《像计算机科学家一样思考Python》——4.5 泛化

简介:

本节书摘来自异步社区《像计算机科学家一样思考Python》一书中的第4章,第4.5节,作者[美]Allen B. Downey,赵普明 译,更多章节内容可以访问云栖社区“异步社区”公众号查看。

4.5 泛化

下一步是给square函数添加一个length参数。这里是一个解决方案:

def square(t, length):
  for i in range(4):
    fd(t, length)
    lt(t)

square(bob, 100)

给函数添加参数的过程称为泛化(generalization),因为它会让函数变得更通用:在之前的版本中,正方形总是一个大小,而新的版本中,可以是任意大小。

下一步也是一次泛化。我们不再只绘制正方形,而是可以绘制任意边数的多边形。这里是一个方案:

def polygon(t, n, length):
  angle = 360.0 / n
  for i in range(n):
    fd(t, length)
    lt(t, angle)

polygon(bob, 7, 70)

这个例子绘制一个7边形,边长是70。如果函数的形参比较多,很容易忘掉每一个具体是什么,或者忘掉它们的顺序。所以在Python中,调用函数时可以加上形参名称,这样是合法的,并且有时候会有帮助:

polygon(bob, n=7, length=70)

这些参数被称为关键词参数(keyword argument),因为它们使用“关键词”的形式带上了形参的名称调用 (请别和while与def之类的Python关键字混淆)。

这个语法使得程序更加可读。它也同样提示了我们实参和形参的工作方式:当调用函数时,实参传入并赋值给形参。

相关文章
|
3月前
|
机器学习/深度学习 人工智能 TensorFlow
Python小姿势 - 计算机科学家用Python编写自己的AI
Python小姿势 - 计算机科学家用Python编写自己的AI
|
机器学习/深度学习 Python
Python3入门机器学习 - 模型泛化
模型正则化 在多项式回归中如果degree过大,会造成过拟合的情况,导致模型预测方差极大,因此,我们可以使用模型正则化的方式来减小过拟合导致的预测方差极大的问题 即在我们训练模型时,不仅仅需要将预测的y和训练集的y的均方误差达到最小,还要使参数向量最小。
938 0