Python学习基础知识之 函数的介绍以及常见操作

python基础知识介绍 此外,Python还具有一些高级特性,如列表推导式、生成器、装饰器、面向对象编程等,这些特性可以进一步提高代码的效率和可读性。总之,Python基础知识是学习Python编程的基础,掌握这些基础知识可以帮助你更好地理解和应用Python编程语言。:Python最初由Guido van Rossum于1989年在荷兰创造。其设计目标是创造一种易于阅读、易于学习、易于维护的编程语言。 阅读详情

目录

一、函数定义和调用

1.1定义函数

1.2调用函数

1.3注意

二、函数参数

2.1定义带有参数的函数

2.2调用带有参数的函数

2.3调用带有参数函数的运行过程:

​2.4调用函数时参数的顺序

​2.5形参 实参

三、函数返回值

3.1返回值介绍 

3.2带有返回值的函数

3.3保存函数的返回值

四、函数类型

1. 无参数,无返回值

2. 无参数,有返回值

3. 有参数,无返回值

4. 有参数,有返回值

4.1无参数,无返回值的函数

4.2无参数,有返回值的函数

 4.3有参数,无返回值的函数

 4.4有参数,有返回值的函数

 4.5注意

五、 函数的嵌套调用

六、变量

6.1局部变量

​6.2全局变量

6.3全局变量和局部变量名字相同的情况介绍

6.4修改全局变量

七、使用函数的返回值、参数

八、函数嵌套调用

九、函数返回值

9.1多个return

9.2 一个函数返回多个数据的方式

十、函数参数

10.1缺省参数

10.2不定长参数

10.3缺省参数在*args后面 



一、函数定义和调用

1.1定义函数

定义函数的格式如下:

def 函数名():    

代码

1.2调用函数

定义了函数之后,就相当于有了一个具有某些功能的代码,想要让这些代码能够执行,需要调用它

调用函数很简单的,通过 函数名() 即可完成调用

1.3注意

 每次调用函数时,函数都会从头开始执行,

当这个函数中的代码执行完毕后,意味着调用结束了

当然了如果函数中执行到了return也会结束函数

二、函数参数

2.1定义带有参数的函数

示例如下:

def add2num(a, b):    

c = a+b    

print c

2.2调用带有参数的函数

以调用上面的add2num(a, b)函数为例:

def add2num(a, b):    

c = a+b    

print c 

# 调用带有参数的函数时,需要在小括号中,传递数据

add2num(11, 22)

2.3调用带有参数函数的运行过程:

2.4调用函数时参数的顺序

2.5形参 实参

 定义时小括号中的参数,用来接收参数用的,称为 “形参”

调用时小括号中的参数,用来传递给函数用的,称为 “实参”

三、函数返回值

3.1返回值介绍 

定义了一个函数,完成了获取室内温度,想一想是不是应该把这个结果给调用者,只有调用者拥有了这个返回值,才能够根据当前的温度做适当的调整

所谓“返回值”,就是程序中函数完成一件事情后,最后给调用者的结果

3.2带有返回值的函数

想要在函数中把结果返回给调用者,需要在函数中使用return

def add2num(a, b):
    c = a+b
    return c
或者
def add2num(a, b):
    return a+b

3.3保存函数的返回值

如果一个函数返回了一个数据,那么想要用这个数据,那么就需要保存

 

保存函数的返回值示例如下:
#定义函数
def add2num(a, b):
    return a+b
#调用函数,顺便保存函数的返回值
result = add2num(100,98)
#因为result已经保存了add2num的返回值,所以接下来就可以使用了
print(result)

结果:
198

四、函数类型

函数根据有没有参数,有没有返回值,可以相互组合,一共有4种

1. 无参数,无返回值

2. 无参数,有返回值

3. 有参数,无返回值

4. 有参数,有返回值

 

4.1无参数,无返回值的函数

此类函数,不能接收参数,也没有返回值,一般情况下,打印提示灯类似的功能,使用这类的函数

def printMenu():
    print('--------------------------')
    print('      xx涮涮锅 点菜系统')
    print('')
    print('  1.  羊肉涮涮锅')
    print('  2.  牛肉涮涮锅')
    print('  3.  猪肉涮涮锅')
    print('--------------------------')

4.2无参数,有返回值的函数

此类函数,不能接收参数,但是可以返回某个数据,一般情况下,像采集数据,用此类函数

# 获取温度(案例需实际演示)
def getTemperature():
    # 这里是获取温度的一些处理过程
    # 为了简单起见,先模拟返回一个数据
    return 24

temperature = getTemperature()
print('当前的温度为:%d'%temperature)

 4.3有参数,无返回值的函数

此类函数,能接收参数,但不可以返回数据,一般情况下,对某些变量设置数据而不需结果时,用此类函数

 4.4有参数,有返回值的函数

此类函数,不仅能接收参数,还可以返回某个数据,一般情况下,像数据处理并需要结果的应用,用此类函数

# 计算1~num的累积和(案例需实际演示)
def calculateNum(num):
    result = 0
    i = 1
    while i<=num:
        result = result + i
        i+=1
    return result

result = calculateNum(100)
print('1~100的累积和为:%d'%result)

 4.5注意

函数根据有没有参数,有没有返回值可以相互组合 定义函数时,是根据实际的功能需求来设计的

所以不同开发人员编写的函数类型各不相同

五、 函数的嵌套调用

六、变量

6.1局部变量

1.局部变量,就是在函数内部定义的变量 其作用范围是这个函数内部,即只能在这个函数中使用 

2.在函数的外部是不能使用的 因为其作用范围只是在自己的函数内部,所以不同的函数可以定义相同名字的局部变量

3.局部变量的作用,为了临时保存数据需要在函数中定义变量来进行存储 当函数调用时,局部变量被创建

4.当函数调用完成后这个变量就不能够使用了

 

6.2全局变量

1.既能在一个函数中使用,也能在其他的函数中使用,这样的变量就是全局变量 (非函数内部的)

2.在函数外边定义的变量叫做全局变量

3.全局变量能够在所有的函数中进行访问

# 定义全局变量
a = 100
def test1():
    print(a)  # 虽然没有定义变量a但是依然可以获取其数据
def test2():
    print(a)  # 虽然没有定义变量a但是依然可以获取其数据
# 调用函数
test1()
test2()

6.3全局变量和局部变量名字相同的情况介绍

当函数内出现局部变量和全局变量相同名字时

函数内部中的 变量名 = 数据

此时理解为定义了一个局部变量,而不是修改全局变量的值

6.4修改全局变量

如果在函数中出现global 全局变量的名字

那么这个函数中即使出现和全局变量名相同的变量名 = 数据

也理解为对全局变量进行修改,而不是定义局部变量

 

七、使用函数的返回值、参数

def test1():
     # 通过return将一个数据结果返回
     return 50

def test2(num):
    # 通过形参的方式保存传递过来的数据,就可以处理了
    print(num)

# 1. 先调用test1得到数据并且存到变量result中
result = test1()
# 2. 调用test2时,将result的值传递到test2中,从而让这个函数对其进行处理
test2(result)

 

八、函数嵌套调用

def test1():
    # 通过return将一个数据结果返回
    return 20

def test2():
    # 1. 先调用test1并且把结果返回来
    result = test1()
    # 2. 对result进行处理
    print(result)

# 调用test2时,完成所有的处理
test2()

九、函数返回值

9.1多个return

一个函数中可以有多个return语句,但是只要有一个return语句被执行到,那么这个函数就会结束了,因此后面的return没有什么用处

功能:结束函数

def create_nums():
    print("---1---")
    return 1  # 函数中下面的代码不会被执行,因为return除了能够将数据返回之外,还有一个隐藏的功能:结束函数
    print("---2---")
    return 2
    print("---3---")

9.2 一个函数返回多个数据的方式

return后面可以是元组,列表、字典等,只要是能够存储多个数据的类型,就可以一次性返回多个数据

def divid(a, b):
    shang = a//b
    yushu = a%b 
    return shang, yushu  #默认是元组
result = divid(5, 2)
print(result)  

# 输出(2, 1)

十、函数参数

10.1缺省参数

调用函数时,缺省参数的值如果没有传入,则取默认值。

在形参中默认有值的参数,称之为缺省参数

注意:带有默认值的参数一定要位于参数列表的最后面

下例会打印默认的age,如果age没有被传入:

实际输出

10.2不定长参数

有时可能需要一个函数能处理比当初声明时更多的参数, 这些参数叫做不定长参数,声明时不会命名。

注意:

加了星号(*)的变量args会存放所有未命名的变量参数,args为元组

而加**的变量kwargs会存放命名参数,即形如key=value的参数, kwargs为字典.

基本语法:

 

10.3缺省参数在*args后面 

如果很多个值都是不定长参数,那么这种情况下,可以将缺省参数放到 *args的后面,

但如果有**kwargs的话,**kwargs必须是最后的

Python | python函数里基础知识介绍 Python函数基础摘要:函数是可重复使用的代码块,提高代码复用性。自定义函数用def定义,包含参数列表和函数体,通过return返回值。参数传递分为值传递(不可变对象)和引用传递(可变对象)。参数类型包括必备参数、关键字参数、默认参数和不定长参数,其中默认参数必须放在最后。掌握这些基础知识即可实现有效的函数封装和调用。 阅读详情

相关推荐

BLDC方波控制 vs. FOC:技术选型指南与未来演进

本文深入对比BLDC电机方波控制与FOC技术的核心差异,分析两者在成本、性能和应用场景上的权衡。方波控制凭借低成本和易实现性,在电动工具和家电领域优势明显;而FOC则以平滑高效控制见长,适用于高端精密应用。文章为工程师提供了实用的技术选型指南,并展望了未来技术融合的发展趋势。

yhn4567890的博客 1172

【C语言】Sleep()函数----详解

在C语言中,sleep函数是一个非常有用的函数,用于实现程序的延时功能。无论是在控制程序执行速度、模拟实时系统、或者创建交互式用户体验,sleep函数都能够发挥重要作用。它允许程序在指定的时间间隔内暂停执行,并在暂停期间使系统的处理器资源得到休息。通过使用sleep函数,程序员可以轻松地控制程序的执行速度,以适应不同的场景和要求。它可以帮助程序实现精确的时间控制,例如在游戏开发中实现动画效果的流畅展示,或者在多线程编程中确保不同线程的协调运行。此外,sleep函数。

深入解析C/C++编程技巧,带你探索高效开发之路 4万+

Langchain分割方式

【代码】Langchain分割方式。

2895

python画图的模块_使Python中的turtle模块画图两只小羊

使Python中的turtle模块画图两只小羊效果图如下:完整代码如下:# -*- coding:utf-8 -*-# __author__ :kusy# __content__:文件说明import turtleimport timeimport math as mclass Sheep(object):def __init__(self,xsize):self.t = turtle.Turtl...

weixin_39608559的博客 458

Ollama安装教程

Ollama 是一个开源的大语言模型(LLM)部署工具,专为在本地机器部署和运行大模型而设计,通过简单的命令就可以在本地快速运行大模型(如DeepSeek、Llama、Gemma、QWQ等)。非常适合开发者、研究人员以及对数据安全和隐私有较高要求的企业和用户

学习AI应用开发,分享AI干货、获取最新AI咨询 3851

海外支付实战:虚拟信用卡订阅ChatGPT Plus等服务的完整指南

在跨境数字服务消费中,支付环节常因地区限制、银行风控等因素受阻。其核心原理在于国际信用卡交易需通过发卡行风控系统,而国内银行对高频、小额或商户名非常规的境外线上交易敏感,导致成功率不稳定。为解决这一痛点,虚拟信用卡技术应运而生,它通过服务商生成关联预充值账户的虚拟卡号,提供地域灵活性与资金可控性,显著提升了支付通过率。这项技术的价值在于以较低学习成本,为个人用户打通了访问ChatGPT Plus、Midjourney、Claude Pro等前沿AI服务的支付通道。其典型应用场景包括订阅各类海外SaaS、内容

weixin_42531579的博客 1021

python高阶函数-11

文章目录递归匿名函数高阶函数filter函数map函数 映射reduce函数applyzip 递归 在一个函数内调用本身 def new(num): if num==1 or num==2: return 1 else: return new(num-1)+new(num-2) print(new(10)) 匿名函数 格式 #lambda par...

Mr.Sheep的博客 249

【ComfyUI】QwenImageEdit OOTD角色与姿态匹配换装

本文介绍了一个基于Qwen Edit OOTD 2.0的ComfyUI工作流,能够实现角色与姿态匹配的智能穿搭生成。该工作流通过整合模型推理、姿态识别、图像拼接和渲染等节点,完成从角色图、姿态图到成品穿搭图的完整生成流程。核心采用Qwen Image系列模型进行图像理解和编辑,配合ControlNet进行姿态引导。用户只需提供角色图和姿态参考图,系统即可自动完成姿态解析、语义编码、采样生成等步骤,输出与输入姿态一致的穿搭图像。该方案适用于虚拟角色展示、电商试穿等场景,能保持角色特征一致的同时灵活变换姿态,显

Mr数据杨 1584

用java中的Thread中的sheep函数模拟秒表,一秒打印一个数字

package cn.itcast.day09.sheep; /* public static void sleep( Long millis):使当前正在执行的线程以指定的毫秒数暂停(暂时停止执行) 毫秒数结束之后,线程继续执行 */ public class Demo01sheep { public static void main(String[] args) { //模拟秒表,一秒打印一个数字 for (int i = 0; i < 6

qq_45745047的博客 745

【OpenFOAM】-olaFlow-算例10-wavemakerTank

采用 Flap和Piston两种方式的动网格进行造波

ou_no的博客 2167

5-EP4CE10F17C8-引脚配置

EP4CE10F17C8-引脚配置

weixin_44479192的博客 719

Sleep()函数的使用方法详解

sleep函数 目录sleep函数用法注意实例编写代码,演示多个字符从两端移动,向中间汇聚不休眠的状态:休眠sleep实现:for循环实现我们需要注意: 用法 Sleep函数可以使计算机程序(进程,任务或线程)进入休眠,使其在一段时间内处于非活动状态。当函数设定的计时器到期,或者接收到信号、程序发生中断都会导致程序继续执行。 用 法 void Sleep(DWORD ms) 单 位 毫秒 在Windows系统中: 休眠一秒 Sleep(1000); //sleep for 1 s

H48530的博客 11万+

手把手教你学Simulink--智能控制算法的控制算法领域仿真建模实例:基于Simulink的遗传算法优化控制仿真模型

通过上述步骤,你可以设计并仿真一个基于Simulink的遗传算法优化控制模型。这种方法适用于许多复杂的优化场景,尤其是当传统方法难以找到最优解时。随着经验的积累,你可以进一步优化遗传算法的参数设置,或者结合其他智能优化技术(如粒子群优化、差分进化等)提升优化性能。

MHD0815的博客 208

Python学习基础知识之 内置函数的介绍以及常见操作

一、python内置函数 1.1len() demo: 1.2max()

HelloGuoYing的博客 206

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Python基础知识学习

Python基础知识 建议有程序语言基础的童鞋阅读,零基础阅读可能会有点费解 点击下载 python最新版本 注释方法 # 单行注释 ''' 多行注释 ''' 数据类型 关键字 名称 示例 chr 单个字符 '', 'd' str 字符串(多个chr) 'dd', '你好' int 整数 1,2,3,4 float 浮点数 3.1415926 bool 布尔 Ture, False list 列表 [1,2,3,4] tuple 元组 ('name', 'age'

weixin_48179599的博客 2万+

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基础知识

内容包括python的基本用法,python进阶版,会持续更新

weixin_45911561的博客 281

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

python中常见函数总结

python常用函数总结

cat_eat_fish 2万+

[Python学习] 专题一.函数的基础知识

最近才开始学习Python语言,在学习视频中发现讲述的函数知识觉得非常不错,所以就写了第一篇Python学习的文章分享给大家.主要内容:1.Python安装与基本输入输出,print()函数和raw_input()函数简单用法.2.讲解函数的基本知识:(1).系统提供内部函数(2).第三方提供函数库:讲解如何安装httplib2第三方函数库,再做了个简单的网页爬虫例子(3).用户自定义函数.希望文章对大家有所帮助,才开始学习python知识,如果文章中有错误或不足之处,还请海涵,也希望大家提出意见与君共

杨秀璋的专栏 1万+

Python学习基础知识之 文件的介绍以及常见操作

目录 一、文件的打开和关闭 1.1打开文件open() 1.2关闭文件close( ) 二、文件的读写 2.1写数据(write) 2.2读数据(read) 2.3读数据(readlines) 2.4读数据(readline) 三、文件重命名(os模块中的rename()) 3.1rename(需要修改的文件名, 新的文件名) 3.2删除文件 3.3创建文件夹 3.4获取当前目录 3.5改变默认目录 3.6获取目录列表 3.7删除文件夹 四、读取二进制图片文件 一、文件的

HelloGuoYing的博客 319

Python学习基础知识之 元祖与字典介绍以及常见操作

一、元祖的介绍 1.1元祖 Python的元组与列表类似,不同之处在于元组的元素不能修改。元组使用小括号,列表使用方括号。 1.2访问元组元素1.3修改元组报错 1.4元组的内置函数count, index index:检测 元素是否包含在元组中,如果是返回开始的索引值 count:返回 元素在start和end之间 在 元组里面出现的次数 1.4.1index (有坑) 二、软件开发中的 字典 变量info为字典类型: info = {'...

HelloGuoYing的博客 483

python语言基础 - 字典介绍及常见操作总结

字典的介绍 相信大家在上学的时候都用过新华字典,英汉字典,当有不认识的字或不会写的字的时候查下字典就能解决。不认识的单词查下英汉字典就能得到翻译,即方便好用又能长知识,一举两得。分析一下,不管是新华字典还是英汉字典,它们都有着一个共同的特点,就是字典中的内容都有着一个映射关系。比如通过拼音“zhang”就能得到汉字“张”,再比如通过英文单词“hello”就可以得到它的中文翻译“你好”。 那么在...

lixiaosenlin的专栏 4345

python的文件操作及函数式编程介绍

1. 函数是对实现某一功能的代码的封装(代码分解,松耦合,按功能划分) 2. 函数可以实现代码的复用,从而减少代码的重复编写

学无止境 1527

【Python操作基础】——函数

该篇文章首先利用Python展示了使用函数的相关操作,包括内置函数、模块函数、用户自定义函数、lambda函数等。

jd1813346972的博客 1869

Python学习之字符串常见操作函数

Python学习之字符串常见操作函数

里恩的博客 520

python中各种函数的用法,python中常见的函数

30. ords()和chr(ASCII)函数:将字符串转化为ASCII或将ASCIIIS\转化为字符串。20. urllib.urlopen(url).read():打开网络内容并存储。6. int()函数、float()函数、str()函数等:类型的转化函数。32. strip()、lstrip()、rstrip()函数:去除空格。49. list.remove(“s”)函数:将数据中第一次出现的s删掉。44. s.insert(3,-1)函数:在3的位置之前插入数据-1。

zjl102562的博客 1037

Python学习——基础知识

跟着视频自学的Python知识总结。 有一些来自于其他博主的内容(IT之一小佬)

m0_63309664的博客 2044
上一篇: Python学习基础知识之 内置函数的介绍以及常见操作
下一篇: Charles抓包工具常用功能--https抓包--Android抓包
嘤嘤嘤999
博客等级 码龄9年 129粉丝 72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