初学python数据结构-切片

简介:

线性结构,也被称为顺序机构,有序的序列,可通过for in 迭代,len()取长度,长度是放在外面的,每次迭代的时候对其增减

通过下标访问

 

切片

通过索引区域访问线性结构的一段数据

 

切片的操作

通过索引区域访问线性结构的一段数据

切片支持负索引,start为0可以省略;stop为末尾则省略,start一定在stop左边

 

比如从-1 到 -10 需要更换方向,[:] 从头取到尾,全部元素取出,等效于浅拷贝

 

从第4个开始到9个之前的字符

 

In [5]: a ='www.baidu.com'[4:9]

 

In [6]: a

Out[6]:'baidu'

 

从第0个开始到第9个字符之前

 

In [10]: a

Out[10]:'www.baidu.com'

 

In [11]:a[:9]

Out[11]:'www.baidu'

 

从尾部开始

In [12]:a[:-1]

Out[12]:'www.baidu.co'

 

In [13]:a[3:-1]

Out[13]:'.baidu.co'

默认的终点方向是朝右开始,从第4个

 

In [19]:a[4:-4]

Out[19]:'baidu'

 

从第四个开始取

In [19]:a[4:-4]

Out[19]:'baidu'

 

从第0个到倒数第4个

 

In [22]:a[:-4]

Out[22]:'www.baidu'

 

In [30]:a[-9:-4]

Out[30]:'baidu'

 

切片是可以超界的

 

In [24]:a[-4:1000]

Out[24]:'.com'

 

切片中使用步长

 

步长可以是正、负整数,默认是1

坐标原则都是从左向右去取

 

例:

In [35]:a[-9:-4]

Out[35]:'baidu'

 

在-9和-4之间使用2个步长

 

In [37]:a[-9:-4:2]

Out[37]:'biu'

 

 

使用切片做反排序

 

In [71]:a[9::-1]

Out[71]:'.udiab.www'

 

In [72]:a[::-1]

Out[72]:'moc.udiab.www'

 

In [73]:a[4::]

Out[73]:'baidu.com'

 

In [74]:a[4::-1]

Out[74]:'b.www'

 

In [75]:a[-9::-1]

Out[75]:'b.www'

 

去过坐标相反,可以直接取负步长

 

Out[78]:'www.baidu.com'

 

In [79]:a[5:3:-1]

Out[79]: 'ab'

 

 

 

 

 本文转自zuzhou 51CTO博客,原文链接:http://blog.51cto.com/yijiu/1968171

 

 

 

 

 

 

 

 

 

 

 

相关文章
|
2天前
|
数据可视化 数据挖掘 Python
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化(下)
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化
|
2天前
|
数据可视化 API 开发者
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化(上)
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化
12 0
|
2天前
|
机器学习/深度学习 数据可视化 安全
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化(下)
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化
11 1
|
2天前
|
机器学习/深度学习 数据可视化 Python
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化(上)
Python随机森林、线性回归对COVID-19疫情、汇率数据预测死亡率、病例数、失业率影响可视化
16 0
|
2天前
|
机器学习/深度学习 存储 数据采集
【Python 机器学习专栏】PCA(主成分分析)在数据降维中的应用
【4月更文挑战第30天】本文探讨了主成分分析(PCA)在高维数据降维中的应用。PCA通过线性变换找到最大化方差的主成分,从而降低数据维度,简化存储和计算,同时去除噪声。文章介绍了PCA的基本原理、步骤,强调了PCA在数据降维、可视化和特征提取上的优势,并提供了Python实现示例。PCA广泛应用在图像压缩、机器学习和数据分析等领域,但降维后可能损失解释性,需注意选择合适主成分数量及数据预处理。
|
2天前
|
vr&ar Python
Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
|
2天前
|
Python
Python随机波动性SV模型:贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据|数据分享
Python随机波动性SV模型:贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据|数据分享
|
2天前
|
机器学习/深度学习 Python
【Python机器学习专栏】时间序列数据的特征工程
【4月更文挑战第30天】本文探讨了时间序列数据的特征工程,强调其在捕捉季节性、揭示趋势、处理异常值和提升模型性能中的重要性。介绍了滞后特征、移动窗口统计特征、时间戳特征、频域特征和波动率特征等方法,并提供了Python实现示例。通过有效特征工程,可提高时间序列分析的准确性和预测可靠性。
|
2天前
|
机器学习/深度学习 计算机视觉 Python
【Python 机器学习专栏】图像数据的特征提取与预处理
【4月更文挑战第30天】本文探讨了图像数据的特征提取与预处理在机器学习中的重要性。图像数据具有大容量、信息丰富和冗余性高的特点。特征提取涉及颜色、纹理和形状特征;预处理包括图像增强、去噪和分割。Python的OpenCV和Scikit-image库在处理这些任务时非常有用。常见的特征提取方法有统计、变换和基于模型的方法,而预处理应注意保持图像真实性、适应性调整及验证评估。有效的特征提取和预处理能提升模型性能,Python工具使其更高效。
|
2天前
|
机器学习/深度学习 自然语言处理 算法
【Python机器学习专栏】文本数据的特征提取与表示
【4月更文挑战第30天】本文探讨了文本特征提取与表示在机器学习和NLP中的重要性。介绍了词袋模型、TF-IDF和n-gram等特征提取方法,以及稀疏向量和词嵌入等表示方式。Python中可利用sklearn和gensim库实现这些技术。有效的特征提取与表示有助于将文本数据转化为可处理的数值形式,推动NLP和机器学习领域的进步。