怎么用Python实现时间60秒效果-创新互联
这篇文章主要介绍“怎么用Python实现时间60秒效果”,在日常操作中,相信很多人在怎么用Python实现时间60秒效果问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”怎么用Python实现时间60秒效果”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!
创新互联是一家集网站建设,龙湖企业网站建设,龙湖品牌网站建设,网站定制,龙湖网站建设报价,网络营销,网络优化,龙湖网站推广为一体的创新建站企业,帮助传统企业提升企业形象加强企业竞争力。可充分满足这一群体相比中小企业更为丰富、高端、多元的互联网需求。同时我们时刻保持专业、时尚、前沿,时刻以成就客户成长自我,坚持不断学习、思考、沉淀、净化自己,让我们为更多的企业打造出实用型网站。一、基本操作
1. 链式比较
i =
3
print(1 < i <
3) # False
print(1 < i <= 3) # True
2. 不用else和if实现计算器
from operator
import *
def calculator(a, b, k):
return {
'+': add,
'-': sub,
'*': mul,
'/': truediv,
'**': pow
}[k](a, b)
calculator(1,
2,
'+') # 3
calculator(3, 4, '**') # 81
3. 函数链
from operator
import (add, sub)
def add_or_sub(a, b, oper):
return (add
if oper ==
'+' else sub)(a, b)
add_or_sub(1,
2,
'-') # -1
4. 求字符串的字节长度
def str_byte_len(mystr):
return (len(mystr.encode('utf-8')))
str_byte_len('i love python') #
13(个字节)
str_byte_len('字符') #
6(个字节)
5. 寻找第n次出现位置
def search_n(s, c, n):
size =
0
for i, x
in enumerate(s):
if x == c:
size +=
1
if size == n:
return i
return -1
print(search_n("fdasadfadf",
"a",
3))# 结果为7,正确
print(search_n("fdasadfadf", "a", 30))# 结果为-1,正确
6. 去掉最高最低求平均
def score_mean(lst):
lst.sort()
lst2=lst[1:(len(lst)-1)]
return round((sum(lst2)/len(lst2)),2)
score_mean([9.1,
9.0,8.1,
9.7,
19,8.2,
8.6,9.8])
# 9.07
7. 交换元素
def swap(a, b):
return b, a
swap(1,
0) # (0,1)
二、基础算法
1. 二分搜索
def binarySearch(arr,
left,
right, x):
while left <=
right:
mid = int(left + (right -
left) /
2); # 找到中间位置。求中点写成(left+right)/2更容易溢出,所以不建议这样写
# 检查x是否出现在位置mid
if arr[mid] == x:
print('found %d 在索引位置%d 处' %(x,mid))
return mid
# 假如x更大,则不可能出现在左半部分
elif arr[mid] < x:
left = mid +
1 #搜索区间变为[mid+1,right]
print('区间缩小为[%d,%d]' %(mid+1,right))
elif x right = mid -
1 #搜索区间变为[left,mid-1]
print('区间缩小为[%d,%d]' %(left,mid-1))
return -1
2. 距离矩阵
x,y = mgrid[0:5,0:5]
list(map(lambda xe,ye: [(ex,ey) for ex, ey in zip(xe, ye)], x,y))
[[(0, 0), (0, 1), (0, 2), (0, 3), (0, 4)],
[(1, 0), (1, 1), (1, 2), (1, 3), (1, 4)],
[(2, 0), (2, 1), (2, 2), (2, 3), (2, 4)],
[(3, 0), (3, 1), (3, 2), (3, 3), (3, 4)],
[(4, 0), (4, 1), (4, 2), (4, 3), (4, 4)]]
三、列表
1. 打印乘法表
for i in
range(1,10):
for j in
range(1,i+1):
print('{0}*{1}={2}'.format(j,i,j*i),end="\t")
print()
结果:
1*1=1
1*2=2
2*2=4
1*3=3
2*3=6
3*3=9
1*4=4
2*4=8
3*4=12 4*4=16
1*5=5
2*5=10 3*5=15 4*5=20 5*5=25
1*6=6
2*6=12 3*6=18 4*6=24 5*6=30 6*6=36
1*7=7
2*7=14 3*7=21 4*7=28 5*7=35 6*7=42 7*7=49
1*8=8
2*8=16 3*8=24 4*8=32 5*8=40 6*8=48 7*8=56 8*8=64
1*9=9
2*9=18 3*9=27 4*9=36 5*9=45 6*9=54 7*9=63 8*9=72 9*9=81
2. 嵌套数组完全展开
from collections.abc
import *
def flatten(input_arr, output_arr=None):
if output_arr
is None:
output_arr = []
for ele
in input_arr:
if isinstance(ele, Iterable):
# 判断ele是否可迭代
flatten(ele, output_arr) # 尾数递归
else:
output_arr.append(ele) # 产生结果
return output_arr
flatten([[1,2,3],[4,5]], [6,7]) # [6, 7, 1, 2, 3, 4, 5]
3. 将list等分为子组
from
math import ceil
def divide(lst, size):
if size <=
0:
return [lst]
return [lst[i * size:(i+1)*size]
for i
in range(0,
ceil(len(lst) / size))]
r = divide([1,
3,
5,
7,
9],
2) #
[[1, 3], [5, 7], [9]]
4. 生成fibonacci序列前n项
def fibonacci(n):
if n <=
1:
return [1]
fib = [1,
1]
while len(fib) < n:
fib.append(fib[len(fib) -
1] + fib[len(fib) -
2])
return fib
fibonacci(5) # [1, 1, 2, 3, 5]
5. 过滤掉各种空值
def filter_false(lst):
return list(filter(bool, lst))
filter_false([None,
0,
False,
'', [],
'ok', [1,
2]])# ['ok', [1, 2]]
6. 返回列表头元素
def head(lst):
return lst[0]
if len(lst) >
0 else None
head([]) # None
head([3, 4, 1]) # 3
7. 返回列表尾元素
def tail(lst):
return lst[-1]
if len(lst) >
0 else None
print(tail([])) # None
print(tail([3, 4, 1])) # 1
8. 对象转换为可迭代类型
from collections.abc
import Iterable
def cast_iterable(val):
return val if isinstance(val, Iterable)
else [val]
cast_iterable('foo')# foo
cast_iterable(12)# [12]
cast_iterable({'foo':
12})# {'foo':
12}
9. 求更长列表
def max_length(*lst):
return max(*lst, key=lambda v: len(v))
r = max_length([1, 2, 3], [4, 5, 6, 7], [8])# [4, 5, 6, 7]
10. 出现最多元素
def max_frequency(lst):
return max(lst, default='列表为空', key=lambda v: lst.count(v))
lst = [1, 3, 3, 2, 1, 1, 2]
max_frequency(lst) # 1
11. 求多个列表的大值
def max_lists(*lst):
return max(max(*lst, key=lambda v: max(v)))
max_lists([1, 2, 3], [6, 7, 8], [4, 5]) # 8
12. 求多个列表的最小值
def min_lists(*lst):
return min(min(*lst, key=lambda v: max(v)))
min_lists([1, 2, 3], [6, 7, 8], [4, 5]) # 1
13. 检查list是否有重复元素
def has_duplicates(lst):
return len(lst) == len(set(lst))
x = [1, 1, 2, 2, 3, 2, 3, 4, 5, 6]
y = [1, 2, 3, 4, 5]
has_duplicates(x) # False
has_duplicates(y) # True
14. 求列表中所有重复元素
from collections import Counter
def find_all_duplicates(lst):
c = Counter(lst)
return list(filter(lambda k: c[k] > 1, c))
find_all_duplicates([1, 2, 2, 3, 3, 3]) # [2,3]
15. 列表反转
def reverse(lst):
return lst[::-1]
reverse([1, -2, 3, 4, 1, 2])# [2, 1, 4, 3, -2, 1]
16. 浮点数等差数列
def rang(start,
stop, n):
start,stop,n =
float('%.2f' %
start),
float('%.2f' %
stop),int('%.d' % n)
step = (stop-start)/n
lst = [start]
while n >
0:
start,n =
start+step,n-1
lst.append(round((start),
2))
return lst
rang(1,
8,
10)
# [1.0, 1.7, 2.4, 3.1, 3.8, 4.5, 5.2, 5.9, 6.6, 7.3, 8.0]
四、字典
1. 字典值大的键值对列表
def max_pairs(dic):
if len(dic) ==
0:
return dic
max_val = max(map(lambda v: v[1], dic.items()))
return [item
for item
in dic.items()
if item[1] == max_val]
max_pairs({'a':
-10,
'b':
5,
'c':
3,
'd':
5})# [('b', 5), ('d', 5)]
2. 字典值最小的键值对列表
def min_pairs(dic):
if len(dic) ==
0:
return []
min_val = min(map(lambda v: v[1], dic.items()))
return [item
for item in dic.items()
if item[1] == min_val]
min_pairs({}) # []
r = min_pairs({'a':
-10,
'b':
5,
'c':
3,
'd':
5})
print(r) # [('b',
5), ('d',
5)]
3. 合并两个字典
def merge_dict2(dic1, dic2):
return {**dic1, **dic2} # python3.5后支持的一行代码实现合并字典
merge_dict({'a':
1,
'b':
2}, {'c':
3}) # {'a':
1,
'b':
2,
'c':
3}
4. 求字典前n个大值
from heapq import nlargest
# 返回字典d前n个大值对应的键
def topn_dict(d, n):
return nlargest(n, d, key=lambda k: d[k])
topn_dict({'a': 10, 'b': 8, 'c': 9, 'd': 10}, 3) # ['a', 'd', 'c']
5. 求最小键值对
d={'a':-10,'b':5,
'c':3,'d':5}
min(d.items(),key=lambda x:x[1])
#('a', -10)
五、集合
1. 互为变位词
from collections
import Counter
# 检查两个字符串是否 相同字母异序词,简称:互为变位词
def anagram(str1, str2):
return Counter(str1) == Counter(str2)
anagram('eleven+two',
'twelve+one') # True 这是一对神器的变位词
anagram('eleven',
'twelve') # False
六、文件操作
1. 查找指定文件格式文件
import os
def find_file(work_dir,extension='jpg'):
lst = []
for filename
in os.listdir(work_dir):
print(filename)
splits =
os.path.splitext(filename)
ext = splits[1] # 拿到扩展名
if ext ==
'.'+extension:
lst.append(filename)
return lst
find_file('.','md') # 返回所有目录下的md文件
七、正则和爬虫
1. 爬取天气数据并解析温度值
素材来自朋友袁绍
import requests
from lxml
import etree
import pandas
as pd
import re
url =
'http://www.weather.com.cn/weather1d/101010100.shtml#input'
with requests.get(url)
as res:
content = res.content
html = etree.HTML(content)
通过lxml模块提取值,lxml比beautifulsoup解析在某些场合更高效
location = html.xpath('//*[@id="around"]//a[@target="_blank"]/span/text()')
temperature = html.xpath('//*[@id="around"]/div/ul/li/a/i/text()')
结果:
['香河',
'涿州',
'唐山',
'沧州',
'天津',
'廊坊',
'太原',
'石家庄',
'涿鹿',
'张家口',
'保定',
'三河',
'北京孔庙',
'北京国子监',
'中国地质博物馆',
'月坛公
园',
'明城墙遗址公园',
'北京市规划展览馆',
'什刹海',
'南锣鼓巷',
'天坛公园',
'北海公园',
'景山公园',
'北京海洋馆']
['11/-5°C',
'14/-5°C',
'12/-6°C',
'12/-5°C',
'11/-1°C',
'11/-5°C',
'8/-7°C',
'13/-2°C',
'8/-6°C',
'5/-9°C',
'14/-6°C',
'11/-4°C',
'13/-3°C'
,
'13/-3°C',
'12/-3°C',
'12/-3°C',
'13/-3°C',
'12/-2°C',
'12/-3°C',
'13/-3°C',
'12/-2°C',
'12/-2°C',
'12/-2°C',
'12/-3°C']
df = pd.DataFrame({'location':location,
'temperature':temperature})
print('温度列')
print(df['temperature'])
正则解析温度值
df['high'] = df['temperature'].apply(lambda x:
int(re.match('(-?[0-9]*?)/-?[0-9]*?°C', x).group(1) ) )
df['low'] = df['temperature'].apply(lambda x:
int(re.match('-?[0-9]*?/(-?[0-9]*?)°C', x).group(1) ) )
print(df)
详细说明子字符创捕获
除了简单地判断是否匹配之外,正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组(group)。比如:^(\d{3})-(\d{3,8})$分别定义了两个组,可以直接从匹配的字符串中提取出区号和本地号码
m = re.match(r'^(\d{3})-(\d{3,8})$',
'010-12345')
print(m.group(0))
print(m.group(1))
print(m.group(2))
# 010-12345
# 010
# 12345
如果正则表达式中定义了组,就可以在Match对象上用group()方法提取出子串来。
注意到group(0)永远是原始字符串,group(1)、group(2)……表示第1、2、……个子串。
最终结果
Name: temperature, dtype: object
location temperature high low
0
香河
11/-5°C 11
-5
1
涿州
14/-5°C 14
-5
2
唐山
12/-6°C 12
-6
3
沧州
12/-5°C 12
-5
4
天津
11/-1°C 11
-1
5
廊坊
11/-5°C 11
-5
6
太原 8/-7°C
8
-7
7 石家庄
13/-2°C 13
-2
8
涿鹿 8/-6°C
8
-6
9 张家口 5/-9°C
5
-9
10 保定
14/-6°C 14
-6
11 三河
11/-4°C 11
-4
12 北京孔庙
13/-3°C 13
-3
13
北京国子监
13/-3°C 13
-3
14
中国地质博物馆
12/-3°C 12
-3
15 月坛公园
12/-3°C 12
-3
16
明城墙遗址公园
13/-3°C 13
-3
17 北京市规划展览馆
12/-2°C 12
-2
18
什刹海
12/-3°C 12
-3
19 南锣鼓巷
13/-3°C 13
-3
20 天坛公园
12/-2°C 12
-2
21 北海公园
12/-2°C 12
-2
22 景山公园
12/-2°C 12
-2
23
北京海洋馆
12/-3°C 12
-3
2. 批量转化驼峰格式
import re
def camel(s):
s = re.sub(r"(\s|_|-)+",
" ", s).title().replace(" ",
"")
return s[0].lower() + s[1:]
# 批量转化
def batch_camel(slist):
return [camel(s) for s in slist]
batch_camel(['student_id', 'student\tname', 'student-add']) #['studentId', 'studentName', 'studentAdd']
八、绘图
1. turtle绘制奥运五环图结果:
2. turtle绘制漫天雪花结果:
3. 4种不同颜色的色块,它们的颜色真的不同吗?
4. 词频云图
import hashlib
import pandas
as pd
from wordcloud
import WordCloud
geo_data=pd.read_excel(r"../data/geo_data.xlsx")
words =
','.join(x
for x
in geo_data['city']
if x != [])
#筛选出非空列表值
wc = WordCloud(
background_color="green", #背景颜色"green"绿色
max_words=100, #显示大词数
font_path='./fonts/simhei.ttf', #显示中文
min_font_size=5,
max_font_size=100,
width=500 #图幅宽度
)
x = wc.generate(words)
x.to_file('../data/geo_data.png')
八、生成器
1. 求斐波那契数列前n项(生成器版)
def fibonacci(n):
a, b =
1,
1
for _
in range(n):
yield a
a, b = b, a + b
list(fibonacci(5)) # [1, 1, 2, 3, 5]
2. 将list等分为子组(生成器版)
from
math import ceil
def divide_iter(lst, n):
if n <=
0:
yield lst
return
i, div =
0,
ceil(len(lst) / n)
while i < n:
yield lst[i * div: (i +
1) * div]
i +=
1
list(divide_iter([1,
2,
3,
4,
5],
0)) #
[[1, 2, 3, 4, 5]]
list(divide_iter([1,
2,
3,
4,
5],
2)) #
[[1, 2, 3], [4, 5]]
九、keras
1. Keras入门例子
import numpy
as np
from keras.models
import Sequential
from keras.layers
import Dense
data = np.random.random((1000,
1000))
labels = np.random.randint(2, size=(1000,
1))
model = Sequential()
model.add(Dense(32,
activation='relu',
input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimize='rmsprop', loss='binary_crossentropy',
metrics=['accuracy'])
model.fit(data, labels, epochs=10, batch_size=32)
predictions = model.predict(data)
到此,关于“怎么用Python实现时间60秒效果”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注创新互联-成都网站建设公司网站,小编会继续努力为大家带来更多实用的文章!
标题名称:怎么用Python实现时间60秒效果-创新互联
文章源于:http://myzitong.com/article/dcjdei.html