欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python科學(xué)計(jì)算包numpy用法實(shí)例詳解

 更新時(shí)間:2018年02月08日 14:55:08   作者:cskchenshengkun  
這篇文章主要介紹了Python科學(xué)計(jì)算包numpy用法,結(jié)合實(shí)例形式詳細(xì)分析了Python基于科學(xué)計(jì)算包numpy在數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)處理及科學(xué)計(jì)算等方面的相關(guān)操作技巧,需要的朋友可以參考下

本文實(shí)例講述了Python科學(xué)計(jì)算包numpy用法。分享給大家供大家參考,具體如下:

1 數(shù)據(jù)結(jié)構(gòu)

numpy使用一種稱(chēng)為ndarray的類(lèi)似Matlab的矩陣式數(shù)據(jù)結(jié)構(gòu)管理數(shù)據(jù),比python的列表和標(biāo)準(zhǔn)庫(kù)的array類(lèi)更為強(qiáng)大,處理數(shù)據(jù)更為方便。

1.1 數(shù)組的生成

在numpy中,生成數(shù)組需要指定數(shù)據(jù)類(lèi)型,默認(rèn)是int32,即整數(shù),可以通過(guò)dtype參數(shù)來(lái)指定,一般用到的有int32、boolfloat32、uint32、complex,分別代表整數(shù)、布爾值、浮點(diǎn)型、無(wú)符號(hào)整數(shù)和復(fù)數(shù)

一般而言,生成數(shù)組的方法有這么幾種:

以list列表為參數(shù)生成(用tolist方法即可轉(zhuǎn)換回list):

In[3]: a = array([1, 2, 3])
In[4]: a
Out[4]: array([1, 2, 3])
In[5]: a.tolist()
Out[5]: [1, 2, 3]

指定起點(diǎn)、終點(diǎn)和步長(zhǎng)生成等差序列或等比數(shù)列:

In[7]: a = arange(1, 10, 2)
In[8]: a
Out[8]: array([1, 3, 5, 7, 9])

In[13]: a = linspace(0, 10, 5)
In[14]: a
Out[14]: array([ 0. ,  2.5,  5. ,  7.5, 10. ])

In[148]: a = logspace(0, 3, 10) # 0表示起點(diǎn)為10^0,3表示起點(diǎn)為10^3,基數(shù)通過(guò)base參數(shù)指定
In[149]: a
Out[148]: 
array([  1.    ,   2.15443469,   4.64158883,  10.    ,
     21.5443469 ,  46.41588834,  100.    ,  215.443469 ,
     464.15888336, 1000.    ])

從迭代器中生成:

In[17]: iter = (i for i in range(5))
In[18]: a = fromiter(iter, dtype=int32)
In[19]: a
Out[19]: array([0, 1, 2, 3, 4])

從函數(shù)中生成:

In[156]: def f(i, j):
...   return abs(i-j)
...   
In[157]: fromfunction(f, (4, 4))
Out[156]: 
array([[ 0., 1., 2., 3.],
    [ 1., 0., 1., 2.],
    [ 2., 1., 0., 1.],
    [ 3., 2., 1., 0.]])

還可以用zeros、ones、empty等函數(shù)快速創(chuàng)建數(shù)組。

矩陣視為二維數(shù)組:

In[24]: b = array([arange(5), arange(1, 6), arange(2, 7)])
In[25]: b
Out[25]: 
array([[0, 1, 2, 3, 4],
    [1, 2, 3, 4, 5],
    [2, 3, 4, 5, 6]])

根據(jù)相同的方法可以拓展到更高維。

另外,我們還可以生成自定義數(shù)據(jù)格式的數(shù)組(稱(chēng)為結(jié)構(gòu)數(shù)組),用來(lái)記錄電子表格或數(shù)據(jù)庫(kù)中一行數(shù)據(jù)的信息:

In[61]: t = dtype([('name', str, 40), ('number', int32), ('score', float32)])
In[62]: t
Out[62]: dtype([('name', '<U40'), ('number', '<i4'), ('score', '<f4')])
In[63]: students = array([('Tom', 10, 80), ('Jenny', 11, 90.5), ('Mike', 9, 98.5)], dtype=t)
In[64]: students
Out[64]: 
array([('Tom', 10, 80.0), ('Jenny', 11, 90.5), ('Mike', 9, 98.5)], 
   dtype=[('name', '<U40'), ('number', '<i4'), ('score', '<f4')])
In[65]: students[1]
Out[65]: ('Jenny', 11, 90.5)

后面我們會(huì)看到pandas提供了一種更精致的方法處理記錄。

1.2 數(shù)組的索引

簡(jiǎn)單的下標(biāo)索引:

In[30]: a[2]
Out[30]: 2
In[31]: b[2, 1]
Out[31]: 3

與python一樣,索引的起點(diǎn)為0。負(fù)數(shù)的索引當(dāng)然也是可以的:

In[32]: a[-1]
Out[32]: 4
In[33]: b[-1, -2]
Out[33]: 5

以整數(shù)數(shù)組為下標(biāo)索引,一次性索引多個(gè)值:

In[162]: arange(11, 20)[array([2, 4, 8])]
Out[161]: array([13, 15, 19])

還可以通過(guò)布爾值來(lái)索引:

In[40]: idx = array([True, False, False, True, True])
In[41]: a[idx]
Out[41]: array([0, 3, 4])

這可以應(yīng)用在高級(jí)索引中,比如條件索引:

b[b>3]
Out[42]: array([4, 4, 5, 4, 5, 6])

得到b中所有大于3的元素,以array形式返回,我們能這么寫(xiě)的原因是b>3會(huì)返回一個(gè)布爾數(shù)組,形式與b一致,各位置的值是b中各元素與3比較之后的結(jié)果:

In[43]: b>3
Out[43]: 
array([[False, False, False, False, True],
    [False, False, False, True, True],
    [False, False, True, True, True]], dtype=bool)

1.3 數(shù)組的切片

ndarray數(shù)組支持各種形式的切片,既可以以下標(biāo)為線(xiàn)索,還可以以值為線(xiàn)索,為了區(qū)分二者,重新生成一個(gè)數(shù)組:

a = arange(11, 20)
In[54]: a
Out[54]: array([11, 12, 13, 14, 15, 16, 17, 18, 19])

根據(jù)下標(biāo)切片:

In[55]: a[1:4]
Out[55]: array([12, 13, 14])
In[56]: a[1:8:2]
Out[56]: array([12, 14, 16, 18])
In[57]: a[1::2]
Out[57]: array([12, 14, 16, 18])
In[58]: a[:8:]
Out[58]: array([11, 12, 13, 14, 15, 16, 17, 18])

方括號(hào)中三個(gè)參數(shù)為別是起點(diǎn)、終點(diǎn)和步長(zhǎng),默認(rèn)值分別是0、-1、1,注意終點(diǎn)是不被包含的??梢院?jiǎn)單地令步長(zhǎng)為-1來(lái)翻轉(zhuǎn)數(shù)組:

In[60]: a[::-1]
Out[60]: array([19, 18, 17, 16, 15, 14, 13, 12, 11])

ndarray也支持多維數(shù)組的切片,先生成一個(gè)三維數(shù)組,可以通過(guò)修改一維數(shù)組的shape屬性或調(diào)用其reshape方法來(lái)生成:

In[68]: a = arange(0, 24).reshape(2, 3, 4)
In[69]: a
Out[69]: 
array([[[ 0, 1, 2, 3],
    [ 4, 5, 6, 7],
    [ 8, 9, 10, 11]],
    [[12, 13, 14, 15],
    [16, 17, 18, 19],
    [20, 21, 22, 23]]])

多維數(shù)組的索引其實(shí)跟一維區(qū)別不大,可以用:代表選取所有:

In[70]: a[:, 0, 0]
Out[70]: array([ 0, 12])
In[71]: a[0, :, 0]
Out[71]: array([0, 4, 8])
In[72]: a[0, 0, :]
Out[72]: array([0, 1, 2, 3])
In[73]: a[0, 0:2, 0:3]
Out[73]: 
array([[0, 1, 2],
    [4, 5, 6]])

多個(gè)冒號(hào)還可以用...來(lái)代替:

In[74]: a[...,3]
Out[74]: 
array([[ 3, 7, 11],
    [15, 19, 23]])

最后,可以使用slice對(duì)象來(lái)表示切片,它與用1:10:2形式產(chǎn)生切片類(lèi)似:

In[169]: idx = slice(None, None, 2)
In[171]: a[idx,idx,idx]
Out[170]: 
array([[[ 0, 2],
    [ 8, 10]]])

相當(dāng)于a[::2, ::2, ::2]

1.4 數(shù)組的變換

可以將上述三維數(shù)組展平:

In[75]: a.flatten()
Out[75]: 
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
    17, 18, 19, 20, 21, 22, 23])

轉(zhuǎn)置:

In[77]: b.transpose()
Out[77]: 
array([[0, 1, 2],
    [1, 2, 3],
    [2, 3, 4],
    [3, 4, 5],
    [4, 5, 6]])

修改shape屬性來(lái)改變維度:

In[79]: a.shape = 4, 6
In[80]: a
Out[80]: 
array([[ 0, 1, 2, 3, 4, 5],
    [ 6, 7, 8, 9, 10, 11],
    [12, 13, 14, 15, 16, 17],
    [18, 19, 20, 21, 22, 23]])

1.5 數(shù)組的組合

首先創(chuàng)建一個(gè)與a同大小的數(shù)組:

In[83]: b = 2*a

可以進(jìn)行多種方式組合,如水平組合:

In[88]: hstack((a, b))
Out[88]: 
array([[ 0, 1, 2, 3, 4, 5, 0, 2, 4, 6, 8, 10],
    [ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22],
    [12, 13, 14, 15, 16, 17, 24, 26, 28, 30, 32, 34],
    [18, 19, 20, 21, 22, 23, 36, 38, 40, 42, 44, 46]])

垂直組合:

In[89]: vstack((a, b))
Out[89]: 
array([[ 0, 1, 2, 3, 4, 5],
    [ 6, 7, 8, 9, 10, 11],
    [12, 13, 14, 15, 16, 17],
    [18, 19, 20, 21, 22, 23],
    [ 0, 2, 4, 6, 8, 10],
    [12, 14, 16, 18, 20, 22],
    [24, 26, 28, 30, 32, 34],
    [36, 38, 40, 42, 44, 46]])

用concatenate函數(shù)可以同時(shí)實(shí)現(xiàn)這兩種方式,通過(guò)指定axis參數(shù),默認(rèn)為0,使用垂直組合。

還可以進(jìn)行深度組合:

In[91]: dstack((a, b))
Out[91]: 
array([[[ 0, 0],
    [ 1, 2],
    [ 2, 4],
    [ 3, 6],
    [ 4, 8],
    [ 5, 10]],
    [[ 6, 12],
    [ 7, 14],
    [ 8, 16],
    [ 9, 18],
    [10, 20],
    [11, 22]],
    [[12, 24],
    [13, 26],
    [14, 28],
    [15, 30],
    [16, 32],
    [17, 34]],
    [[18, 36],
    [19, 38],
    [20, 40],
    [21, 42],
    [22, 44],
    [23, 46]]])

就好像將兩張二維平面的點(diǎn)數(shù)據(jù)沿縱軸方向疊在一起一樣。

1.6 數(shù)組的分割

水平分割:

In[94]: hsplit(a, 3)
Out[94]: 
[array([[ 0, 1],
    [ 6, 7],
    [12, 13],
    [18, 19]]), array([[ 2, 3],
    [ 8, 9],
    [14, 15],
    [20, 21]]), array([[ 4, 5],
    [10, 11],
    [16, 17],
    [22, 23]])]

垂直分割:

In[97]: vsplit(a, 2)
Out[96]: 
[array([[ 0, 1, 2, 3, 4, 5],
    [ 6, 7, 8, 9, 10, 11]]), array([[12, 13, 14, 15, 16, 17],
    [18, 19, 20, 21, 22, 23]])]

用split函數(shù)可以同時(shí)實(shí)現(xiàn)這兩個(gè)效果,通過(guò)設(shè)置其axis參數(shù)區(qū)別。

類(lèi)似地,可以通過(guò)函數(shù)dsplit進(jìn)行深度分割。

另外可以使用ndarray的一些屬性來(lái)查看數(shù)組的信息:

In[125]: a.ndim # 維數(shù)
Out[124]: 2
In[126]: a.size # 元素總個(gè)數(shù)
Out[125]: 24
In[127]: a.itemsize # 元素在內(nèi)存中所占的字節(jié)
Out[126]: 4
In[128]: a.shape # 維度
Out[127]: (4, 6)
In[130]: a.T # 轉(zhuǎn)置,相當(dāng)于transponse函數(shù)
Out[129]: 
array([[ 0, 6, 12, 18],
    [ 1, 7, 13, 19],
    [ 2, 8, 14, 20],
    [ 3, 9, 15, 21],
    [ 4, 10, 16, 22],
    [ 5, 11, 17, 23]], dtype=int32)

另外多維數(shù)組的flat屬性可以給出一個(gè)”扁平迭代器“——flatiter對(duì)象,使我們能像一維數(shù)組一樣迭代高維數(shù)組:

In[134]: for item in array([1, 2, 3, 4]).reshape(2, 2).flat:
...   print(item)
...
1
2
3
4

flatiter對(duì)象可以直接獲取多個(gè)元素,并直接賦值修改:

In[140]: af = a.flat
In[141]: af[:]
Out[140]: 
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
    17, 18, 19, 20, 21, 22, 23], dtype=int32)
In[143]: af[3] = 15
In[144]: af[:]
Out[143]: 
array([ 0, 1, 2, 15, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
    17, 18, 19, 20, 21, 22, 23], dtype=int32)

1.7 矩陣的生成

上面提到了可以用二維數(shù)組來(lái)模擬矩陣,其實(shí),numpy專(zhuān)門(mén)提供了一種用于處理矩陣的數(shù)據(jù)結(jié)構(gòu)——matrix,它通過(guò)mat函數(shù)構(gòu)造生成:

In[8]: m = mat('1 2 3; 4 5 6; 7 8 9')
In[9]: m
Out[9]: 
matrix([[1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]])

二維數(shù)組與矩陣可以很方便地相互轉(zhuǎn)換:

In[11]: array(m)
Out[11]: 
array([[1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]])
In[12]: mat(_)
Out[12]: 
matrix([[1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]])

用matrix來(lái)處理矩陣更方便,有更多方法以供使用,如:

求逆:

In[17]: m.I
Out[17]: 
matrix([[ -4.50359963e+15,  9.00719925e+15, -4.50359963e+15],
    [ 9.00719925e+15, -1.80143985e+16,  9.00719925e+15],
    [ -4.50359963e+15,  9.00719925e+15, -4.50359963e+15]])

分塊矩陣:

In[25]: I = eye(3)
In[26]: bmat('m I; I m')
Out[26]: 
matrix([[ 1., 2., 3., 1., 0., 0.],
    [ 4., 5., 6., 0., 1., 0.],
    [ 7., 8., 9., 0., 0., 1.],
    [ 1., 0., 0., 1., 2., 3.],
    [ 0., 1., 0., 4., 5., 6.],
    [ 0., 0., 1., 7., 8., 9.]])

2 數(shù)據(jù)處理

2.1 條件判斷和搜索

用where函數(shù)可以得到滿(mǎn)足條件的索引,便于后期處理:

In[219]: a = arange(24).reshape(4, 6)
In[220]: where(a>8)
Out[219]: 
(array([1, 1, 1, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3], dtype=int32),
 array([3, 4, 5, 0, 1, 2, 3, 4, 5, 0, 1, 2, 3, 4, 5], dtype=int32))

compress函數(shù)可以篩選出一維數(shù)組中滿(mǎn)足條件的值:

In[28]: a[0, :].compress(a[0, :] > 2)
Out[28]: array([3, 4, 5])

2.2 CSV文件讀寫(xiě)

CSV(逗號(hào)分割值)格式可以簡(jiǎn)單方便地保存數(shù)組或矩陣。相比于python的pickle方法,保存為CSV文件可以用一般文本編輯器隨時(shí)打開(kāi)查看。保存和讀取CSV文件都很簡(jiǎn)單。

In[190]: b
Out[189]: 
array([[ 0, 2, 4, 6, 8, 10],
    [12, 14, 16, 18, 20, 22],
    [24, 26, 28, 30, 32, 34],
    [36, 38, 40, 42, 44, 46]])
In[191]: savetxt("b.txt", b, delimiter=",")
In[192]: b1, b2 = loadtxt("b.txt", delimiter=",", usecols=(3, 4), unpack=True)
In[193]: b1, b2
Out[192]: (array([ 6., 18., 30., 42.]), array([ 8., 20., 32., 44.]))

保存時(shí)參數(shù)delimiter可選,用來(lái)分隔數(shù)組各元素,讀取時(shí)也要相應(yīng)地指定這個(gè)值,讀取時(shí)也可只讀取部分?jǐn)?shù)據(jù),usecols即用來(lái)指定選取的列,unpack設(shè)置為True時(shí)表示將這些列分開(kāi)存儲(chǔ)。

讀寫(xiě)時(shí)遇到字符串(如時(shí)間)可以通過(guò)指定參數(shù)converters來(lái)轉(zhuǎn)換。

In[252]: 
def datestr2num(s):
  return datetime.datetime.strptime(str(s, encoding="utf-8"), "%Y-%m-%d").date().weekday()
weeks, numbers = loadtxt("b.txt", converters={0:datestr2num}, unpack=True)
In[253]: weeks
Out[252]: array([ 2., 4.])

2.3 通用函數(shù)

frompyfunc函數(shù)可以將一個(gè)作用在單一數(shù)值的函數(shù)映射到作用在數(shù)組上的函數(shù):

In[49]: def f(i):
...   return 2*i
...   
In[50]: ff = frompyfunc(f, 1, 1)
In[52]: ff(a)
Out[52]: 
array([[0, 2, 4, 6, 8, 10],
    [12, 14, 16, 18, 20, 22],
    [24, 26, 28, 30, 32, 34],
    [36, 38, 40, 42, 44, 46]], dtype=object)

frompyfunc的兩個(gè)參數(shù)分別定義輸入?yún)?shù)和輸出參數(shù)的個(gè)數(shù)

另外,numpy提供了一些常用的通用函數(shù),如針對(duì)加減乘除的add、subtract、multiply和divide。通用函數(shù)都有四個(gè)方法:reduce、accumulate、reduceat和outer,以add函數(shù)為例:

In[64]: add.reduce(a[0, :])
Out[64]: 15
In[65]: add.accumulate(a[0,:])
Out[65]: array([ 0, 1, 3, 6, 10, 15], dtype=int32)
In[69]: add.reduceat(a[0, :], [0, 5, 2, 4])
Out[69]: array([10, 5, 5, 9], dtype=int32)
In[70]: add.outer(a[0, :], a[1, :])
Out[70]: 
array([[ 6, 7, 8, 9, 10, 11],
    [ 7, 8, 9, 10, 11, 12],
    [ 8, 9, 10, 11, 12, 13],
    [ 9, 10, 11, 12, 13, 14],
    [10, 11, 12, 13, 14, 15],
    [11, 12, 13, 14, 15, 16]])

可見(jiàn),reduce是將通用函數(shù)遞歸作用在所有元素上,得到最后結(jié)果;accumulate也是遞歸作用在所有元素上,不過(guò)它保留中間結(jié)果并返回;reduceat則根據(jù)指定的起始點(diǎn)進(jìn)行累積運(yùn)算,如果終點(diǎn)小于起點(diǎn),則返回終點(diǎn)處的值;最后outer則是對(duì)兩個(gè)輸入數(shù)組的所有元素組合進(jìn)行運(yùn)算。

3 科學(xué)計(jì)算

3.1 統(tǒng)計(jì)分析

3.1.1 基本統(tǒng)計(jì)分析

average函數(shù)可以非常方便地計(jì)算加權(quán)平均值,或者用mean計(jì)算算術(shù)平均值:

In[204]: a = array([1, 2])
In[205]: average(a, weights=[1,2])
Out[204]: 1.6666666666666667

基本統(tǒng)計(jì)分析函數(shù)整理如下:

中位數(shù)median
方差var
標(biāo)準(zhǔn)差std
差分diff
最值maxmin、argmax、argmin(后兩個(gè)得到最值所在的下標(biāo))

3.1.2 隨機(jī)過(guò)程分析

3.2 線(xiàn)性代數(shù)

先生成一個(gè)各元素是0~1之內(nèi)的隨機(jī)數(shù)的矩陣:

In[47]: a = mat(fromiter((random.random() for i in range(9)), dtype = float32).reshape(3, 3))
In[48]: a
Out[48]: 
matrix([[ 0.45035544, 0.53587919, 0.57240343],
    [ 0.54386997, 0.16267321, 0.97020519],
    [ 0.6454953 , 0.38505632, 0.94705021]], dtype=float32)

接下我們可以對(duì)它進(jìn)行各種線(xiàn)性代數(shù)的操作, 如:

求逆:

In[49]: a.I
Out[49]: 
matrix([[-10.71426678, -14.01229095, 20.83065987],
    [ 5.42686558,  2.7832334 , -6.13131571],
    [ 5.09620285,  8.41894722, -10.64905548]], dtype=float32)

解線(xiàn)性方程組(用點(diǎn)積驗(yàn)證了結(jié)果):

In[59]: b = fromiter((random.random() for i in range(3)), dtype = float32)
In[60]: b
Out[60]: array([ 0.56506187, 0.99419129, 0.70462942], dtype=float32)
In[61]: linalg.solve(a, b)
Out[61]: array([-5.3072257 , 1.51327574, 3.74607611], dtype=float32)
In[63]: dot(a, _)
Out[63]: matrix([[ 0.56506193, 0.99419105, 0.70462948]], dtype=float32)

求特征值和特征向量:

In[64]: linalg.eig(a)
Out[64]: 
(array([ 1.78036737, -0.08517434, -0.13511421], dtype=float32),
 matrix([[-0.5075314 , -0.82206506, 0.77804375],
     [-0.56222379, 0.4528676 , -0.57155234],
     [-0.65292901, 0.34513769, -0.26072171]], dtype=float32))

行列式:

In[81]: linalg.det(a)
Out[81]: 0.020488938

更多關(guān)于Python相關(guān)內(nèi)容感興趣的讀者可查看本站專(zhuān)題:《Python數(shù)學(xué)運(yùn)算技巧總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》、《Python入門(mén)與進(jìn)階經(jīng)典教程》及《Python文件與目錄操作技巧匯總

希望本文所述對(duì)大家Python程序設(shè)計(jì)有所幫助。

相關(guān)文章

  • python等待10秒執(zhí)行下一命令的方法

    python等待10秒執(zhí)行下一命令的方法

    在本篇文章里小編給大家整理的是關(guān)于python等待10秒執(zhí)行下一命令的方法及實(shí)例,需要的朋友們可以參考下。
    2020-07-07
  • python中的隨機(jī)函數(shù)小結(jié)

    python中的隨機(jī)函數(shù)小結(jié)

    這篇文章主要介紹了python中的隨機(jī)函數(shù)小結(jié),小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧
    2018-01-01
  • python手寫(xiě)均值濾波

    python手寫(xiě)均值濾波

    這篇文章主要為大家詳細(xì)介紹了python手寫(xiě)均值濾波的相關(guān)代碼,文中示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2020-02-02
  • python?format格式化和數(shù)字格式化

    python?format格式化和數(shù)字格式化

    這篇文章主要介紹了python?format格式化和數(shù)字格式化,格式化字符串的函數(shù)?str.format(),它增強(qiáng)了字符串格式化的功能,基本語(yǔ)法是通過(guò){}?和?:?來(lái)代替以前的?%?,下面內(nèi)容介紹,需要的朋友可以參考一下
    2022-02-02
  • Python實(shí)現(xiàn)計(jì)算兩個(gè)時(shí)間之間相差天數(shù)的方法

    Python實(shí)現(xiàn)計(jì)算兩個(gè)時(shí)間之間相差天數(shù)的方法

    這篇文章主要介紹了Python實(shí)現(xiàn)計(jì)算兩個(gè)時(shí)間之間相差天數(shù)的方法,涉及Python針對(duì)日期時(shí)間的相關(guān)運(yùn)算操作技巧,需要的朋友可以參考下
    2017-05-05
  • python游戲?qū)崙?zhàn)項(xiàng)目之智能五子棋簡(jiǎn)易版

    python游戲?qū)崙?zhàn)項(xiàng)目之智能五子棋簡(jiǎn)易版

    利用Python實(shí)現(xiàn)智能五子棋,實(shí)現(xiàn)之后發(fā)現(xiàn)我玩不贏它!本篇為你帶來(lái)用python編寫(xiě)的五子棋小游戲,文中給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值
    2021-09-09
  • Python3解釋器知識(shí)點(diǎn)總結(jié)

    Python3解釋器知識(shí)點(diǎn)總結(jié)

    在本篇內(nèi)容中小編給大家總結(jié)了關(guān)于Python3解釋器的用法以及相關(guān)知識(shí)點(diǎn),需要的朋友們學(xué)習(xí)下。
    2019-02-02
  • Python+Mysql實(shí)現(xiàn)登錄注冊(cè)完整代碼示例

    Python+Mysql實(shí)現(xiàn)登錄注冊(cè)完整代碼示例

    在開(kāi)發(fā)中用戶(hù)注冊(cè)和登錄是常見(jiàn)的功能需求,這篇文章主要給大家介紹了關(guān)于Python+Mysql實(shí)現(xiàn)登錄注冊(cè)的相關(guān)資料,文中通過(guò)代碼介紹的非常詳細(xì),需要的朋友可以參考下
    2024-03-03
  • 使用Pandas解決對(duì)比兩列數(shù)據(jù)取最大值

    使用Pandas解決對(duì)比兩列數(shù)據(jù)取最大值

    Pandas庫(kù)作為Python中數(shù)據(jù)處理和分析的強(qiáng)大工具,提供了多種靈活的方法來(lái)實(shí)現(xiàn)這一需求,本文將詳細(xì)介紹五種使用Pandas對(duì)比兩列數(shù)據(jù)并取最大值的方法,需要的可以參考下
    2024-04-04
  • Python類(lèi)和方法注釋規(guī)范說(shuō)明

    Python類(lèi)和方法注釋規(guī)范說(shuō)明

    這篇文章主要介紹了Python類(lèi)和方法注釋規(guī)范說(shuō)明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2022-06-06

最新評(píng)論