python关于元组的一些基本信息

本文详细介绍了Python元组的定义、操作,如遍历、查找以及常见错误处理方法,强调了元组作为不可变数据结构的特点。同时涵盖了与列表、字符串的类型比较和典型应用场景。

一、元组与列表的区别:

Python 的元组与列表类似,不同之处在于元组的元素不能修改。

元组使用小括号 ( ),列表使用方括号 [ ]。

二、元组:

格式:

变量名 = (,,)

案例:

tup1 = ('Google', 'Runoob', 1997, 2000)

三、元组的操作

1、元组的遍历:for

案例:

tup1 = ('Google', 'Runoob', 1997, 2000)
for i in tup1:
    print(i)

结果:

2、元组的修改

案例:

tup1 = ('Google', 'Runoob', 1997, 2000)
tup1[2]=77

结果:

说明: python中不允许修改元组的数据,包括不能删除其中的元素。

3、元组的查找:count, index

index()

说明:检测元素是否包含在元组中,如果是返回开始的索引值,否则报错

语法:元组.index(str, start=0, end=len(mystr))

案例1:

tup1 = ('Google', 'Runoob', 1997, 2000)
print(tup1.index('Runoob'))

结果:

案例2:

a=('a','b','c','a','b')
print(a.index('a',1,4))#左闭右开区间

结果:

count

说明:返回元素在元组里面出现的次数

案例:

a=('a','b','c','a','b')
print(a.count('a'))

结果:

index和count在列表、字符串、元组中通用,用法相同。

4、通过下标获取元素:

a=('at',22,6.5)
print(a[2])

结果:

5、运算符操作

len(Object)、复制(Objiect*num)、in/not in,连接等运算符的操作。

案例1:复制

a=('at',22,6.5)
print(a*4)

结果:

案例2:

a=('at',22,6.5)
b=(44,88)
print(a+b)

结果:

三、字符串、元组、列表的类型

字符串:

a="afd"
print(type(a))

结果:

 

列表:

a=['afd']
print(type(a))

结果:

 

元组:

a=('afd',)
print(type(a))

结果:

 

元组错误写法:

a=('afd')
print(type(a))

结果:

四、元组中出现错误的解决方法:

方法一:通过if判断:

a=(2,5,7,88,33)
b=int(input("请输入要找到的元素:"))
if b in a:
    print("存在")
    print(a.index(b))
else:
    print("不存在")

结果:

方法二:

a=(2,5,7,88,33)
b=int(input("请输入要找到的元素:"))
try:
    print(a.index(b))
except Exception as e:
    print(e)

结果:

 

 

方法三:添加三方日志

a=(2,5,7,88,33)
from loguru import logger
b=int(input("请输入要找到的元素:"))
try:
    print(a.index(b))
    logger.success("查询元素成功")
except Exception as e:
    print(e)
    logger.debug(e)

结果:

五、三方日志的添加

1、点击PyCharm界面下Terminal,输入pip install loguru

2、安装完之后

from loguru import logger
logger.debug("这是一条debug日志")

 

先展示下效果 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 4
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