weixin_64638001的博客

Numpy 作为 Python 中用于进行科学计算的核心库，提供了高性能的多维数组对象，以及大量用于数组操作的工具。下面围绕 “常量”“数据类型”“时间日期和时间增量” 三个方面，梳理 Numpy 中基本的数据概念和数组创建相关知识。

哈希表（Hash Table），又称为散列表，是根据关键码值（Key value）而直接进行访问的数据结构。它通过一个哈希函数（Hash Function），将关键码值映射到表中的一个位置来访问记录，以加快查找的速度。这个映射函数叫做哈希函数，存放记录的数组叫做哈希表。

说实话没听懂，记录一下了解的知识

sorted()和都可以接受一个key参数，用于指定排序的规则。python# 按字符串长度排序print("按字符串长度排序后的列表:", sorted_words)# 按自定义函数排序print("按年龄排序后的学生列表:", sorted_students)Python 内置的sorted()函数和方法使用方便，性能也比较好，在大多数情况下可以直接使用。不同的排序算法有不同的时间复杂度和空间复杂度，在选择排序算法时需要根据具体的应用场景进行选择。

pythonclass BST:else:else:else:else:有序数据结构（如排序数组、二叉搜索树）能显著提升查找效率递归实现简洁但需注意栈溢出风险，迭代实现更可控BFS 适合求最短路径，DFS 适合内存敏感场景二叉搜索树的中序遍历天然有序，可用于快速排序等衍生问题建议根据具体场景选择实现方式，结合 Python 的生成器、装饰器等特性，可以进一步优化代码的可读性和性能。

【代码】十二天-双指针技术：链表问题的高效解法。

树是一种非线性数据结构，由 n 个有限节点组成层次关系集合。有且仅有一个根节点其余节点分为若干互不相交的子树节点间通过父子关系连接平衡多路查找树，所有叶子节点在同一层阶数 m：每个节点最多有 m 个子节点（m≥2）关键特性根节点至少 2 个子节点非根节点至少⌈m/2⌉个子节点叶子节点包含所有数据自平衡二叉搜索树，通过颜色标记保持平衡五大性质节点颜色为红或黑根节点为黑色叶子节点（NIL）为黑色红节点的子节点必须为黑色从任一节点到其叶子的路径包含相同数量黑节点。

字符串是由零个或多个字符组成的有序序列，它在程序中用于表示文本信息。。这里，str作为字符串变量名，就如同给一个装着文本内容的盒子贴上了标签；则是这个字符串所承载的值，它包含了 11 个字符，其中包括一个空格，通过len()函数能够轻松获取这一长度信息。从底层存储原理来讲，不同编程语言存储字符串的方式各有特点。多数情况下，字符串会以连续内存空间存储字符序列，像 C 语言中，常以字符数组存储字符串，并在末尾添加'\0'作为结束标识，以此明确字符串边界，方便程序对其进行处理。

栈（Stack），也被称为堆栈，是一种特殊的线性表数据结构。它有两个关键特征：一是操作的限制性，只允许在表的一端进行数据的插入和删除操作，这一端被称作「栈顶（top）」，而另一端则是「栈底（bottom）」；二是遵循「后进先出（Last In First Out，简称 LIFO）」原则。当栈中没有任何数据元素时，我们称其为「空栈」。在栈中，插入操作也叫「入栈」或「进栈」，删除操作则叫「出栈」或「退栈」。从线性表的角度看，栈中元素存在前驱后继的线性关系，元素按顺序进栈，栈顶元素是最后进栈的那个。

带头结点的单链表，在编写代码时更具便利性，它多了一个不存储有效数据的头结点，用于简化链表操作时对首节点的特殊处理；不带头结点的单链表虽然节省了一个节点的存储空间，但在代码实现时，对于头节点的插入、删除等操作需要额外的判断逻辑，增加了代码的复杂性。指针，这使得双链表在双向遍历、删除节点等操作上更加高效。为空，说明插入位置超出链表长度，插入失败返回。每个节点除了有指向下一个节点的。循环找到插入位置的前一个节点。指针，还有指向前一个节点的。

在计算机科学与数学的广袤领域中，数组作为一种极为重要的数据结构，发挥着不可或缺的作用。它就像一个有序的 “数据仓库”，能高效地存储和管理大量数据。接下来，让我们深入了解数组的奥秘。

注意：转动的角度是外角。

列表是 Python 中最常用的数据结构之一，它是一个有序、可变的元素集合。列表使用方括号[]来表示，元素之间用逗号分隔。收起python# 示例列表字符串是由零个或多个字符组成的不可变序列，可以使用单引号、双引号或三引号'''或"""来表示。收起python# 示例字符串字典是一种无序、可变的数据结构，用于存储键值对。字典使用花括号{}来表示，键和值之间用冒号分隔，键值对之间用逗号分隔。收起python# 示例字典。

python

此外，多模态大型模型的出现为AI系统带来更丰富的数据和更全面的信息感知，为跨领域的应用提供了可能性。深度学习技术的应用不仅提升了AI系统的性能，还拓展了其应用范围。然而，随着大型AI模型的发展，也带来了重要的挑战。确保模型的公正性、无偏见、解释性和透明度，解决数据隐私和安全问题，减少高能源消耗对环境的影响都是亟待解决的问题。总的来说，AI技术的发展为社会带来了巨大的机会和挑战。在不断探索和应用的过程中，我们需要不断优化技术发展，确保AI技术的应用能够造福人类社会，并且促进社会的可持续发展。