Python学习笔记(一)

Win11安装Office2021 windows11安装office2021。 阅读详情

Python

 

Python.Wiki

 

关于Python的笔记都在这里了!

 

1. 介绍

简介

Python的官方介绍是:

 

python-chinese@list.python.cn
Python是一种简单易学,功能强大的编程语言,它有高效率的高层数据结构,简单而有效地实现面向对象编程。Python简洁的语法和对动态输入的支持,再加上解释性语言的本质,
使得它在大多数平台上的许多领域都是一个理想的脚本语言,特别适用于快速的应用程序开发。

2. Python 中的运算符

运算符名称说明例子
+加两个对象相加3 + 5得到8、'a' + 'b'得到'ab'
-减得到负数或是一个数减去另一个数-5.2得到一个负数、50 - 24得到26
*乘两个数相乘或是返回一个被重复若干次的字符串2 * 3得到6、'la' * 3得到'lalala'
**幂返回x的y次幂3 ** 4得到81(即3 * 3 * 3 * 3)
/除x除以y4/3得到1(整数的除法得到整数结果)4.0/3或4/3.0得到1.3333333333333333
//取整除返回商的整数部分4 // 3.0得到1.0
%取模返回除法的余数8%3得到2、-25.5%2.25得到1.5
<<左移把一个数的比特向左移一定数目2 << 2得到8、2按比特表示为10
>>右移把一个数的比特向右移一定数目11 >> 1得到5、11按比特表示为1011,向右移动1比特后得到101,即十进制的5

3. 基本使用

注释

	>>> # Single Line Comments
	>>> """
	... More
	... Comments
	>>> """
	'/nMore/nComments/n'

字符串

Python的字符串其实可以理解为C的字符数组,但是这里是反过来理解,即字符是一个字节的字符串所以在Python里处理获得字符仅需要按照字符串的索引获得:

  • 正向
    	>>> word='Hello'
    	'Hello'
    	>>> word[0]
    	'H'
    	>>> word[4]
    	'o'
    
  • 反向
    	>>> word='Hello'
    	'Hello'
    	>>> word[0]
    	'H'
    	>>> word[4]
    	'o'
    
  • 截取一段
    	>>> word[1:3]
    	'el'
    	>>> word[:3]
    	'hel'
    	>>> word[3:]
    	'lo'
    	>>> word[-10:]
    	'hello'
    	>>> word[:-10]
    	''
    
  • 通过 """ 方式亦可表示长文本字符串
    	>>> hello = """
    	... hello,
    	... frank
    	... """
    	>>> hello
    	'/nhello,/nfrank/n'
    

列表

Python里有几种复合数据类型,其中最灵活的是列表,不需要类型唯一

	>>> a = ['spam', 'eggs', 100, 1234]
	>>> a
	['spam', 'eggs', 100, 1234]

这种列表的操作方式完全与字符串一样,可以通过 a[0], a[-1], a[1:3] 等等来获得各个索引位置的元素同时, 各个位置的元素是可变的,可以取片断,连接,删除部分等等,太强大了。

	>>> a[2] = 'pig' + a[2]
	>>> a[2]
	'pigeggs'
	>>> a[:2] + ['bacon', 2*2]
	['spam', 'pigeggs', 'bacon', 4]
	>>> a[:0] = a # 在开头插入自身
	>>> a
	['spam', 'pigeggs', 'bacon', 4, 'spam', 'pigeggs', 'bacon', 4]
	>>> a[0:3] = [] # 删掉前面4项
	>>> a
	['spam', 'pigeggs', 'bacon', 4]
	>>> a[1:1] = ['a', 'b']
	['spam', 'a', 'b', 'pigeggs', 'bacon', 4]

也同样支持嵌套列表,即类似[[1, 2], 3, 4]的情况,同时还可以用一系列列表方法:

	>>> a[1] = ['a', 'b']
	>>> a[1].append(2)
	>>> a[1]
	['a', 'b', 2]

一个Fibonacci序列的例子:

	>>> a, b = 0, 1
	... while b < 10:
	...     print b
	...     a, b = b, a+b
	...
	1
	1
	2
	3
	5
	8

Python还提供一个类似C语言printf的输出:

	print 'The value of 1/7 is approximately %5.3f., %3d' % (0.142857, 21)

流程控制

if语句

	>>> if x < 0:
	...      x = 0
	... elif x == 0:
	...      print 'Zero'
	... else:
	...      print 'More'

for语句

	>>> for x in a:
	...     print x, len(x)
	...
	>>>

range() 函数,用于生成包含数字序列列表:

	>>> range(10)
	[0,1,2,3,4,5,6,7,8,9]
	>>> range(5,10)
	[5,6,7,8,9]
	>>> range(0, 10, 3)
	[0,3,6,9]

函数定义

	>>> def fib(n):
	...     a, b = 0, 1
	...     while b < n:
	...         print b,
	...         a, b = b, a+b
	...
	... fib(2000)

函数参数,参数支持默认值

	>>> def ask(complaint = 'hello?'):
	...     return complaint
	...

数据结构

列表

常用工具

insert(i, x)
	在指定位置插入一项。
append(x)
	等于a.insert(len(a), x)
index(x)
	返回下标,找不到出错
remove(x)
	删除值为x的元素,找不到出错
sort()
	对列表元素在原位排序,这个方法直接改变列表,而不是返回值
reverse()
	反转列表
count(x)
	返回x在列表里出现的次数
函数式工具
filter(fn, list)
map(fn, list)
reduce(fn, list)
del语句

用于删除列表中的某个节点

	>>> del a[0]

元组

元组类似于静态语言的数组,但是是一次定义,无法修改的 其实际操作跟普通数组一致,无法使用列表的一切特殊特性 最常使用元组的情况:

	>>> print '%s, %s' % ('hello', 'world')
字典

字典是与JSON格式一致的key:value结构,每一对键值以逗号分隔开 不同于JSON,字典最后一对键值可以有逗号

	>>> {
	...     'name': 'wenhe',
	...     'age': '24',
	... }

4. 相关


5. Tips

一些奇技淫巧

让 Vim 变为 Python IDE


 

	Copyright © 2010-2011 All rights reserved,Drive by Vimwiki,Theme by 疯子™(honker.ying@gmail.com)
Vue Vben Admin 登录页修改全攻略:从登录界面定制到接口对接全流程配置 方式一:修改国际化文件找到对应的语言包文件,修改和的值。方式二:直接传递文本page-description="现代化的后台管理系统模板"page-title="欢迎使用 Vue Vben Admin"从上面的代码可以看出,登录表单使用了的方式来定义表单字段,这种方式提供了极大的灵活性。如果你想要自定义表单,可以修改formSchema数组。如果你的登录需求非常特殊,现有的组件无法满足,你可以完全自定义表单。只需在login.vue中替换<template><h2>自定义登录</h2> 阅读详情

相关推荐

即梦 AI 全功能零基础详细教程(纯技术版)

即梦 AI 是一款多模态 AI 生成工具,主打文本生成视频、图片生成视频、角色一致性生成、音画同步等核心功能,依托自研 AI 视觉模型,实现从文本 / 图片 / 音频素材输入,到高清视频、图像内容输出的全流程 AI 创作,支持短视频、短剧、创意素材等多场景创作,具备操作门槛低、生成效率高、画面可控性强的技术特点。@为工具内置引用指令,作用是锁定指定素材 / 角色,强制 AI 按照该素材的核心特征生成内容,无额外付费、解锁要求,免费使用。剧本拆分:将短剧拆分为单镜头(15 秒内 / 个)

2501_92061023的博客 5830

python实现斐波那契数列

def fab(max): n,a,b = 0,0,1 while n<max: yield b a,b = b,a+b n +=1 for n in fab(6): print(n) 1 1 2 3 5 8 输出结果:

a489541846的博客 368

使用moveit中的报错及解决

1.fatal error: moveit/move_group_interface/move_group.h: 没有那个文件或目录。// #include <moveit/move_group_interface/move_group.h> 改为。问题1 moveit/move_group_interface/move_group.h: 没有那个文件或目录。在运行c++程序时报错。

qq_60566155的博客 2285

累加数Python解法

累加数 是一个字符串,组成它的数字可以形成累加序列。 一个有效的 累加序列 必须 至少 包含 3 个数。除了最开始的两个数以外,序列中的每个后续数字必须是它之前两个数字之和。 给你一个只包含数字 '0'-'9' 的字符串,编写一个算法来判断给定输入是否是 累加数 。如果是,返回 true ;否则,返回 false 。 说明:累加序列里的数,除数字 0 之外,不会 以 0 开头,所以不会出现 1, 2, 03 或者 1, 02, 3 的情况。 例: 输入:"112358" 输出:true 解释..

皮_客的博客 2232

OmniQuant:全方位校准实现大语言模型高效量化与移动端部署

模型量化是一种通过降低模型权重和激活值的数值精度来压缩模型大小、减少内存占用和计算开销的核心技术。其原理在于将高精度浮点数映射到低精度整数表示,从而在保持模型性能的同时,显著提升存储和计算效率。这项技术的价值在于,它使得大规模语言模型能够在消费级硬件和资源受限的移动设备上运行,极大地拓宽了AI应用场景。OmniQuant作为一项前沿的量化技术,通过引入可学习权重裁剪和可学习等价变换机制,实现了对权重分布不均匀和激活值异常值问题的协同优化,从而在极低的比特数下仍能保持优异的模型性能。本文深入探讨了OmniQu

weixin_30719711的博客 484

干货|C#上位机与西门子PLC的Profinet协议通信开发(工控机版)

文章摘要: Profinet是西门子主导的工业以太网协议,支持实时通信(RT/IRT),广泛应用于PLC与工控机通信。本文聚焦C#上位机通过S7协议(集成于Profinet接口)高效访问西门子PLC(S7-1200/1500等),提供完整开发方案: 协议基础:解析Profinet三层架构(TCP/IP层、实时层、应用层),对比S7协议优势(开发便捷、跨平台); 开发实践:基于S7NetPlus/Snap7库实现数据读写,涵盖DB块、I/O点等地址规则; 环境配置:工控机(Windows/Linux/统信UO

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1213

Python|Leetcode《306》|累加数

专栏《LeetCode|一刷到底》 打卡每天leetcode精选每日一题(尽量不断更!) 点击关注不迷路!!! 一、题目描述 题目:累加数 难度:中等 地址:《306》累加数 描述:累加数 是一个字符串,组成它的数字可以形成累加序列。 一个有效的 累加序列 必须 至少 包含 3 个数。除了最开始的两个数以外,字符串中的其他数都等于它之前两个数相加的和。 给你一个只包含数字 ‘0’-‘9’ 的字符串,编写一个算法来判断给定输入是否是 累加数 。如果是,返回 true ;否则,返回 false 。 .

二哥为啥不像程序员? 744

常说的cache机制到底是什么?L1 cache和 L2 cache是什么?

一文带你迅速了解CPU内的cache机制!!图解多核CPU中的多级cache结构。为何有的处理器没有cache?

车载系统攻城狮 5878

python-pandas库实现sql常用操作

python数据分析与SQL的区别 SQL数据只能应用与数据库。 pandas可以实现sql实现的所有功能。pandas也是操作结构化数据 两者都是对“表格型”数据进行操作和查询,所以很多语法都能对应起来。 对比判断: 1.select数据查询 2.where按条件查询 3.in和not in的条件查询 4.group by分组统计 5.JOIN数据关联 6.Union数据合并 7.Order L...

t112358的专栏 1245

【BlueDroid】蓝牙音乐协议分析之A2DP和AVRCP连接流程(超详细)

AVCTP协议描述了蓝牙设备间Audio/Video的控制信号交换的格式和机制,他是一个总体的协议,具体的控制信息由其指定的协议(AVRCP)实现,AVCTP协议本身只指定控制Command和Response的总体的格式;这个过程中对应了Event中的btavrcp_play_status_changed_callback和btavrcp_play_position_changed_callback;上述为AVCTP-Control建立L2CAP连接的Command,对应H4的Sent (0x00);

风云说通信 7314

系统分析师论文范文(三)微服务

摘要(300字) 2024年4月,我作为系统分析师参与某省三甲医院云影像系统建设项目,负责系统分析与设计工作。该项目旨在响应国家"无胶片化"医疗政策,解决传统影像系统数据孤岛、调阅效率低等问题。系统基于DICOM 3.0和HL7国际标准,采用B/S架构与Spring Cloud Alibaba微服务技术栈,包含影像采集、智能分析、数据安全等核心模块,实现全院影像资源的云端统一管理与多端调阅。在架构设计上,通过微服务拆分、分布式事务控制及多层次安全防护机制,保障了系统的高可用性与数据一致性。系统于2024年1

echo的博客 221

Python装饰器原理解析

Python的装饰器 文章目录Python的装饰器装饰器是什么?装饰器的原理是什么?执行顺序装饰器的文档和注释装饰器的使用方法函数装饰器(不含参数)函数装饰器(含参数)类装饰器(不含参数)类装饰器(含参数)装饰类方法装饰器信息的更新内置的装饰器@property装饰器 装饰器是什么? 现在以Fibonacci Series为例子。对于如下代码,函数fib(n:int)可以返回从1开始的Fibona...

weixin_43349137的博客 377

多组学联合高级Mantel-test热图

对应的是「metabo」中物质间的相关性热图,单元格色块颜色表示相关系数大小,橙色表示+相关,绿色表示-相关;单元格内的数值表示相关性值大小,星号表示显著性。双组学(微生物组/ 转录组/代谢组等两两组合)关联分析,可视化组学特征间的关联显著性、强度及相关方向。表示<trans>与<metabo>中物质的Mantel test结果。表示整体相关的系数,连线颜色表示相关系数的显著性检验结果。宿主-微生物互作、疾病多组学机制、环境-生物多组学关联。为物质名称,不允许存在空值、重复值。

多组・学・多组学 365

Python学习笔记一

Python学习笔记一

xiaojkql的博客 324

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")

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Python暑期学习笔记一

时间:2025.7.16。

2201_75297369的博客 1386

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Python学习笔记①

Python学习笔记① 题1.用循环语句实现求和1到200. s = 0 for i in range(1, 201): s += i print(s) 输出结果: 20100 进程已结束,退出代码 0 一开始循环语句那里我写的是range(1,200),结果发现答案不对,我试了一下才发现这个区间是前闭后开的,如下面的代码所示: s = 0 for i in range(1, 11): print(i) 运行结果: 1 2 3 4 5 6 7 8 9 10 进程已结束,退出代码 0

Regel_Gardner的博客 343

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。

python学习笔记一

Python学习笔记一tags: - python入门 - map, reduce, filter Python学习笔记一 >>> f = abs >>> f <built-in function abs>结论:python函数本身也可以赋值给变量,即:变量可以指向函数。如果一个函数赋给一个变量,那么这个变量可以指向函数: >>> f = abs >>> f(-1

Bunschen的博客 926

Python学习笔记(一)

​ 摸鱼时候发现大家现在普遍对python感兴趣,于是萌生了写这个文档的想法,希望能够帮助你加深一点对python编程语言的了解。我不生产知识,我只是一名勤劳的搬运工。本混子已经尽力搬运但文档内容有限,请配合网络资源食用。​ 暑假被学弟的几个问题问倒了,看来以后确实要好好学python辣,顺便采访了一下为什么想要学python,得到的答案大抵是想要学爬虫、很多人都在学不学就落伍了、python比较好入门之类的,果然越来越卷了。Python。

qq_61890919的博客 1011

python学习笔记(一)

学习笔记: 打开python方式: Win+R,输入cmd,在命令行输入python,即进入python编辑模式。 直接打开python里IDLE即进入编辑模式。 IDLE常用快捷键: F1:打开python帮助文档 Alt+P:浏览历史命令(上一条) Alt+N:浏览历史命令(下一条) Alt+/:自动补全前面曾经出现过的单词 Alt+3:注释代码块 Alt+4:取消代码块注释 Ctrl+Z:撤销一步操作 Ctrl+shift+Z:恢复上一次的撤销操作 Ctrl+S:保存文件 C

心殇锁心的博客 1008

Python入门学习笔记一

Python学习笔记一:标准库turtle前言turtle思维导图一些实例1.六边形绘制2.风轮绘制 前言 最近在看北理工嵩天老师的视频学习python基础语法,于是准备做一些笔记和思维导图,方便后面复习和整理。 前面的没细看,准备从第一个实例turtle库开始入手,突然觉得python还是挺有趣的~~但有些还是一时难以理解,慢慢消化吧! turtle思维导图 一些实例 1.六边形绘制 import turtle turtle.pensize(5) for i in range(6): turtl

wongyinger的博客 680

Python3学习笔记 ①

Python3 个人学习笔记① 初次发博,如有错误,请多指出。 Python的基本介绍 相对于机器语言,Python是一种高级语言,对于初学者来说入门比较简单,但是学习编程最重要的固定时间、实操练习是不可缺少的,所以建议大家:沉下心来,边学边练。 Python下载 登入Python官网在Download栏目下载最新版本Python。 Python编译器 自带版IDLE使用灵活性对小白来说比较有限,要想流畅编写,还是建议另外下载,个人使用的是Pycharm community版本,也是目前最热门的编译器之一,

jian_ji_dan的博客 139

python学习笔记(一)

本篇笔记系统介绍了 Python 编程的基础知识,包括基本语法、常用数据类型与转换、变量与运算符、字符串操作、格式化方式、注释、标识符命名规则以及输入输出等内容。

2402_82857752的博客 955

Python学习笔记一:Python入门

Python学习笔记一:Python入门Python介绍特点应用范围什么时候不应该用 Python版本和兼容问题解决方案Python解释器Python开发入门Python下载安装和配置Python 开发环境交互模式(脚本shell 模式)IDLE 开发环境使用入门IDLE 介绍IDLE 实操第一个Python 源程序程序基本格式开始学习图形化程序设计绘制奥运五环标记 Python介绍 Python...

人在囧途的博客 1062
上一篇: just do a test for HTML
juagle
博客等级 码龄16年 9粉丝 14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