Py知识点笔记(列表、元组和字典).Day01

本文详细介绍了Python中列表、元组和字典的基本操作、函数和方法。列表有len、max等函数,append、clear等方法;元组元素值不可修改,但可删除更新,有len、max等内置函数;字典可通过键值取值、修改和删除,有len、str等内置函数和clear、copy等方法,还提及了类型转换。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

python列表、元组和字典函数和方法

列表的基本操作

  • 列表的函数

len():返回长度

max()、min():列表元素中的最大值和最小值

list()

  • 列表的方法

python中输入dir([])即可查看

appen(object):列表尾加新元素

clear():清空列表 = del a[:]

copy():复制列表

count():针对列表中相同元素值value计算其数目

extend(list):将list列表中的元素添加到此列表中 //作为单个元素添加 而不是列表

index(value):将列表对象元素值为value的索引值返回

inser(index,object):在列表对象中索引值为index的元素之前插入新元素

pop([index]):将列表对象中索引值为index的元素删除。//如果没有指定的index值,默认删除字后一个元素。pop()函数相当于出栈操作,会讲删除的数据返回。

remove(value):将列表中元素值为value的元素删除//只删除从前往后数第一个

reverse():将列表中的数颠倒排列

sort():将列表对象中的元素按照大小顺序排列//默认从小到大

  • 递推式构造链表(list comprehension)

含义:使用链表内的元素构造新链表

其中:aa中4元素 * bb中5元素  = cc中20个元素

毕达哥拉斯三元数组:若m是基数,则m、(m^2-1)和(m^2+1)/2是一个三元数组,表示一个三角形的两条直角边和斜边

元组的基本操作

  • 元组对象的常用操作

  1. 创建一个元素的元组:a = (12,) //必须带,否则按常量处理
  2. 元组对象中内的元素值不能修改
  3. 可以删除元组中的元素,达到更新的目的。a = (1,2,3,4)  =>  a=a[0],a[2],a[3]
  4. 元组支持通过索引进行访问
  5. 元组支持组合,且元素类型可以不同
  6. 通过 del语句可以删除整个元组 del  a

元组内置函数

len、max、min、sum

字典的基本操作

字典的对象的常见操作

  • 取值

字典对象用{ }表示,可以无序,利用键值取值

在获取字典中的元素值时,应注意输入的键值必须是存在的

  • 修改

根据键值来修改

  • 删除

使用del删除字典中的元素 del dd["xx"]

  • 定义

定义字典键值有以下两条:

1.不允许同一个键值多次出现//否则,只有最后一个值有效,前面重复的键值将会被自动删除

2.字典键值必须不可变,可以用数字、字符串和元组充当,列表则不行//可充当元素值

字典的内置函数和方法

内置函数:len、str、type

  1. len(dict):计算字典元素个数
  2. str(dict):将字典的元素转化为可打印的字符串形式
  3. type(dict):返回输入变量的类型

内置方法

 clear():清除所有字典中的元素 // dd.clear()

copy():复制字典// dd = cc.copy()

get(k[,d]):取值

items():使用字典中的元素创建一个由元组对象组成的列表

keys():有键值组成一个列表

popitem():删除字典中最后一个元素

stedefault(k [d]):k是字典的键值,d为键值默认值。如果k存在,返回其元素值;否则返回d,并将新的元素添加到字典中。

updata(E):E是字典对象,由字典对象E来更新此字典

values():使用字典中键值的数值创建一个列表

 

Tips:

元组转列表:list()函数

列表转元组:tuple()函数

 

 

数据集介绍:野生动物与家畜多目标检测数据集 数据集名称:野生动物与家畜多目标检测数据集 数据规模: - 训练集:1,540张图片 - 验证集:377张图片 - 测试集:316张图片 分类类别: Brown-bear(棕熊)、Chicken(鸡)、Fox(狐狸)、Hedgehog(刺猬)、Horse(马)、Mouse(老鼠)、Sheep(绵羊)、Snake(蛇)、Turtle(龟)、Rabbit(兔)及通用object(物体)共11个类别 标注格式: YOLO格式标注,包含归一化坐标与类别索引,支持目标检测模型训练 数据特性: 涵盖航拍与地面视角,包含动物个体及群体场景,适用于复杂环境下的多目标识别 农业智能化管理: 通过检测家畜(鸡/马/绵羊等)数量及活动状态,辅助畜牧场自动化管理 生态监测系统: 支持野生动物(棕熊/狐狸/刺猬等)识别与追踪,用于自然保护区生物多样性研究 智能安防应用: 检测农场周边危险动物(蛇/狐狸),构建入侵预警系统 动物行为研究: 提供多物种共存场景数据,支持动物群体交互行为分析 高实用性标注体系: - 精细标注包含动物完整轮廓的边界框 - 特别区分野生动物与家畜类别,支持跨场景迁移学习 多维度覆盖: - 包含昼间/复杂背景/遮挡场景 - 涵盖陆地常见中小型动物与禽类 - 提供通用object类别适配扩展需求 工程适配性强: - 原生YOLO格式适配主流检测框架(YOLOv5/v7/v8等) - 验证集与测试集比例科学,支持可靠模型评估 生态价值突出: - 同步覆盖濒危物种(龟类)与常见物种 - 支持生物多样性保护与农业生产的双重应用场景
内容概要:本文档详细介绍了Python实现TSO-ELM(金枪鱼群优化算法优化极限学习机)多输入单输出回归预测的项目实例。极限学习机(ELM)作为一种快速训练的前馈神经网络算法,虽然具有训练速度快、计算简单等优点,但也存在局部最优解和参数敏感性的问题。金枪鱼群优化算法(TSO)通过模拟金枪鱼群体觅食行为,具有较强的全局搜索能力。将TSO与ELM结合形成的TSO-ELM模型,可以优化ELM的输入层和隐藏层之间的权重,提高回归预测的准确性。项目包括数据预处理、TSO优化、ELM回归模型训练和预测输出四个主要步骤,并提供了详细的代码示例。; 适合人群:对机器学习、优化算法有一定了解的数据科学家、算法工程师和研究人员,特别是那些希望深入理解智能优化算法在回归预测任务中的应用的人群。; 使用场景及目标:① 提升ELM在多输入单输出回归预测中的性能,特别是在处理非线性问题时的预测精度;② 解决ELM中的局部最优解和参数敏感性问题;③ 优化ELM的隐层权重和偏置值,提高模型的表达能力和预测能力;④ 在金融、气象、能源、医疗、交通等领域提供更准确的预测模型。; 阅读建议:本文档不仅提供了理论解释,还包含详细的代码实现,建议读者在阅读过程中结合代码进行实践,理解TSO-ELM模型的工作原理,并尝试调整参数以优化预测效果。同时,读者应关注TSO算法在高维复杂问题中的应用挑战,思考如何改进优化策略。
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