python的一些基础知识

Python 基础知识 文章目录Python 基础知识1、关键字和保留字2、字符串相关知识3、标准数据类型4、基础的数学函数5、随机数函数 Python 基础知识 1、关键字和保留字 编写代码,即可输出当前版本所有的关键字和保留字 import keyword if __name__ == '__main__': for kw in keyword.kwlist: print(kw) 具体如下 ['False', 'None', 'True', 'and', 'as', 'assert', 'asy 阅读详情
1、from __future__ import division  执行后的结果是:运算符/严格执行true除法(如实计算),运算符//严格执行floor除法(不大于结果的最大整数值)
2、** 是求幂运算符号: 3**4 结果是12
3、运算符号优先级由高到低是
    () -- ** -- */ //% -- +-
如果同时有多个 , ** 会是从右至左的顺序求值 , 其余都是从左至右的求值
4、字符串类型属于python的内建数据类型
5、三引号字符串中, 单或双引号不必添加转义字符,且可以跨多行
6、print 参数简记
    %d             整数
    %8d            8位整数,右对齐
    %-8d           8位整数,左对齐
    %.8d           8位整数, 不足则以0补充
    %x             16进制表示
    %f             float
    %.5f           5位小数float
    %e             科学计数法
    %s             字符串
    %30s           占位30位 ,右对齐
    %-30s          占位30位 ,左对齐
    %.15s          截取左边开始15个字符
    %5.2s          截取字符串占5位, 截取最前2个字符,右对齐
    %-5.2s         截取字符串占5位, 截取最前2个字符,左对齐
7、if结构包括if,测试条件和一个冒号(:),主体部分是采用缩排形式
8、python对语法的评估取决于空距,建议将3个空格设置成一个缩进级别
9、3种控制结构便可以写出所有程序:顺序结构,选择结构,重复结构
10、流程控制时要适当的运用“哨兵值”
11、range返回start到end-1的一个序列
    range(3,10,2)
    start -- 3
    end-1 -- 9
    2是自增值
>>> range(0,10)
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>> range(3,10,2)
[3, 5, 7, 9]
12、条件1 and 条件2
条件1如果为假,上述表达式将立刻停止,若条件1为真,则继续求值
出于性能考虑:在and表达式中,若不同条件相互独立,将最有可能为false的放在左边;在or表达式中,将最有可能为true的放在左边
13、所有的运算符中,not的级别最低
14、模块(module)是包含函数和类定义的文件,模块的集合,称为包(package)
称为标准库的模块一般位于python安装目录的库目录下,如/usr/lib/pyth2.4或/usr/local/lib/python2.4
15、dir()可以查询当前的命名空间
16、def fact(arg1 = 1,arg2 = 1,arg3 = 1)
17、支持3种基本序列数据类型:字符串、列表(list)和元组(tuple),序列相当于其他语言的数组
    序列如果从尾部访问,最后一个元素是c[-1],倒数第二个是c[-2],一次类推
    列表通常存储同种数据的序列,列表长度可以任意更改
    元组通常存储异种数据的序列,元组长度和值是不可变的,一旦发现修改,就抛出错误
18、创建空元组:aTuple = ()
    创建包含值序列的一个元组:aTuple = 1, 2, 3   创建元组的过程也称为元组打包(packing a tuple),也可以为aTuple = (1, 2, 3)
    创建单元素元组:aSingleton = 1,  切记不能少了这个逗号
19、alist = [ 0, 1, 2 ]
    print range(len(alist))   --> [ 0, 1, 2 ]
20、print "*"*100
21、解包:(注意长度必须完全一致,否则抛错)
    string = "abc"
    first,second,third=string ## first=a , second=b, third=c
    list = ['a','b','c']
    first, second, third=list ## first=a, second=b, third=c
    tuple = ('a','b','c')
    first, second, third=tuple ## first=a , second=b, third=c
    x,y=y,x ## swap x y
22、分片(slice)
    list = ['a','b','c']
    >>> print list[0:2]
    ['a', 'b']
    >>> print list[-2:-1]
    ['b']
    >>> print list[:]  ##整个序列 
    ['a', 'b', 'c']
23、字典
    创建空字典:emptyDict = {}
    初始化字典:Dict = {1:"True", 2:"False"}
    modify字典元素: grade["Steve"] = 90
    删除字典中的一项: del grade["john"]
24、列表的一些常用方法
    List = [1,2,3]
    List.append(4) -- > List = [1,2,3,4]
    List.count(2) -- > 2出现的次数
    append(item)    在列表末尾插入item
    count(element)    返回element在列表中出现的次数
    extend(newList)    将newList的元素插入列表末尾
    index(element)    返回element在列表中首次出现的索引,若不在,产生ValueError异常
    insert(index,item)   在位置index插入item
    pop([index])    index参数可选的。如无参数调用该方法,会删除并返回列表的最后一个元素。如指定了index参数,删除并返回位置index的元素
    remove(element)    删除首次在列表中出现的element,如element不在列表中,则产生ValueError异常
    reverse()    当场反转列表内容(不创建一个反转的拷贝)
    sort([compare-fuction])   当场对列表内容进行排序
25、字典的一些常用方法
    clear()    从字典中删除所有项
    copy()   创建并返回字典的一个浅拷贝(新字典中的元素是对原始字典元素的引用)
    get(key[,returnValue])   返回字典中与key对应的值,若key不在字典中,且指定了returnValue,则返回returnValue,若没指定returnvalue,则返回none
    has_key(key)    若key在字典中,则返回1,否则返回0
    items()    返回一个由元组构成的列表,每个元组包含一个键-值对
    keys()    返回字典中所有键的一个列表
    popitem()    删除任意键-值对,并作为二个元素的一个元组返回。如字典为空,会产生keyerror异常
setdefault(key[,dummyValue]) 与get类似,若key不在字典中,且指定了dummyValue,将键和dummyValue插入字典,若没指定dummyValue,那值为none
    update(newDictionary)    将来自newDictionary的所有键-值对添加到当前字典,并覆盖同名键的值
    values()    返回
    iterkeys()    返回字典键的一个迭代器
    iteritems()    返回键-值对的一个迭代器
    itervalues()   返回字典值的一个迭代器
26、深浅copy:深是一个独立的copy,浅copy是随原本变化的一个副本而已
27、参数传递--传对象引用
28、类:
    类名首字母必须大写
    尽可能包括"文档化字符串"来描述类,文档化字符串习惯上是一个三引号字符串
    将所有方法的第一个参数都命名为"self",确保不同的程序员编写的python程序是一致的
    直接访问对象的属性,可能导致数据进入不一致状态
史上最全的 python 基础知识汇总篇,没有比这再全面的了,建议收藏 网友们有福了,小编终于把基础篇的内容全部涉略了一遍,这是一篇关于基础知识的汇总的文章,请朋友们收下,不用客气,不过文章篇幅肯能会有点长,耐心阅读吧爬虫(七十)多进程multiproces... 阅读详情

相关推荐

史上最全的 python 基础知识,没有比这再全面的了,建议收藏

文章目录Python基础知识1、列表2、字典3、集合4、元组5、推导式6、函数7、lambda表达式8 、异常9、文件操作9.1 文件操作9.2 文件夹操作(OS包)10、公共操作10.1 运算符10.2 公共方法10.2.1 len10.2.2 del10.2.3 max和min10.2.4 range10.2.5 enumerater10.3 容器类型转换**tuple****list**set Python基础知识 用type ( 变量 ) 可以查看变量的数据类型 1、列表 ###定义和值相关 #定义

weixin_54707168的博客 5574

Python的基础知识

Python的基础知识

隔壁王叔的博客 2万+

STM32 SAES硬件加密协处理器全模式工程实践指南

AES(高级加密标准)是嵌入式系统中最基础且关键的对称密码算法,其硬件加速实现直接影响安全、性能与功耗平衡。Secure AES Coprocessor(SAES)作为STMicroelectronics在STM32U5等高安全MCU中集成的专用密码协处理器,不仅支持标准ECB/CBC/CTR模式,更原生兼容GCM和CCM等认证加密模式,具备抗侧信道、密钥保护与DMA卸载能力。理解其寄存器状态机(CHMOD/MODE/CPHASE)、NPBLB数据对齐机制及GCM四阶段编程范式,是规避Tag校验失败、IV错

weixin_42311427的博客 76

python理论知识点总结_python基础知识总结

python有段时间没用了,实在是惭愧啊,屌丝今天决定开始对python基础知识重新进行总结,以慰自心。一.python概念Python是著名的“龟叔”Guido van Rossum在1989年圣诞节期间,为了打发无聊的圣诞节而编写的一个编程语言。python定位“优雅”,“简单”,“明确”二.python安装略三.python基础1.输入输出输入输出input/output,简称I/O输出:p...

weixin_31796803的博客 2819

QT快速配置MSVC2017编译环境(3分钟极简指南)

本文提供了一份3分钟极简指南,帮助开发者快速配置QT的MSVC2017编译环境。通过断网安装、精准勾选组件和配置QT Creator编译器路径等步骤,大幅提升QT开发效率。MSVC2017作为Windows平台高性能C++编译器,特别适合处理大型QT项目,编译速度优势明显。

weixin_30399821的博客 502

COLMAP在Ubuntu下的编译陷阱与实战避坑指南——从环境配置到三维重建全流程

本文详细介绍了在Ubuntu系统下编译和配置COLMAP三维重建工具的全流程,包括环境准备、依赖库安装、CUDA加速配置以及常见编译问题的解决方案。通过实战案例演示了从图像特征提取到稠密重建的完整步骤,并提供了性能优化和问题排查的实用技巧,帮助用户高效完成三维重建任务。

weixin_29003437的博客 1048

Python基础知识的详细归纳

Python基础知识是学习Python编程的基石,涵盖了从字面量、注释、变量、数据类型到运算符、字符串、函数等多个方面。

2401_85240630的博客 667

ARM功耗管理软件之DVFS&AVS

思考:功耗管理软件栈及示例?WFI&WFE?时钟&电源树?DVFS&AVS?

AI-安全-功耗 1230

Python基础知识梳理

一、Python语言编程特征 二、基本数据类型(5个) 变量: 常量 类型转换问题 三、输入、输出函数 四、运算符 1、算法运算符 2、逻辑运算符 3、成员运算符 五、随机值获取、重命名 1、获取随机值 2、重命名 六、if语句 七、for循环 八、while循环 java→面向对象 ,c →面向过程;而python介于java和c 之间,既面向对象,又面向过程。 一、Python语言编程特征 Python源文件通常用.py作为扩展名 Python.........

心皿月的博客 1万+

【WLAN】【调试】再谈如何使用Wireshark解密WiFi数据包——使用TK信息

- 本文介绍了一种wireshark使用TK信息解密空口报文的方式,该方式对是否有关联过程的报文没有要求。

一介草民,只为生活。 1187

【银河麒麟V10】【桌面】【服务器】系统启动问题

1、如果之前运行好好的,重启后系统报错,一般80%是因为fstab的问题,回想下之前有没有添加过外接存储,修改过/etc/fstab,如果是的话一般是因为存储异常(比如网络存储无法连接,本地存储路径变化)导致系统开机自检失败,导致无法正常启动; 处理方式:进入单用户(单用户进入的几种方式上面有专门文章介绍),修改/etc/fstab,将新增的内容暂时注释掉,然后重启系统,能正常进入系统后再分析失败原因。 ...

桂安俊@KylinOS 3万+

python 基础知识

1、python基础知识 优点: 有丰富的块结构 代码简单易读 功能应用: 爬虫 大数据人工智能 自动化云计算运维 缺点: 运行效率慢(对开发效率没有要求时,就可以用python) 2、python的安装 安装平台: Linux 官网下载安装包 解压安装包 安装编译过程需要的依赖性:gcc,zlib,zlib-devel,openssl-devel,readline,readline-dev...

qq_42311209的博客 348

基于STM32设计的老人监护系统(OneNet)_118

该项目是基于STM32设计的老人监护系统。本系统可以通过脉搏心率传感器,体温传感器检测老人的脉搏状态,体温状态,把老人的数据状态在STM32单片机内部进行处理,然后通过GSM模块上传到OneNet云平台,在通过可视化界面显示出来,这样可以让子女随时随地了解到老人现在的身体情况,以便对老人的突发情况能够做出及时的预防和处理。而且如今,随着老人年纪不断的增长,身体体质不断的衰弱,在上楼梯或者走斜坡的时候很容易会发生摔倒或跌倒,如果不及时的接收到治疗,很可能会造成很严重的后果。

7455

python基础知识

这篇文章提炼了python的基础知识纲要,用于整理自己的知识体系,方便记忆,具体的知识点查看菜鸟教程http://www.runoob.com/python/python-tutorial.html。

qq_23878241的博客 237

YOLOv11架构革新:华为VanillaNet与BiFPN深度融合的突破性改进实战指南

购买即可解锁300+YOLO优化文章,并且还有海量深度学习复现项目,价格仅需两杯奶茶的钱,别人有的本专栏也有!

LXY_LOVE36的博客 136

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Python基础知识

整理Python基础知识,参考《Python编程从入门到实践》

cztl520的博客 1016

Statistics and Machine Learning Toolbox

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

关于python的一些基础知识

幻城砂的博客 200

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

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基础知识思维导图整理

我根据python的基础知识做了一份导图,如下: 后面会不定期更新。

洛阳山 702

python需要学哪些基础知识_学习Python需要哪些基础知识?

学习Python需要哪些基础知识?Python学习可以分为几个阶段,入门、进阶、应用。先说说入门需要哪些基本的知识储备。Python因为易于学习的特点,入门很简单,掌握基本的Python知识点,比如变量、数据结构、语法、函数等等,基本上一到周时间就可以。完成这个初步学习的入门阶段只需要有:1,基本的阅读理解能力这是我们从小就在训练的能力了,看报纸、看杂志、看小说等等,无时无刻的不在用着这项能力。拿...

weixin_39961522的博客 215

Python基础知识总结资源下载

Python基础知识总结资源下载 去发现同类优质开源项目:https://gitcode.com/ 这里是《Python基础知识总结.pdf》文件的下载仓库,该文件为您详细总结了Python编程语言的基础知识,包括语法、数据类型、控制流程、函数、模块与包等内容。 该资源适合初学者快速掌握Python基础,也适合有经验的开发者作为参考手册。希望这份总结能够帮助您在Python学习的道路上更进一步。 ...

gitblog_06730的博客 295

Python入门基础知识

Python入门基础知识,几天跟大家分享的是关于学习Python需要了解的入门基础知识。一起看一看吧!一、Python 简介Python定义:是一个免费、开源、跨平台、动态、面向对象的编程语言。Python程序的执行(运行)方式有两种:交互式、文件式交互式即在命令行输入指令,回车即可得到结果。1.打开终端2.进行交互式:python33.编写代码:print(“hello world”)4.离开交互式:exti()文件式将指令编写到.py文件,可以重复运行程序。

2301_76161259的博客 363

python基础知识框图

python3基础知识总结 对基础知识的总结,以框图(层次清晰)形式展现

weixin_43455639的博客 657

Python 基础知识全面总结

使用单引号、双引号或三引号定义。Python的基础知识涵盖了从语法到高级特性的方方面面。无论是标识符、关键字、数据类型,还是面向对象、异常处理、模块与包,每一个知识点都是构建Python程序的基石。希望这份总结能帮助你更好地掌握Python的核心概念,提升编程能力。如果你对某个部分还有疑问,欢迎留言交流!👏想了解更多统计学、数据分析、数据开发、数据治理、机器学习算法、深度学习等有关知识的宝子们,可以关注小编,希望以后我们一起成长!

cc是小陈的博客 2286
上一篇: C++基础知识点
下一篇: 基于8255A的交通灯管理系统
zhouxf_cn
博客等级 码龄14年 54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