coding: gbk -*-#自动从网上采集数据并对其进行可视化import requestsimport pygalfrom pygal.style import LightColorizedStyle as LCS, LightenStyle as LS#执行API调用并存储响应url = 'https://api.github.com/search/rep...

weixin_39588206的博客 146

《Python编程:从入门到实践》笔记(三)

使用关键字def来告诉Python你要定义一个函数。这是函数定义,向Python指出了函数名,还可能在括号内指出函数为完成其任务需要什么样的信息。最后,定义以冒号结尾。后面的所有缩进行构成了函数体。引号引起的文本是被称为文档字符串的注释,描述了函数是做什么的。文档字符串用三引号括起,Python使用它们来生成有关程序中函数的文档。函数调用让Python执行函数的代码。要调用函数,可依次指定函数名以及用括号括起的必要信息。让一个类继承另一个类后,可添加区分子类和父类所需的新属性和方法。

2302_77272988的博客 797

《python编程从入门到实践》读书笔记2

2020-12-02 元组可以看成不可变的列表 虽然不可以修改元组内元素的值,但是可以使用赋值语句重新定义元组。 每条if语句的核心都是一个值为True或False的表达式,这种表达式被称为条件测试,如果条件测试的值为True,就执行if下方代码;如果为False则忽略。 可以使用and或者or来检查多个条件。 要判断特定的值是否包含在列表中,可以使用关键字in或者not in if-elif-else 语句,有时候可以将else用elif代替,以防止引入无效甚至恶意数据。这种语句仅适用于只有一个条件满足的

Han_python的博客 185

python编程从入门到实践读书笔记-读书笔记「Python编程:从入门到实践」_9.类

9.1 创建和使用类面向对象编程——Object Oriented Programming,简称OOP,是一种程序设计思想。OOP把对象作为程序的基本单元,一个对象包含了数据和操作数据的函数。把计算机程序视为一组对象的集合,而每个对象都可以接收其他对象发过来的消息,并处理这些消息,计算机程序的执行就是一系列消息在各个对象之间传递。编写类时,你定义一大类对象都有的通用行为。基于类创建对象 时,每个对...

weixin_37988176的博客 147
上一篇: 《python编程从入门到实践》读书笔记2
下一篇: python---time模块、format格式化函数、质数(素数)和合数
Han_python
博客等级 码龄6年 31粉丝 113原创
评论 1
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