Python 项目开发入门与进阶(第3天)

本文介绍了Python的基础语法,包括字符串处理、数字类型转换、条件判断等,并详细讲解了基本数据类型如整型、字符串、列表等的用法及特点。

1. szInput = input("<<<") #只能输入字符串

2. nInput = int(szInput)#字符串转换成数字

3. while else
continue #终止当前循环
break #终止循环
4. and #条件与
5. pycharm 安装与设置
  • 字体: 28
  • 行号
  • 鼠标改变字体大小: mouse->editor->general->change font size(Zoom) with Ctrl+Mouse Wheel
  • 模板: editor->code style->file and code templates->file->python script
#coding=utf-8
#Version:python3.6.0
#Tools:Pycharm 2017.3.2
_date_ = '$DATE $TIME'
_author_='MaFuCun'
6. 子字符串
#子序列,子字符串
szName = "MaFuCun"
if "Ma" in szName:
    print('OK')
else:
    print('Error')
7. Ctrl + ? #快速注释语句
8. in/ not in#判断是否在某个字符串中,成员操作
9. 布尔值 True, False
10. 比较运算符:==, >, <, >=, <=, !=, <>, not
  • 推荐使用括号
  • True or ==>True
  • False and ==>False
  • 其他需要继续判断
11.基本数据类型特征
  • 数字 int
  • 字符串 str
  • 列表 list
  • 元组 tuple
  • 字典 dict
  • 布尔值 bool
12. ctrl+左键,数据类型特征
13. 数字
int() #将字符串转换为数字

type()#显示变量类型

num = 123
v = num.bit_length()
print(v)
14. 字符串 
name = "shizhengwen"
v1 = name.upper()
print(v1)
szString = "123"
print(type(szString), szString)
szString2 = "0b11"#二进制
szString3 = "0011"#二进制
nInt = int(szString3, base = 2)#将2进制的数值转换为10进制
nAge = 10
nLength = nAge.bit_length()#数值的二进制位数
print(nLength)

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真验证,展示了该方法在高精度定位控制中的有效性实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模预测控制相关领域的研究生研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模线性化提供新思路;③结合深度学习经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子RNN结合的建模范式,重点关注数据预处理、模型训练控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法机器学习结合应用的教学科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
评论
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