Python之不要满足于使用易于理解的那一小部分

本文深入探讨了Python中序列的多种操作技巧,包括列表推导、生成器列表、元组拆包、具名元组的创建、切片应用、序列替换、序列操作符特性以及序列排序方法。同时介绍了如何使用bisect和insort在有序序列中查找或插入元素。
部署运行你感兴趣的模型镜像

序列构成的数组

  •  容器序列(list、tuple、collections.deque)存放的是它们所包含的任意类型的对象的引用,而扁平序列(str、array.array)里存放的是值而不是引用。扁平序列更加紧凑,但是它里面只能存放诸如字符、字节和数值这些基础类型。
  •  列表推导是构建list的快捷方式,通常的原则是,只用列表推导来创建新的列表,并且尽量保持代码简短。
symbols = '$^&*#@'
codes = [ord(s) for s in symbols]
# 列表推导还可以这样写
beyond_ascii = [ord(s) for s in s if ord(s) > 127]
  •  笛卡尔积是一个列表,列表里的元素是由 输入的可迭代类型的元素对 构成的元组。
colors = ['black', 'white']
sizes  = ['S', 'M', 'L']
tshirts = [(color, size) for color in colors for size in sizes]
  •  生成器列表可以用来创建其他任何类型的序列。语法跟列表推导差不多,就是把[ ]换成( )。在使用生成器列表时,可以逐个地产出元素,而不是先建立一个完整的列表,然后再把这个列表传递到下一步。
  •  在元组拆包中,使用*可以获取不确定数量的参数。*前缀只能用在一个变量名前面,但是这个变量可以出现在赋值表达式的任意位置。
a, b, *args = range(5)
  •  创建一个具名元组需要两个参数,一个是类名,一个是类的各个字段的名字。后者可以是由数个字符串组成的可迭代对象,或者是由空格分隔开的字段名组成的字符串。
from collections import namedtuple
City = namedtuple('City', 'name country population coordinates')
tokyo = City('Tokyo', 'JP', 36.933, (35.689722, 139.691667))
  •  与Matlab不同,Python切片用s[a:b:c]的形式对s在a和b之间以c为间隔取值。c的值还可以为负,负值意味着反向取值。
s = 'bicycle'
s[::-1] # 'elcycib'
  •  l = list(range(10)),要把其中2-4三个元素替换成100。这时即便只有单独的一个值,也要把它转换成可迭代的序列。
l[2:5] = [100]
  •  对序列使用+和*,都不修改原有的操作对象,而是构建一个全新的序列。
  •  Python的一个惯例:如果函数或者方法对对象进行的是就地改动,那它就应该返回None。
  •  对可迭代对象排序:sort和sorted。list.sort方法会对list就地排序,sorted会新建一个list作为返回值,因此可以接受任何形式的可迭代对象作为参数。它们俩都有两个可选的关键字参数:
    •  reverse:默认False是以升序输出
    •  key:key会被用在序列的每一个元素上,所产生的结果将是排序算法依赖的对比关键字。key=str.lower实现忽略大小写的排序,key=len实现基于字符串长度的排序。
  •  bisect和insort利用二分查找算法来在有序序列中查找或插入元素。

字典和集合

 

您可能感兴趣的与本文相关的镜像

Python3.10

Python3.10

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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