python cookbook 第一章阅读笔记

Python进阶技巧
本文介绍了Python编程中的高级技巧,包括使用星号(*)操作符来分解序列、利用deque实现固定长度的队列、寻找序列中的最大或最小元素、利用defaultdict进行多重映射以及通过OrderedDict保持字典项的插入顺序等。

1.2 从人意长度的可迭代对象中分解元素:

def drop_first_last(grades):

    first,*middle,last = grades

    return avg(middle)

records = [('foo',1,2),
                ('boo', 'hello'),
                ('foo',3,4)]
def do_foo(x,y):
    print('foo',x,y)
def do_boo(s):
    print('boo',s)
for tag, *args in records:
    if tag == 'foo':
        do_foo(*args)
    elif tag == 'boo':
        do_boo(*args)

总结:*的语法在迭代一个边长的元组序列时尤为重要

line = 'nobody:*:-2:-2:Unprivileged User:/var/empty:/user/bin/false'
uname,*fields,homedir,sh = line.strip(':')
sh
'/usr/bin/false'

1.3 保存最后n个元素

from collections import deque
q = deque(maxlen=3)
q.append(1)
q.append(2)
q.append(3)
q.append(4)
q
deque([2,3,4],maxlen=3)

1.4 找到最大或者最小的n个元素

a = [1,2,3,4,5,6]
import heapq
print(heapq.nlargest(3,a)
print(heapq.nsmallest(3,a)
def find_largest(a_list,num):
    a_list.sort()
    return a_list[-num:]

1.6 在字典中将建映射到多个值上

>>> from collections import defaultdict
>>> d = defaultdict(list)
>>> d['a'].append(1)
>>> d['a'].append(2)
>>> d['b'].append(3)
>>> d
defaultdict(<type 'list'>, {'a': [1, 2], 'b': [3]})

1.7让字典保持有序

OrderedDict维护双向链表,根据元素加入的顺序排列键的位置。大小是普通字典的2倍

>>> from collections import OrderedDict
>>> d = OrderedDict()
>>> d['foo'] = 1
>>> d['bar'] = 2
>>> d
OrderedDict([('foo', 1), ('bar', 2)])
1.8 与字典有关的计算
>>> prices = { 'ibm':30,
...            'apple':50,
...            'cisco':30,
...            'facebook':100}
>>> min_price = min(zip(prices.values(),prices,keys()))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
NameError: name 'keys' is not defined
>>> min_price = min(zip(prices.values(),prices.keys()))
>>> min_price
(30, 'cisco')
>>> price_sorted = sorted(zip(prices.values(),prices.keys()))
>>> price_sorted
[(30, 'cisco'), (30, 'ibm'), (50, 'apple'), (100, 'facebook')]
>>> price_test = sorted(prices)
>>> price_test
['apple', 'cisco', 'facebook', 'ibm']






基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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