python系统学习Day3

Python100天学习教程(Python学习视频_Python学习路线):Day01 初识Python 话说,520情人节啥的跟咱程序员有关系吗?都慌着干啥呢,不用学Python的吗? 哈哈哈,大家视情况而定哈,没对象的赶紧跟唐唐一起学Python100天学习教程吧! 今天起唐唐会跟大家出系统的Python100天专题课程和习题,100天从新手到大神,你也可以! Python100天学习教程(Python学习视频_Python学习路线):Day01 初识Python Python简介 Python的... 阅读详情

section4 python function

part one:函数的参数

python函数的参数共有五种类型

#位置参数
def power(x):
	return x * x

#默认参数
def power(x, n = 2) #设置默认值(可省略)
	s = 1
	while n > 0:
		n = n - 1
		s = s * x
	return s
	#note
print('''默认参数必须指向不变对象。
由于默认参数是在函数创建时被计算出来的,
可变对象在调用后可能影响到之后函数调用的结果''')

#可变参数
def sum(*num):
	sum = 0
	for n in num:
		sum = sum + n
	return sum
	
	#调用
	sum(1, 2, 3)
	L = [1, 2, 3]
	sum(*L)

#关键字参数
def person(name, age, **kw):
	print('name:', name)
	print('age:', age)
	print('other:', kw)
	# kw指任意个数关键字参数
	
	#调用
	person('Bob', 23, job='Teacher')
	dic = {'job': 'Teacher', 'city': 'Beijing'}
	person('Bob', 24, **dic)

#命名关键字参数,限制特定关键字
def person(name, age, *, city, job):  #注意这里city和job是指关键字
	pass
def person(name, age, *args, city, job): #已有可变参数的不需要加  *,
    print(name, age, args, city, job)
	#关键字参数也可以缺省, 指定初始值就好
	#关键字调用时必须写成key=value的形式,为了解释器能区分位置参数和关键字参数

参数定义的顺序必须是:必选参数, 默认参数, 可变参数, 命名关键字参数, 关键字参数

理解起来有两种分类方式:普通参照位置的参数/、 / 关键字参数, 固定个数的参数 / 可变参数。
位置参照在前,固定个数在前。
部分类型可指定默认值从而实现缺省。

综上,对于任意类型的函数都可以通过类似func(*args, **kw)实现调用

section5 Advanced features

part one:切片

切片对象:list、tumple、strings
切片参数:[x:y:z],起始位置,终止位置,步长。默认值分别为首元素,尾元素,1

>>>L = list(range(100))
>>>L[:10]
>[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>>L[-10:]
>[90, 91, 92, 93, 94, 95, 96, 97, 98, 99]
>>>L[:10:2]
>[0, 2, 4, 6, 8]
>>>L[:]  #原样复制L

tips about Slice

切片操作通常用在等号右面,不能用在左面
对于字符串,单独取出某个字符同样不能放在等号左面,修改字符串时不能单独拎出来一个进行修改

part two:迭代

python中的迭代抽象程度很高,for循环只要作用于一个可迭代元素就可以正常运行

#字典迭代
for key in d:
	print(key)  #字典默认迭代元素是关键字

for value in d.values():
	pass

for kye, value in d.items():
	pass

#字符串迭代
for ch in 'ABC':
	print(ch)

#对list下标循环
for i, value in enumrate(['A', 'B', 'C'])
	print(i, value)

#同时引用两个变量
for x, y in [(1, 1), (2, 4), (3, 9)]
	print(x, y)

part three:列表生成器

列表生成器list comprehensions,可以用来创建列表,非常强大

#简单生成
>>>[x * x for x in range (1, 11)]
>[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

# 满足特定条件的部分生成
>>>[x * x for x in range(1, 11) if x % 2 == 0]
>[4, 16, 36, 64, 100]
# 对满足不同条件的元素分别处理(需要全覆盖)
>>>[x if x % 2 == 0 else -x for x in range (1,5)]
>[-1, 2, -3, 4]
#if在前必须搭配else, if在后不能搭配else

#两层循环生成全排列
>>>[m + n for m in 'AB' for n in 'XY']
>['AX', 'AY', 'BX', 'BY']

# 依次遍历生成两个变量
d = {'x':'A', 'y':'B'}
>>>[k + '=' + v for k, v in d.items()]

part four:生成器

列表容量有限,我们可以采用另一种存储方式:存储生成器(生成列表的算法)

  • 方法一:将列表生成器的方括号改为圆括号
>>>L = [x*x for x in range(10)]
>>>L
[0, 1, 4, 16, ..., 81]
>>>g = (x*x for x in range(10))   #圆括号--生成器
>>>g
<generator object <genexpr> at 0x1022ef630>
>>>next(g)        #通过next输出生成的下一个元素
0
>>>next(g)
1
>>>next(g)
4
... ...
>>>next(g)      #没有元素后抛出错误
Traceback (most recent call last):
	File "<stdin>", line 1, in <module>
StopIteration
#另一种遍历
>>>g = (x*x for x in range(10)) 
>>>for n in g:
...    print(n)
...
0
1
... ...
81
#不需要关心StopIteration的错误

part five:迭代器

凡是能直接作用于for循环的对象都是Iterable类型
凡是能作用于next()函数的对象都是Iterator类型,它们表示一个惰性计算的序列

  • Iterable包括:list tumple dict set str等
  • Iterator不包括list dict str
  • Iterable可以通过iter()函数转化为Iterator
from collections.abc import Iterator
isinstance((x for x in range(10)), Iterator)    #Ture
Python100day_学习笔记 Python100day_学习笔记 该笔记是跟随GitHub上的高星Python100day学习所记录的 https://github.com/jackfrued/Python-100-Days Python_day_02 程序控制语句 ·if else elif 分支控制 练习1中,如果输入口令时候,想要终端没有回显,可以使用getpass模块的getpass函数 import getpass ... 阅读详情

相关推荐

基于Python+OpenCV的车流识别系统Day3

今天实现两个模块——车辆图片识别和车辆视频识别。中的打开文件按钮打开图片。可以直接点按钮导入视频并识别,按'e'或'E'退出播放。

2401_83121862的博客 1195

python3 学习记录 day3 day4

Day 3 #类和对象 class Person: def __init__(self,name,sex,birthday): self.name=name self.sex=sex self.birthday=birthday def say(self,word): print(f'{self.name}:“{word}”') tom = Person('Tom','male','20200202') cat = Perso

Rashu99's blog 337

新手必看:如何用PhaGCN2和vConTACT2搞定宏病毒组注释(附避坑指南)

本文为宏病毒组研究新手提供了使用PhaGCN2和vConTACT2进行病毒注释的完整实战指南。内容涵盖从Conda环境配置、软件安装、参数解析到结果解读的全流程,并重点分享了整合双工具进行交叉验证的策略与常见报错解决方案,旨在帮助研究者高效、准确地完成病毒分类注释工作。

j2k3l4的博客 797

Python学习 Day4

创建一个包含三个字符串元素的列表 tech_list,元素分别为 “Python”, “Java”, “Go”。修改 tech_list 中的第二个元素(索引为 1),将其从 “Java” 更改为 “Ruby”。计算当前 tech_list 的长度,并将结果存储在变量 current_length 中。对照无误,联动昨日所学字符的获取,获取字符串中元素的方式和获取字符串中字符的方式是相同的。Print(f"1到100的和是:{sum_result}")- 20-27度:打印"绿色提示:适宜温度"

Y317429的博客 901

从理论到板级:FOC电机驱动硬件电路全链路设计解析

本文从硬件工程师视角,深度解析FOC电机驱动从理论到板级实现的全链路设计。重点剖析了电源保护、核心采样电路、三相逆变桥与驱动电路等关键硬件模块的设计要点与实战经验,强调硬件是FOC算法可靠运行的基石,并提供了PCB布局布线的核心原则,帮助开发者构建高性能、高可靠性的电机驱动硬件平台。

weixin_29240711的博客 333

STM32+W5500实战:5分钟搞定FreeModbus TCP移植(附完整代码)

本文详细介绍了如何在STM32微控制器上,结合W5500以太网芯片,快速完成FreeModbus TCP协议栈的移植,构建稳定可靠的工业级Modbus TCP服务器。内容涵盖硬件连接、软件架构、驱动适配、核心移植代码实现及调试优化技巧,旨在提供可直接应用于实际项目的完整解决方案。

life6的博客 879

python学习笔记3

今天跟着1_bit的博客继续学习 day2:这一节的代码稍微不是很好理解,先跟着抄一遍代码,只能说大致理解。 1、运行报错,需要pip install xlwt 抄完代码开始运行,结果报错ModuleNotFoundError: No module named 'xlwt',百度了一下,大致是需要先pip install xlwt。安装之后在pycharm运行day2文件依然报错,回头看看安装的提示信息: 大致是要升级吧,电脑装了python2.7和python3,我自己都不知道现在用的是哪个,看来

weixin_41554492的博客 1737

Mixer-First Receiver适用于宽带阵列应用的接收机技术1

Mixer-First Receiver适用于宽带阵列应用的接收机技术1技术的背景单元级数字化阵列传统链路到Mixer-First链路的逻辑考虑三种场景小结 技术的背景 在文章《吊打全球的顶级毫米波数字阵列项目-MIDAS》中提到了DARPA在MIDAS项目中在毫米波实现宽带单元级数字化阵列用到了一个关键的叫做N-Path filter的技术,而这个技术同样出现在了《让微波射频工程师颤抖的芯片-MATRICs》的MATRICs芯片中。 为什么DARPA的各个合作研究机构选择这种技术?这篇来自Universi

ICONO的博客 2167

如何快速部署awesome-python3-webapp:完整实战教程

**awesome-python3-webapp 部署**零基础也能一步到位!这是一份面向小白的 **Python 入门实战教程**,跟着 16 天的每日源码,亲手写出一个完整的 **Python 网站 + iOS App**。本文带你用最短的步骤完成 **awesome-python3-webapp 快速部署**,从克隆仓库到跑起服务,全程不到 10 分钟 ⏱️。 ## 一、awesome-p

gitblog_01131的博客 876

Claude Code与Vibe Coding:2026年AI编程实战指南

AI编程助手是基于大语言模型的智能代码生成工具,通过理解编程上下文提供精准的代码补全和重构建议。其核心原理是利用深度学习技术分析代码语义,将自然语言指令转化为可执行代码。这种技术能显著提升开发效率,减少重复性编码工作,特别适用于快速原型开发和复杂问题求解。在实际应用场景中,AI编程助手可与Vibe Coding方法论结合,建立流畅的人机协作工作流。Claude Code作为先进的AI编程工具,支持多语言开发和智能错误检测,而Vibe Coding则强调自然交互和迭代优化,两者协同为开发者提供完整的AI编程解

weixin_29057695的博客 343

Java电商秒杀系统性能优化(一)——电商秒杀系统框架回顾

电商秒杀系统框架回顾项目简介外部依赖框架回顾项目要点项目中存在的问题小结 课程是免费的,课程地址如下:SpringBoot搭建电商秒杀项目,课程真的很棒,作者的思路很清晰,建议各位读者可以跟着视频练习一下这个项目; 项目简介 通过SpringBoot快速搭建的前后端分离的电商基础秒杀项目。项目通过应用领域驱动型的分层模型设计方式去完成:用户otp注册、登陆、查看、商品列表、进入商品详情以及倒计时秒...

ghw15221836342的博客 3720

Python60天学习挑战Day3

题目:创建一个包含三个字符串元素的列表 tech_list,元素分别为 “Python”, “Java”, “Go”。获取列表中的第一个元素,并将其存储在变量 first_tech 中。向 tech_list 的末尾添加一个新的字符串元素 “JavaScript”。修改 tech_list 中的第二个元素(索引为 1),将其从 “Java” 更改为 “Ruby”。移除列表中的元素 “Go”。计算当前 tech_list 的长度,并将结果存储在变量 current_length 中。

hdyzdhdy的博客 939

越野换了逐飞的ips200pro的屏幕后代码烧录中报错: “Cannot initialize device connection” 和 “Flashing failed” ...如何解决?

🏆 本文收录于《全栈Bug调优(实战版)》专栏,致力于分享我在项目实战过程中遇到的各类Bug及其原因,并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者,本文将为你指引出一条更高效的Bug修复之路,助你早日登顶,迈向财富自由的梦想🚀!同时,欢迎大家关注、收藏、订阅本专栏,更多精彩内容正在持续更新中。让我们一起进步,Up!Up!Up!    备注: 部分问题/难题源自互联网,经过精心筛选和整理,结合数位十多年大厂实战经验资深大佬经验总结所得,数条可行方案供所需之人参考。

**My Coding Family** 1150

Python打卡训练营学习记录Day3

创建一个包含三个字符串元素的列表 tech_list,元素分别为 “Python”, “Java”, “Go”。修改 tech_list 中的第二个元素(索引为 1),将其从 “Java” 更改为 “Ruby”。定义一个包含整数的列表 scores,赋值为 [85, 92, 78, 65, 95, 88]。计算当前 tech_list 的长度,并将结果存储在变量 current_length 中。- 28-35度:打印"黄色预警:天气炎热"- 20-27度:打印"绿色提示:适宜温度"

FanfanPyt的博客 449

110、3A 端到端调试:从 ISP register dump 到主观画质的完整调试流程

文章摘要 本文分享了ISP 3A(AE/AWB/AF)端到端调试的实战经验,通过具体案例解析常见问题排查方法。从硬件链路确认、寄存器dump分析、算法闭环验证到主观画质调优,提出了一套系统化调试流程。重点包括:如何通过示波器和寄存器抓包定位时序问题,AWB调试中black level校正的关键作用,AF闭环控制中hall传感器反馈的重要性,以及算法与硬件联调的"三板斧"方法论。作者强调3A调试本质是系统工程,需结合物理层信号测量、数据通路验证和算法状态跟踪,避免陷入局部优化陷阱。

sundong_81的博客 58

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

python打卡训练营学习记录Day3

创建一个包含三个字符串元素的列表 tech_list,元素分别为 “Python”, “Java”, “Go”。修改 tech_list 中的第二个元素(索引为 1),将其从 “Java” 更改为 “Ruby”。定义一个包含整数的列表 scores,赋值为 [85, 92, 78, 65, 95, 88]。计算当前 tech_list 的长度,并将结果存储在变量 current_length 中。- 28-35度:打印"黄色预警:天气炎热"- 20-27度:打印"绿色提示:适宜温度"

m0_74839150的博客 430

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python训练营打卡学习Day3-4.23

创建一个包含三个字符串元素的列表 tech_list,元素分别为 “Python”, “Java”, “Go”。修改 tech_list 中的第二个元素(索引为 1),将其从 “Java” 更改为 “Ruby”。定义一个包含整数的列表 scores,赋值为 [85, 92, 78, 65, 95, 88]。计算当前 tech_list 的长度,并将结果存储在变量 current_length 中。- 28-35度:打印"黄色预警:天气炎热"- 20-27度:打印"绿色提示:适宜温度"

weixin_60482148的博客 826

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

【Day3】

创建一个包含三个字符串元素的列表 tech_list,元素分别为 “Python”, “Java”, “Go”。修改 tech_list 中的第二个元素(索引为 1),将其从 “Java” 更改为 “Ruby”。定义一个包含整数的列表 scores,赋值为 [85, 92, 78, 65, 95, 88]。计算当前 tech_list 的长度,并将结果存储在变量 current_length 中。- 28-35度:打印"黄色预警:天气炎热"- 20-27度:打印"绿色提示:适宜温度"

2401_86602466的博客 289

Python训练营打卡Day3

创建一个包含三个字符串元素的列表 tech_list,元素分别为 “Python”, “Java”, “Go”。修改 tech_list 中的第二个元素(索引为 1),将其从 “Java” 更改为 “Ruby”。定义一个包含整数的列表 scores,赋值为 [85, 92, 78, 65, 95, 88]。计算当前 tech_list 的长度,并将结果存储在变量 current_length 中。获取列表中的第一个元素,并将其存储在变量 first_tech 中。- 高于35度:打印"红色预警:高温天气!

wanderer0221的博客 606

Python训练营打卡Day3(2025.4.22)

列表的基础操作题目:创建一个包含三个字符串元素的列表 tech_list,元素分别为 “Python”, “Java”, “Go”。获取列表中的第一个元素,并将其存储在变量 first_tech 中。向 tech_list 的末尾添加一个新的字符串元素 “JavaScript”。修改 tech_list 中的第二个元素(索引为 1),将其从 “Java” 更改为 “Ruby”。移除列表中的元素 “Go”。

2301_80505456的博客 415

探秘《Python100天》:从零到一的学习之旅

探秘《Python100天》:从零到一的学习之旅 项目简介 是一个专为Python初学者设计的实战学习项目。它以100个不同的编程任务为线索,引导学习者逐步掌握Python语言的基础知识和实际应用技巧。无论你是对编程感兴趣的新手,还是希望转行到数据科学、Web开发或自动化领域的专业人士,这个项目都能为你提供一条清晰的学习路径。 技术分析 该项目采用了Python3作为主要编程语言,覆盖了基础语法、...

gitblog_00005的博客 427

Python学习 Day3

比较 score_a 是否小于等于 score_b,将结果存储在变量 is_a_lower_or_equal 中;它通过在字符串前加上字母 `f` 或 `F`,并在字符串中使用大括号 `{}` 插入变量或表达式的值,从而实现动态字符串拼接和格式化。在 Python 中,单引号 (`'`)和 双引号 (`"`) 的功能是等价的,都可以用来定义字符串。"' # 使用单引号定义字符串。data = '{"name": "小明", "age": 18}' # JSON 字符串必须用双引号。

Y317429的博客 964

python学习_Python学习 Day 5758

“我可以一蹶不振 我偏要一鸣惊人”大家在学习python的过程中,欢迎交流和讨论最近的内容都是一些概念性的东西,都是挺简单的,大家浏览一下就好啦下面就开始今天的内容啦小伙伴们要记得及时复习啊Python学习 Day1-2Python学习 Day3-4Python学习 Day 5-6Python学习 Day 7-8Python学习 Day 9-10Python学习 Day 11-12Py...

weixin_39721924的博客 95

python学习DAY3打卡

创建一个包含三个字符串元素的列表 tech_list,元素分别为 “Python”, “Java”, “Go”。修改 tech_list 中的第二个元素(索引为 1),将其从 “Java” 更改为 “Ruby”。定义一个包含整数的列表 scores,赋值为 [85, 92, 78, 65, 95, 88]。计算当前 tech_list 的长度,并将结果存储在变量 current_length 中。- 28-35度:打印"黄色预警:天气炎热"- 20-27度:打印"绿色提示:适宜温度"

m0_55265967的博客 834

Python Day 17 学习

混淆矩阵(Confusion Matrix)是用于评估分类模型性能的工具,它以矩阵形式展示了模型的预测结果与真实值之间的对比情况。混淆矩阵特别适用于二分类或多分类问题。今日学习到这里,这一部分内容较多,慢慢来学。明日接着剩余几种算法的理解与学习。继续加油!!!

Y317429的博客 538

python学习_Python学习 Day 4344

“别人问我喜欢的人是什么样 我就又要开始形容你”今天建了一个百度云的群组,以后文件就保存在群组里,需要的小伙伴可以加进来大家在学习python的过程中,欢迎交流和讨论下面就开始今天的内容啦小伙伴们要记得及时复习啊Python学习 Day1-2Python学习 Day3-4Python学习 Day 5-6Python学习 Day 7-8Python学习 Day 9-10P...

weixin_39625975的博客 95
上一篇: python系统学习Day2
下一篇: Python urllib、requests、HTMLParser
峙峙峙
博客等级 码龄4年 219粉丝 71原创
评论 2
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