Python中输出显示台的设置

Python中设置输出文字的颜色 在实习公司,公司的leader最近布置的任务是在一些网站下载一些文件,然后上传到web服务器。开始的时候手动下载了几个,实在太麻烦了,刚好自己正在写Python,就直接写了一个小爬虫。 因为涉及到公司的一些信息,爬虫的代码在这里就不展示了。不过在写的过程中发现了一个挺有意思的东西—Python输出文字颜色的设置,在这里记录下来: class bcolors: HEADER = 阅读详情

效果:

前言

这种文字显示的方式很适合新手来学习,毕竟新手还学不到pygame做游戏的, Python入门我们一般都学的是输入输出的游戏,但是如果加上一些文字和背景的改善可能会更好. 

如何改变字体颜色

字体颜色(跟他的变量名是一样的):

#改变字体颜色
RED = '\033[91m'
GREEN = '\033[92m'
YELLOW = '\033[93m'
BLUE = '\033[94m'
PURPLE = '\033[95m'
CYAN = '\033[96m'
END = '\033[0m'

输出:

# 输出带有颜色的文字
print(RED + "红色文字" + END)
print(GREEN + "绿色文字" + END)
print(YELLOW + "黄色文字" + END)
print(BLUE + "蓝色文字" + END)
print(PURPLE + "紫色文字" + END)
print(CYAN + "青色文字" + END)

如何改变字体的背景颜色

跟上一次的方法差不多

#改变背景颜色
BLACK = '\033[40m'
RED = '\033[41m'
GREEN = '\033[42m'
YELLOW = '\033[43m'
BLUE = '\033[44m'
PURPLE = '\033[45m'
CYAN = '\033[46m'
WHITE = '\033[47m'
END = '\033[0m'
# 输出带有背景颜色的文字
print(RED + "红色背景" + END)
print(GREEN + "绿色背景" + END)
print(YELLOW + "黄色背景" + END)
print(BLUE + "蓝色背景" + END)
print(PURPLE + "紫色背景" + END)
print(CYAN + "青色背景" + END)
输出不同颜色的字 (1)输出不同颜色的字体: print ("\033[30m 黑色字 \033[0m") print ("\033[31m 红色字 \033[0m") print ("\033[32m 绿色字 \033[0m") print ("\033[33m 黄色字 \033[0m") print ("\033[34m 蓝色字 \033[0m") print ("\033[35m 紫色字 \033[0... 阅读详情

相关推荐

FreeRTOS --(15)信号量之概述

FreeRTOS 中使用信号量来做同步,信号量可以在任务中使用作为任务与任务间的同步,也可以在中断中使用(带 FromISR 的版本)中断与任务间的同步; 针对不同的应用场景,信号量分为两种: 1、二值信号量; 2、计数信号量; 1、二值信号量 1.1、Usage 顾名思义,二值信号量只有两个值:0 和 1;它用于简单场景下的任务与任务、中断与任务之间的同步,比如:一个任务,在等待某个资源到位后,才能够继续执行,在得到这个资源之前,它处于阻塞状态,假如一个中断来了,给出了这个资源,那么.

StephenZhou 6519

python中运行框的文字颜色设置

在程序中为不同的提示词添加不同的颜色可以使程序运行情况更加清晰明了,下面讲一下python中文字颜色的改变方法

https://github.com/amoorzheyu 734

UE5 GameplayPrediction:从预测键到弱预测的实战解析

本文深入解析UE5 GameplayPrediction系统,从预测键到弱预测的实战应用。通过多人在线游戏案例,详细讲解预测技术的核心原理、实现细节及调试技巧,帮助开发者提升玩家操作响应速度,解决高延迟环境下的预测问题。

weixin_28725949的博客 311

python用print输出不同颜色字体

前言 为了使python输出更加醒目,学了下用print输出不同颜色字体 1.格式 # 格式: #   设置颜色开始 :\033[显示方式;前景色;背景色m # 说明: # 前景色 背景色 颜色 # --------------------------------------- # 30 40 黑色 # 31 41 红色 # ...

BH.百行的博客 2万+

squidpy 教程 1:在 AnnData 和 Squidpy 中导入空间数据

这些是 10x Genomics Visium 的 Space Ranger 输出提供的 keys,因此是第一个被采用的 keys。在这种情况下,我们假设空间坐标与像素具有相同的比例,因此我们将该值设置为 1。为此,我们将使用模拟数据集,并通过示例展示您应该注意的重要细节,以便利用 AnnData-Scanpy-Squidpy 生态系统的全部功能。并不是绝对必要的,但会节省您大量的输入,因为它是 Squidpy 和 Scanpy 的默认值。正如你所看到的,空间坐标被缩小了,图像被“放大”了。

🧑‍🎓 博士研究生在读 🔬 分享生物信息学、神经生物学方面的知识 💬 合作请在后台留言 2257

自抗扰(ADRC)控制原理及控制器设计

自抗扰控制原理以及控制器设计

weixin_43487974的博客 3万+

Python中终端彩色打印输出

1.引言 创建命令行程序很棒:命令行可以按照我们的设定完成相应的工作,相比GUI界面程序,无需花费数小时尝试使 GUI 正常工作。但有时最好有一个更吸引人的程序,而仅使用普通的打印功能是无法直接实现的。 一个很好的折衷方案是使用colorama库。这使我们可以非常轻松地为终端上输出的字符串着色,并且改善程序的界面外观。 闲话少说,接下来让我们看看如何使用它吧! 2.工作原理 这个库背后的实现原理非常简单,它通常使用 ANSA转义字符序列。当终端读取这些序列之一时,它并不会输出。当终端被指示为下一个输出时它采

sgzqc的专栏 4603

电荷灵敏前置放大器噪声优化策略:从理论到实践

本文深入探讨了电荷灵敏前置放大器的噪声优化策略,从理论分析到实践应用。文章系统解析了并联电流噪声与串联电压噪声的来源,并引入噪声等效原理与“冷电容”模型作为统一分析工具。通过详解a、b、c三类噪声的频谱特性,为实战优化提供了清晰指导。核心策略包括选用高跨导、低漏电流FET,优化静态工作点,采用共源-共基结构,精心设计反馈网络,以及实施严格的PCB布局、屏蔽与接地,旨在全面提升微弱信号检测系统的信噪比。

weixin_29292431的博客 470

python常用颜色表示_python 命令行常用字体颜色

python 命令行常用字体颜色在平时工作中经常会使用python脚本编写一些程序或工具,经常需要在控制台输出一些信息,例如:请输入用户名、密码等。如果用户名不合法输出‘用户名不规范’等提示信息。但这样输出的字体颜色都是白色,不容易区分重要的提示信息,所以我们可以参考linux命令行的提示。代码如下,拿走不谢!class Color(object):GREEN = '\033[92m'YELLOW...

weixin_39966465的博客 1209

YOLOv8n模型导出ONNX的避坑指南:解决版本差异,正确生成TensorRT/RKNN所需输出节点

本文详细介绍了YOLOv8n模型导出ONNX格式的实战避坑指南,涵盖版本差异处理、代码修改技巧及TensorRT/RKNN部署优化方案。针对不同推理框架需求,提供输出节点生成、动态轴处理和后处理划分等核心问题的解决方案,帮助开发者高效完成模型部署。

weixin_33247358的博客 357

大数据工程中的数据血缘分析工具比较

数据血缘(Data Lineage)是大数据治理中的核心组成部分,它描述了数据从源头到目标的完整流动路径。系统介绍数据血缘的核心概念和技术原理比较主流开源和商业数据血缘工具的功能特点提供数据血缘分析的实践指南和选型建议本文首先介绍数据血缘的基本概念,然后深入分析其技术原理和实现方法,接着比较主流工具的特点,最后通过实际案例展示应用场景。数据血缘(Data Lineage): 描述数据从源头到目标的完整流动路径,包括所有转换和处理步骤元数据(Metadata)

大数据洞察的博客 900

python中pandas的数据输出显示设置

python中pandas的数据输出显示设置1 pandas数据分析时经常需要打印输出数据,当数据量大时,输出的展示设置非常重要,好的展示可以帮助更好地理解数据。 pandas相关的显示设置函数主要有以下三个: import pandas as pd 函数 作用 pd.pandas.set_option(‘参数名’, 参数值) 设置相关显示选项 pd.pandas.get_op...

小枫哥的博客 1万+

利用Dify构建文档内容的分析对比

本次主要做了一些workflow和Agent的应用实现,供大家参考。主要目的是为了进行两个内部报告文件的内容对比,特别是报告中的各类审批表、申请表、推荐表和流程对比,本地数据通过知识库方式分别加载到两个知识库中,编制工作流针对同一个问题进行知识库检索,之后将查询结果进行合并,再一起提交给LLM进行对比,最终将对比分析结果以markdown方式返回显示。主要包括如何构建知识库,如何设计workflow、如何将工作流发布为工具、如何设计提示词、如何在agent中引入前面发布的工具,最终通过agent实现与用户交

hhue2007的专栏 2527

【Python】pandas的数据输出显示设置

pandas数据分析时经常需要打印输出数据,当数据量大时,有时候默认的时候中间的部分数据会用·····省略表示,但是我们有时候需要完整的输出,所以,输出的展示设置非常重要,好的展示可以帮助更好地理解数据! pandas相关的显示设置函数主要有以下三个: import pandas as pd (1)pd.pandas.set_option('参数名', 参数值) :设置相关显示选项 (2)pd.pandas.get_option('参数名', 参数值) :获取相关显示选项 (3)pd.pandas.r

xiaohutong1991的专栏 5327

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")

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

python设置文字输出颜色

#!/usr/bin/env python # -*- coding:utf-8 -*- """ @Time: 2018/5/5 20:43 @Author: Jun Hong """ # 格式:\033[显示方式;前景色;背景色m # 说明: # # 前景色 背景色 颜色 # --------...

baixishi8431的博客 724

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

如果python脚本输出的列很多,在命令行中会省略显示,如何完整地显示出来

如果 Python 脚本输出的列很多,在命令行中显示会被省略,可以通过以下几种方法完整显示所有内容。pandasDataFrame当输出是pandas的DataFrame时,可以修改pandas的配置来显示所有列。Nonemax_rows然后打开output.txt文件查看完整内容。这样可以增加命令行的显示宽度,避免内容过早被截断。tabulate如果是以表格形式输出,可以用或tabulate库来更清晰地显示完整内容。

Debug yourself! 1028

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

python高亮显示输出

一、高亮输出语法;二、高亮输出实例 一、语法 1、实现过程 终端的字符颜色用转义序列控制,是文本模式下的系统显示功能,和具体的语言无关,控制字符颜色的转义序列是以ESC开头的,即用\033来完成。 2、书写过程 开头部分:\033[显示方式;前景色;背景色m 结尾部分:\033[0m 注意: 开头部分的三个参数:显示方式,前景色,背景色是可选参数,可以只写其中的某一...

weixin_30617695的博客 712

python-两个print命令输出内容显示在同一行

print函数 在python2中,print只是一个关键字,但是在3.x中,print 是一个函数。 定义: print(*objects, sep=' ', end='\n', file=sys.stdout); 参数: *objects-复数,一次可输出多个对象,用‘,’分开 sep – 用来间隔多个对象,默认值是一个空格。 end --用来设定以什么结尾。默认值是换行符 \n,可以换成其...

melody的博客 2万+

python输出的时候,控制每行输出的个数

python输出的时候,控制每行输出的个数 这里以每行输出10个数字为例 count=0 #设置初始计数 for j in range(20): print(j, end=' ') count += 1 #开始计数 if count % 10 == 0: #每10个换行 print(end='\n') 输出为: 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 ...

qq_43722906的博客 3万+

python 整行_python dataframe 输出结果整行显示的方法

python dataframe 输出结果整行显示的方法在使用dataframe时遇到datafram在列太多的情况下总是自动换行显示的情况,导致数据阅读困难,效果如下:# -*- coding: utf-8 -*-import numpy as npimport pandas as pddf = pd.DataFrame(np.random.randn(1, 20))print df显示效果:0...

weixin_39976499的博客 2871

【python】终端输出颜色设置

【python】终端输出颜色设置

H2K1R~ACE 547

python jupyter输出结果_JupyterNotebook 输出窗口的显示效果调整方法

在使用JupyterNotebook时,经常会遇到输出结果行数过长,结果显示时自动给放进了一个带有滚动条的小窗口。但是我们就是想一次看到全部结果,该怎么办?其实非常简单,找到上方一排英文的工具栏,点击cell,再点击current outputs,会弹出最终的三个选项,分别是:Toggle、Toggle Scrolling、Clear。如果你现在的显示效果是有滚动条的,就说明你的选项目前是Togg...

weixin_39673742的博客 2630

Python中输出字体的颜色设置

class bcolors: HEADER = '\033[95m' OKBLUE = '\033[94m' OKGREEN = '\033[92m' WARNING = '\033[93m' FAIL = '\033[91m' ENDC = '\033[0m' def disable

逝水流年轻染尘 1万+

python页面显示不全_关于python pycharm中输出的内容不全的解决办法

关于python pycharm中输出的内容不全的解决办法很多时候我们会发现有的时候输出的结果特别多的时候,会在最后输出时用。。。代替,最后输出一个总长度,那要咋么弄咧?import pandas as pd# 设置显示的最大列、宽等参数,消掉打印不完全中间的省略号# pd.set_option('display.max_columns', 1000)pd.set_option('display....

weixin_39997173的博客 1951

C#调用python核心代码,并将python中的输出信息实时显示在c#的界面中

文章目录欢迎使用Markdown编辑器 欢迎使用Markdown编辑器 最近写代码想用python写核心数据处理代码,然而在写界面的时候想用c#来写,现在想通过c#直接调用python的核心处理程序,这里就不讲如何的调用python脚本程序了,有多中方法,网上有很详细的介绍,自己搜。经过我自己的使用,有两种方法比较好用,1、直接调用python脚本,这种方法需要用Python环境,如果你把程序分享给别人,必须要把你的python环境一起打包。2、将python文件打包成exe的形式,这种方法可以用pyins

zhengxinjie2的博客 2712
上一篇: 高效的算法设计
下一篇: 二分查找做的小游戏
B757-300
博客等级 码龄4年 259粉丝 52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