python学习笔记:函数进阶与模块

Python:Python3 函数与模块 函数和模块是Python编程中实现代码重用的核心工具。 阅读详情

1、globals()    返回装有全局变量及其对应值的字典
   locals()    返回装有当前局部变量及其对应值的字典,对于嵌套函数,不包含上层函数的局部变量
2、eval函数
    eval函数:把一个字符串当成一个表达式来执行,返回表达式执行后的结果,
    语法:eval(source(String maybe),globals,locals)
    该函数不接受关键字传参
    如果传入的变量在globals和locals中都存在,那么将会取locals中的值
3、exec函数
    把一个字符串当作程序来执行,和eval一样
4、lambda表达式(又称为匿名函数)
    作用:创建一个匿名函数对象
    同def类似,但是不提供函数名
    lambda [形参1,形参2,...]:表达式
    调用时将返回表达式的值给lambda,该方法创建的函数只能有一个语句
    注意:[]内的内容可以省略
    该方法用于创建简单的函数,比如
    def myadd(x,y):
        return x+y
    等价于
    myadd = lambda:x,y:x+y
    该语句创建函数比较简单并且可以随时创建和销毁,有利于减少函数的耦合度
5、高阶函数high order function
    接受一个或多个函数+其他类型参数作为参数传入,并返回一个函数
6、python内置的阶函数map函数
    map函数:map(func,*iterablas)    
    用函数对可迭代对象中的每一个元素做为参数计算出新的可迭代对象,当最短的一个迭代器完成迭代后此迭代器生成完毕
    这里只能用元组作为其实参,如果函数有多个形参,则需要多个元组分别给函数的形参传参
7、python内置的高阶函数filter函数:    
    filter(function,iterable)
    用函数function函数运行iterable中的每一个对象,如果函数返回False则将函数丢弃,如果函数返回True则保留此数据
    示例:筛偶数
    def  shai(x):
        return True if x % 2 == 0 else False
    for x in filter(shai,range(1,100+1)):
        print(x)
8、sorted函数
    sorted(iterable,key=None,reverse = False)
    说明:
    key是一个函数,用来提供排序的依据
    reverse标志用来设置是否降序排序
    示例:
    L = [5,-2,-4,0,3,1]
    L2 = sorted(L,reverse = True,key = abs)
    利用列表元素的绝对值对列表进行排序
    
9、小项目:学生信息管理系统的学生信息输入函数
    def input_student_info():
    student_info_list = list()
    while True:
        name = input("please input name:")
        if not name:
            return student_info_list
        str_age = input("please input age of %s:"%name)
        age = int(str_age)
        str_score = input("please input score of %s:"%name)
        score = int(str_score)
        dic = dict(name = name,age = age,score = score)
        student_info_list.append(dic)
    print(input_student_info())
10、闭包closure
    将函数及其运行的环境打包在一起,成为闭包
    原则:
    示例:计算一个数的n次方的函数
    def mypower(y):
        def fn(x):
            return x**y
        return fn
    pow2 = mypower(2)
    print(pow2(100))    
    这里,pow2绑定了一个函数,该函数在创建时,创建了其运行环境,包含了变量y,绑定函数fn的变量,当pow2接收到返回的函数变量时,pow2也接收到了这个环境,这个环境和函数fn合称“包”,称为闭包
    通常在解释执行的语言内才有闭包
11、装饰器decorators
    装饰器是一个函数,主要作用是用来包装另一个函数或者类,包装的目的是在不改变原函数名或者类名的情况下,改变被包装对象的行为
    
12、函数装饰器functional decorators
    函数装饰器传入是一个函数,返回也是一个函数
    当函数f1被装饰器函数d1装饰时,调用f1时,会先调用d1函数,参数时f1的函数变量,然后装饰器函数d1会返回一个函数,然后解释器会执行这个返回的函数,除非d1返回了f1,否则不会执行f1,所以叫做函数装饰器
    通常用于在执行函数之前再执行一部分功能,决定是否执行函数,比如:
    #银行存钱和取钱
    def permission_check(fn):
        def check(name,num):
            print("Sending a short message to confirm......please wait......")
            fn(name,num)
        return check    

    @permission_check
    def save_money(name,num):
        print("%s saved %d yuan successfully" % (name,num))


    def withdraw_money():
        print("%s withdrawed %d yuan successfully" % (name,num))

    save_money("xie",1000)
    #给存钱加上了函数装饰器
13、面试题
    def fun1(n=0,l=[]):
        l.append(n)
    fun1(100)
    fun1(200)#打印结果为[100,200]
    函数的参数属于函数,不会因为函数的结束调用而销毁
    写成如下可以避免默认参数一直存在的问题
    def fun1(n=0,l=None):
        if l == None:
            l = []
        ...
14、模块module
    模块是一个包含有一系列函数、类、变量的程序组
    模块是一个文件,模块文件拓展名通常是.py
    可以让一些相关的函数、类等内容有秩序的组织在一起,使逻辑更加清晰
15、模块分类
    内置模块,解释器内部直接使用
    标准库模块,安装时已经安装,并且导入后直接使用,比如copy,time,sys
    第三方模块,一般开源,需要自行安装。可以使用pip3 install tensorflow
    用户编写自己的模块
16、模块导入import
    import module_name [as new_module_name][,module_name_2[as new_name2]]......
    示例:
    import math
    import tensorflow as tf
    import sys,os
17、使用模块
    module_name.属性名    e.g. math.e
    #属性即变量
    module_name.函数名(参数)    e.g. math.sin(3.14)
18、查看模块列表
    dir(math)
    help(math)
    查看模块中的变量与函数,返回一个字典    
19、导入模块部分内容
    from module_name import 属性名[as 新的属性名],属性名2 [as 新的属性名2]......
    from module_name import 函数名[as 新的函数名],函数名2 [as 新的函数名2]......
    示例:
    from math import pi
    from math import sin,cos
    会直接在本地创建一个函数,这样不用再用math.pi来调用,直接使用pi就行
20、from math import *
    直接导入模块的所有函数与属性
    可以直接使用sin,cos,pi而不用再加math.
21、dir()函数
    dir([对象])    返回字符串列表
    如果没有参数,返回当前作用域所有变量列表
    如果有参数
        参数是模块:返回这个模块的全部变量
        参数是一个类对象,返回类对象的所有变量、并递归基类所有变量
        对于其他对象,返回所有变量、类变量和基类变量
    dir 和 globals有区别,dir返回变量名列表,globals返回变量名:变量值的字典

22、时间模块time
    在linux、unix系统上,计算机元年为1970年1月1日00:00:00
    UTC时间即(Coordinated Universal Time,坐标通用时间)格林威治(英国)时间,UTC世界范围内通用
    DST(Daylight Saving Time,阳光节约时间),又称为夏令时,是经过日照时间修正后的时间,夏天时间提前一个小时,因为光照问题,可以节约用电,用不到,不用管
    时间元组,由九个整数组成
    年月日时分秒    星期几、元旦开始日(从元旦到现在的时间,1-366)、夏令时修正时间
    后面三个可以省略,这主要用于告诉计算机一个时间
23、time重要属性
    time.timezone    本地时间与UTC时间的时间差(秒)
    重要函数
    time.time()    返回从计算机元年到现在的秒数
    time.sleep(sec)    让程序睡眠一段时间
    time.gmtime([sec])    给定描述转换为UTC时间元组,不给sec则用当前秒数转换
    time.asctime([tuple])    将给定的元组转换成当地时间字符串,若不给,则用当前时间元组转换
    time.mktime(tuple)    将给定时间元组转换为距计算机元年的秒(UTC时间)
    time.localtime([secs])    将UTC秒数时间转换为本地时间元组    
24、练习题:输入出生年月日,计算已经活了多长时间
    import time
    str1 = input("please input year month day of your birth")
    l = str1.split(sep = ' ')
    t = (int(l[0]),int(l[1]),int(l[2]),0,0,0,0,0,0)
    print(t)
    sec_then = time.mktime(t)
    daynum = (time.time() - sec_then) // (3600*24)
    print("you have been born for %d days" % daynum)

基于知识图谱的职位推荐系统的设计与实现 在职位推荐系统中,实体可以包括职位、公司、技能等,而关系可以包括职位与公司的关联、职位与技能的关联等。基于知识图谱的职位推荐系统可以提供更加智能和精确的职位推荐服务。通过收集和预处理数据构建知识图谱,并设计推荐算法和用户界面,可以实现一个完整的职位推荐系统。通过利用知识图谱技术,我们可以构建一个更加智能和精确的职位推荐系统。本文将介绍如何设计和实现基于知识图谱的职位推荐系统,并提供相应的源代码。通过定义实体和关系的节点和边,可以将数据存储在图数据库中,并建立它们之间的关系。 阅读详情

相关推荐

MiniOSD DIY记

最近迷上了航模,研究了很多东西,感觉路走的长了还是适当要停下脚步休息下总结下。 这次DIY的是一块OSD设备,主要用于航模图传的叠加显示,原理也很简单就是atmel atmega328p+MAX7456芯片,网上卖的成品基本上都是一个原理图。 原理图 我按照我自己的需要做了适当的更改,去掉了DC-DC电路,直接用5V输入,因为摄像头都是5V的,所以DC-DC不是很有必要,体积上更加小了点, 打...

memoff的博客 8510

Python入门篇:import的使用方法

Python中 import 主要有两种方式 1. import module 采用这种方式调用模块中函数时要使用module.func 的方式。 使用方法 在import之后跟上要导入的模块名:import math; 也可以一条语句导入多个模块, 模块之间用(,)分隔:import sys,os 在import的时候可以对模块进行重命名,一般用缩写来表示模块名,便于引用模块里面的函数与变量...

但行前路 无问西东 8460

ESP32实战指南:SPI驱动ADXL345三轴加速度传感器的精准数据采集与姿态解算

本文详细介绍了如何使用ESP32通过SPI接口驱动ADXL345三轴加速度传感器,实现精准数据采集与姿态解算。从硬件连接到SPI通信优化,再到数据处理和低功耗策略,提供了全面的实战指南。特别适合物联网开发者和硬件工程师参考,帮助快速掌握传感器数据采集技术。

vim8coder的博客 1042

from math import *

from math import * *代表导入所有的变量,例如 使用pi,不需要写为math.pi,直接使用pi 使用log,不需要使用math.log,直接使用log import math math.log(32,2) 5.0 log(32,2) Traceback (most recent call last): File "<stdin>", line 1, i...

MiaLove 1万+

open-web UI 实用指南

open-web UI 类似于chatgpt的界面,可以私有化模型本地部署,也可以用商业模型.本文只是用开源模型. 它以实现多模态AI聊天 , AI 翻译 , 语音转文本, 文本转语音, 文生图,代码助手,可谓利器。

szmars的博客 3万+

基于MS5351的三通道可编程时钟发生器设计

时钟发生器是数字系统时序验证与信号完整性测试的核心基础设备,其原理基于锁相环(PLL)对参考晶振进行倍频与分频控制,通过寄存器配置实现多路独立频率输出。技术价值体现在高精度、低抖动、快速切换与工程可部署性之间取得平衡,尤其适用于FPGA/ASIC参考时钟调试、ADC/DAC采样时钟验证及嵌入式硬件时序裕量评估等场景。本方案采用MS5351三通道时钟芯片与ESP32主控协同架构,在保证LVCMOS输出质量与I²C可编程性的前提下,优化电源噪声抑制、晶体负载匹配和跨板信号完整性,兼顾成本、周期与实测稳定性,为实

weixin_31715353的博客 210

Python标准库与扩展库中对象的导入与使用

1、import 模块名 [ as别名 ] 使用这种方法导入以后,使用时需要在对象之前加上模块名作为前缀,必须以“模块名.对象名”的形式进行访问。如果模块名字很长,可以为导入的模块设置一个别名,然后使用“别名.对象名”的方式来使用其中的对象。 import math #导入标准库math a=math.sin(0.5) #求0.5(单位是弧度)的正弦 print(a) 0.479425538604203 2、from 模块名 import 对象名 [as 别名] 使用这种方法仅导入明确指定的对象,并且可以

橘猫吃不胖的博客 3719

解决 NLPIR (中科院分词) License 过期问题

因为学习需要,使用到了中文分词技术,网上搜索一番,最终选择了名气比较大的中科院分词器(NLPIR/ICTCLAS)。 用了几个月之后突然报错: E:\code\URLClassifier\Data\NLPIR.user Not valid license or your license expired! Please feel free to contact pipy_zhan

勇敢向前冲 1万+

Python中math库的导入与包含函数

math是Python中在进行基础数学运算和数学函数的计算时常用的内置数据库,其中包括pi、e数学常量、三角函数、幂函数、对数函数、高等函数等一系列数学计算函数。math库不支持复数类型,仅支持整数和浮点数运算。

azhssjaj的博客 6720

ComfyUI-controlnet控制出图

提供加载预处理器节点。

Bu2n的博客 5493

仿真学习系列(二):ADS仿真直观理解方波与频谱分量的关系

在高速电路设计中,我们常常听到一句话:“信号其实不是电压在传输,而是频率在传播。” 这句话看似抽象,却揭示了信号世界的核心本质——任何时域波形,都可以被拆解为一系列不同频率的正弦波。 那么,一个看似简单的方波,究竟由哪些频率成分组成?为什么在示波器上,有的方波上升沿又快又“方”,而有的却“圆润”得多?这些差异背后,隐藏的正是高频分量的力量。 本文将通过使用 Keysight ADS,从零搭建仿真电路,直观地观察方波与其谐波成分之间的关系。

案例文章,高速信号 813

Python-math模块的知识点

Python-math模块的知识点总结

weixin_66376245的博客 2339

YOLOv11的嗅觉传感器数据关联-(特殊场景下的气味-视觉联合分析)

摘要 本文探讨了YOLOv11与嗅觉传感器融合的多模态感知技术。通过分析YOLOv11的架构特性与嗅觉传感器的数据特点,提出了三种融合策略:数据级、特征级和决策级融合。系统采用硬件同步方案实现时空对齐,包含视觉采集模块、嗅觉传感模块和边缘计算单元。环境配置基于Python 3.9和PyTorch 2.0,支持实时多模态数据处理。该技术可应用于环境监测、工业检测等场景,突破单一视觉感知的局限性。

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 625

诺,你们要的Python进阶来咯!【函数、类进阶必备】

目录 一、Python进阶初体验——内置函数 1、数据类型相关 2、数值计算相关 3、bool 值判断相关 4、IO 相关 5、元数据相关 6、help()函数 7、sorted()函数 8、range()函数 二、给代码安个家——函数进阶 1、位置参数 2、参数默认值 3、关键字参数 4、任意参数列表 5、多返回值 三、让你函数更好用——类进阶 1、类属性和类方法 (1)类属性的定义 (2)类方法的定义 2、静态方法 3、私有属性、方法 4、特殊方法 5、类的

累计发表博客60余万字,优快云 博客专家、Java 领域优质创作者、华为云享专家、阿里云专家博主。专注分享 Java 优质文章,毕设实战项目开发,全网粉丝10W+ 1万+

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")

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

Python进阶:函数与模块

函数是一段可重复使用的代码块,它接受输入参数并返回一个结果。函数可以用于执行特定的任务、计算结果、修改数据等,使得代码更具模块化和可重用性。模块是一组相关函数、类和变量的集合,它们被封装在一个单独的文件中。模块提供了一种组织和管理代码的方式,使得代码更易于理解、维护和扩展。通过引入模块,我们可以直接使用其中定义的函数、类和变量,而无需重复编写代码。函数和模块是Python中重要的概念,它们提供了一种有效的方式来组织和管理代码。

RenShan_Hai的博客 1089

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

python函数与模块

创建mymodule.py文件,内容如下:在模块 mymodule 中,定义了 2 个函数,一个加法函数和一个乘法函数。它们处理的问题是同类的,作为一个模块定义。

2301_76584825的博客 1657

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 函数与模块

模块是一个包含 Python 代码的.py文件,用于组织可复用的代码逻辑,实现代码重用,并且模块中函数名称必须唯一。核心作用将代码按功能拆分,提高可维护性。避免命名冲突,通过命名空间隔离代码。常见类型自定义模块:用户编写的.py文件(如utils.py内置模块:Python 标准库自带的模块(如ossys第三方模块:通过pip安装的库(如requestsnumpy。

2301_80839375的博客 1567

Python函数与模块

本质:模块是一个包含 Python 代码的.py文件,其中可以定义函数、类、变量等,用于实现特定功能。作用将代码按功能拆分,提高代码的可维护性和复用性。避免命名冲突(不同模块的同名函数 / 变量相互隔离)。

2501_91114776的博客 1265

Python学习笔记二(函数与模块)

学艺不精,如有纰漏,敬请指正。

qq_45951644的博客 1138

Python函数与模块使用方法

函数是一段完成特定任务的可重复使用的代码块。在 Python 中,我们使用关键字def来定义函数。"""这是一个简单的问候函数"""")以上是一个简单的函数greet,它接受一个参数name,并输出问候语。要调用函数,只需使用函数名加上括号,并传入参数(如果有的话)。除了使用 Python 标准库提供的模块外,我们还可以创建自定义模块。假设我们有一个名为helper.py的文件,其中定义了一个简单的函数。"""将给定数字乘以2"""

一键难忘的博客 2956
上一篇: python学习笔记:函数与变量作用域
下一篇: python学习笔记:sys、random模块、模块相关知识、包
WilliamCode
博客等级 码龄11年 118粉丝 105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