Python 基础语法

从零开始:使用CMake构建GreenHills RH850项目的完整工作流(2018.1.5版) 本文详细介绍了如何从零开始使用CMake构建GreenHills RH850嵌入式项目的完整工作流。通过编写工具链文件、定义CMakeLists.txt,实现自动化、可维护的跨平台构建,有效解决了传统IDE在多模块、持续集成场景下的局限性,显著提升团队协作效率和项目可维护性。 阅读详情

一、注释

Python 中单行注释 以 # 开头 例如:

# 这是一个注释
print('hello fancy') #这是输出结果

Python 中多行注释
第一种方式:#
第二种方式:’ ’ ’ 和 " " "
例如:

# 方式一
	# 注释一
	# 注释二
# 方式二
	'''
	注释三
	注释四
	'''
    """
    注释五
    注释六
    """

二、行与缩进

python 的特色的就是使用缩进来表示代码块,不需要使用大括号 {}
缩进的空格数是可变的,但是相同的代码块必须是一样的缩进单位。例如:

if True:
	print('hello fancy')
else:
	print('hello world')

需要注意的是 缩进一定要 保持一致,不然会报错

三、多行语句

如果语句太长,可以用反斜杠 \ 换行,例如:

world = north + \
		south + \
		east + \
		west 

在 [],{},()的多行语句中,不需要反斜杠,例如:

world = ['north','south',
		'east','west']

四、数字类型

python 数字类型有以下四种:整数、布尔型、浮点数和复数

int (整数) -->只有一种整数类型 int
bool (布尔) -->True
float (浮点数) -->1.23,1E-2
complex (复数) -->1+3j

五、字符串

  • Python 中 单引号 ’ ’ 和 双引号 " "使用完全相同
  • 反斜杠可以用来转义,使用 r 可以让反斜杠不发生转义。如 r"hello fancy\n"则 \n 会显示出来,不会换行
  • 级联字符串 “hello” “fancy” “it’s me"会转换为"hello fancy it’s me”
  • 字符串可以用 + 连接在一起,用 * 表示重复
  • Python字符串的两种索引方式,从左往右以 0 开始,从右往左以 -1 开始
  • Python没有单独的字符类型,一个字符就是长度为 1 的字符串
  • 字符串的截取语法:变量[头下标:尾下标:步长]
str = "0123456789"

print(str)                  # 输出整个字符串
print(str[0:-1])            # 输出第一个到倒数第二个的所有字符
print(str[0])               # 输出字符串第一个字符
print(str[3:5])             # 输出第四个开始到第五个字符
print(str[2:])              # 输出从第三个开始的所有字符
print(str[1:5:2])           # 输出从第二个开始到第五个且每隔一个的字符 (步长为2)
print(str * 2)              # 输出字符串两次
print(str + " it's me")     # 连接字符串

运行结果如下:
在这里插入图片描述

print('hello\nfancy')      # 使用反斜杠(\)+n 转移特殊字符
print(r'hello\nfancy')     # 在字符串前面添加一个 r ,表示原始字符串,不会发生转义

运行结果如下:
在这里插入图片描述
这里的 r 是指 raw --> raw string

六、Print输出

print默认输出是换行的,如果实现不换行,则在变量末尾加上 end=" "

# 换行输出
print("hello")
print("fancy")
# 不换行输出
print("hello",end=" ")
print("fancy",end=" ")

运行结果如下:
在这里插入图片描述

七、import 与 from … import

将整个模块导入,格式为: import time
从某个模块中导入某个函数,格式为:from time import sleep
从某个模块中导入多个函数,格式为:from time import sleep,sleepfunc
将某个模块中的全部函数导入,格式为:from time import *

import sys
for index,arg in enumerate(sys.argv):
    print("第%d个参数是: %s" % (index, arg))

这里 sys.argv 我们放在下一篇文章去讲解,
运行结果如下:
在这里插入图片描述
这里我们只看引用的模块和运行结果。

射频电路设计——射频器件基础 本文仅供自己复习使用,请勿转载! 射频电路制作方法 MCM工艺 CMOS工艺 趋肤效应、深度 频率越高趋肤效应越明显 高频器件 高频电阻 绕线的比贴片的多一个电感,是因为绕线的因为是线绕制的,只有有线就会有电感,所以绕线电阻等效模型会比贴片的多一个电感 多晶硅电阻模型 深线性区MOS电阻 高频电阻的频率响应 记忆的话就后面的频率特性有点像电容的 高频电容 作用 单层贴片式电容 多层贴片式电容 MIM电容 MOM电容 由于是并联的,所以总的电容值是单个的直接相加 PN结电容 M. 阅读详情

相关推荐

python提取图片中的文字写入excel文件,并打包为exe可执行文件

python提取图片中的文字写入excel文件,并打包为exe可执行文件

liqiang12689的博客 989

Python基础教程

Python基础&菜鸟教程

weixin_48353010的博客 866

保姆级教程:用SSH手动重建黑群晖RAID1阵列,修复‘存储空间损毁’

本文提供了一份详细的SSH手动重建黑群晖RAID1阵列的教程,帮助用户修复‘存储空间损毁’问题。通过深入解析mdadm软RAID的底层逻辑,从诊断到重建的全过程,确保用户能够掌握黑群晖存储池的修复技术。适用于技术爱好者和系统管理员。

weixin_30319153的博客 292

【自学Python】Python拼接字符串

Python 拼接字符串有两种方法:一种是直接把两个字符串写在一起,即可实现拼接,另一种是使用来实现字符串的拼接。使用号。

haicoder_ibai的博客 2576

Windows下Nginx发布DEM地形瓦片数据全流程(含Cesium调用避坑指南)

本文详细介绍了在Windows环境下使用Nginx发布DEM地形瓦片数据的完整流程,并提供了Cesium前端调用的详细配置与避坑指南。重点讲解了Nginx的核心配置、跨域问题解决以及CesiumTerrainProvider的关键参数设置,帮助开发者快速搭建本地地形服务,实现高效的三维地形可视化。

weixin_29212867的博客 433

全国30米分辨率逐年植被覆盖度(FVC)数据集

植被覆盖度是描述地表植被的重要参数与生态环境的基本指标,在大气圈、土壤圈、水圈和生物圈中都占据着重要的地位,区域及全球范围的植被覆盖度估算对植被及相关领域的研究具有重要意义。分别对LANDSAT 5/7/8系列数据计算FVC,其中Landsat5 和Landsat 7NDVI计算利用 B4和B3波段,Landsat8 和Landsat9 NDVI计算利用 B5和B4波段。算法从当年所有观测数据中,以低云、低探测角度和最高NDVI值为标准,选择最佳的可用像元值,并进行换算。(3) FVC的计算。

地球资源数据云的官方博客 1808

C:T1输入字符串,输出两次

输入(接收)数据我们可以使用gets( )函数,输出字符串我们则使用puts( )函数,gets( )函数可以接收字符串类型的的数据,puts( )函数可以输出字符串类型的函数,同时puts( )函数自带了换行,所以我们不需要再输出换行了。读取输入的一行字符串(字符串中含有空格,长度不超过50)将输入的内容输出两次。例如输入 How are you。

莫离m0_62116893的博客 493

遥感常用相关指数和计算方法(植被指数/水体指数/雪和冰指数/矿物指数/地表温度指数/云和阴影指数/农业指数)

遥感常用相关指数和计算方法(植被指数/水体指数/雪和冰指数/矿物指数/地表温度指数/云和阴影指数/农业指数)

m0_64361769的博客 1万+

Python print输出不换行没空格

今天遇到一print 'hello world', Python3则需要加括号 print("hello world")题,在做编程题的时候发现Python的print输出默认换行输出,并且输出后有空格。题目要求输出 122 而我的输出是: 1 2 2 于是我百度查到取消print自动换行的方法:就是在print的值后边加逗号,例如print x, 果然,不换行了,但是输出结果仍然不

heliotrope5的博客 2万+

深入解析NPN与PNP传感器驱动电路的设计逻辑与实战应用

本文深入解析NPN与PNP传感器驱动电路的设计逻辑与实战应用,详细对比两者的电流路径差异和电平变化特性。通过实际案例分享电路设计要点,包括上拉电阻选择、保护二极管配置等,并提供工业应用中的选型策略和常见故障排查指南,帮助工程师优化传感器系统集成。

weixin_42561476的博客 468

SuperMap iDesktop 9D三维倾斜摄影数据处理

OSGB格式的三维倾斜摄影数据进入时空大数据平台之前需要进行数据优化和格式转换

weixin_43204897的博客 1128

python常用字符串拼接方法

在Python中,字符串是一种基本数据类型,用于表示一段文本。一种常见的字符串拼接方法是使用字符串格式化。使用格式化字符串语法,可以在字符串中包含占位符,并使用类似于。主要通过字符串中的花括号{},来识别替换字段,从而完成字符串的格式化。这些方法都可以用来拼接字符串,您可以根据自己的需要选择使用哪种方法。b、d、o、x 分别是二进制、十进制、八进制、十六进制。号后面带填充的字符,只能是一个字符,不指定则默认是用。来拼接字符串,这样可以比较快的拼接字符串。分别是居中、左对齐、右对齐,后面带宽度,

专注于Python编程技术的分享与交流,致力于帮助开发者提升编程技能,解决实际问题,探索Python的无限可能。 3463

Open3D 计算FPFH特征【2025最新版】

FPFH特征描述子的python实现,本文最新更新时间为:2025年3月18日。

点云侠的博客 5273

python基础语法与基础爬虫整理——python基础语法Ⅰ

python基础语法与基础爬虫整理 刚刚学了点基础语法和爬虫入门,打算整理一下,比较简单,我也会通俗易懂的语言来说明(主要是我讲不出什么高大上的话!!本身语文也很差(ಥ﹏ಥ)) 基础语法,总共有13块知识点。最主要是为后边的基础爬虫作个准备工作,每一个知识点中间可能会掺杂点其他的语法,希望对你有帮助(#.#) 基础爬虫当然就是最基础的爬虫。大概就是些BeautifulSoup、json、selen...

早睡早起 3183

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")

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

Python基础语法

首先我们要安装 Python ,在网页上搜索 Python 即可找到。找到download 下载按钮,里面有许多的Python版本。我们挑选较为稳定的Python版本进行下载。这里推荐下载 3.10.5 版本的。之后,我们还需要安装一个Python解释器 pycharm ,从官网中下载即可下载完成后,进行安装,随后打开pycharm进行Python解释器配置之后,就可以开始进行Python代码书写了。

2401_86449430的博客 1万+

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

【Python基础】基础语法

本文分享一些Python编程中的基础语法知识。什么是Python?Python是由荷兰人吉多·范罗苏姆于1990年初设计的一门高级编程语言,该语言应用领域非常广泛,尤其在数据科学、人工智能、游戏开发等领域,它已经成为最受欢迎的程序设计语言之一,非常适合新手学习。Python语言标准库官方使用手册:https://docs.python.org/zh-cn/3/library/turtle.html#turtle-methodsPython语言有哪些特点?

分享是一种境界,勤于分享,乐于分享! 994

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Python 基础语法汇总

【代码】Python 基础语法汇总。

oscar999的专栏 6561

python基础语法整理汇总,python基础语法菜鸟教程

程序是指挥cpu工作的“工作手册”。计算机只能执行二进制代码,程序设计语言一般类似英文,想要让计算机理解你写的程序,必须把程序代码“翻译”成计算机能理解的二进制代码,根据形式的不同,可以分为编译型语言和解释性语言将程序代码翻译成计算机能理解的二进制目标代码,会生成特定的可执行代码(在window上是exe文件),可执行代码是二进制的,无法看到源代码python作品展示。然后执行可执行代码就可以得到想要的结果,例如:c、c++、oc等。

yyyqqq_的博客 1251

python基础语法

python基础语法

qq_48691693的博客 3918

【Python】Python基础语法

Python基础语法结构

weixin_43510208的博客 1127

python基础语法手册-python语法手册

广告关闭2017年12月,云+社区对外发布,从最开始的技术博客到现在拥有多个社区产品。未来,我们一起乘风破浪,创造无限可能。常用的也不超过十个,这种相对于更为复杂的html标记语言来说,markdown可谓是十分轻量的,学习成本也不需要太多,且一旦熟悉这种语法规则,会有一劳永逸的效果! 二、markdown可以做些什么1.制作一份待办事宜了解markdown学习markdown语法并实践找一个合适...

q6q6q的专栏 2014
上一篇: Android 广播实例汇总-普通广播 有序广播及静态注册、动态注册详解附源码讲解
下一篇: Python 中 sys.argv 用法详解
ys.journey
博客等级 码龄7年 113粉丝 53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