[深度学习入门]Python序列、切片、元组、字典及集合相关问题(二)

简介: 笔记

二、元组


  元组和列表类型,但属于不可变序列元组一旦创建,用任何方法都不可以修改其元素

  元组的定义方式和列表相同,但定义时所有元素是放在一对圆括号“()”中,而不是方括号中

1、元组创建与删除

  使用“=”将一个元组赋值给变量

30.png

使用tuple函数将其他序列转换为元组。

31.png

使用del可以删除元组对象,不能删除元组中的元素。


2、元组与列表的区别

 元组中的数据一旦定义就不允许更改。

 元组没有append()、extend()和insert()等方法,无法向元组中添加元素。

 元组没有remove()或pop()方法,也无法对元组元素进行del操作,不能从元组中删除元素。

 从效果上看,tuple()冻结列表,而list()融化元组。


3、元组的优点

 元组的速度比列表更快。如果定义了一些列常量值,而所需做的仅是对它进行遍历,那么一般使用元组而不用列表。

 元组对不需要改变的数据进行“写保护”将使得代码更加安全。

 元组可用作字典键(特别是包含字符串、数值和其他元组这样的不可变数据的元组)。列表永远不能当作字典键使用,因为列表不是不可变的。


4、字典

 字典是无序可变序列。

 定义字典时,每个元素的键和值用冒号分隔,元素之间用逗号分隔,所有的元素放在一对大括号”[]”中。

 字典中的键可以为任意不可变数据,比如整数、实数、复数、字符串、元组等等。

 globals()返回包含当前作用域内所有全局变量和值的字典。

 locals()返回包含当前作用域内所有局部变量和值的字典。


5、字典创建与删除

 使用=将一个字典赋值给一个变量:

32.png

使用dict利用已有数据创建字典

33.png

使用dict根据给定的键、值创建字典

34.png

以给定内容为键,创建值为空的字典

35.png

 None无引号,不是字符串,表示未对字典赋值

  可以使用del删除整个字典


6、字典元素的读取

  以键作为下标可以读取字典元素,若键不存在则抛出异常

36.png

使用字典对象的get方法获取指定键对应的值,并且可以在键不存在的时候返回指定值

37.png

使用字典对象的items()方法可以返回字典的键、值对列表。

  使用字典对象的keys()方法可以返回字典的键列表。

  使用字典对象的values()方法可以返回字典的值列表。

38.png

上面的key不表示输出键,而相当于局部循环变量。要单独输出键/值,应在aDict中进行限定。未加特殊说明,默认为键。

  当以指定键为下表为字典赋值时,若键存在,则可以修改该键的值;若不存在,则表示添加一个键、值对

39.png

使用字典对象的update方法将另一个字典的键、值对添加到当前字典对象

40.png

使用del删除字典中指定键的元素。

 使用字典对象的clear()方法来删除字典中所有元素。

 使用字典对象的pop()方法删除并返回指定键的元素。

 使用字典对象的popitem()方法删除并返回字典中的一个元素。


7、字典应用案例

 首先生成包含1000个随机字符的字符串,然后统计每个字符的出现次数

41.png

8、字典推导式

42.png

9、集合

  集合是无序可变序列,使用一对大括号界定。元素不可重复,同一个集合中每个元素都是唯一的。

  集合中只能包含数字、字符串、元组等不可变类型(或者是可哈希)的数据,而不能包含列表、字典、集合等可变类型的数据


10、集合的创建与删除

  直接将集合赋值给变量。

43.png

 使用set将其他类型数据转换为集合。

44.png

使用del删除整个集合。

  当不在使用某个集合时,可以使用del命令删除整个集合。集合对象的pop()方法弹出并删除其中一个元素,remove()方法直接删除指定元素,clear()方法清空集合等运算。

45.png

 Python集合支持交集、并集、差集等运算。

46.png

相关文章
|
4天前
|
机器学习/深度学习 人工智能 TensorFlow
人工智能浪潮下的自我修养:从Python编程入门到深度学习实践
【10月更文挑战第39天】本文旨在为初学者提供一条清晰的道路,从Python基础语法的掌握到深度学习领域的探索。我们将通过简明扼要的语言和实际代码示例,引导读者逐步构建起对人工智能技术的理解和应用能力。文章不仅涵盖Python编程的基础,还将深入探讨深度学习的核心概念、工具和实战技巧,帮助读者在AI的浪潮中找到自己的位置。
|
4天前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现智能食品市场预测的深度学习模型
使用Python实现智能食品市场预测的深度学习模型
30 5
|
4天前
|
机器学习/深度学习 数据挖掘 Python
Python编程入门——从零开始构建你的第一个程序
【10月更文挑战第39天】本文将带你走进Python的世界,通过简单易懂的语言和实际的代码示例,让你快速掌握Python的基础语法。无论你是编程新手还是想学习新语言的老手,这篇文章都能为你提供有价值的信息。我们将从变量、数据类型、控制结构等基本概念入手,逐步过渡到函数、模块等高级特性,最后通过一个综合示例来巩固所学知识。让我们一起开启Python编程之旅吧!
|
4天前
|
存储 Python
Python编程入门:打造你的第一个程序
【10月更文挑战第39天】在数字时代的浪潮中,掌握编程技能如同掌握了一门新时代的语言。本文将引导你步入Python编程的奇妙世界,从零基础出发,一步步构建你的第一个程序。我们将探索编程的基本概念,通过简单示例理解变量、数据类型和控制结构,最终实现一个简单的猜数字游戏。这不仅是一段代码的旅程,更是逻辑思维和问题解决能力的锻炼之旅。准备好了吗?让我们开始吧!
|
4天前
|
设计模式 缓存 开发框架
Python中的装饰器:从入门到实践####
本文深入探讨了Python中装饰器的工作原理与应用,通过具体案例展示了如何利用装饰器增强函数功能、提高代码复用性和可读性。读者将学习到装饰器的基本概念、实现方法及其在实际项目开发中的实用技巧。 ####
17 3
|
8天前
|
机器学习/深度学习 人工智能 测试技术
深度学习在图像识别中的应用与挑战
本文探讨了深度学习技术,尤其是卷积神经网络(CNN)在图像识别任务中的最新进展和面临的主要挑战。通过分析不同的网络架构、训练技巧以及优化策略,文章旨在提供一个全面的概览,帮助研究人员和实践者更好地理解和应用这些技术。
37 9
|
4天前
|
机器学习/深度学习 人工智能 算法
深度学习在图像识别中的应用与挑战
本文探讨了深度学习技术在图像识别领域的应用,重点分析了卷积神经网络(CNN)的工作原理及其在处理图像数据方面的优势。通过案例研究,展示了深度学习如何提高图像识别的准确性和效率。同时,文章也讨论了当前面临的主要挑战,包括数据不足、过拟合问题以及计算资源的需求,并提出了相应的解决策略。
|
5天前
|
机器学习/深度学习 分布式计算 并行计算
深度学习在图像识别中的应用与挑战
本文深入探讨了深度学习技术在图像识别领域的应用,分析了当前主流的卷积神经网络(CNN)架构,并讨论了在实际应用中遇到的挑战和可能的解决方案。通过对比研究,揭示了不同网络结构对识别准确率的影响,并提出了优化策略。此外,文章还探讨了深度学习模型在处理大规模数据集时的性能瓶颈,以及如何通过硬件加速和算法改进来提升效率。
|
5天前
|
机器学习/深度学习 人工智能 计算机视觉
深度学习在图像识别中的应用与挑战
【10月更文挑战第38天】本文将深入探讨深度学习如何在图像识别领域大放异彩,并揭示其背后的技术细节和面临的挑战。我们将通过实际案例,了解深度学习如何改变图像处理的方式,以及它在实际应用中遇到的困难和限制。
|
5天前
|
机器学习/深度学习 传感器 自动驾驶
深度学习在自动驾驶中的应用与挑战####
本文探讨了深度学习技术在自动驾驶领域的应用现状、面临的主要挑战及未来发展趋势。通过分析卷积神经网络(CNN)和循环神经网络(RNN)等关键算法在环境感知、决策规划中的作用,结合特斯拉Autopilot和Waymo的实际案例,揭示了深度学习如何推动自动驾驶技术向更高层次发展。文章还讨论了数据质量、模型泛化能力、安全性及伦理道德等问题,为行业研究者和开发者提供了宝贵的参考。 ####