切片list

list有两类常用操作:索引(index)和切片(slice)。

 

昨天我们说的用[]加序号访问的方法就是索引操作。

 

除了指定位置进行索引外,list还可以处理负数的索引。继续用昨天的例子:

 

l = [365, 'everyday', 0.618, True]

 

l[-1]表示l中的最后一个元素。

l[-3]表示倒数第3个元素。

 

切片操作符是在[]内提供一对可选数字,用:分割。冒号前的数表示切片的开始位置,冒号后的数字表示切片到哪里结束。同样,计数从0开始。

注意,开始位置包含在切片中,而结束位置不包括。

 

l[1:3]

 

得到的结果是['everyday', 0.618]。

 

如果不指定第一个数,切片就从列表第一个元素开始。

如果不指定第二个数,就一直到最后一个元素结束。

都不指定,则返回整个列表的一个拷贝。

 

l[:3]

l[1:]

l[:]

 

同索引一样,切片中的数字也可以使用负数。比如:

 

l[1:-1]

 

得到['everyday', 0.618]

 

 

#==== 点球小游戏 ====#

 

昨天有了一次罚球的过程,今天我就让它循环5次,并且记录下得分。先不判断胜负。

 

用score_you表示你的得分,score_com表示电脑得分。开始都为0,每进一球就加1。

 

from random import choice

 

score_you = 0

score_com = 0

direction = ['left', 'center', 'right']

 

for i in range(5):

   print '==== Round %d - You Kick! ====' % (i+1)

   print 'Choose one side to shoot:'

   print 'left, center, right'

   you = raw_input()

   print 'You kicked ' + you

   com = choice(direction)

   print 'Computer saved ' + com

   if you != com:

       print 'Goal!'

       score_you += 1

   else:

       print 'Oops...'

   print 'Score: %d(you) - %d(com)\n' % (score_you, score_com)

 

   print '==== Round %d - You Save! ====' % (i+1)

   print 'Choose one side to save:'

   print 'left, center, right'

   you = raw_input()

   print 'You saved ' + you

   com = choice(direction)

   print 'Computer kicked ' + com

   if you == com:

       print 'Saved!'

   else:

       print 'Oops...'

       score_com += 1

   print 'Score: %d(you) - %d(com)\n' % (score_you, score_com)

 

注意:手机上代码有可能会被换行。

这段代码里有两段相似度很高,想想是不是可以有办法可以用个函数把它们分离出来。

 

 

#==== Crossin的编程教室 ====#

 

 

 

### 卡尔曼滤波器中的回冲问题及其解决方法 卡尔曼滤波器是一种用于估计动态系统的状态的算法,在处理噪声数据方面表现出色。然而,当测量值突然变化时,可能会出现所谓的“回冲”现象,即滤波器输出跟随这些突变而产生不必要的振荡。 为了减小这种回冲效应,可以采取多种策略: #### 调整过程噪声协方差矩阵 Q 和观测噪声协方差 R 通过合理设置这两个参数,可以在平滑度和平稳响应之间找到平衡点。增大 \(Q\) 可使模型更相信预测而非测量;反之,则会增加对新信息的信任程度[^1]。 ```python import numpy as np # 增大过程噪声协方差以降低敏感性 kalman_filter.Q = np.array([[0.1, 0], [0, 0.1]]) ``` #### 使用扩展窗口平均法 (EWMA) 此技术通过对最近几次的历史测量取加权均值得到当前时刻的状态估值,从而有效地抑制短期波动的影响。这种方法特别适用于那些具有较强趋势性的信号过滤场景中[^2]。 ```python def ewma(data, alpha=0.7): result = [] prev = data[0] for value in data: current = alpha * value + (1 - alpha) * prev result.append(current) prev = current return result ``` #### 实施鲁棒统计学方法 采用M估计或其他形式的稳健回归来替代传统的最小二乘拟合方式,能够显著提高抗干扰能力并减少异常点带来的影响。这类方法通常基于Huber损失函数或Tukey's bisquare权重方案构建而成。 ```python from sklearn.linear_model import HuberRegressor huber_regressor = HuberRegressor(epsilon=1.35).fit(X_train, y_train) y_pred_robust = huber_regressor.predict(X_test) ```
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