Python工程师Java之路(d)异常

当Python遇见Android:UiAutomator2如何重构移动测试工程师的技术栈 本文探讨了UiAutomator2如何通过Python重构移动测试工程师的技术栈,提升测试脚本开发效率和可维护性。文章详细介绍了从Java到Python的技术迁移、UiAutomator2的五大革新特性,以及金融、电商行业的实战案例,展示了其在自动化测试框架中的核心优势和应用价值。 阅读详情

异常(exception)

程序在执行过程中,出现的非正常的情况,如果不处理将导致JVM的非正常停止

注意
异常≠语法错误,例如:int a = "a";
异常≠逻辑代码错误,例如:求a与b求和写成了a-b

体系

根类:java.lang.Throwable
根类下两个子类:java.lang.Error与java.lang.Exception

平常所说的异常指java.lang.Exception

  • Error

    • 严重错误
    • 无法通过处理的错误
    • 只能事先避免(好比绝症)
    • 例如:StackOverflowError和OutOfMemoryError
  • Exception

    • 异常
    • 其它因编程错误或偶然的外在因素导致的一般性问题
    • 程序员可以通过代码的方式纠正(好比感冒)
    • 例如:空指针访问、试图读取不存在的文件、网络连接中断、数组角标越界

种类

编译时期异常:在编译时期检查异常,若没有处理异常就会编译失败(如:文件找不到异常)
运行时期异常:在运行时期检查异常,运行异常不会被编译器检测到

代码

Java异常处理的五个keyword:try、catch、finally、throw、throws

捕获异常

Java

class Division {
    static int method(int a, int b) {
        try {
            return a / b;
        } catch (ArithmeticException ae) {
            System.out.println(ae);
            return -0;
        } catch (Exception e) {
            System.out.println(e);
            return -0;
        } finally {
            System.out.println("finally");
        }
    }
}

public class Hello {
    public static void main(String[] args) {
        System.out.println(Division.method(9, 0));
    }
}

打印结果

java.lang.ArithmeticException: / by zero
finally
0

public class Hello {
    static int division(int a, int b) {
        try {
            return a / b;
        } catch (ArithmeticException ae) {
            ae.printStackTrace();  // 异常追迹
            return 0;
        } finally {
            System.out.println("finally");
        }
    }

    public static void main(String[] args) {
        System.out.println(division(9, 0));
    }
}

printStackTrace异常追迹

Python(扩展)

def method(a, b):
    try:
        return a / b
    except ZeroDivisionError as e:
        print('except')
        return e
    finally:
        print('finally')

print(method(2, 0))
"""
打印结果
    except
    finally
    division by zero
"""

Scala(扩展)

object Hello {
  def main(args: Array[String]): Unit = {
    print(A.division(9, 0))
  }
}

object A {
  def division(a: Int, b: Int): Int = {
    try {
      a / b
    } catch {
      case ae: ArithmeticException =>
        println(ae)
        -0
      case e: Exception =>
        println(e)
        -0
      case _ =>
        println("_")
        -0
    } finally {
      println("finally")
    }
  }
}
/*
打印结果
    java.lang.ArithmeticException: / by zero
    finally
    0
*/

抛出异常

Java

class Division {
    static int method(int a, int b) {
        if (b == 0) {
            throw (new ArithmeticException("除数不能为零"));
        }
        return a / b;
    }
}

public class Hello {
    public static void main(String[] args) {
        System.out.println(Division.method(9, 0));
        // Exception in thread "main" java.lang.ArithmeticException: 除数不能为零
    }
}

Python(扩展)

def division(a: int, b: int):
    if b == 0:
        raise ZeroDivisionError('除数不能为零')
    return a / b

if __name__ == '__main__':
    print(division(9, 0))

或

def division(a: int, b: int):
    assert b != 0, '除数不能为零'
    return a / b

if __name__ == '__main__':
    print(division(9, 0))
机器学习工程师的数据病理分析手册:从分布异常到线上归因 在机器学习工程实践中,统计学不是理论推导工具,而是诊断数据健康、定位模型异常、支撑业务决策的核心能力。理解数据分布特性(如偏态、零膨胀、时间依赖)是识别数据漂移与概念漂移的前提;掌握非参数检验(KS、Mann-Whitney)、Bootstrap重采样和PSI等工业级统计量,能绕过正态性假设快速判断指标变化是否真实;其技术价值在于将抽象统计结果(如p值、置信区间)映射为可执行动作——触发告警、暂停特征、终止AB实验或启动人工复核。典型应用场景覆盖线上模型监控、AB测试决策、特征稳定性治理及冷启动预估。本文聚 阅读详情

相关推荐

Debug Assertion Failed!问题怎么解决?

Debug Assertion Failed!

idea 插件报错启动不了_IDEA插件运行报错:Write access is allowed inside write-action only · 玹霖志...

1. @Domain行标记修改Halo框架所创建的应用需要管中台可视化纳管,因此当应用启动的时候会判断当前应用是否属于某个域,不属于某个域将停止启动,HaloTools提供一个快速修改编辑的功能。如下图所示:如上图所示,可以成功进行行标记代码修改,但是会出现报错信息,下面将对报错信息进行分析Fix。2.报错分析java.lang.Throwable: Assertion failed: Write...

weixin_39850143的博客 5087

解析Java中所有错误和异常的父类java.lang.Throwable

主要介绍了Java中所有错误和异常的父类java.lang.Throwable,文章中简单地分析了其源码,说明在代码注释中,需要的朋友可以参考下

eclipse启动遇到java.lang.AssertionError: assertion failed的问题

碰到这种小小的令人恶心的小问题就得治! 好了废话少说!话说: eclipse启动时碰到下边的问题: This is a continuation of log file D:\Java\eclipse\workspace\.metadata\.bak_0.log Created Time: 2018-08-25 08:52:19.585 !ENTRY org.eclipse.e4.ui.w......

qq_42422526的博客 1万+

对单周期 RISC-V 处理器进行扩展

对单周期 RISC-V 处理器进行扩展

xiaoxian666的博客 1483

MATLAB编程实战:通过SCPI命令高效读取普源示波器数据

本文详细介绍了如何利用MATLAB通过SCPI命令高效读取普源示波器数据,实现自动化测试与数据分析。文章从硬件连接到软件配置,再到核心代码编写与数据解析,提供了完整的实战指南,帮助工程师和科研人员摆脱手动操作,直接从示波器内存中精准读取数据,并利用MATLAB进行FFT频谱分析,大幅提升工作效率。

weixin_29176179的博客 547

JAVA异常处理

概述 异常是指程序在执行过程中,出现的非正常情况。比如:空的引用、数组下标越界、内存溢出错误、读取文件不存在、网络断开等。 基本介绍 在Java这样一个面向对象的语言中,异常被当成了一个对象来处理。其根类是java.lang.Throwable类,Throwable类有分成了两个类,即Error和Exception。这是异常的两个大类,他们分别代表了两种情况: Error:不能处理的错误,这是系统内部的错误,运行时报错,属于系统问题。一般发生这种异常,JVM会选择终止程序,开发人员需要提前避免。

m0_63278874的博客 784

TOPSIS+熵权法组合拳:5分钟学会供应商选择决策模型

本文详细介绍了如何运用TOPSIS和熵权法这对黄金组合,快速构建科学、客观的供应商评估决策模型。通过数据标准化、权重计算和综合排序,帮助企业在半小时内完成高效、准确的供应商选择,解决传统主观打分法的弊端,提升供应链管理效率。

weixin_29051149的博客 278

异常(Java.lang.Throwable)

定义一个异常类继承RuntimeException.重写构造器。通过throw new异常类(xxx)来创建异常对象并抛出。

2301_81718046的博客 487

Pintos project 1 实验报告(代码分享)

任务一 Alarm Clock 用到的相干目录有: pintos/src/devices time.h && time.c pintos/src/threads thread.h && thread.c 预期pass希望:暂无,安装pintos之后,第一次对threads进行make check操作,可以发现以alarm--开头的前六个文件,以及mlfqs-fair-2和mlfqs-fair-20文件,一开始就测试成功pass。但是为了避免对后期的修改有影响,这里还是要

m0_53112875的博客 6872

【YOLO多模态检测顶刊】TGRS 2025范文解读,RGFNet 可见光-红外图像融合目标检测,2026年基于YOLO多模态融合属于发文热点,小论文和大论文通用,通读顶刊了解做实验和论文写作的全流程

🔥本文提出了一种反射率引导的渐进特征对齐网络(RGFNet)用于全天候无人机目标检测。该方法利用Retinex理论从可见光图像中提取光照不变的反射率特征,设计了反射率引导协同对齐模块(RCAM)实现跨模态双向特征对齐,并通过光照感知选择性融合模块(LSFM)在共享状态空间中进行高效特征交互。在DroneVehicle和DVTOD数据集上的实验表明,RGFNet分别达到81.4%和88.5%的mAP,显著优于现有方法。该方法有效解决了低光照条件下可见光-红外图像特征错位问题,为全天候无人机检测提供了新思路。

Ai缝合怪、助力小伙伴高效发论文 1080

阿里巴巴python工程师_年薪20万阿里巴巴Python工程师面试题曝光

原标题:年薪20万阿里巴巴Python工程师面试题曝光作为Python工程师,进入大公司是开启职业新起点的关键,今天马哥教育Python智囊团的小伙伴特别分享了其在阿里巴巴面试Python工程师的题目和经历,希望对广大Python工程师的求职者有一个帮助。首先我们来看下阿里巴巴对Python工程师招聘岗位要求:【岗位定义】Python工程师【岗位薪资】15K-30K【基本要求】北京-朝阳区/学历不...

weixin_39671631的博客 202

新能源汽车电机交流电流测量系统精度全链路分析

通过全链路误差建模与瓶颈分析,结合硬件选型优化与软件算法补偿,可将系统精度从4.2%提升至≤1% FS。本文所述方法论已应用于某800V电驱平台开发,实测电流控制精度达±0.8%,为高性能电机控制奠定基础。为例,深入剖析从互感器采集到CAN报文解析的全链路信号处理流程,揭示各环节误差来源及对最终精度的影响,为研发测试提供理论支撑。:±0.1%(电阻温漂与运放开环增益限制):运放增益带宽积(GBW)不足导致高频衰减。:±0.02%/℃(铁氧体材料温敏特性):±0.5%读数(磁芯饱和效应)

优快云-新能源汽车研发测试专业博主 1497

我想要勋章之Python工程师初级

让学习更有价值, 对站内学习社区例题精讲, 帮助各位深入理解技能树所涉及的知识. 精讲站内Python工程师初级习题, 帮助大家深入理解知识, 成功拿到用户勋章. - Python工程师·初级Lv1 - Python工程师·初级Lv2 - Python工程师·初级Lv3

unrecv的博客 856

Android 10.0 kenel中修改rom系统内部存储的大小

在10.0的系统rom产品开发定制中,在对一些产品开发中的配置需求方面,由于在产品后续订单中,有些产品是出口的,但是硬件方面已经定板,时间比较仓促,所以 就需要软件方面在rom内部存储的大小方面作假,修改rom真实的大小容量,所以就需要在kenel驱动部分来修改这部分的值最好了,接下来分析下计算rom容量的 相关代码,然后做出修改

安卓兼职framework和app工程师的博客 1406

深度解析:Android开发工程师(嵌入式系统方向)职位 - 技术需求、面试准备与发展路径

本文深入分析了嵌入式Android开发工程师的岗位要求和技术内涵。该职位需要掌握C/C++、Linux系统编程、硬件接口等核心技术,能够进行Android系统底层定制开发,包括HAL层实现、Framework修改、性能优化等工作。文章详细解读了岗位职责,梳理了必备技术栈,提供了针对性的面试问题与参考答案,并探讨了职业发展路径。这类岗位要求开发者兼具软件工程能力和硬件基础知识,适合在智能电视、机顶盒、车载系统等嵌入式领域发展的技术人员。

郑伟强dev的专栏 136

Python工程师Java之路(a)入门语法速查

面向对象 成员变量 方法(method) 构造方法(constructor) 方法重载(overload) 多态 基础语法 代码注释(annotation) 关键字(keyword) 命名规范 条件(if、switch) 循环(while、for) 异常 数据相关 基本数据类型 基本数据类型转换 运算符(Operator)优先级 + + 和 - - 数组 泛型 ArrayList(类似Python的list) HashSet(类似Python的Set) HashMap(类似Python的dict)

ArYe 514

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

Python学习教程:从JavaScript到Python之异常

不少前端工程师看到这个标题可能会产生质问:我js用得好好的,能后端能APP,为什么还要学习Python?至少有下面两个理由:学习曲线。ES6之后的JavaScript(TypeScript)的在语法上和Python有很多异曲同工的地方,所以学习曲线非常平滑,上手难度很低。应用场景。JavaScript虽然是web开发的王者,但是其在某些方面还是存在一些问题的。比如Node.js虽然可以写后端,但大...

weixin_30839881的博客 116

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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里的class solution是什么意思_今日福利 | 你离Python工程师只差这一步

当你把技术学习到手了,你觉得自己就是工程师了吗?就可以成功上班了吗?nonono你需要经过一系列的删选,也要经过被删选,所以你要准备的很充足。心态是很重要的,保持自信心是你成功的第一步,接着你要了解你面试的工作岗位是怎么样的需求,你要随时准备着。当然不乏技术很好,面试就是说不出来,每次面试完都有遗憾,我应该这样说的,哎!这就需要你提前做准备,贴心的小编给大家准备了Python面试题,一定要好好掌握...

weixin_39692245的博客 4374

经典Python工程师面试题之Python基础知识

python编程语言火了一把,而且是大火特火,python工程师薪资也是一路走高,因此,想学python拿高工资的人越来越多,对于学成python语言的人来讲,面试才最重要的环节,过了面试关才能走上天梯,python工程师面试题我们从基础知识说起,从基础入门到精通python,环环相扣,助你一臂之力。 Python工程师面试题之Python基础知识 1. 为什么学习Python? 2. 通过什么途径学习的Python? 3. Python和Java、PHP、C、C#、C++等其他语言的对比? 4.

m0_60720143的博客 249

python和java学哪个好

首先对人工智能、深度学习这些有浓厚的兴趣就去学Python,单纯为了就业的话不管是web还是软件开发,或者是移动开发都建议Java。但是如果你学会Python了,你去做个互联网公司的运营什么的,也是很吃香的,因为你会各种数据的爬取和分析等。 一、Python和Java的对比 Python可就业岗位:web开发、应用开发、大数据、数据挖掘、科学计算、机器学习、人工智能、运维、自然语言处理...... Java可就业岗位:安卓应用开发、视频游戏开发、桌面GUI、软件开发.... 不要以为Python的岗

t123556的博客 638

Java工程师转型AI大模型开发的实战指南

人工智能技术正在重塑软件开发领域,其中大模型开发成为近年来的技术热点。从传统编程语言转型AI开发,关键在于理解机器学习的基础原理和工程实践。以Python为核心的AI技术栈,结合PyTorch、TensorFlow等框架,正在企业级应用中快速普及。本文通过实际案例,展示如何将Java工程经验迁移到大模型开发领域,涵盖数学基础补强、Transformer架构实现、HuggingFace生态应用等关键技术节点,特别适合具备传统后端开发经验的技术人员参考。

weixin_33843409的博客 399

Python 基础语法 × Java 对比

本文对比了Python和Java在基础语法上的主要差异,重点分析了数据类型、变量声明、运算符、列表/元组操作和字符串处理等核心概念。Python作为动态类型语言,具有简洁的语法特性如切片操作、f-string格式化和灵活的列表操作;而Java作为静态类型语言,需要显式类型声明,集合操作相对繁琐。文档通过并排代码示例展示了两者在语法结构上的区别,如Python的三元表达式与Java的条件运算符对比,Python的列表切片与Java的subList方法对比等,帮助Java开发者快速迁移到Python编程思维。

weixin_44505962的博客 390

Javaer快速掌握Python笔记

本文总结了Python中常用的数据类型和操作方法:1) type()函数用于获取变量类型;2) input()获取用户输入(返回字符串);3) 身份运算符is/is not比较内存地址,成员运算符in/not in检查元素是否存在;4) f-string格式化输出;5) match-case模式匹配语句;6) 列表操作包括创建、索引切片、增删改查和遍历;7) 字符串支持拼接、重复和成员判断等操作。重点介绍了列表的切片技巧,包括正向/反向切片和切片赋值修改元素。

2301_80165178的博客 736
上一篇: Python工程师Java之路(e)多线程、单例设计模式、生产者消费者模式
下一篇: 原创整理!计算机常用【快捷键、缩写、英语单词】不定更
小基基o_O
博客等级 码龄9年 4414粉丝 467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

打赏作者

小基基o_O

您的鼓励是我创作的巨大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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