《Python编程:从入门到实践》 第4章习题

简介:
#4-1比萨:想出至少三种你喜欢的比萨,将其名称存储在一个列表中,
#再使用for循环将每种比萨的名称都打印出来。
pizza_toppings =['Durian','Bacon','Shrimp']
for toppings in pizza_toppings:
    print("I like " + toppings.title() + " pizza.")

print("I really love pizza!")

#4-2 动物: 想出至少三种有共同特征的动物,将这些动物的名称存储在一个列表中,
#再使用for循环将每种动物的名称都打印出来。
zoologys = ['cat','dog','pig']
for zoology in zoologys:
    print("A" + zoology.title() + "would make a great pet.")

print("Any ofthese animals would make a great pet!")

#4-3 数到20:使用一个for循环打印数字1~20(含)。
for number in range(1,21):
    print(number)

#4-4 一百万:创建一个列表,其中包含数字1~1 000 000,再使用一个for循环
#将这些数字打印出来(如果输出的时间太长,按Ctrl + C停止输出,或关闭输出窗口)。
millions = list(range(1,1000001))
for million in millions:
    print(million)


#4-5 计算1~1000000的总和:创建一个列表,其中包含数字1~1 000 000,再使用min()和
#max()核实该列表确实是从1开始,到1000000结束的。另外,对这个列表调用函数sum(),
#看看Python将一百万个数字相加需要多长时间。
millions = list(range(1,1000001))
print(min(millions))
print(max(millions))
print(sum(millions))

#4-6 奇数:通过给函数range()指定第三个参数来创建一个列表,其中包含1~20的奇数;
#再使用一个for循环将这些数字都打印出来。
odd_number = list(range(1,20,2))
for number in odd_number:
    print(number)

#4-7 3的倍数:创建一个列表,其中包含3~30内能被3整除的数字;
#再使用一个for循环将这个列表中的数字都打印出来。
triples = list(range(3,31,3))
for triple in triples:
    print(triple)

#4-8 立方:将同一个数字乘三次称为立方。例如,在Python中,2的立方用2**3表示。请创建
#一个列表,其中包含前10个整数(即1~10)的立方,再使用一个for循环将这些立方数都打印出来。
cube = []
for num in range(1,11):
    cube.append(num**3)
print(cube)

#4-9 立方解析 : 使用列表解析生成一个列表, 其中包含前10个整数的立方。
cubes = [num**3 for num in range(1,11)]
print(cubes)

#4-10 切片:选择你在本章编写的一个程序,在末尾添加几行代码,以完成如下任务。
zoologys = ['cat','dog','pig','cow','panda']
print("The first three items in the list are:")
print(zoologys[0:3])

print("Three items from the middle of the list are:")
print(zoologys[1:4])

print("The last three items in the list are:")
print(zoologys[-3:])

#4-11 你的比萨和我的比萨:在你为完成练习4-1而编写的程序中,创建比萨列表的副本,
#并将其存储到变量friend_pizzas中,再完成如下任务。,'lobster','mushroom'
pizza_toppings =['Durian','Bacon','Shrimp']
friend_pizzas = pizza_toppings[:]
pizza_toppings.append('mushroom')
friend_pizzas.append('lobster')
print("My favorite pizzas are:")
print(pizza_toppings)
print("My friend's favorite pizzas are:")
print(friend_pizzas)

#4-12 使用多个循环:在本节中,为节省篇幅,程序foods.py的每个版本都没有使用for循环
#来打印列表。请选择一个版本的foods.py,在其中编写两个for循环,将各个食品列表都
#打印出来。
my_foods = ['pizza', 'falafel', 'carrot cake']
for my_food in my_foods:
    print(my_food)

#4-13 自助餐:有一家自助式餐馆,只提供五种简单的食品。请想出五种简单的食品,
#并将其存储在一个元组中。
buffet = ('beef','fish','chicken','salad','dessert')
for food in buffet:
    print(food)

buffet[2] = 'lobster'

buffet = ('beef','salmon','MuttonShashlik','salad','dessert')
for food_2 in buffet:
    print(food_2)
相关文章
|
1天前
|
数据采集 机器学习/深度学习 前端开发
【好书推荐3】Python网络爬虫入门到实战
【好书推荐3】Python网络爬虫入门到实战
9 0
|
2天前
|
JSON 数据格式 开发者
pip和requests在Python编程中各自扮演着不同的角色
`pip`是Python的包管理器,用于安装、升级和管理PyPI上的包;`requests`是一个HTTP库,简化了HTTP通信,支持各种HTTP请求类型及数据交互。两者在Python环境中分别负责包管理和网络请求。
13 5
|
5天前
|
Python
在Python中快捷引入缺失包的技巧和实践
在Python中快捷引入缺失包的技巧和实践
11 0
|
5天前
|
人工智能 Python
Python中的反对称矩阵:理论、应用与代码实践
Python中的反对称矩阵:理论、应用与代码实践
22 1
|
5天前
|
存储 Python 容器
Python高级编程
Python集合包括可变的set和不可变的frozenset,用于存储无序、不重复的哈希元素。创建集合可使用{}或set(),如`my_set = {1, 2, 3, 4, 5}`。通过add()添加元素,remove()或discard()删除元素,如`my_set.remove(3)`。
|
5天前
|
机器学习/深度学习 数据采集 数据可视化
利用Python进行历史数据预测:从入门到实践的两个案例分析
利用Python进行历史数据预测:从入门到实践的两个案例分析
19 1
|
6天前
|
测试技术 Python
Python模块化方式编程实践
Python模块化编程提升代码质量,包括:定义专注单一任务的模块;使用`import`导入模块;封装函数和类,明确命名便于重用;避免全局变量降低耦合;使用文档字符串增强可读性;为每个模块写单元测试确保正确性;重用模块作为库;定期维护更新以适应Python新版本。遵循这些实践,可提高代码可读性、重用性和可维护性。
27 2
|
11天前
|
机器学习/深度学习 人工智能 算法
【Python 机器学习专栏】强化学习在游戏 AI 中的实践
【4月更文挑战第30天】强化学习在游戏AI中展现巨大潜力,通过与环境交互和奖励信号学习最优策略。适应性强,能自主探索,挖掘出惊人策略。应用包括策略、动作和竞速游戏,如AlphaGo。Python是实现强化学习的常用工具。尽管面临训练时间长和环境复杂性等挑战,但未来强化学习将与其他技术融合,推动游戏AI发展,创造更智能的游戏体验。
|
11天前
|
机器学习/深度学习 自然语言处理 语音技术
【Python 机器学习专栏】Python 深度学习入门:神经网络基础
【4月更文挑战第30天】本文介绍了Python在深度学习中应用于神经网络的基础知识,包括神经网络概念、基本结构、训练过程,以及Python中的深度学习库TensorFlow和PyTorch。通过示例展示了如何使用Python实现神经网络,并提及优化技巧如正则化和Dropout。最后,概述了神经网络在图像识别、语音识别和自然语言处理等领域的应用,并强调掌握这些知识对深度学习的重要性。随着技术进步,神经网络的应用将持续扩展,期待更多创新。
|
11天前
|
机器学习/深度学习 运维 算法
【Python机器学习专栏】异常检测算法在Python中的实践
【4月更文挑战第30天】本文介绍了异常检测的重要性和在不同领域的应用,如欺诈检测和网络安全。文章概述了四种常见异常检测算法:基于统计、距离、密度和模型的方法。在Python实践中,使用scikit-learn库展示了如何实现这些算法,包括正态分布拟合、K-means聚类、局部异常因子(LOF)和孤立森林(Isolation Forest)。通过计算概率密度、距离、LOF值和数据点的平均路径长度来识别异常值。