深度之眼(十七)——Python标准库(下)

简介: 深度之眼(十七)——Python标准库(下)

3.3 deque——双向队列


列表访问数据非常快速

插入和删除操作非常慢一通过移动元素位置来实现

特别是insert(0, V)和pop(0),在列表开始进行的插入和删除操作


双向队列可以方便的在队列两边高效、快速的增加和删除元素

0a2653c851af460fa595bd959398a8f1.png


四、itertools库——迭代器


4.1 排列组合


(1) product——笛卡尔积


0a2653c851af460fa595bd959398a8f1.png


(2) permutations——排列


2d65d23f6d4748949b924e4057485923.png


(3) combinations——组合


2e9b90b2ca334476abebe75bafe6eeaa.png


(4) combinations_ with_ replacement——元素可重复组合


4cebaac233b3433da32a72337a77fc60.png


4.2 拉链


(1) zip——短拉链


0a2653c851af460fa595bd959398a8f1.png

长度不一时,执行到最短的对象处,就停止

2d65d23f6d4748949b924e4057485923.png


(2) zip_ longest——长拉链

长度不- -时,执行到最长的对象处,就停止,缺省元素用None或指定字符替代


0a2653c851af460fa595bd959398a8f1.png


4.3 无穷


(1) count(start=0, step=1)——计数


创建一个迭代器,它从start.值开始,返回均匀间隔的值


0a2653c851af460fa595bd959398a8f1.png


(2) cyclel(terable)——循环


创建-一个迭代器,返回iterable 中所有元素,无限重复


2d65d23f6d4748949b924e4057485923.png


(3) repeat(object [ timesI])——重复


创建一个选代器,不断重复object。除非设定参数times ,否则将无限重复


2e9b90b2ca334476abebe75bafe6eeaa.png


4.4 锁链、枚举、分组等


(1) chain(iterables)——锁链


把一组迭代对象申联起来,形成一个更大的迭代器

0a2653c851af460fa595bd959398a8f1.png


(2) enumerate(iterable, start=0)——枚举 (Python内置)


产出由两个元素组成的元组,结构是(index,

item) , 其中index从start开始,item从iterable中取

2d65d23f6d4748949b924e4057485923.png


(3) groupbyliterable, key=None)——分组


创建-一个迭代器,按照key指定的方式, 返回iterable 中连续的键和组

一般来说,要预先对数据进行排序

key,为None默认把连续重复元素分组


2e9b90b2ca334476abebe75bafe6eeaa.png

4cebaac233b3433da32a72337a77fc60.png6de278e6d6694ce5bb08e7e842b7e74b.png


其余的,可以参考官方文档


总结


0a2653c851af460fa595bd959398a8f1.png2d65d23f6d4748949b924e4057485923.png2e9b90b2ca334476abebe75bafe6eeaa.png4cebaac233b3433da32a72337a77fc60.png


相关文章
|
4天前
|
调度 开发者 Python
Python中的异步编程:理解asyncio库
在Python的世界里,异步编程是一种高效处理I/O密集型任务的方法。本文将深入探讨Python的asyncio库,它是实现异步编程的核心。我们将从asyncio的基本概念出发,逐步解析事件循环、协程、任务和期货的概念,并通过实例展示如何使用asyncio来编写异步代码。不同于传统的同步编程,异步编程能够让程序在等待I/O操作完成时释放资源去处理其他任务,从而提高程序的整体效率和响应速度。
|
7天前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
27 0
|
6天前
|
数据采集 JSON 测试技术
Python爬虫神器requests库的使用
在现代编程中,网络请求是必不可少的部分。本文详细介绍 Python 的 requests 库,一个功能强大且易用的 HTTP 请求库。内容涵盖安装、基本功能(如发送 GET 和 POST 请求、设置请求头、处理响应)、高级功能(如会话管理和文件上传)以及实际应用场景。通过本文,你将全面掌握 requests 库的使用方法。🚀🌟
27 7
|
22天前
|
网络协议 数据库连接 Python
python知识点100篇系列(17)-替换requests的python库httpx
【10月更文挑战第4天】Requests 是基于 Python 开发的 HTTP 库,使用简单,功能强大。然而,随着 Python 3.6 的发布,出现了 Requests 的替代品 —— httpx。httpx 继承了 Requests 的所有特性,并增加了对异步请求的支持,支持 HTTP/1.1 和 HTTP/2,能够发送同步和异步请求,适用于 WSGI 和 ASGI 应用。安装使用 httpx 需要 Python 3.6 及以上版本,异步请求则需要 Python 3.8 及以上。httpx 提供了 Client 和 AsyncClient,分别用于优化同步和异步请求的性能。
python知识点100篇系列(17)-替换requests的python库httpx
|
7天前
|
机器学习/深度学习 数据采集 算法
Python机器学习:Scikit-learn库的高效使用技巧
【10月更文挑战第28天】Scikit-learn 是 Python 中最受欢迎的机器学习库之一,以其简洁的 API、丰富的算法和良好的文档支持而受到开发者喜爱。本文介绍了 Scikit-learn 的高效使用技巧,包括数据预处理(如使用 Pipeline 和 ColumnTransformer)、模型选择与评估(如交叉验证和 GridSearchCV)以及模型持久化(如使用 joblib)。通过这些技巧,你可以在机器学习项目中事半功倍。
18 3
|
10天前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
29 5
|
8天前
|
存储 数据挖掘 数据处理
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
20 1
|
18天前
|
数据可视化 数据挖掘 Python
Seaborn 库创建吸引人的统计图表
【10月更文挑战第11天】本文介绍了如何使用 Seaborn 库创建多种统计图表,包括散点图、箱线图、直方图、线性回归图、热力图等。通过具体示例和代码,展示了 Seaborn 在数据可视化中的强大功能和灵活性,帮助读者更好地理解和应用这一工具。
31 3
|
6天前
|
文字识别 自然语言处理 API
Python中的文字识别利器:pytesseract库
`pytesseract` 是一个基于 Google Tesseract-OCR 引擎的 Python 库,能够从图像中提取文字,支持多种语言,易于使用且兼容性强。本文介绍了 `pytesseract` 的安装、基本功能、高级特性和实际应用场景,帮助读者快速掌握 OCR 技术。
27 0
|
23天前
|
Linux Android开发 开发者
【Python】GUI:Kivy库环境安装与示例
这篇文章介绍了 Kivy 库的安装与使用示例。Kivy 是一个开源的 Python 库,支持多平台开发,适用于多点触控应用。文章详细说明了 Kivy 的主要特点、环境安装方法,并提供了两个示例:一个简单的 Hello World 应用和一个 BMI 计算器界面。
37 0

热门文章

最新文章