Python Learning(一)-数据类型

Python入门之机器学习(非常详细)篇幅拉满,一般人看不完! 什么是机器学习?监督学习 supervised learning;非监督学习 unsupervised learning;半监督学习 semi-supervised learning;强化学习 reinforcement learning;监督学习是不断向计算机提供数据(特征),并告诉计算机对应的值(标签),最后通过大量的数据,让计算机自己学会判断和识别。例如Google Photo,你在APP中输入狗,这时就会弹出与狗相关的图片,这背后使用的算法就是监督学习。 阅读详情

一 基本概念

1.python中严格区分大小写
2.Python中每一行就是一条语句,每条语句以换行结束
3.Python中每一行的语句不要过长,规范中建议每一行不超过80字符
4.一条语句可以分多行编写,语句后面以\结尾
5.Python中是缩进严格的语言,所以在Python中不要随便写缩进
6.在Python中用#来表示注释,注释可以加在代码的后面

二 变量和标识符

1.python中使用变量,不需要声明,直接为变量赋值即可。
2.python是一个动态类型的语言,可以为变量赋任意类型的值,也可以任意修改变量的值
3.python中所有可以自主命名的内容都属于标识符,标识符必须遵循规范
  (1)标识符可含有字母、数字、下划线,但不能以数字开头
  (2)不能含有关键字和保留字,函数名。
  (3)下划线命名法(所有字母小写,单词之间使用_分割)
  (4)帕斯卡命名法(大驼峰命名法)首字母大写,每个单词开头字母大写,其余字母小写 MaxLength

三 数据类型

1.Python的数值分为三种:整数、浮点数、复数
2.Python中所有的整数都是int类型
3.Python中的整数没有大小限制,可以是无限大的整数
4.如果我们的数字的长度过大,可以使用下划线作为分割符 c=123_456_789(下划线会被忽略)
5.Python十进制的数字不能以0开头(只要是数字打印都是以十进制显示)
	(1)二进制 0b开头
	(2)八进制 0o开头
	(3)十六进制 0x开头
6.Python中所有的小数都是浮点类型(float)
7.对浮点数运算时可能会得到一个不精确的结果 print(0.3==0.1+0.2) false

四 字符串

1.Python中字符串需用单、双引号引起来,但是注意不要混着用(一会用这个一会用那个),
不引起来会被当做变量
2.相同的引号之间不能嵌套,可以单双嵌套
3.单双引号不能跨行使用,使用\换行
4.使用三重引号''' """ 表示长字符串,可以换行,并且会保留字符串中的格式
5.转义字符 \+符号 \Uxxxx表示Unicode编码 例如s='\u0070'

五 格式化字符串

1.python中没有先生命变量类型,所以print("a= "+a)这种写法不常见 一般写作print("a=",a)
2.在创建字符串中,可以在字符串中指定占位符
 b='Hello%s你好%s'%('tom','孙悟空') b='Hello%s''%孙悟空' 
 b='Hello%3s'%'ab'够3就不管 不够3补空格
 b='Hello%3.5s'%'ab' 3.5s指的是字符串的长度限制在3-5之间
 b='Hello%3s'%123 不仅仅可以跟字符串 数字类型也能跟
 b='Hello%2f'%123.456  2f表示小数后面的2位 还会四舍五入
 b='Hello%d'%123.55 d表示整数位 会把后面小数直接舍去

3.print('a =%s'%a)
4.格式化字符串,可以通过在字符串前添加一个f创建一个格式化字符串
c = 'hello {}'.format(a)
print(c) 
print('c = {}'.format(c))

eg:
name='tom'
print('hello'+name)
print('hello',name)
print('hello%s'%name)
print('hello {}'.format(name))

console:
hellotom
('hello', 'tom')
hellotom
hello tom

六 复制字符串

字符串的复制(将字符串和数字相乘)

a=‘abc’
a=a*10
print(a)

console:
abcabcabcabcabcabcabcabcabcabc

七 布尔值(bool)和空值

布尔值实际上也属于整型,True就相当于1,False相当于0 
print(1+True) 2
print(1+False) 1 

None(空值)
None 专门表示不存在

八 类型检查

通过类型检查,可以检查指定值或变量的类型
type()用来检查值的类型
a=type(123)
print(a)
<type 'int'>
python强化学习之Q-learning算法 强化学习是什么? 简单来说就是通过感知周围环境而行动,以取得最大化收益的一个过程。 其中Q-learning算法的感知状态为离散,无规律。 华丽的分割线--------------------------------------------------------------------------- 一. 组成 首先介绍一下强化学习最重要的几个部分: 智能体(agent):可以是一个简单的算法,通常输入为state,输出为policy(规则) 状态集(states): 为智能体的输入 动作集(action 阅读详情

相关推荐

Q-learning理解、实现以及动态分配应用(一)

强化学习的概念,通俗的讲,强化学习就是通过agent,也就是动作的发起者,对环境造成一个影响,环境接受该动作后状态发生变化,同时产生一个强化信号(奖或惩)反馈给Agent,Agent根据强化信号和环境当前状态再选择下一个动作,选择的原则是使受到正强化(奖)的概率增大。选择的动作不仅影响立即强化值,而且影响环境下一时刻的状态及最终的强化值。在强化学习中,包含两种基本的元素:状态与动作,在某个状态下执...

洋葱专栏-有灵魂的程序员 1万+

QLearning算法实现(python)

Q学习、QLearning算法的讲解

qq_44600572的博客 4902

强化学习Q-learning的理解与python实现

Q-learning介绍 在介绍Q-learning这一基础的强化学习方法之前,首先要知道Q值代表什么。Q值翻译成中文是状态动作价值的意思,通俗一点来讲就是假设有个无所不知的上帝(先验),在凡人(智能体)当前处于某一状态s时,他可以从一定范围的动作(如a、b、c)中选择一个执行,而上帝会根据凡人的选择给出一个分数(因为上帝无所不知,所以知道凡人在选择了动作a之后会发生的所有事情)。比如凡人选择了a,上帝会给出80分,选择b的话上帝会给70分,选择c的话上帝会给60分,那么凡人在当前状态下肯定会选择分数最高的

秋水中的鱼的博客 2739

30个在线Python自学网站,再也不用到处找资料了

本文就是给大家推荐一些既能在线自学(视频),又可以在线编程的Python学习网站。 老规矩,简单介绍一下Python,与 Java、Perl、PHP 和 Ruby 等其他语言相比,Python是一种广泛使用的编程语言,它通常被称为脚本语言,也称为“胶水语言”。 Python 支持庞大而广泛的标准库。Python 库提供对许多 网络协议的支持,例如 FTP、HTTP和 IMAP。当然,Python具有自己独特的语法,这点不同于 Java、C++ 和 C 等其他编程语言。Python的一些特性如下:

m0_69951489的博客 8万+

python实现q-learning算法

关于q-learning算法,可参照以下博客,我只是复现作者的算法,如有错误,请私信改正。 A Painless Q-learning Tutorial (一个 Q-learning 算法的简明教程)_peghoty-优快云博客 import numpy as np import pandas as pd class QL: def __init__(self, actions, gamma=0.8, e_greedy=0.9): self.actions = act.

labority的博客 1598

Python实现集成学习——Ensemble Learning

在上述代码中,我们生成了一些随机的数据,并初始化了三个不同的模型。然后,我们使用线性回归作为元模型,通过“元特征”和真实标签进行训练,并使用所有模型的“元特征”对测试集进行预测。这些方法可以通过将多个模型的预测结果进行加权平均或投票,或者将它们的输出作为“元特征”进行堆叠,来产生更准确、更稳定的预测结果。堆叠泛化是一种更高级的集成学习方法,它通过将多个模型的预测结果作为输入,训练一个元模型来产生最终的预测结果。最后,我们使用加权平均法将三个模型的预测结果进行加权平均,并计算出了集成模型的MSE。

BUG?不存在的! 481

书籍-《使用Python进行机器学习中的数据标注》

编辑:陈萍萍的公主@一点人工一点智能书籍:Data Labeling in Machine Learning with Python: Explore modern ways to prepare labeled data for training and fine-tuning ML and generative AI ...

weixin_36134015的博客 257

使用Python学习的第三版:增强您的编程技能

本文将介绍一本广受欢迎的Python学习资源——《OReilly.Learning.Python.th.Edition》(以下简称《Learning Python》),并通过编写示例代码来演示其中的一些重要概念和技巧。通过阅读该书并进行实践,您将能够掌握Python编程的基本概念和技巧,并能够应用于各种实际项目中。《Learning Python》是一本深入浅出的教程,旨在帮助初学者快速上手Python编程,并提供了大量的示例代码和练习题。模块是包含函数、变量和类的文件,用于组织和重用代码。

持续更新 113

Unity MCP 教程:3 步配置,让 AI 助手直接操作你的 Unity 编辑器

Unity MCP 让 AI 助手直接操作你的 Unity 编辑器:建场景、改脚本、跑测试,一句话就能完成。它基于 MCP(一种让 AI 调用外部工具的协议),由两部分组成——装在编辑器里的 Bridge 包,和本地运行的 Python Server。前者是编辑器中的"插座",后者负责在 AI 与编辑器之间传话。 ## 一、动手前:确认三样依赖都就位 装之前先检查环境。Unity MCP 支持

gitblog_00586的博客 974

一个完整的 Double Q-Learning示例(python实现)

外层循环:控制训练的总回合数(episodes)内层循环:控制每个回合内的交互步数(steps)智能体 - 环境交互:执行动作 → 接收反馈 → 更新策略数据预处理多轮实验取平均以减少随机性移动平均平滑曲线,突出趋势视觉编码颜色区分不同算法区间填充表示不确定性可读性优化清晰的标题和轴标签适当的网格线和图例此代码通过科学的可视化设计,为强化学习算法对比提供了直观的分析工具,有助于快速识别算法性能差异和稳定性特征。数据预处理确保 Q 表数值范围合理,避免极端值影响整体可视化效果。

搏博的专栏 1599

Python Learning

Python Learning notes Python Learning notes Python Learning notes Python Learning notes

Python Q-learning 算法详解与应用案例

本文详细介绍了 Q-learning 的基本原理,提供了 Python 中的面向对象实现,并通过简单环境和迷宫游戏的案例展示了其应用。Q-learning 是一种强大的强化学习工具,在多种领域有广泛的应用潜力。希望本文能为读者理解和应用 Q-learning 提供帮助。

闲人编程的博客 3179

OpenHarmony-AI调研

基于OpenHarmony-5.0.0版本以及laval社区等网络资料调研当前OH上的AI发展情况。

qqq1112345的博客 1369

Python3 Learning(一)

1.Python字符串不能被改变。向一个索引位置赋值,比如word[0] = 'm'会导致错误; 可以对字符串进行切片,获取一段子串。用冒号分隔两个索引,形式为变量[头下标:尾下标]。 截取的范围是前闭后开的,并且两个索引都可以省略 &gt;&gt;&gt; word = 'ilovepython' &gt;&gt;&gt; word[1:5] 'love' 2.Tuple(元组) 1...

我知道你很急,但是路要一步步走 401

用STM32F103单片机控制电调制动无刷电机

用电调控制无刷电机制作遥控飞艇 蓝牙控制 调控电调 无刷电机 用电调控制无刷电机制作遥控飞艇 代码区 mian.c #include "delay.h" #include "sys.h" #include "usart.h" #include "usart3.h" #include "timer.h" #include "led.h" #include "key.h" int main(v...

子非鱼 的博客 2万+

从原理到实战:ARS548 4D毫米波雷达数据处理与多模态融合全解析

本文深入解析了4D毫米波雷达ARS548的工作原理与数据处理全流程。从FMCW测距测速、MIMO虚拟天线阵列到点云生成的三步FFT处理,提供了详尽的Python代码实现。文章进一步探讨了与激光雷达、相机的多模态时空对齐与融合策略,并指导如何构建用于自动驾驶感知训练的多模态标注数据集,为相关算法工程师提供了从理论到实践的完整指南。

weixin_29161719的博客 369

【强化学习】python实现Q-learning迷宫

感谢hhh5460,本文的主要代码参考了他的博客,地址:https://www.cnblogs.com/hhh5460/p/10143579.html 1.问题设置 一个8x8的迷宫,相比于原贴6x6做了简单的改进。 左上角入口,右下角出口(黄色方块),红色方块为玩家,黑色方块为障碍物。 2.思路分析 ...

qq_43200770的博客 5582

MAC-H3C官网inode客户端下载安装

MAC-H3C官网inode客户端下载安装

兴趣是最好的老师 1万+

从0到1:借助Awesome-Learning-Resources掌握Python编程

Awesome-Learning-Resources是一个被誉为"Technology Gold mine"的开源项目,它汇集了丰富的技术学习资料和资源。本指南将带你探索如何利用该项目提供的Python学习资源,从零基础开始系统掌握Python编程技能,让你快速入门并逐步提升。 ## 为什么选择Awesome-Learning-Resources学习Python? 在众多的学习资源中,Awes

gitblog_00401的博客 447

YOLOv8-pose姿态估计模型从训练到RK3588部署:让边缘端骨骼识别速度突破60FPS

本教程从“模型训练-转换-边缘部署”全链路拆解了YOLOv8-pose姿态估计方案在RK3588上的落地过程,每一步都经过实战验证。无论是智能健身的动作实时纠正,还是工业设备的关键部件姿态检测,这套流程都能让你以最低成本实现高精度、高实时性的姿态估计应用。如果你在实践中遇到模型转换报错、部署性能不达标等问题,可聚焦某一环节深入优化——毕竟,让AI在边缘端“精准捕捉每一个关键点”,才是技术驱动场景创新的核心。

know_F0727的博客 194

手把手教你学SINULINK-- --Linear Transformer 模块

模块是 Simulink 中用于模拟理想变压器行为的重要工具。通过本文的详细介绍,希望你能更好地理解和使用模块。

MHD0815的博客 2615

Python for Deep Learning

(1)type() 语法是 type(对象) ,返回的是对象的类型,前面我们也有用过,但是它是在内部返回的,如果你不输出它你是看不到的,所以经常会和输出函数print()嵌套使用。(2)isinstance() isinstance() 常用来判断数据类型,它返回的是布尔值(True或False),语法是 isinstance(对象,class)。+,-,*,/(真除法),//(地板除,舍去小数部分),%(取余),**(幂运算)(1) 整型:整数,英文名 int ,例如 5 的数据类型就是整型。

zxlzxl66的博客 1047

Android性能分析深度指南:Perfetto工具全面解析

本文深入探讨Android性能优化工具Perfetto的应用与实践。作为Google推出的新一代追踪系统,Perfetto整合了CPU调度、内存分配、电池状态等多维度分析功能,通过高性能数据处理和可视化界面帮助开发者定位性能瓶颈。文章系统介绍了Perfetto的架构原理、配置方法和核心功能,包括CPU性能分析、内存泄漏检测等关键技术。通过电商应用卡顿优化的实战案例,展示了如何利用数学建模(如帧时间公式$T_{\text{render}}\leq16.67\text{ms}$)指导性能调优。

郑伟强dev的专栏 145

python learning

  Python的语法比较简单,采用缩进方式,写出来的代码就像下面的样子:   以#开头的语句是注释,其他每一行都是一个语句,当语句以冒号:结尾时,缩进的语句视为代码块。应该始终坚持使用4个空格的缩进。 Python程序是大小写敏感的,如果写错了大小写,程序会报错   Python使用缩进来组织代码块,请务必遵守约定俗成的习惯,坚持使用4个空格的缩进。 在文本编辑器中,需要设置把Ta...

hushunhuadao的专栏 204

DA14531之如何Debug(在线调试、Jlink仿真、串口打印)

在线调试和串口打印调试。在线调试是Keil软件配合Jlink编译、烧录、仿真为一体的,其操作包括:运行、停止、打断点,单步运行等。而串口打印调试,只需打开相关配置,让arch_printf()函数正常输出串口数据。若想在初始化完成后打印arch_printf(“goto Loop\r\n”);波特率为115200,接收到串口消息goto Loop。连好线后,点击仿真按钮,在线Jlink调试。

hejinwu1314的博客 1794

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

[Self-Learning Trace] Python 数据类型转换

Seft-Learning,自学用

Beryl_land的博客 149

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: Kylin
下一篇: Python Learning( 二)-对象
zax_java
博客等级 码龄8年 62粉丝 23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