python应聘(2)——容易采坑的round() 函数

零基础转行数据科学:14周实战入行路径图 数据科学不是高深数学,而是将业务问题转化为可验证数据结论的能力。其核心原理在于数据清洗、业务翻译与证据交付的闭环实践,技术价值体现在快速支撑决策、降低试错成本、提升跨部门协作效率。典型应用场景包括电商归因分析、用户行为洞察、本地生活运营优化等。尤其对非计算机背景、无实习经历的转行者而言,真实项目驱动的学习路径比学历堆砌更高效——如用Pandas处理混乱订单字段、用SQL回答‘哪家奶茶店复购率更高’、用Tableau制作HR能直接转发的销售看板。关键能力锚点正是数据清洗实战力与业务问题翻译力。 阅读详情

Python round() 函数

这个前段时间做华为在线编程题目时候遇到的坑,一直懒写,但是为了防止忘了,还是提前补上。

题目贴在下面:

https://www.nowcoder.com/practice/3ab09737afb645cc82c35d56a5ce802atpId=37&tqId=21230&tPage=1&rp=&ru=%2Fta%2Fhuawei&qru=%2Fta%2Fhuawei%2Fquestion-ranking

这里用到了python的round()函数:

round函数很简单,对浮点数进行近似取值,保留几位小数。比如:

>>> round(10.0/3, 2)
3.33
>>> round(20/7)
3

第一个参数是一个浮点数,第二个参数是保留的小数位数,可选,如果不写的话默认保留到整数。

这么简单的函数,能有什么坑呢?

1、round的结果跟python版本有关

我们来看看python2和python3中有什么不同:

$ python
Python 2.7.8 (default, Jun 18 2015, 18:54:19) 
[GCC 4.9.1] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> round(0.5)
1.0

$ python3
Python 3.4.3 (default, Oct 14 2015, 20:28:29) 
[GCC 4.8.4] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> round(0.5)
0

好玩吗?

如果我们阅读一下python的文档,里面是这么写的:

在python2.7的doc中,round()的最后写着,"Values are rounded to the closest multiple of 10 to the power minus ndigits; if two multiples are equally close, rounding is done away from 0." 保留值将保留到离上一位更近的一端(四舍六入),如果距离两端一样远,则保留到离0远的一边。所以round(0.5)会近似到1,而round(-0.5)会近似到-1。

但是到了python3.5的doc中,文档变成了"values are rounded to the closest multiple of 10 to the power minus ndigits; if two multiples are equally close, rounding is done toward the even choice." 如果距离两边一样远,会保留到偶数的一边。比如round(0.5)和round(-0.5)都会保留到0,而round(1.5)会保留到2。

所以如果有项目是从py2迁移到py3的,可要注意一下round的地方(当然,还要注意/和//,还有print,还有一些比较另类的库)。

>>> round(2.675, 2)
2.67

python2和python3的doc中都举了个相同的栗子,原文是这么说的:

Note

The behavior of round() for floats can be surprising: for example, round(2.675, 2) gives 2.67 instead of the expected 2.68. This is not a bug: it’s a result of the fact that most decimal fractions can’t be represented exactly as a float. See Floating Point Arithmetic: Issues and Limitations for more information.

简单的说就是,round(2.675, 2) 的结果,不论我们从python2还是3来看,结果都应该是2.68的,结果它偏偏是2.67,为什么?这跟浮点数的精度有关。我们知道在机器中浮点数不一定能精确表达,因为换算成一串1和0后可能是无限位数的,机器已经做出了截断处理。那么在机器中保存的2.675这个数字就比实际数字要小那么一点点。这一点点就导致了它离2.67要更近一点点,所以保留两位小数时就近似到了2.67。

以上。除非对精确度没什么要求,否则尽量避开用round()函数。近似计算我们还有其他的选择:

  • 使用math模块中的一些函数,比如math.ceiling(天花板除法)。
  • python自带整除,python2中是/,3中是//,还有div函数。
  • 字符串格式化可以做截断使用,例如 "%.2f" % value(保留两位小数并变成字符串……如果还想用浮点数请披上float()的外衣)。
  • 当然,对浮点数精度要求如果很高的话,请用嘚瑟馍,不对不对,请用decimal模块。

因此,上面题目的答案应该这样写:

while True:
    try:
        num = float(input())
        if(num%1>=0.5 and int(num//1)%2==0):
            if(num<1):
                print(int(round(num)))
            else:
                print(int(round(num))+1)
        else:
            print(int(round(num)))
    except:
        break

以上~


参考文献:

1.http://www.runoob.com/python/func-number-round.html

2.http://www.runoob.com/w3cnote/python-round-func-note.html

Sonnet 4.6深度集成Office:轻量模型驱动的AI办公自动化实战指南 AI办公自动化正从概念走向日常,其核心已不再是单纯的大模型参数比拼,而是轻量级推理模型与生产力软件的深度协同。Claude Sonnet系列代表了面向实际工作流优化的新范式——它通过动态稀疏注意力、Office Context Bridge协议和内嵌式代码生成能力,在Word、Excel、PowerPoint中实现低延迟、高精度的上下文理解与自动化执行。这种能力直接支撑起文档处理、数据清洗、跨应用Agent任务等高频职场场景,让非程序员也能用自然语言触发VBA、Office Script或Excel公式生成 阅读详情

相关推荐

腾讯音乐春招测试岗第二批笔试复盘:题型考点与备考指南

软件测试工程师的笔试不同于开发岗的算法竞赛,它更看重候选人对计算机基础知识的掌握和系统性的测试思维。从Linux常用命令到数据库SQL查询,从自动化测试框架到测试用例设计,这些知识构成了大厂测试岗笔试的通用考察维度。掌握这些技术点不仅是为了应对选择题,更是为后续的接口测试、性能测试等工程实践打下基础。在腾讯音乐春招等大厂测试岗笔试中,往往通过场景化题目考察候选人的工程能力,比如用Linux命令排查进程、设计登录功能测试用例、用pytest编写自动化测试脚本等。理解测试方法论与实际工具的结合,才能在不同批次的

weixin_30719711的博客 465

Python学习中的无效语法常见原因和解决办法分析

Python以其简单的语法而闻名。然而,当您第一次学习Python时,或者当您具有另一种编程语言的坚实背景时,您可能会遇到一些Python不允许的事情。如果您在尝试运行Python代码时收到过SyntaxError错误,那么本指南可以帮助您。在本教程中,您将看到Python中常见的无效语法示例,并学习如何解决这个问题。 在本教程结束时,您将能够: 识别Python中的无效语法 理解SyntaxError回溯 解析无效语法或完全阻止它 image Python中的无效语法 当您运行Pytho

码农黑羽的博客 2万+

零代码AI应用构建:可视化编排与业务逻辑抽象实战指南

零代码AI应用并非替代开发,而是将AI能力封装为可复用、可治理的业务组件。其核心原理在于通过可视化编排解耦模型调用与业务流程,以提示工程作为新型逻辑表达,依托无服务器集成实现跨系统数据流动。技术价值体现在大幅压缩MVP验证周期、降低AI落地门槛、强化业务人员自主性,并保障企业级可审计与权限可控。典型应用场景包括智能招聘初筛、客户意向预测、会议纪要生成等需快速响应真实业务流的任务。本文聚焦零代码AI平台的三层架构(可视化层、可组合AI服务层、可治理基础设施层)与实操关键——特别是提示工程的三段式结构、连接器权

332

Python round函数小bug探讨

首先来简单介绍下round这个函数。 1. 语法 round( x [, n] ) 2. 参数 x -- 数值表达式。 n -- 数值表达式,表示从小数点位数。 3. 返回值 返回浮点数x的四舍五入值。 4. 实例 最近在刷NCT的PYTHON等级考试题目,在使用round这个非常不起眼的四舍五入常规函数时候发觉了一件很有意思的事情,即在某些时候.5并不会五入,反而变成了四舍。具体看下如下两个例子 在这两个例子我发觉很奇怪的现象,照道理0.5四舍五入应该是1.

zyypjc的博客 1678

Python+Django大学生就业信息管理系统:从数据建模到答辩全解析

在Web开发与管理系统设计中,以Python和Django为代表的全栈框架正成为快速构建业务系统的首选。Django凭借其内置的ORM、认证与Admin后台,让开发者能高效完成数据建模、权限控制和业务闭环。大学生就业信息管理系统作为典型的多角色协作场景,涵盖学生、企业、管理员三类用户,核心在于围绕职位发布、简历投递、状态流转与统计报表设计合理的数据模型。通过继承AbstractUser扩展用户角色,使用ForeignKey关联职位与投递记录,并利用事务保证数据一致性,即可实现一套功能完整的管理系统。本文从源

weixin_34199764的博客 323

告别第三方工具!用Windows自带蓝牙玩转BLE设备调试(保姆级图文教程)

本文详细介绍了如何利用Windows自带的蓝牙功能进行BLE设备调试,无需第三方工具。从硬件准备、系统配置到实战操作,提供保姆级图文教程,帮助开发者高效完成设备发现、数据交互等全流程调试工作。特别适合物联网开发者和智能硬件爱好者。

o5p6q的博客 735

python round()_VOL.1 关于python中round()函数不同情况下的舍入问题

在此之前我从来没有思考过round()的问题,只是简单的认为同数学中的四舍五入并无区别,上课老师谈到之后才明白round()函数并不是严格的四舍五入,而采用四舍六入五看前的准则。这个准则在对一位小数化整数时没有出现任何问题,但是我在尝试使用round()函数将7.55和8.55保留为一位小数时出现了不同的舍入情况。小数点部分完全一致,但出现了不同的舍入情况 下面简单介绍一下我对上述特...

weixin_39567013的博客 224

存储关键技术·RAID技术·RAID2.0·华为RAID2.0+·华为服务器·云计算

一.RAID基本概念 常见的RAID级别组合RAID级别 二.RAID的数据组织形式 三.RAID的数据保护功能 方法一:镜像方法二:奇偶校验算法(XOR) 四.RAID热备和重构 1.热备(Hot Spare)的定义2.热备的分类3.热备的工作原理 五.RAID 2.0技术 1.RAID 2.02.RAID 2.0+3.华为RAID 2.0+ 六.RAID 2.0+块虚拟化技术 1.什么会出现RAID 2.0+技术?2.什么是RAID 2.0?3.RAID 2.0+的原理是什么?

qq_47480932的博客 3320

python round函数_Python 为什么不解决四舍五入(round)的“bug”?

因为二进制浮点数不能解决这个问题。先看一个现象,和 round 无关的:>>> def show(x):... """打印一个数,20 位精度"""... print('{:.20f}'.format(x))...>>> show(1.5)1.50000000000000000000>>> show(1.25)1.25000000000000000000>>> show(1.245...

weixin_39603327的博客 578

【社区分享】从零开始学习 TinyML,建立 TensorFlow 深度学习模型(技术优化篇)

本文来自社区投稿与征集,作者王玉成,ML&IoT Google Developers Expert,温州大学智能锁具研究院总工程师。 了解更多:https://blog.youkuaiyun.com/wfing 经过前面几章的讨论,我们了解了TinyML 的概念,完成了一个最简单的TinyML 的模型并且运行在微控制器上,得出最基本的结果。但是在实际的工程应用中,模型建立之后,也需要再进一步结合许多优化方面的技术,这就是我们接下来想要探讨的。 5. 优化 TinyML 这本书也详细的向我...

tensorflowforum的博客 1万+

用Matlab搞定Delta并联机器人运动学:从建模到正逆解完整流程(附代码)

本文详细介绍了如何使用Matlab实现Delta并联机器人的运动学分析,包括几何建模、正逆解求解及可视化验证。通过符号计算和数值迭代法,解决非线性方程组问题,并提供完整代码示例,帮助读者快速掌握Delta机器人的运动学计算与应用。

weixin_30955617的博客 179

python:round()函数的舍入问题

一、round舍入 在python2.7的doc中,round()的最后写着,“Values are rounded to the closest multiple of 10 to the power minus ndigits; if two multiples are equally close, rounding is done away from 0.” 保留值将保留到离上一位更近的一端(四舍六入),如果距离两端一样远,则保留到离0远的一边。所以round(0.5)会近似到1,而round(-0.

demo_yo的博客 3692

Unity 2022打包Android APK:手把手教你创建和配置第一个签名Keystore(避坑指南)

本文详细介绍了Unity 2022打包Android APK时创建和配置签名Keystore的全流程,包括环境准备、Keystore创建、高级配置避坑指南以及签名验证与故障排查。特别强调了Android应用签名的重要性及安全维护策略,帮助开发者避免常见错误,确保应用顺利发布。

weixin_27379781的博客 243

Python+Django构建智能招聘推荐系统实战

推荐系统作为人工智能的核心应用之一,通过算法模型实现用户与内容的智能匹配。其技术原理主要基于协同过滤和内容推荐两大范式,前者分析用户行为相似度,后者侧重特征匹配。在招聘场景中,这类系统能显著提升人岗匹配效率,Django框架的ORM特性与内置安全机制使其成为开发首选。本文详解如何利用Django的annotate()和Q对象实现高效数据查询,结合混合推荐算法(内容权重70%+协同过滤30%)构建招聘平台,其中技能关键词标准化处理可提升匹配准确率15%-20%。系统采用JSONField存储动态简历字段,配合

weixin_34195364的博客 390

DCM4CHEE Archive Light 应用配置-存储配置

本文介绍了在DICOM归档系统中配置和管理存储的方法,包括通过用户界面和LDAP导入两种方式。主要内容包括: 存储配置概述:用户可根据需求配置单个或多个存储设备,支持在磁盘空间不足或多任务并行时使用。存储分为Archive设备级(序列元数据存储)和Application Entity级(对象存储/元数据存储)。 用户界面操作: 设备级存储配置:通过菜单导航添加/编辑存储描述符,设置Storage ID、URI等关键参数 应用级存储引用:在设备扩展和网络AE中分别配置元数据和对象存储引用 LDAP配置方法:

洪城叮当的博客 1419

【线粒体基因组数据提交实战】从注释校验到GenBank批量入库的避坑指南

本文详细介绍了线粒体基因组数据从注释校验到GenBank批量上传的全流程避坑指南。重点解析了GB2sequin工具的正确使用方法、TBL注释文件的精修技巧,以及BankIt平台提交的隐藏要点,帮助科研人员高效完成NCBI数据提交,特别适合需要批量上传线粒体基因组数据的研究者。

weixin_28726671的博客 446

最优停止理论 37%法则:Python 模拟 10000 次实验验证秘书问题成功率

本文通过Python模拟10000次实验验证最优停止理论中的37%法则在秘书问题中的应用效果。详细解析了数学原理、实验设计及结果分析,展示了如何在实际决策中运用这一理论,帮助读者理解何时停止观望以最大化成功概率。

383

人形机器人电路板和算法分析

人形机器人电路板与算法深度剖析 电路板领域:人形机器人电子系统分为计算、驱动、感知、能源、通信五大模块。主控板采用高性能SoM(如NVIDIA Jetson AGX Orin),需满足严格电源完整性(PDN)与信号完整性(SI)要求;关节驱动板集成MCU、GaN/SiC功率器件及高精度编码器接口,采用刚柔结合PCB以适应狭小空间。挑战包括热-振可靠性(85°C/10G振动)、高密度互连(3mil线宽)及EMC兼容性。 算法领域:运动控制依赖MPC(模型预测控制)与强化学习(RL),实现实时动态平衡;感知算法

几十年资深高级架构师,技术专家的技术笔记。专注C、Java、Python、微服务、云原生、AI工程化及高并发系统分布式架构实战,分享源码剖析、性能调优与架构治理经验。 308

Python分析招聘广告要求:性别响应差异的统计建模与PDF报告

数据分析与文本挖掘的交叉应用,常被用于探究招聘广告中的隐性筛选机制。本文从文本特征提取、统计检验到逻辑回归建模,逐步拆解如何量化招聘要求对性别响应差异的影响。通过构造模拟广告数据、正则抽取需求数量与措辞强度、执行卡方检验及控制混杂变量,最终将可解释的模型结果与可视化图表输出为PDF报告。这套方法不仅适用于人力资源管理研究,也可推广至问卷数据、公开数据集等场景,帮助从业者掌握从原始文本到统计结论的完整分析流水线。

weixin_33861800的博客 291

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

电竞战队阵容迭代分析:基于Python的数据建模与强度量化实战

阵容迭代是团队竞技项目中的核心运营概念,指战队成员的系统性更换过程。其背后原理涉及对选手个人能力、团队协同、版本适应度及商业因素的综合量化评估。通过构建数据模型,可以科学分析阵容强度变化,为决策提供依据,在电竞数据分析、俱乐部运营等领域具有重要技术价值。本文以英雄联盟职业赛事为例,使用Python的pandas、numpy库模拟选手数据与协同矩阵,演示如何量化计算阵容强度,并对比不同阵容配置的竞技潜力。通过模拟分析,可以直观评估核心选手离队或新阵容重组对战队竞争力的影响,为理解转会市场决策、进行赛事内容创作

weixin_30875157的博客 373

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

Flask与jieba构建医院智能简历匹配系统实践

自然语言处理中的TF-IDF算法是文本挖掘的核心技术,通过统计词频与逆文档频率量化词语重要性。结合jieba分词工具能有效处理中文文本特征提取,在信息检索、推荐系统等场景广泛应用。本文以医院招聘场景为例,展示如何基于Flask框架搭建轻量级智能匹配系统,通过医疗领域词典优化和TF-IDF参数调优,实现简历与岗位描述的高效匹配。该系统采用Python技术栈,整合jieba分词、Redis缓存等组件,将传统人工筛选效率提升12倍,为医疗行业HR信息化建设提供可复用的工程实践方案。

weixin_34357436的博客 398

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

数据科学入行真实路径:90天构建项目信用替代学历

数据科学并非高深算法的堆砌,而是将业务问题转化为可验证数据结论的能力。其核心原理在于用结构化思维拆解需求、通过SQL与可视化完成最小闭环交付,并以业务结果建立职业信用。技术价值不在于工具复杂度,而在于降低决策成本、加速问题响应——如用双Y轴图揭示订单量与配送时长的负相关,或用漏斗图定位转化瓶颈。典型应用场景覆盖用户留存归因、营销ROI分析、产品使用优化等一线业务场景。本文聚焦无学历背书者如何通过真实项目(如外卖订单分析、社区团购洞察)积累‘最小可行洞察’(MVI)和可交叉验证的交付证据,实现从零到初级数据分

weixin_33770878的博客 367

顺丰校招笔试算法与系统设计全解析

动态规划和贪心算法是解决物流优化问题的两大核心技术。动态规划通过将复杂问题分解为子问题来求解最优解,特别适合路径规划等场景;贪心算法则通过局部最优选择逐步构建全局解,在包裹分拣等实时调度场景表现优异。在物流系统中,这些算法能有效降低运输成本、提升配送效率。以顺丰笔试为例,典型的应用包括带约束的最短路径计算、多目标车辆调度等实际问题。系统设计方面,高并发的物流跟踪系统和库存管理系统需要结合分布式架构与缓存策略,确保系统稳定性和数据一致性。掌握这些核心算法和架构思想,是应对物流科技类笔试面试的关键。

weixin_33755557的博客 419

前端第一节(html&css&javascript)

这是内容1这是内容2这是内容3这是一个有序列表这是有序列表1这是有序列表2这是有序列表3这是有序列表4自定义列表内容1

2301_79941274的博客 1419

AI驱动智能UI视觉回归测试:从YOLOv5模型训练到工程化落地实战

自动化测试是保障软件质量、提升研发效能的关键技术。其核心原理是通过脚本或工具模拟用户操作,对软件功能进行重复、可重复的验证,以替代部分人工测试工作。随着业务复杂度和迭代速度的指数级增长,传统基于DOM的UI自动化测试在维护成本和变更适应性上遇到瓶颈。AI技术,特别是计算机视觉(CV)与深度学习,为解决这一工程痛点提供了新思路。通过引入目标检测等模型,可以实现对UI元素的智能识别与比对,从而构建更健壮、低维护成本的测试方案,这代表了测试开发向智能化、工程化演进的重要方向。本文将以构建一个基于YOLOv5的智能

weixin_33896726的博客 414

校招数据决策框架:EDA驱动的可解释分类模型设计

校园招聘本质上是面向潜力预测的业务建模问题,其核心在于将学生多维行为数据转化为可行动的岗位匹配信号。探索性数据分析(EDA)在此并非统计练习,而是识别GPA分层差异、投递时间衰减、行为动词密度等关键业务断点的过程;分类模型的价值也不在AUC高低,而在于控制假阴性率、输出SHAP可解释逻辑,并对接ATS系统触发干预动作。本文聚焦Campus Recruitment场景下EDA与Classification的工程化落地,强调用分位数缩放替代默认正态假设、用规则引擎替代大模型做文本分析、用业务漏斗测试替代K折验证

weixin_30565327的博客 480
上一篇: python应聘(1)——ljust()方法
下一篇: python应聘(3)——python正则表达式入门(1)初级篇
voidfaceless
博客等级 码龄10年 100粉丝 114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