【python】编程学习练习题--3

简介:

  1 #利用map和reduce编写一个str2float函数,把字符串'123.456'转换成浮点数123.456:


代码:


  2 
  3 from functools import reduce
  4 str = '123.456'
  5 point = str.find('.')
  6 def str2int(a):
  7     if a != '.':
  8         return int(a)
  9 
 10 def int2float(x,y):
 11     return x*10 + y
 12 
 13 result = reduce(int2float,list(map(str2int,str))[:point]) + reduce(int2float,list(map(str2int,str))[point+1:]) * 10**(-(len(str)-point-1))
 14 print(result)


运行结果:


[root@HK Practice]# python map_reduce_3.py 
123.456
[root@HK Practice]#


代码分析:


 

  2 
  3 from functools import reduce                #导入reduce模块
  4 str = '123.456'                             #将需要转换的字符串赋值
  5 point = str.find('.')                       #用str.find找出小数点的位置
  6 def str2int(a):                             #定义函数,将字符串转换成int类型
  7     if a != '.':                            
  8         return int(a)
  9 
 10 def int2float(x,y):                         #定义一个求积的函数
 11     return x*10 + y
 12 
 13 result = reduce(int2float,list(map(str2int,str))[:point]) + reduce(int2float,list(map(str2int,str))[point+1:]) * 10**(-(len(str)-point-1))
 14 print(result)                               #前半部分是小数点之前的结果,+之后的部分是小数点之后的部分,10**(-(len(str)-point-1))是通过point确定新数字小数点的位置




      本文转自snc_snc 51CTO博客,原文链接:http://blog.51cto.com/netsyscode/1751752,如需转载请自行联系原作者





相关文章
|
5天前
|
机器学习/深度学习 分布式计算 物联网
【Python机器学习专栏】联邦学习:保护隐私的机器学习新趋势
【4月更文挑战第30天】联邦学习是保障数据隐私的分布式机器学习方法,允许设备在本地训练数据并仅共享模型,保护用户隐私。其优势包括数据隐私、分布式计算和模型泛化。应用于医疗、金融和物联网等领域,未来将发展更高效的数据隐私保护、提升可解释性和可靠性的,并与其他技术融合,为机器学习带来新机遇。
|
5天前
|
机器学习/深度学习 自然语言处理 搜索推荐
【Python机器学习专栏】迁移学习在机器学习中的应用
【4月更文挑战第30天】迁移学习是利用已有知识解决新问题的机器学习方法,尤其在数据稀缺或资源有限时展现优势。本文介绍了迁移学习的基本概念,包括源域和目标域,并探讨了其在图像识别、自然语言处理和推荐系统的应用。在Python中,可使用Keras或TensorFlow实现迁移学习,如示例所示,通过预训练的VGG16模型进行图像识别。迁移学习提高了学习效率和性能,随着技术发展,其应用前景广阔。
|
5天前
|
机器学习/深度学习 算法 前端开发
【Python机器学习专栏】集成学习中的Bagging与Boosting
【4月更文挑战第30天】本文介绍了集成学习中的两种主要策略:Bagging和Boosting。Bagging通过自助采样构建多个基学习器并以投票或平均法集成,降低模型方差,增强稳定性。在Python中可使用`BaggingClassifier`实现。而Boosting是串行学习,不断调整基学习器权重以优化拟合,适合弱学习器。Python中可利用`AdaBoostClassifier`等实现。示例代码展示了如何在实践中运用这两种方法。
|
5天前
|
机器学习/深度学习 算法 数据挖掘
【Python机器学习专栏】关联规则学习:Apriori算法详解
【4月更文挑战第30天】Apriori算法是一种用于关联规则学习的经典算法,尤其适用于购物篮分析,以发现商品间的购买关联。该算法基于支持度和置信度指标,通过迭代生成频繁项集并提取满足阈值的规则。Python中可借助mlxtend库实现Apriori,例如处理购物篮数据,设置支持度和置信度阈值,找出相关规则。
|
5天前
|
机器学习/深度学习 算法 前端开发
【Python机器学习专栏】集成学习算法的原理与应用
【4月更文挑战第30天】集成学习通过组合多个基学习器提升预测准确性,广泛应用于分类、回归等问题。主要步骤包括生成基学习器、训练和结合预测结果。算法类型有Bagging(如随机森林)、Boosting(如AdaBoost)和Stacking。Python中可使用scikit-learn实现,如示例代码展示的随机森林分类。集成学习能降低模型方差,缓解过拟合,提高预测性能。
|
6天前
|
测试技术 调度 索引
python编程中常见的问题
【4月更文挑战第23天】
19 2
|
6天前
|
网络协议 算法 网络架构
Python网络编程之udp编程、黏包以及解决方案、tcpserver
Python网络编程之udp编程、黏包以及解决方案、tcpserver
|
7天前
|
机器学习/深度学习 数据挖掘 算法框架/工具
Python:编程的艺术与魅力
Python:编程的艺术与魅力
18 3
|
7天前
|
机器学习/深度学习 数据可视化 数据挖掘
实用技巧:提高 Python 编程效率的五个方法
本文介绍了五个提高 Python 编程效率的实用技巧,包括使用虚拟环境管理依赖、掌握列表推导式、使用生成器提升性能、利用装饰器简化代码结构以及使用 Jupyter Notebook 进行交互式开发。通过掌握这些技巧,可以让你的 Python 编程更加高效。
|
7天前
|
算法 Python
Python面向对象oop编程(二)
Python面向对象oop编程(二)