2021-1-13多态、鸭子类型、isinstance、issubclass、__str__和__del__,字符串控制属性,异常处理的内容

博客介绍了多态与多态性,指出多态可实现归一化,父类用于定义标准。还提到鸭子类型原理及相关内置方法,如len()。介绍了反射,可通过字符串操作属性。此外,阐述了异常处理,包括异常概念、错误分类及处理方式,如try…except、断言、主动抛异常和自定义异常。

多态与多态性
同一种事物有多种形态,就叫多态性
多态的特性:归一化,当我们调用子类的某种属性时,只需让子类遗传父类的标准即可,所以父类的功能是用来定义标准的,
查看子类的功能有没有哪些东西时,直接看父类的功能即可,若父类中有的功能,子类中一定有,且用法一致
多态不是为了解决类之间的代码冗余问题,而是为了用父类来统一多个子类之间的用法
父类定义的功能,子类需要派生一些相似的功能,子类也可以不执行,但若不执行,这就违背了归一性这一原则
父类可以强制让子类按照它的标准(抽象基类,无法被调用,只能定标准)执行代码如下:

import abc
class Anlimal(metaclass=abc.ABCMeta):
    @abc.abstractmethod
    def talk(self):
        pass

这样Animal下的所有代码都会拥有talk这个功能
若多个子类没有共同的代码,但调用的功能也一样,可以规定一下统一的标准,子类都遵循标准即可,就不用再定义一个父类
节省代码,但若有一个子类不遵循,就可能出现问题

鸭子类型:
如果一个事物看着像另一个事物,我们就可以把它叫另一个事物,这就是鸭子类型的原理
体现:各个数据类型中的len()内置方法

isinstance()判断一个事物是否是另一个事物的实例(对象)
方法:isinstance(对象,类)
issubclass(子类,父类)判断一个类是否是另一个类的子类

__开头并且__结尾的属性会在满足某种条件下自动触发,通常完成一些定制化的类
str 若打印一个对象就会自动调用一个print(obj.str())方法的运行
str 没有参数,返回值必须是字符串,为对象定制一些规定的打印信息

class People:
    def __init__(self,name,age):
        self.name = name
        self.age = age
    def __str__(self):
        return "<%s:%s>"%(self.name,self.age)

obj = People("egon",19)
print("=============== end ==================")

del 对象删除就会触发,不删也会触发,因为程序运行结束后也会释放内存空间,删除对象,通常多用此方法清理操作系统的资源,

class People:
    def __init__(self,name,age):
        self.name = name
        self.age = age
        self.f = open("a.txt","rt",encoding='utf-8')

    def __del__(self):
        self.f.close()

obj = People("egon",19)
del obj
print("===============end==================")

反射 通过字符串去操作属性

python
class People:
    def __init__(self,name,age):
        country = "china"
        self.name = name
        self.age = age

    def tell_info(self):
        print(self.name,self.age)

obj = People('egon',18)
print(hasattr(People,"country"))

hasattr(对象,“属性”)判断对象具不具有某种属性
getattr(对象,”属性“)拿对象中的数据或功能属性
setattr(obj,“xxx”,1111)为对象添加某种属性,obj.xxx = 1111
delattr(对象,“属性”)为对象删除某种属性

异常处理
什么是异常?
异常是错误发生的信号
程序一旦出错就会产生一个异常
如果该异常没有被处理,该异常就会被抛出来,程序的运行也随即终止

错误分两种:
1、语法错误
2、逻辑错误
如何处理异常
语法错误----》程序运行前就改正
逻辑错误
针对可以控制的逻辑错误,在代码层面解决
针对不可以控制的逻辑错误,应该采用try…except
try…except一种异常产生之后的补救措施用法如下

try:
    被检测代码块
except 异常类型1 as e :
    处理异常的代码
try:
    被检测代码块
except 异常类型2 as e :
    处理异常的代码
try:
    被检测代码块
except 异常类型3 as e :
    处理异常的代码
try:
    被检测代码块
except (异常类型4,异常类型5,异常类型6) as e :
    处理异常的代码
except Exception:         #除去以上的所有异常都可以接住
    处理异常的代码

try…except,类似一个补丁,用的越少越好

异常处理的类型

AttributeError 试图访问一个对象没有的树形,比如foo.x,但是foo没有属性x
IOError 输入/输出异常;基本上是无法打开文件
ImportError 无法引入模块或包;基本上是路径问题或名称错误
IndentationError 语法错误(的子类) ;代码没有正确对齐
IndexError 下标索引超出序列边界,比如当x只有三个元素,却试图访问x[5]
KeyError 试图访问字典里不存在的键
KeyboardInterrupt Ctrl+C被按下
NameError 使用一个还未被赋予对象的变量
SyntaxError Python代码非法,代码不能编译(个人认为这是语法错误,写错了)
TypeError 传入对象类型与要求的不符合
UnboundLocalError 试图访问一个还未被设置的局部变量,基本上是由于另有一个同名的全局变量,
导致你以为正在访问它
ValueError 传入一个调用者不期望的值,即使值的类型是正确的

断言

assert len(l) ==3

测试程序的时候用,测试那一部分有问题,若测试完成,删除断言即可(运行过后会删除)

#主动抛异常
raise用法:
raise 异常类型

#自定义异常

class permission(BaseException):
    def __init__(self,msg):
        self.msg = msg

raise  Permission("权限错误")
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 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