Python----Python中的元组及其常用方法

简介: Python----Python中的元组及其常用方法

1 元组的定义及特点

  • (1)元组的定义,使用小括号括起来(),也可以直接赋给多个值,如果一个值在后面加一个逗号
>>> a=(1,2,3,4)
>>> type(a)
<class 'tuple'>
>>> a=1,2,3
>>> a
(1, 2, 3)
>>> type(a)
<class 'tuple'>
>>> a=1,
>>> a
(1,)
>>> type(a)
<class 'tuple'>
  • (2)元组是不可变的,不能对元组的元素进行修改
>>> a=(1,2,3,4,5,6)
>>> a[1]=100
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: 'tuple' object does not support item assignment

2 元组的常用运算

  • (1)元组中元素可以通过位置下标来方位,第一个元素的下标为0,下标不可超过元素的长度范围
>>> a=(1,2,3,4,5,6)
>>> a[0]
1
>>> a[5]
6
>>> a[7]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: tuple index out of range
  • (2)元组中元素的下标可以是负数,负数表示从右边开始标记,-1表示最后一个元素,-2表示倒数第二个
>>> a=(1,2,3,4,5,6)
>>> a[-1]
6
>>> a[-2]
5
>>> a[-6]
1
>>> a[-7]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
IndexError: tuple index out of range
  • (3)元组中的元素可以通过切片操作获取元组的一部分,切片操作坚持左闭右开原则
>>> a=(1,2,3,4,5,6)
>>> a[0:4]
(1, 2, 3, 4)
>>> a[4:5]
(5,)
  • (4)元组的切片操作第二个参数可以超过元组的长度,超出元组的长度时默认取到最后一个元素
>>> a=(1,2,3,4,5,6)
>>> a[2:6]
(3, 4, 5, 6)
>>> a[2:10]
(3, 4, 5, 6)
  • (5)元组的切片操作第一个和第二个参数都可以省略,第一个参数省略时表示左侧从第一个元素开始取,第二个参数

省略时表示右侧取到最后一个元素

>>> a=(1,2,3,4,5,6)
>>> a[:4]
(1, 2, 3, 4)
>>> a[3:]
(4, 5, 6)
>>> a[:]
(1, 2, 3, 4, 5, 6)
  • (6)元组的切片操作第一个参数表示的位置可以在第二个参数表示的位置的右侧,此时返回为一个空元素
>>> a=(1,2,3,4,5,6)
>>> a[5:1]
()
>>> a[-1:-3]
()
  • (7)元素的切片操作还可以有第三个参数,表示步长
>>> a=(1,2,3,4,5,6,7,8,9,0)
>>> a[1:9:3]
(2, 5, 8)
>>> a[::-1]
(0, 9, 8, 7, 6, 5, 4, 3, 2, 1)
  • (8)len()函数返回元组长度,即元素的个数
>>> a=(1,2,3,4,5,6)
>>> len(a)
6
  • (9)max()函数返回元组中元素的最大值
>>> a=(1,2,3,4,5,6)
>>> max(a)
6
  • (10)min()函数返回元组中的元素的最小值
>>> a=(1,2,3,4,5,6)
>>> min(a)
1
  • (11)sum()函数返回元祖中的所有元素之和
>>> a=(1,2,3,4,5)
>>> sum(a)
15
  • (12)in, not in 判断元组中是否包含某元素
>>> a=(1,2,3,4,5,6)
>>> 0 in a
False
>>> 0 not in a
True
>>> 4 in a
True
  • (13)两个元组可以用加号,加起来,形成一个新的元组
>>> (1,2,3)+(1,2,3)
(1, 2, 3, 1, 2, 3)
  • (14)元组也可以乘以一个数字将现有元组的元素复制多倍构造新的元组
>>> (1,2,3)*3
(1, 2, 3, 1, 2, 3, 1, 2, 3)

3 元组中常用的函数

因为元组是不可变的,元组中的元素不可修改,所以元组的可用函数就很少了,只有count和index两个

  • (1)count(value) 返回元组中元素的个数
>>> a=(1,2,3,2,1,2,3,2,1)
>>> a.count(1)
3
>>> a.count(4)
0
  • (2)index(value, start=0, stop=9223372036854775807) 返回查询到的第一个元素的位置索引值,可以指定查询的起始和结束位置
>>> a=(1,2,3,4,3,2,1,2,3,4)
>>> a.index(3)
2
>>> a.index(3,3)
4
>>> a.index(3,5,8)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: tuple.index(x): x not in tuple
目录
相关文章
|
6月前
|
测试技术 开发者 Python
Python单元测试入门:3个核心断言方法,帮你快速定位代码bug
本文介绍Python单元测试基础,详解`unittest`框架中的三大核心断言方法:`assertEqual`验证值相等,`assertTrue`和`assertFalse`判断条件真假。通过实例演示其用法,帮助开发者自动化检测代码逻辑,提升测试效率与可靠性。
506 1
|
7月前
|
机器学习/深度学习 数据采集 数据挖掘
基于 GARCH -LSTM 模型的混合方法进行时间序列预测研究(Python代码实现)
基于 GARCH -LSTM 模型的混合方法进行时间序列预测研究(Python代码实现)
252 2
|
7月前
|
调度 Python
微电网两阶段鲁棒优化经济调度方法(Python代码实现)
微电网两阶段鲁棒优化经济调度方法(Python代码实现)
209 0
|
7月前
|
传感器 大数据 API
Python数字限制在指定范围内:方法与实践
在Python编程中,限制数字范围是常见需求,如游戏属性控制、金融计算和数据过滤等场景。本文介绍了五种主流方法:基础条件判断、数学运算、装饰器模式、类封装及NumPy数组处理,分别适用于不同复杂度和性能要求的场景。每种方法均有示例代码和适用情况说明,帮助开发者根据实际需求选择最优方案。
335 0
|
7月前
|
Python
Python字符串center()方法详解 - 实现字符串居中对齐的完整指南
Python的`center()`方法用于将字符串居中,并通过指定宽度和填充字符美化输出格式,常用于文本对齐、标题及表格设计。
|
6月前
|
人工智能 数据安全/隐私保护 异构计算
桌面版exe安装和Python命令行安装2种方法详细讲解图片去水印AI源码私有化部署Lama-Cleaner安装使用方法-优雅草卓伊凡
桌面版exe安装和Python命令行安装2种方法详细讲解图片去水印AI源码私有化部署Lama-Cleaner安装使用方法-优雅草卓伊凡
916 8
桌面版exe安装和Python命令行安装2种方法详细讲解图片去水印AI源码私有化部署Lama-Cleaner安装使用方法-优雅草卓伊凡
|
5月前
|
存储 Java 索引
(Python基础)新时代语言!一起学习Python吧!(二):字符编码由来;Python字符串、字符串格式化;list集合和tuple元组区别
字符编码 我们要清楚,计算机最开始的表达都是由二进制而来 我们要想通过二进制来表示我们熟知的字符看看以下的变化 例如: 1 的二进制编码为 0000 0001 我们通过A这个字符,让其在计算机内部存储(现如今,A 字符在地址通常表示为65) 现在拿A举例: 在计算机内部 A字符,它本身表示为 65这个数,在计算机底层会转为二进制码 也意味着A字符在底层表示为 1000001 通过这样的字符表示进行转换,逐步发展为拥有127个字符的编码存储到计算机中,这个编码表也被称为ASCII编码。 但随时代变迁,ASCII编码逐渐暴露短板,全球有上百种语言,光是ASCII编码并不能够满足需求
249 4
|
8月前
|
安全 Python
Python语言中常用的文件操作方法探讨
通过上述方法的结合使用,我们可以构筑出强大并且可靠的文件操作逻辑,切实解决日常编程中遇到的文件处理问题。
306 72
|
9月前
|
存储 机器学习/深度学习 人工智能
稀疏矩阵存储模型比较与在Python中的实现方法探讨
本文探讨了稀疏矩阵的压缩存储模型及其在Python中的实现方法,涵盖COO、CSR、CSC等常见格式。通过`scipy.sparse`等工具,分析了稀疏矩阵在高效运算中的应用,如矩阵乘法和图结构分析。文章还结合实际场景(推荐系统、自然语言处理等),提供了优化建议及性能评估,并展望了稀疏计算与AI硬件协同的未来趋势。掌握稀疏矩阵技术,可显著提升大规模数据处理效率,为工程实践带来重要价值。
425 58
|
7月前
|
机器学习/深度学习 数据采集 算法
【CNN-BiLSTM-attention】基于高斯混合模型聚类的风电场短期功率预测方法(Python&matlab代码实现)
【CNN-BiLSTM-attention】基于高斯混合模型聚类的风电场短期功率预测方法(Python&matlab代码实现)
387 4

推荐镜像

更多