[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
|
13天前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现智能食品加工优化的深度学习模型
使用Python实现智能食品加工优化的深度学习模型
113 59
|
8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。
|
8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
46 5
|
25天前
|
机器学习/深度学习 数据采集 传感器
使用Python实现深度学习模型:智能土壤质量监测与管理
使用Python实现深度学习模型:智能土壤质量监测与管理
192 69
|
10天前
|
机器学习/深度学习 算法 数据可视化
使用Python实现深度学习模型:智能食品配送优化
使用Python实现深度学习模型:智能食品配送优化
27 2
|
9天前
|
机器学习/深度学习 人工智能 算法
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
手写数字识别系统,使用Python作为主要开发语言,基于深度学习TensorFlow框架,搭建卷积神经网络算法。并通过对数据集进行训练,最后得到一个识别精度较高的模型。并基于Flask框架,开发网页端操作平台,实现用户上传一张图片识别其名称。
29 0
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
|
9天前
|
机器学习/深度学习 人工智能 算法
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
蔬菜识别系统,本系统使用Python作为主要编程语言,通过收集了8种常见的蔬菜图像数据集('土豆', '大白菜', '大葱', '莲藕', '菠菜', '西红柿', '韭菜', '黄瓜'),然后基于TensorFlow搭建卷积神经网络算法模型,通过多轮迭代训练最后得到一个识别精度较高的模型文件。在使用Django开发web网页端操作界面,实现用户上传一张蔬菜图片识别其名称。
47 0
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
|
14天前
|
机器学习/深度学习 数据采集 数据库
使用Python实现智能食品营养分析的深度学习模型
使用Python实现智能食品营养分析的深度学习模型
42 6
|
11天前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现智能食品储存管理的深度学习模型
使用Python实现智能食品储存管理的深度学习模型
34 2
|
16天前
|
机器学习/深度学习 供应链 安全
使用Python实现智能食品供应链管理的深度学习模型
使用Python实现智能食品供应链管理的深度学习模型
59 3

热门文章

最新文章

下一篇
无影云桌面