python记录:进制转换与字符编码

Python数据转换全解析:int、str、bytes与进制转换实战指南 在编程中,数据转换是连接抽象逻辑与物理存储的核心基础。其原理在于理解数据在计算机中的二进制本质与人类可读文本、数值表示之间的映射关系。这项技术的核心价值在于实现数据在不同层次间的无损、高效流转,是构建健壮软件系统的基石。无论是网络通信、文件处理、数据加密还是硬件交互,都离不开对整数、字符串和字节序列的精确转换。特别是在处理网络协议、文件格式或系统间数据交换时,编码(如UTF-8)和进制(如十六进制)转换是关键环节。本文聚焦Python中int、str、bytes三大类型的互转,深入剖析编码解码、字节序处理等 阅读详情

一、进制转换

  1. 二进制:以0b作为前缀,0b1010。
  2. 八进制:以0o作为前缀,0o173。
  3. 十六进制:以0x作为前缀,0x1f。
    用print函数直接输出这些带前缀的数据,都是将它们转换为十进制数
"""
二进制:以0b作为前缀,0b1010。
八进制:以0o作为前缀,0o173。
十六进制:以0x作为前缀,0x1f。
用print函数直接输出这些带前缀的数据,都是将它们转换为十进制数。
"""
print(0b1010)
print(0o173)
print(0x1f)

10
123
31

Python内置函数

  • bin()、oct()、hex()

分别用来将十进制数字转换成二进制、八进制、十六进制。

"""
Python内置函数bin()、oct()、hex()分别用来将十进制数字转换成二进制、八进制、十六进制。
"""
print(bin(123))
print(oct(123))
print(hex(123))

0b1111011
0o173
0x7b
  • int()函数

可将其它进制的数据转换成十进制
语法格式:int(‘被转换的数据’,进制)被转换的数据必须要以字符串的形式输入。

"""
int()函数可将其它进制的数据转换成十进制
语法格式:int(‘被转换的数据’,进制)被转换的数据必须要以字符串的形式输入。
"""
print(int('1100',2))
print(int('17',8))
print(int('2f',16))

12
15
47

解题:

今天小明学会了进制转换,比如(10101)2 ,那么它的十进制表示的式子就是 :124+0*23+122+0*21+1*2^0,那么请你编程实现,将一个M进制的数N转换成十进制表示的式子。
注意:当系数为0时,该单项式要省略。
输入输出格式
输入格式:两个数,M和N,中间用空格隔开。
输出格式:共一行,一个十进制表示的式子。
说明
1<M<10,N的位数不超过1000。

"""
今天小明学会了进制转换,比如(10101)2 ,那么它的十进制表示的式子就是 :
1*2^4+0*2^3+1*2^2+0*2^1+1*2^0,那么请你编程实现,将一个M进制的数N转换成十进制表示的式子。
注意:当系数为0时,该单项式要省略。
输入输出格式
输入格式:两个数,M和N,中间用空格隔开。
输出格式:共一行,一个十进制表示的式子。
说明
1<M<10,N的位数不超过1000。
"""
#方法一
M,N=input().split()
s=len(N)
sum="%s*%s^%d"%(N[0],M,s-1)
for i in range(1,s):
    if N[i]!="0":
        sum=sum+"+%s*%s^%d"%(N[i],M,s-i-1)
print(sum)

#方法二
M,N=input().split()
s=len(N)
sum=f"{N[0]}*{M}^{s-1}"
for i in range(1,s):
    if N[i]!="0":
        sum=sum+f"+{N[0]}*{M}^{s-1}"
print(sum)

#方法三
M,N=input().split()
s=len(N)
sum="{0}*{1}^{2}".format(N[0],M,s-1)
for i in range(1,s):
    if N[i]!="0":
        sum=sum+"+{0}*{1}^{2}".format(N[0],M,s-1)
print(sum)

#方法四
m,n=input().split()
s=len(n)
flag=[]
for i in range(s):
    if n[i]!='0':
        flag.append(f'{n[i]}*{m}^{(s-1-i)}')
print('+'.join(flag))

2 10101001
1*2^7+1*2^7+1*2^7+1*2^7

二、字符编码

ASCII码,美国标准信息交换码。

  1. 对英文字母以及一些常用的符号进行编码,一共表示了128个字符。
  2. 每个字符在计算机内部都对应了一个8位的二进制数,大小为1个字节。
  3. 在Linux中执行man ascii命令可以查看ASCII表。
  4. ASCII表一共只有128个字符,对应的十进制数范围是0~127。
  5. ASCII码实际上只有7位二进制数。
    在这里插入图片描述

ASCII码表中的128个字符分成了两部分:

  1. 第一部分,0~32,规定了一些特殊的用途, 当终端设备或者打印机遇上这些字符时, 就要做一些约定的动作,比如空格、换行、响铃等,所以这些字符被称为非打印字符。
  2. 第二部分,33~127,可打印字符,也就是可以显示输出的字符,包括了所有的大小写英文字母、数字、标点符号等。
  • ord()函数
    可以返回某个字符所对应的ASCII码(用十进制表示)。
  • chr()
    函数可以返回某个十进制数所对应的ASCII码。
"""
利用ord()函数可以返回某个字符所对应的ASCII码(用十进制表示)。
利用chr()函数可以返回某个十进制数所对应的ASCII码。
"""
print(ord('a'))
print(ord('A'))
print(ord(' '))
print(chr(97))
print(chr(65))
print(chr(32))

97
65
32
a
A
101、LLC谐振变换器的传递函数推导 文章摘要 LLC谐振变换器的传递函数推导是电源设计的关键环节。作者通过一次炸管事故案例,揭示了忽视传递函数计算的严重后果。LLC传递函数复杂的根源在于其三个谐振元件(Lr、Cr、Lm)的变频工作特性,导致增益曲线非单调变化。文章详细介绍了采用扩展描述函数法的建模思路,指出Lm对增益曲线的重要影响,并给出了传递函数的数学表达式及频率响应特性。通过实际调试案例,作者对比了错误补偿器设计(Type II)与优化方案(Type III)的效果差异,强调了实测验证的重要性。最后总结了5条实用经验,包括留足裕度、关注启 阅读详情

相关推荐

java调用第三方api接口获取数据

弊端,但是并不是每个接口都适用于这套模板,之前写的接口不适用,都是在这个模板里做了定制处理(if 特殊表 -》处理),需要考虑兼容之前的代码,这种兼容代码,有风险会改掉之前的逻辑个人喜欢,有一个接口,写一段代码灵活自由些。2.还有一部分是对post请求的返回数据,做处理,因为json返回的格式如果双方没有约定好,里面数据是多层json嵌套,需要做处理。江同事交接的就是这个代码模板,可以看下源码调试一下,之前交接的视频,也可以看下,主要还是看代码理解快些,将 写好的代码达成jar包,上传到linux上去,

随风不随水的博客 2035

JAVA的0x1b分隔符_hive 特殊分隔符 0X1B

最近做测试遇到一个hive特殊分隔符的问题--oracle导出的数据文件分隔符符为0x1B导入的问题,0x1B是不可见字符,测试了很久才让hive识别到,原因是hive指定分隔符除了直接写明确的分隔符时,不能识别十六进制的0x1B要转换成八进制的表示,且必须在前面加0给的分隔符是十六进制 0x1B,对应十进制27,转换成八进制为33,故分隔符为033,注意,前面的0不能少,否则无法识别指定分隔符语...

weixin_42532938的博客 5889

AS5600磁编码器IIC通信与角度读取实战指南

本文提供了AS5600磁编码器通过IIC通信协议实现高精度角度读取的完整实战指南。详细解析了硬件连接要点、IIC通信时序、Arduino与STM32平台驱动代码,并分享了多圈测量、噪声滤波等进阶应用与避坑技巧,帮助开发者快速将这款非接触式角度传感器集成到电机控制、旋钮等项目中。

weixin_29172201的博客 242

C++中的字符转换

        关于C++中实现这符转换的函数占用这个位置好久了,一直没有时间来写,最近也没搞开发了,所以以前的一些拿出来总结下,免得自己忘记。         1、字符转换成十六进制码(这里的参数是一次转换两个字符)          #define MarcoHex(x,y) (x>9?x-7:x-0)9?y-7:y-0);调用这个宏,这里szStr = "FF

amloy520的专栏 851

Abel逆变换及其求解方法

Abel逆变换常应用在轴对称的、光学薄的火焰、羽流或等离子体重建。

weixin_49783507的博客 8364

Android真机调试——ADB调试(含华为手机无法找到设备)

本文以Huawei Nova7为例。

lianqi2003的博客 7854

深入理解char

个人反思 Java中有Character、String、StringBuilder等用于文本处理的类,但这些类的基础都是char 以前我对char的理解总是浮于表面,知道char能表示一个字符(字母或中文字符等),也知道有Unicode编码,也知道char能转成int类型,但对char没有一个更深入的了解。这篇文章算是自己对char的一个深入总结,将以上知识点串联起来。 字符的编码 编码有两大类:Unicode编码和非Unicode编码 (了解即可) 非Unicode编码: ASCII码:自然是熟悉不过的

qq_46599129的博客 811

基于carsim与Simulink联合仿真的车辆换道轨迹规划与轨迹跟踪模型

PID_反步控制_滑膜控制三种四旋翼无人机轨迹跟踪控制算法仿真 附带对应的说明文档,提供建模过程与仿真结果文献(英文)➕PPT 描述:采用的同一种参考轨迹,都是三维仿真 三种控制方法: [1]PID控制、[2]反步控制、[3]滑膜控制(三个仿真模型) 每个仿真均应用了同一种轨迹路径,直接运行即可出三维图,可以实现四旋翼无人机轨迹的跟踪

2501_90804007的博客 1083

C语言将16进制字符数组转为字符串

数据为十六进制数(0xA1,0xB1,0xC1,0xD1),结果是:将此十六进制数据转换为字符串“A1B2C1D1”。方便用%s打印出来查看

阿乐的博客 8761

2025年“区块链技术”职业院校技能大赛赛后复盘与总结(必看)

记录一次2025年“区块链技术”职业院校技能大赛的参加经验总结与赛后复盘

我是网络安全兼技能大赛工程师,专注网络安全技术学习与技能大赛实战!持续分享最新的技术文章,帮你少走弯路,一起在技术赛道上进步~ 1990

OpenClaw入门必装Skills(附使用场景)

很多同学安装了OpenClaw后,但却不会使用,就相当于你只是拥有了一副强大的躯干,却没有给它装上能够灵活执行任务的“手脚”和负责思考决策的“大脑插件”——Skills。没有这些核心能力的支撑,OpenClaw只是一个“空壳”,无法真正应用到实际业务场景中,更谈不上提升效率或解决复杂问题。所以,安装只是第一步,要真正让OpenClaw“活”起来,为我们所用,就需要给OpenClaw安装各种Skills,这个过程就是养虾的过程。

十二测试录 3222

通信协议中的转义字符

http://blog.youkuaiyun.com/laoniu_c/article/details/38727339 通信协议中的转义符作用:在通信协议中用在协议中使得通信的内容更加安全可靠。 举例说明:假设现在需要定制一个通信协议,需要的最基本的就是一个帧头和帧尾的标志,因为通信的接收方才知道什么时候是通信的开始和结束。 那么假设帧头(通信的开始)为0x02(也可以是其他),帧尾为0x03(也可以...

weixin_33913377的博客 895

15、电科院FTU检测标准学习笔记-基本性能

作者简介:本人从事电力系统多年,岗位包含研发,测试,工程等,具有丰富的经验在配电自动化验收测试以及电科院测试中,本人全程参与,积累了不少现场的经验。

sixtome 1864

python中的进制转换以及浮点数二进制转换

为什么要注意这三点: 1、首先是项目中用到的进制转换,常用的int ord hex 以及编写的转换函数,作为记录 2、其次是python 3相对于旧版主要的区别就在这里,主要是bytes 和 string的区别 3、浮点数进制间的转换,主要是记住转换格式标准就行 (1)、进制间的转换   二进制,十六机制转十进制比较容易,直接int(‘7a’,16)就可以了,但是注意这里是单字节,也就是...

herr_kun的博客 2万+

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。

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,

Python系列 24 字符编码发展史

字符编码 计算机使用计算机语言(2进制)表示数据,人类使用自然语言表示数据。 人类若想和计算机进行无障碍沟通,必须要通过一本记载着计算机语言与自然语言关系的词典。 而通过这本词典与计算机进行沟通交互的过程即可被称为字符的编码、解码的过程: 编码是指将自然语言转换为计算机语言的过程。 解码是指将计算机语言转换为自然语言的过程。 ASCII 计算机由西方世界发明,所以第一个字符编码表仅记录了一些英文与符号,该表也被称为ASCII码表。 它仅支持一些英文字符与特殊符号,不支持其他国家的语言字符。 实

weixin_43422005的博客 328

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基础一:数据与符号

数据、数据项、数据元素、数据对象的解释与关系;数据与符号的关系;符号与二进制数值的转换;字符编码标准类型及比较;码点在python中的应用。

qq_43654247的博客 1022

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常用方法

进制转换hex(255) #整数转换为16进制数 int('13',base=6) #base=6标识前面的数是一个6进制数,所以结果是9 oct(9) #整数转换为8进制数 bin(9) #整数转换为2进制数 int(011) #八进制数转换为十进制数检测字符编码&gt;&gt;&gt; import chardet &gt;&gt;&gt; chardet.detect(code)遍历目录下文件名for root,dirs,fil

flyDeDog的博客 886

python常用函数积累

常用函数积累概述进制转换字符和数字互转字符类字符编码 / str <==> byte总结 概述   用python最大的感觉就是方便,因为python中有很多API提供了非常方便的操作,能够实现一些常见的进制转换,编码转换以及字符串的大部分操作,这里记录一下。 进制转换 In [4]: a = 10 In [5]: bin(a) # 转二进制 Out[5]: '0b1010' In [6]: oct(a) # 转八进制 Out[6]: '0o12' In [7]: hex(

lifanxin的博客 289

python记录:文本文件与二进制文件

文本文件中存放的数据在用户读取时可以按照编码类型还原成字符形式。二进制文件中存放的数据不能还原成字符形式。

语欣语涵 425

JavaScript中的字符编码与二进制数据处理详解

字符编码是计算机科学中的基础概念,它定义了字符与二进制数据之间的映射关系。从ASCII到Unicode,编码标准不断演进以满足多语言需求。JavaScript内部采用UTF-16编码,但通过TextEncoder/TextDecoder API支持多种编码转换。理解位(bit)、字节(byte)和字符(char)的关系对处理二进制数据至关重要,特别是在网络通信、文件操作等场景中。现代JavaScript提供了ArrayBuffer、TypedArray等工具高效处理二进制数据,同时Base64、URL编码等

weixin_33739523的博客 300

python 字符串转换long_python整数、字符串、字节串相互转换

python的数据转换很灵活,所以用日志记录下他们的用法。概览数字字符串字节码函数功能记忆口诀备注chr数字转成对应的ascii字符chr长得很像char,因此转成char范围为0~255ord单个字符转对应ascii序号digit为最后一个字母进制转换10进制转16进制:hex(16) ==> 0x1016进制转10进制:int(STRING,BASE)将字符串STRING转成十进制i...

weixin_39962356的博客 3727

Python第一阶段学习总结

【第9天】Python第一阶段学习总结 2021/09/26 一. 字符和字符串 1. 什么是字符串(str) 数据类型:字符串是容器数据类型;将’’、""、’’’’’’、""""""作为容器的标志,里面直接是多个符号,每一个符号就是字符串的一个元素,’元素1元素2元素3…‘ 特定:字符串不可变;字符串是有序的 元素:所有的符号都可以作为字符串的元素;字符串中的元素又叫字符。字符分为普通字符和转义字符两种。 # 1) 字符串的元素(字符)可以是任意符号 str1 = '实施额且无法shoahf

HenryWang0412的博客 192

进制转换全解析:从原理到实践,掌握计算机数据表示基础

进制是计算机科学和数字系统的基础概念,它定义了使用有限符号表示无限数量的规则系统。其核心原理在于基数与位权,基数决定了所用符号的数量,而位权则通过基数的幂次方赋予不同位置以不同权重。这一原理的技术价值在于为计算机的二进制运算、数据存储和编码提供了理论基础。在应用场景上,进制转换不仅是理解内存数据、调试程序的关键,也广泛应用于字符编码(如ASCII、Unicode)、颜色表示(如RGB十六进制)以及时间、角度等非十进制系统。本文聚焦于**除基取余**与**乘基取整**两大核心转换方法,并深入探讨了二进制、八进

weixin_34268843的博客 438

python学习笔记(一)——Python基础

一、python 基础语法 python 的解释器在启动时会自动加载一个内建的模块,因此我们在使用 print()、input()等函数时不用导入其他模块文件。 基本语法: 每条语句结尾没有分号 定义变量不需要前置声明变量的类型(动态语言) 定义常量不需要特殊关键字,如 PI=3.14,但是PI可改变如PI=5 注释,采用 # 进行单行注释,用""“xxx”""或’’‘xxx’’'多行注释 基...

专注于C/C++/Linux领域创作 307

python基础学习笔记

本文介绍了Python编程基础中的注释、变量、标识符命名规则和进制转换等内容。注释部分讲解了单行和多行注释的用法;变量部分说明了变量的创建、修改和常量表示;标识符命名规则详细介绍了合法命名规范和关键字列表;进制转换章节阐述了二进制、八进制、十六进制与十进制之间的相互转换方法,包括具体转换规则和Python内置函数的使用。这些基础知识为Python编程奠定了重要基础。

2602_95468809的博客 967

【Python 3.6 f-string 格式化终极指南】:掌握高效字符串处理的7大技巧

掌握Python 3.6 f-string的高效字符串处理技巧,本文提供清晰的f-string格式说明,涵盖日期、数字、表达式等常用场景,提升代码可读性与性能。7大实用方法助你写出更简洁的Python代码,值得收藏

Instrustar的博客 426
上一篇: 爬虫笔记--js逆向、头条分析
下一篇: python记录:文本文件与二进制文件
语欣语涵
博客等级 码龄16年 82粉丝 8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