python(day031——面向对象4)

IEEE PHM 2012轴承数据实战:用LSTM预测剩余寿命的完整流程与调参心得 本文详细解析了如何利用IEEE PHM 2012轴承数据集和LSTM模型进行轴承剩余寿命预测。从数据预处理、特征工程到LSTM模型架构设计和调参技巧,提供了完整的实战流程。特别分享了FEMTO-ST数据集的处理方法、RUL标签构建策略以及提升预测精度的关键技巧,帮助工程师实现更准确的预测性维护。 阅读详情

1.判断类之间的关系

使用issubclass()或者isinstance()方法来检测类之间的关系。如果obj是Class类的实例对象或者是一个Class子类的实例对象则返回True,否则返回False。

2.多重继承

class House:
    def __init__(self,length,width,height):
        self.length=length
        self.width=width
        self.height=height

    def print_info(self):
        print("房子长%s,宽%s,高%s" % (self.length,self.width,self.height))


class Car:
    def __init__(self,engine):
        self.engine=engine

    def print_info(self):
        print("车子%s" % (self.engine))

class BigCar(Car):
    def __init__(self,engine):
        Car.__init__(self,engine)
        print("BigCar被初始化")
        self.engine=engine

    def print_info(self):
        print("BigCar车子%s" % (self.engine))

class HouseCar(House,BigCar,):
    def __init__(self,length,width,height,engine):
        House.__init__(self,length,width,height)
        BigCar.__init__(self,engine)


h=HouseCar(100,5,6,"宝马")
print(h.length)
h.print_info()
#如果不重写,默认调用第一个
#如果子类没有实现构造函数,那么实例化时候,默认调用第一个继承类的构造函数
#子类查找实例方法时候,使用广度优先策略,先从同级类找方法,如果都没有,则从父类里面找

3.多态

class F1:
    pass

class S1(F1):

    def show(self):
        print ('S1.show')

class S2(F1):

    def show(self):
        print ('S2.show')


# 由于在Java或C#中定义函数参数时,必须指定参数的类型
# 为了让Func函数既可以执行S1对象的show方法,又可以执行S2对象的show方法,所以,定义了一个S1和S2类的父类
# 而实际传入的参数是:S1对象和S2对象

def Func(obj):
    """Func函数需要接收一个F1类型或者F1子类的类型"""

    obj.show()

s1_obj = S1()
Func(s1_obj) # 在Func函数中传入S1类的对象 #s1_obj,执行 S1 的show方法,结果:#S1.show

s2_obj = S2()
Func(s2_obj) # 在Func函数中传入Ss类的对象 #ss_obj,执行 Ss 的show方法,结果:#S2.show

#多态:给不同方法传入不同的对象,有不同的结果。(传不同的参数,有不同的结果)
#在python中,可以通过函数或者方法来实现
#在java中只能通过方法实现

4.重载

class P:
    #重载:函数名一样,但是函数参数类型或者是个数不一样
    #python 没有重载,因为参数随便传,没有类型限制
    #java有类型限制
    def p(obj):
        pass

5.重写

重写是指子类重写父类的成员方法。子类可以改变父类方法所实现的功能,但子类中重写的方法必须与父类中对应的方法具有相同的方法名。也就是说要实现重写,就必须存在继承。

6.类的特殊成员

1. __doc__:表示类的描述信息

2. __module__ 和 __class__:module__ 表示当前操作的对象在那个模块 ;class__    表示当前操作的对象的类是什么

3.__del__:析构方法,当对象在内存中被释放时,自动触发执行。

4.__call__:对象后面加括号,触发执行

5.__dict__:类或对象中的所有成员

6.__str__:如果一个类中定义了__str__方法,那么在打印 对象 时,默认输出该方法的返回值。

7. __getitem__、__setitem__、__delitem__:用于索引操作,如字典。以上分别表示获取、设置、删除数据

8.__iter__:用于迭代器,之所以列表、字典、元组可以进行for循环,是因为类型内部定义了 __iter__

9.__slot__:限制实例可以使用的属性名称

10. __new__:特性: __new__() 方法是在类准备将自身实例化时调用。 __new__() 方法始终都是类的静态方法,即使没有被加上静态方法装饰器。

7.单例

#设计模式:用类的方法来实现一些数据、实例的管理
#单例:实例化多次,但是只有一个实例产生
#方法1,实现__new__方法
#并将一个类的实例绑定到类变量_instance上,
#如果cls._instance不存在,则说明该类还没有实例化过,实例化该类,并返回
#如果cls._instance不为None,直接返回cls._instance
# super(Singleton, cls)表示获取Singleton父类对象,super也是个类,返回一个super对象(即父类对象),cls是Myclass类对象
class Singleton(object):
    _instance=None
    def __init__(self):
        print("__init__被调用")

    def __new__(cls, *args, **kw):
        print("__new__方法被调用了")
        if cls._instance is None:
            # orig = super(Singleton, cls)
            cls._instance = object.__new__(cls)
        return cls._instance

class MyClass(Singleton):
    a = 1
one = MyClass()
print(id(one))
two = MyClass()
print(id(two))
two.a = 3
print (one.a)
print(two.a)
# #one和two完全相同,可以用id(), ==, is检测
# print (id(one))
# #29097904
# print (id(two))
# #29097904
# print (one == two)
# #True
# print (one is two)
# #True

8.闭包:一个函数,返回来一个函数+函数使用的外部变量

# def add(a,b):return  a+b
#
# def p():
#     return add #返回函数对象
#
# print(p()(1,2))
# 闭包:一个函数p,在p函数内部return了一个函数x+函数使用的外部变量

def p():
    a=1
    def x():
        print(a)
    return x
p()()  #可以执行成功,打印出1

 

PCB高速信号换层孔新技术:VECS(Vertical Conductive Structure Technology)解析 摘要:垂直导电结构(VeCS)是一种新型PCB互连技术,由平板信号走线和椭圆形接地层构成半同轴结构,相比传统过孔具有显著优势。通过全波仿真和实测验证,VeCS展现出更好的阻抗连续性、更低的插入损耗和回波损耗,以及优异的串扰抑制能力。其椭圆形接地结构能有效隔离电磁干扰,在相同布线密度下远端串扰比传统过孔降低约50%。VeCS制备工艺与传统PCB工艺兼容,无需新增设备,且能实现更高密度互连。测试结果显示,2.5英寸带状线通道中VeCS结构的信号完整性表现明显优于传统过孔,为高速数字系统提供了更可靠的垂直互连解决 阅读详情

相关推荐

LTC3783 LED驱动控制器设计与效率优化详解

开关电源控制器是现代LED照明的核心器件,通过电流模式控制实现高效能量转换。其核心原理是通过采样电阻检测负载电流,配合误差放大器形成闭环调节,在汽车电子、显示背光等场景中确保±3%的电流精度。LTC3783作为典型代表,集成升压/降压-升压多拓扑支持,配合PWM调光技术可实现3000:1的无色偏调光范围。在工程实践中,需重点考量功率电感选型、MOSFET开关损耗与热管理设计,例如在38W功率方案中采用10μH/5A电感和4.5mΩ MOSFET可达成95%效率。该方案特别适用于需要应对9-36V宽输入电压波

weixin_36231030的博客 400

python 单例模式,一个类只能生成唯一的一个实例,重写__new__方法详解

单例:一个类只能生成唯一的一个实例 每个类只要被实例化了,他的私有属性 '_instance'就会被赋值,这样理解对吗 对 #方法1,实现__new__方法 #并在将一个类的实例绑定到类变量_instance上, #如果cls._instance为None说明该类还没有实例化过,则实例化该类,并返回实例对象 #如果cls._instance...

weixin_30600197的博客 736

UDS诊断入门第一课:手把手教你玩转0x10会话控制服务(附ISO14229实战解析)

刚接触汽车电子诊断的工程师们,往往会被厚厚的ISO 14229标准文档和各种专业术语吓退。但就像学习编程要从"Hello World"开始一样,掌握UDS协议的最佳切入点就是0x10诊断会话控制服务。这个看似简单的服务,实际上是整个诊断系统的"钥匙"——它决定了ECU(电子控制单元)当前处于何种工作模式,直接影响着其他诊断服务的可用性。 在实际车辆诊断中,ECU默认处于DefaultSession模式,这种模式下许多高级诊断功能是被禁用的。想象一下你正在开发一个需要刷写ECU固件的工具,如果连最基本的会

weixin_30402343的博客 393

【Groove 】python手写代码实现Singleton单例类详解

这个代码实现了单例模式,确保Singleton类只有一个实例。如果我们多次实例化Singleton类,它将始终返回同一个实例,而不会创建新的对象。"""单例类"""

weixin_44638453的博客 397

让 AI 变聪明的 20 条指令:如何让大模型回答得更精准、更专业、更实事求是

让 AI 变聪明,本质上不是写几句神奇咒语,而是把你的任务表达得更清楚,把事实标准设得更严格,把输出格式规定得更明确,把不确定性管理得更认真,把历史对话利用得更充分。大模型的强项是语言生成、信息组织、模式归纳和方案扩展;弱项是事实核验、实时更新、责任判断和对模糊意图的准确猜测。好的指令,就是在用人的判断弥补模型的弱点,让模型把强项发挥在正确的地方。

Sumarua的博客 1505

在AutoDL的A100云服务器上,用Docker搞定Sapien+RobotWin环境(附完整conda list)

本文详细介绍了在AutoDL的A100云服务器上使用Docker构建Sapien+RobotWin环境的完整指南。通过配置Vulkan渲染管线、精确复现Conda环境以及解决常见问题,帮助研究人员高效搭建稳定的机器人仿真开发环境,特别适合需要高性能GPU加速的复杂仿真任务。

weixin_30689307的博客 432

Python-单例模式详解与实现

单例模式 这种类型的设计模式属于创建型模式,它提供了一种创建对象的最佳方式。 这种模式涉及到一个单一的类,该类负责创建自己的对象,同时确保只有单个对象被创建。这个类提供了一种访问其唯一的对象的方式,可以直接访问,不需要实例化该类的对象。 意图:保证一个类仅有一个实例,并提供一个访问它的全局访问点。 主要解决:一个全局使用的类频繁地创建与销毁。 何时使用:当您想控制实例数目,节省系统资源的时候。 如何解决:判断系统是否已经有这个单例,如果有则返回,如果没有则创建。 应用:例如,数据库连接,可使用

关注网络安全、云原生安全 1万+

DisplayPort 1.4数据扰码实战:16bit LFSR并行优化技巧(附Verilog代码)

本文深入探讨了DisplayPort 1.4协议中16bit数据扰码的并行化实现。针对高带宽视频传输需求,文章详细推导了16位LFSR(线性反馈移位寄存器)的单周期16步并行计算公式,并提供了可直接使用的Verilog代码,解决了传统8bit串行处理吞吐量不足的瓶颈,为高速接口设计提供了关键优化技巧。

y4z5a6b7的博客 259

python中的单例模式_Python中的单例模式

在python中,我们可以用多种方法来实现单例模式:- 使用模块- 使用__new__- 使用装饰器- 使用元类(metaclass)使用模块其实,python的模块就是天然的单例模式,因为模块在第一次导入时,会生成.pyc文件,当第二次导入时,就会直接加载.pyc文件,而不会再次执行模块代码。因此我们只需把相关的函数和数据定义在一个模块中,就可以获得一个单例对象了。#mysingle.pycla...

weixin_39570505的博客 109

mtk-drm初始化

mtk-drm初始化走读

zhexingsunba的博客 4933

【软件系统架构】系列六:系统工程

系统工程是一种跨学科方法论,用于分析、设计、集成和管理复杂系统的全生命周期。其核心特点包括系统性思维、全周期管理、跨学科协作和需求导向。主流采用V模型生命周期,涵盖需求分析、系统设计、实现、测试验证及运维退役等阶段。核心工作方法包括需求工程、系统建模、接口设计、风险管理等。系统工程与项目管理协同,分别侧重技术实现和进度资源管理。应用领域覆盖航天军工、智能制造、智慧城市等。未来将向AI融合、数字孪生、模型驱动工程等方向发展,为复杂系统开发提供系统化协作范式。

moton2017的博客 2257

Python单例模式

Python实现单例的几种方式

weixin_43054437的博客 443

PointPillars代码详解及实现

SourceURL:file://文字文稿1和2D图像的深度学习目标检测很不相同,点云数据具有两个显著特征,为了将图像领域卷积神经网络做模式识别的经验引入三维点云中,一些深度学习方法采用了三维卷积方法或者是将点云投射为2维深度图,还有一类方法是使用鸟瞰视角Bird’s Eye View,来组织点云数据的输入,相比于2维深度图,鸟瞰图不存在遮挡问题但是数据分布更加稀疏造成网络特征学习效率低下。

m0_47313541的博客 661

python100例031

""" 题目031:请输入星期几的第一个字母来判断一下是星期几,如果第一个字母一样,则继续判断第二个字母。 """ def test031(): week = ['monday', 'tuesday', 'wednesday', 'thursday', 'friday', 'saturday', 'sunday'] inp = '' while True: arr = [] inp = inp + input('请输入一个字母:') f

zhujuntangxiaojuan的博客 149

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")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

总结day03

总结 day02 python标识符要求:由字母、数字或者下划线组成,并且数字不能开头(减号不是下划线) 关键字—python中本身具备特殊功能或者特殊意义的一些标识符,不能另做他用 常用数据和数据类型:数字数据;文本数据;布尔数据;空值 获取数据类型用type 输入函数-input: 将程序中的数据输出到控制台中显示 输入函数:程序从控制台中获取数据;控制台中是无法直接输入数据 对应的函数是input函数,一个input只能输入一个数据 input() 可以直接输入数据,输入结束按回车

qq_67036231的博客 567

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

day-031-NumPy入门

学习内容掌握情况一句话要点ndarray 概念✅ 理解NumPy 的核心是多维数组np.array() 创建✅ 重点从列表创建数组✅ 了解快速生成特定数组✅ 重点生成数字序列数组属性✅ 理解向量化运算✅ 重点不需要 for 循环,直接数组运算。

chouchuang的博客 216

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Python基础编程 day03

while应用, 循环嵌套, 循环嵌套的应用, 猜拳游戏, for循环遍历, for循环搭配range使用, for循环应用, break和continue, 循环中的else语句, 游戏案例

2201_75648520的博客 1677

Day031: 链表:单链表的实现与操作

在数据结构中,链表是一种重要的线性结构,它通过指针将一系列节点连接起来,形成一个动态的数据存储结构。单链表作为链表的一种基本形式,具有独特的特点和广泛的应用。本文将详细介绍单链表的实现与操作,包括单链表的定义、基本操作以及在 Python 中的实现方法。

u014481728的博客 1148

GitHub --Python学习--Day8到Day9总结笔记 ---有效的方法才能起飞!

上一篇讲解了变量、运算符号的基础知识。不知道大家有没有按照我的方法在学习呢?亲测真的有用,下面的代码都是我自己一个个按照要求自己敲出来的。,就有有些细节处还是需要在加强。

m0_46932947的博客 548

python基础小白题4

题目031:请输入星期几的第一个字母来判断一下是星期几,如果第一个字母一样,则继续判断第二个字母。 ''' def tm031(): ''' 【个人备注】:按照题意要求实现了就行 ''' week = ['monday','tuesday','wednesday','thursday','friday','saturday','sunday'] ...

少说,多做。 3261

PYTHON 基础-DAY3/4 20210403

目录030 可变字符串031 运算符总结、位操作符、优先级问题第三章序列032-039列表040-042 元组tuple043-049 字典050 集合 030 可变字符串 可变字符串:可通过io.StringIO对象或array模块 a='hello,sun' sio=io.StringIO(a) #sio即为可变对象 sio.seek(7) #移动到第七个字符 sio.write('g') #修改第七个字符 sio.getvalue() #不能通过直接

weixin_47442524的博客 371

031-时间处理time模块

本文介绍了Python中的time模块,重点讲解了时间处理的核心概念和常用操作。主要内容包括: time模块的三种时间表示方式:时间戳、时间元组(struct_time)和格式化字符串 时间获取与转换:time.time()获取时间戳,localtime()/gmtime()转换时间元组,strftime()格式化输出 实用工具类:TimeStampHandler处理时间戳转换,TimeStructHandler操作时间元组 时间格式化:提供了多种预设格式模板,支持自定义格式化输出和解析时间字符串 文章通过

lvjesus的博客 979

入门学习-Python-小甲鱼学习资料-Day031-永久存储:腌制一缸美味的泡菜

根据视频自己练习 Pickling – python的对象转化为二进制存放 unpickling – 二进制转化为对象 import pickle my_list = [3.1415926,1024,'风魔小次郎',['鱼跃此时海']] file_pickle = open('my_pickled.pkl','wb') pickle.dump(my_list,file_pickle)...

seven1levin的博客 538

<LeetCode天梯>Day031 验证二叉搜索树(递归+中序遍历) | 初级算法 | Python

????作者简介:大家好,我是车神哥,府学路18号的车神???? ????个人主页:应无所住而生其心的博客_府学路18号车神_优快云博客 ????点赞➕评论➕收藏 == 养成习惯(一键三连)???? ????本系列主要以刷LeetCode(力扣)网站的各类题为标准,实现自我能力的提升为目标⚡ ⚡希望大家多多支持????~一起加油 ???? 专栏《LeetCode天梯》 今天项目终于结题了,哇,熬了一晚上的夜,夜都被熬熟了,结题撒花,中午休息了下,下午继续卷起来呀,小伙伴们一起来。刷题不止,拒绝❌内卷

车手只需要车和手,压力来自轮胎 1707

Python Day05

day05 数据类型的使用: int、float、str、bool、list、dict、complex、tuple、set 重点:***** 数据类型的重点方法! 可变不可变类型! 数据类型的相互转换! 非重点: 数据类型不常用方法 isinstance(obj,类型):可以判断,True/False 本质上作为1/0存储的。 字符串常规操作:****** 1...

weixin_30278311的博客 77

python 基础 网络爬虫 day03

目录 1.requests模块 2.urllib.request 中Handler处理器 day02 1.关于正则解析 分组(想要抓取什么内容就要加小括号()) 正则方法 p = re.compile('...') r_list = p.findall(html) 结果 :[(),(),(),()] 贪婪匹配 : .* 非贪婪匹配 :.*? 2.抓取步骤 找URL 写正则...

时光 1034
上一篇: day007——CSS浮动布局和盒模型
下一篇: python(day032——面向对象5)
王总总
博客等级 码龄8年 2粉丝 41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