Python Learning(四)-序列1

Q-learning 强化学习是一种机器学习范式,目标是让智能体(Agent)通过与环境(Environment)的交互,学习如何采取行动以最大化长期的累积奖励(Cumulative Reward)。试错学习:智能体通过尝试不同行动,观察结果,逐步改进策略。延迟奖励:奖励可能不是即时的,智能体需要考虑长期收益。序列决策:智能体的决策是连续的,每一步行动会影响后续状态。游戏(如AlphaGo)机器人控制自动驾驶推荐系统。 阅读详情

一 列表(list)

列表是Python中的一个对象
对象(Object)就是内存中专门用来存储数据的一块区域
数值,它只能保存一个单一的数据
列表中可以保存多个有序的数据

列表的使用:
	1.列表的创建
	my_list=[] 创建了一个空列表
	print(my_list,type(my_list))

	列表中存储的数据,我们称之为元素
	一个列表中可以存储多个元素,也可以在创建列表时指定列表中的元素
	my_list=[10,20,30,40,50] 创建一个只包含五个元素的列表

	当向我们当中添加多个元素时,多个元素之间使用逗号隔开


	列表是用来存储对象的对象

	列表可以保存任意的对象
	my_list=[10,'hello',None,True,[1,2,3]]

	2.列表中数据的操作
	列表中的对象都会按照插入的顺序存储到列表中

	我们可以通过索引index获取列表中的元素
	my_list=[10,'hello',None,True,[1,2,3]]
	print(my_list[4][0])

	len()可以获取列表的长度
	print(len(my_list))

	3.切片(相当于java中的子数组)
	切片指从现有列表中,创建一个子列表
	语法1:列表[起始:结束]
	通过切片获取元素时候,会包括起始位置的元素,不会包括结束位置的元素,切片不会影响原列表
	如果不写结束位置则会截取到最后一个元素
	如果不写开始位置则会从第一个元素开始截取
	如果全部不写相当于创建了一个列表的副本.

	my_list=[1,2,3,4,5]
	my_list[1:4]=[2,3,4]
	my_list[:4]=[1, 2, 3, 4]
	my_list[1:]=[2, 3, 4, 5]

	语法2:列表[起始:结束:步长] 步长默认是1 就是隔几个取一次
	步长可以是负数,不能是0

	如果是负数,则会从列表的后面往前面取

	my_list=[1,2,3,4,5]
	print(my_list[1:4:2])=[2, 4]
	print(my_list[::-2])=[5, 3, 1]

	注意是:前闭后开




	Python中列表的索引可以是负数,如果是负数则从后往前获取元素
	my_list=[1,2,3,4]
	my_list[-1]=4

二 通用操作

+ * 像字符串的操作一样
my_list=[1,2,3]+[4,5,6]
my_list=[1,2,3]*3

in 和not in 返回结果为True OR False
in用来检查元素是否存储在列表中 在 True 不在 False
in用来检查元素是否不存储在列表中 不在True 在 False
print(1 in my_list) True

min() 和 max() 获取列表中的最小最大值
print(max(my_list))

index()和count() 俩个method
方法和函数基本上是一样的,但是方法必须通过对象来调用
s.index()
s.count()
s=sequence

获取该元素在列表中的第一次索引位置
my_list.index(1)=0

如果在列表中有多个重复的元素
index的第二个参数表示从第几个位置开始寻找,第三个参数表示结束位置,在哪个索引和哪个索引之间
查找

my_list=[1,2,1,3,4,5,'11']
print(my_list.index(1,2))=2

count()
print(my_list.count(1))=2
统计1在列表中出现的次数

三 序列(sequence)

序列是Python中最基本的一种数据结构
数据结构是指计算机中数据存储的方式
序列用于保存一组有序的数据,所有的数据在序列中都有一个唯一的位置(索引)
	并且序列中的数据会按照添加的顺序来分配索引

序列分为俩大类
	可变序列:
		列表(list)
	不可变序列(序列中的元素不能改变)
		字符串(str)
		元组(tuple)
也就是说以上二里面的通用操作适合所有序列
eg:my_list='123'
print(my_list.index('123'))=0


1. 修改列表中的元素
 	-直接通过索引修改
 	my_list=[1,2,3,4]
	my_list[0]=2
	print(my_list)=[2, 2, 3, 4]

	-通过del来删除元素 
	del my_list[2] 参数:索引下标
	my_list=[1,2,3,4]
	my_list[0]=2
	print(my_list)
	del my_list[2]
	print(my_list)=[2, 2, 4]

	-通过切片来修改列表(再给切片赋值的时候,只能使用序列即包含 列表/字符串/元组等)

	my_list=[1,2,3,4]
	my_list[0:2]='12345'
	print(my_list)
	# ['1', '2', '3', '4', '5', 3, 4]

	my_list=[1,2,3,4]
	my_list[0:0]=[18] --这个表示的含义是向索引为0位置插入元素
	print(my_list)
	# [18, 1, 2, 3, 4]

	当设置了步长时,序列中的元素的个数必须和切片中的元素的个数一致
	my_list=[1,2,3,4]
	my_list[::2]=[5,6,7]
	print(my_list
	# ValueError: attempt to assign sequence of size 3 to extended slice of size 2
	这个时候他会显示按照2步的步长你需要给一个2个长度的切片
	my_list=[1,2,3,4]
	my_list[::2]=[5,6]
	print(my_list)
	# [5, 2, 6, 4]	

	通过切片来删除元素
	del my_list[0:2]
	del my_list[::2]
	my_list[1:3]=[]

	以上操作仅适用于可变序列,如果不可变序列要修改,需要将其转换为list
	s='hello'
	s=list(s)
	s[0]='s'
	print(s)
	# ['s', 'e', 'l', 'l', 'o']

2. 通过方法来修改序列

	append() 像列表的最后添加一个元素

	my_list=[1,2,3,4]
	my_list.append(5)
	print(my_list)
	# [1, 2, 3, 4, 5]

	insert() 像列表的指定位置添加元素
	参数 :1.要插入的位置
		 2.要插入的元素
	my_list=[1,2,3,4]
	my_list.insert(2,5)
	print(my_list)
	# [1, 2, 5, 3, 4]

	extend() 使用新的序列扩展当前序列
	参数:序列
	会将该序列中的元素添加到当前的列表中 就是多个元素的append

	my_list=[1,2,3,4]
	my_list.extend([5,6])
	print(my_list)
	# [1, 2, 3, 4, 5, 6]

	clear()清空序列
	my_list.clear()

	pop()
	根据索引删除并返回指定元素
	参数:索引位置,如果不写参数则默认删除最后一个元素

	my_list=[1,2,3,4]
	result=my_list.pop(2)
	print(result)
	# 3

	my_list=[1,2,3,4]
	result=my_list.pop()
	print(result)
	# 4

	remove() 根据值去删除元素,如果有多个重复的值会删除第一个值
	
	my_list=[1,2,3,4]
	my_list.remove(3)
	print(my_list)
	# [1, 2, 4]

	reverse()用来反转列表
	my_list.reverse()
	my_list=[1,2,3,4]
	my_list.reverse()
	print(my_list)
	# [4, 3, 2, 1]

	sort()默认升序 降序的话 sort(reverse=True) 直接sort+reverse好像不行
	my_list=['b','d','c','a']
	my_list.sort()
	print(my_list)	
    # ['a', 'b', 'c', 'd']
Sketch Learning - SVG 生成 PNG 和坐标序列 整个项目的代码在我的 GitHub 上面: https://github.com/yongyehuang/svg_parser ,直接 download 后可以使用。 首先需要安装的一些 python 库: pip install svgwrite pip install svgpathtools pip install wand 1. svg 生成 png refer: http 阅读详情

相关推荐

使用Python中的OpenAI Gym进行深度Q-Learning的实践介绍

Introduction 我一直对游戏着迷。 看似无限的选择可以在紧迫的时间线下执行一个动作 - 这是一个惊心动魄的经历。 没有什么比得上它了。 因此,当我读到DeepMind想出的令人难以置信的算法(如AlphaGo和AlphaStar)时,我被迷住了。 我想学习如何在自己的机器上制作这些系统。 这使我进入深度强化学习的世界(Deep RL)。 即使您不参与游戏,Deep RL也很重要。 只需查...

weixin_41697507的博客 3122

Python数据结构:列表(list)

列表的定义、创建、增删改等基本操作

shield911的博客 2906

Zynq7系列DDR3 PCB设计中的阻抗匹配与端接电阻优化策略

本文深入探讨了Zynq7系列SoC在DDR3接口PCB设计中的核心挑战,重点分析了走线阻抗与端接电阻的匹配策略。通过对比官方推荐的40欧姆与工程实践中更通用的50欧姆方案,结合仿真数据揭示了阻抗匹配对信号完整性的决定性影响,并提供了从叠层规划、布线优化到后期验证的完整实战清单,旨在帮助工程师实现高稳定性的高速电路设计。

weixin_29306011的博客 179

python 删除list

1.del 2.pop 3.remove 1.del 删除指定位置元素 del(list[1]) #删除列表下标为1的值 无返回值需要print才能输出数据 2.pop 删除最后一个元素 list.pop() 有返回值,返回值为删除的元素 3.remove 删除指定值的元素 list1.remove(1) 无返回值 ...

Andrewvw的博客 1117

电力电子技术文章:ACOT控制模式在Buck变换器中的频率稳定性分析

本文深入分析了ACOT控制模式在Buck变换器中实现频率稳定性的原理与优势。通过对比传统COT模式,阐述了ACOT如何通过自适应调整导通时间,将开关频率锁定在设定值,从而有效应对输入电压与负载变化。文章还探讨了其在轻载DCM模式下的高效与平滑切换特性,并提供了关键的设计考量与实战指南。

cc789的博客 1156

腾讯会议视频过期了怎么办?亲测可用:用这个免费插件抢救你的会议录制与回放

本文提供了三种亲测有效的腾讯会议视频过期恢复方案,包括浏览器缓存提取、专业工具组合及预防性措施。特别推荐使用免费插件抢救过期会议录制与回放,帮助职场人解决重要视频资料丢失的难题。

weixin_33686714的博客 265

python中list列表删除元素的4种方法

在python列表中删除元素主要分为以下3种场景: 根据目标元素所在的索引位置进行删除,可以使用del关键字或pop()方法; 根据元素本身的值进行删除,可使用列表(list类型)提供的remove()方法; 将列表中所有元素全部删除,可使用列表(list类型)提供的clear()方法; del根据索引值删除元素 del是python中的关键字,专门用来执行删除操作,它不仅可以删除整个列表,还可以删除列表中的某些元素 del可以删除列表中的单个元素,格式为: del listname[index

Thewei666的博客 7万+

GPU运维工程师入门指南 (第九篇): 高性能网络 - InfiniBand与RDMA技术

本文介绍了支撑AI分布式训练的高性能网络技术InfiniBand和RDMA。传统TCP/IP网络因内核开销和内存拷贝成为性能瓶颈,而InfiniBand提供高带宽、低延迟的专用网络,RDMA则通过内核旁路和零拷贝技术实现节点间内存直接访问,显著提升通信效率。特别介绍了GPUDirect RDMA技术,使GPU显存可直接通信。文章还列举了运维人员在部署这些技术时需要考虑的硬件、驱动、配置和监控等关键点。这些技术共同构成了支撑大规模AI集群的"数据高速公路",为后续讨论存储性能瓶颈奠定了基础

weixin_42587823的博客 1100

del 语句

使用del语句可以删除任何对象,包括字典对象。删除之后,之前的引用将失效,尝试使用该对象会导致NameError错误。因此,删除字典对象的命令是del myDict。希望这些能帮助你理解如何删除字典对象以及使用del语句的效果和注意事项。元组 列表 集合又该怎么删除呢,字典只能把对象整体给删了吗好的,让我们一一解释如何删除元组、列表和集合,以及如何从字典中删除部分内容而不是整个字典。

m0_73464010的博客 748

嵌入式STM32F407CET6移植OpenHarmony系统方法

文件末尾添加:export PATH=~/gcc-arm-none-eabi-10-2020-q4-major/bin:$PATH。编译完成文件输出在LiteOs源码目录下out/STM32F407_ATK_Explorer文件夹中。②点击connect to the target,下方会自动显示识别出来的芯片型号以及flash大小。⑤点击program verify并点击start,等待烧写并校验完成,你就能看到程序正在运行了。,在选择刚才我们说的Huawei_LiteOS.hex文件。

嵌入式技术开发 547

【YOLO11改进 - 特征融合】利用Hyper-YOLO 的混合聚合网络(MANet)改进yolo11,提升基础网络的特征提取能力

【YOLO11改进 - 特征融合】利用Hyper-YOLO 的混合聚合网络(MANet)改进yolo11,提升基础网络的特征提取能力

专注于图像领域,主要研究内容包括计算机视觉和深度学习,特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。 905

Python 列表(list)

列表 列表是有序的可变长的集合,列表中的数据项可以不是相同的类型。列表作为[ ]方括号内的逗号分隔出现。 1. 创建列表 list1 = ['a', 'b', 'c', 'd'] list2 = ['a', 'b',1, 2]  list3 = rang(6)           #will return a list [0, 1, 2, 3, 4 ,5] list4 = range(

innogen_on的博客 1045

【Envi风暴】Envi5.6安装图文教程(附Envi5.6完整版下载)

【Envi风暴】Envi5.6与应用商店app store安装图文教程(附Envi5.6完整版下载)从文末网盘下载完整的ENVI5.6安装包,如下所示:双击envi56-win.exe,开始安装。将f__x64下的两个补丁文件拷贝到安装路径。将f__x86下的两个补丁文件拷贝到安装路径。

智慧空间实验室 9213

【机器学习】探究Q-Learning通过学习最优策略来解决AI序列决策问题

AI序列决策问题是指在人工智能领域中,智能体需要在一个序列的环境中做出一系列决策,以达到某个目标或最大化某种累积奖励的问题。这类问题通常涉及到强化学习,其中智能体通过与环境的交互来学习最优的行为策略。

xiaoxie8023的博客 8131

在 SAP SD(销售与分销)模块中,销售合同 / 订单的抬头(Header) 和行项目(Item) 核心数据表如下,按 “核心表 + 扩展表” 分类说明,同时区分销售合同(Contract,类型 W

SAP SD模块中销售合同/订单的核心数据表分为抬头和行项目两类。核心抬头表包括VBAK(基础数据)和VBUK(状态数据),核心行项目表包括VBAP(基础数据)和VBUP(状态数据)。扩展表包含VBAKE(抬头增强)、VBAPe(行项增强)、VBEP(计划行)、VBFA(凭证流)等。销售合同(WK/WC)和订单(OR)通过VBAK-AUART字段区分,核心表结构相同。查询时需注意单据类型筛选,并通过VBELN主键关联抬头和行项数据,KNUMV关联定价条件,VBFA表追踪凭证流。

金牌架构师 1091

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Machine Learning Mastery 时间序列入门教程(四)

在这篇文章中,您发现了可用于进行多步时间序列预测的策略。如何在直接策略中训练多个并行模型或在递归策略中重用一步模型。如何在混合策略中结合直接和递归策略的最佳部分。如何使用多输出策略以一次性方式预测整个预测序列。您对多步骤时间序列预测或此帖子有任何疑问吗?在下面的评论中提出您的问题,我会尽力回答。在本教程中,您了解了如何在 Python 中规范化和标准化时间序列数据。一些机器学习算法在建模时表现更好甚至需要重缩放数据。如何手动计算规范化和标准化所需的参数。

龙哥盟 2086

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

RNN-LSTM完全解析:Deep Learning For Audio With Python序列模型实战

在音频深度学习领域,**RNN-LSTM**凭借其处理序列数据的强大能力,成为音乐 genre 分类、语音识别等任务的核心技术。本文将通过 **Deep Learning For Audio With Python** 项目中的实战案例,带你从零掌握 RNN-LSTM 在音频分析中的应用,让你快速上手构建专业级音频分类模型! ## 🧠 为什么RNN-LSTM是音频处理的理想选择? 音频信号本

gitblog_00542的博客 220

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Deep_Learning_Machine_Learning_Stock项目解析:如何用Python实现ARIMA时间序列预测

**Deep_Learning_Machine_Learning_Stock**是一个专注于使用深度学习和机器学习技术进行股票预测的开源项目。该项目提供了完整的ARIMA时间序列预测实现,帮助投资者和交易者通过Python进行股票价格预测分析。本文将详细解析该项目中的ARIMA模型实现,教你如何利用Python进行时间序列预测,掌握股票市场趋势分析的核心技术。 ## 📈 什么是ARIMA时间序

gitblog_00369的博客 919

【机器学习】Q-Learning算法:在序列决策问题中的实践与探索

* Q-Learning算法的核心思想是学习一个Q值表,该表记录了在不同状态下采取不同行动所能获得的长期回报**。通过不断更新这个Q值表,智能体能够逐渐学习到最优的行为策略。Q-Learning算法的关键在于其更新规则,即贝尔曼方程的应用。在实际应用中,我们常常采用其简化形式,通过设置学习率α和折扣因子γ来调整更新的步长和未来奖励的权重。通过本文的分析和实例展示,我们可以看到Q-Learning算法在解决序列决策问题中的有效性和实用性。

richard_yuu的博客 1765

[Deep-Learning-with-Python] 文本序列中的深度学习

将文本数据处理成有用的数据表示 循环神经网络 使用1D卷积处理序列数据 深度学习模型可以处理文本序列、时间序列、一般性序列数据等等。处理序列数据的两个基本深度学习算法是循环神经网络和1D卷积(2D卷积的一维模式)。 文本数据 文本是最广泛的序列数据形式。可以理解为一系列字符或一系列单词,但最经常处理的是单词层面。自然语言处理的深度学习是应用在单词、句子或段落上的模式识别;就像计算机视觉是...

Viking的博客 1613

Machine Learning Mastery Python 教程(四)

原文:Machine Learning Mastery 协议:CC BY-NC-SA 4.0 如何学习 Python 以用于机器学习 原文:machinelearningmastery.com/how-to-learn-python-for-machine-learning/ Python 已成为机器学习的事实上的通用语言。它并不是一门难学的语言,但如果你对这门语言不是特别熟悉,有一些技巧可以帮助你更快或更好地学习。 在这篇文章中,你将发现学习编程语言的正确方法以及如何获得帮助。阅读完这篇文章后,你

龙哥盟 2671

强化学习 Q-learning及python例子

文章目录Q-learning原理python例子 本文是作者在学习莫烦的强化学习课程中的笔记,强烈推荐莫烦强化学习。 Q-learning原理 我们以一个走迷宫的小游戏为例:让探索者学会走迷宫. 黄色的是天堂 (reward 1), 黑色的地狱 (reward -1). 大多数 RL 是由 reward 导向的, 所以定义 reward 是 RL 中比较重要的一点. Q-learning原理实际...

freedong的博客 7183

时间序列预测Deep Learning with Python:LSTM与Transformer应用终极指南

**时间序列预测**是深度学习领域的重要应用,而《Deep Learning with Python》项目提供了丰富的Jupyter notebooks实践资源,帮助开发者掌握LSTM与Transformer等先进模型在时间序列预测中的核心技术。本文将通过项目中的实战案例,带你快速入门时间序列预测的完整流程,从数据处理到模型部署,一站式掌握关键技能。 ## 一、时间序列预测基础:为什么选择LST

gitblog_01174的博客 439

Terraform 插件协议新版本发布全流程:从 .proto 定义到 Registry 兼容校验的实践指南

Terraform 的插件协议(Plugin Protocol)是 Terraform Core 与 provider 插件之间的通信契约,发布一个新的协议主版本需要在协议定义、SDK 生态、Registry 与 Terraform 本体之间完成多处联动更新。本文基于仓库内的发布检查清单 [releasing-new-version.md](https://link.gitcode.com/i/f

gitblog_00988的博客 486

python-machine-learning-book-2nd-edition时间序列预测:LSTM模型应用

时间序列预测在金融、气象、销售等领域应用广泛,但传统模型难以捕捉长期依赖关系。长短期记忆网络(Long Short-Term Memory, LSTM)作为一种特殊的循环神经网络(RNN),通过门控机制有效解决了梯度消失问题,成为处理序列数据的强大工具。本文基于python-machine-learning-book-2nd-edition项目中的实现,详细介绍LSTM模型的原理与应用。 ##

gitblog_00480的博客 900

Qiskit Machine Learning模型保存与加载:SerializableModel实现持久化存储

Qiskit Machine Learning是一个基于Qiskit构建的开源库,专为在量子硬件和经典模拟器上进行大规模量子机器学习任务而设计。在实际应用中,训练好的量子机器学习模型需要进行持久化存储,以便后续的推理、部署和分享。本文将详细介绍如何使用Qiskit Machine Learning中的`SerializableModel`功能实现模型的保存与加载,帮助开发者轻松管理量子模型的生命周

gitblog_02359的博客 851
上一篇: Python Learning(三)-流程控制语句
下一篇: Python Learnning(四)-序列2
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