python基础知识-内置函数

本文详细介绍了Python中的三元运算符、lambda表达式以及多种内置函数的使用方法,包括abs()、all()、ascii()、bin()等,并通过实例演示了这些功能的实际应用。

三元运算符:

name = "jiang" if 1 == 1 else "chen"

等价于:

if 1 == 1:
    name = "jiang"
else:
    name = "chen"

def f1(a1):
    return a1+100

lambda表达式,可接受多个参数,也可接受默认值,但只能进行简单计算并只能一行完成:

def f1(a1):
    return a1+100

f2 = lambda a1:a1+100
f3 = lambda a1,a2:a1+a2+200
f4 = lambda a1,a2 = 50:a1+a2
r2 = f2(10)
r3 = f3(20,30)
r4 = f4(40)
print(r2)
print(r3)
print(r4)

内置函数:

1.abs()绝对值 
n = abs(-1)
print(n)

2.all()中为可迭代对象,所有元素均为真才为真
  any()中为可迭代对象,元素只要有真就为真
  0,None,"",[],{},()都是False
  n = all([1,2,3,4]) 为True
  n1 = all((1,2,3,0))为False


3.ascii()自动执行对象的_repr_()方法

4.bin():将十进制转为二进制
  oct():将十进制转为八进制
  hex():将十进制转为十六进制
  print(bin(5))/print(oct(6))/print(hex(15))

5.bytes()将字符串转换为字节类型
  bytes()utf-8一个汉字3个字节,gbk一个汉字2个字节
  bytes(s,encoding="utf-8")将字符串转换成字节,编码参数可选utf-8/gbk
6.str()将字节转为字符串:
  str(bytes("你好",encoding="utf-8"),encoding="utf-8")

7.compile() 将字符串编译成python代码
  exec() 能执行所有python代码,没有返回值
  eval() 只能执行表达式,有返回值

8.
delattr(),getattr(),setattr(),hasattr()反射

9.
dir(对象)快速查看某个对象提供的功能
  help(对象) 查看帮助
10.divmod() 返回元祖,包括商和余数。主要用于分页
   
n1,n2 = divmod(97,10)
   print(n1,n2)

11.isinstance(对象,类) 返回值true/false

12.filter(函数,可迭代的对象)和map(函数,可迭代的对象)
   filter()循环第二个参数,将每一个循环元素去执行第一个参数即函数,如果函数返回值为true,表示元素合法,将元素添加到结果中
   map()将函数返回值添加到结果中

13.globals()和locals()所有的全局变量和所有的局部变量
14.hash()生成哈西值

15.len() python默认按字符计算,若中文"接触" = 2

16.max()/min()/sum()

17.reversed(可迭代对象) 反转

18.round()四舍五入

19.zip()将各列表中各元素组合成元祖






内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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