Python_(1)数据类型及其常见使用方法(图文)

简介: 总结Python的基本数据类型和常见的使用方法,一目了然

python学习笔记

一. 变量类型及其常见函数用法:数值型(int float complex) 字符串 (str) 列表 (list)元组 (tuple) 字典(dict)

  • (1)数值

  import math
  a=20;b=3.2; 
  a**3;                                #结果为20*20*20《=》math.pow(20,3)
  print(a**3);
  print(round(100/3,3));                #小数点后面保留3位有效数字(保证输出格式)
  print(math.ceil(3.32));               #向上取整
  print(math.floor(3.32));              #向下取整
  print(math.radians(180));             #度数转换成弧度制
  divmod(10);                           #取商和余数
  结果:8000  33.333   4   3  3.1415926   (3,1)
  • (2)字符串

str="abc";str1="def"; 
print(a+b);                             #字符串拼接
print(a*3);                             #字符串乘法
结果:abcdef  abcabcabc
  • (3)元组 (元组只要确定就不能修改 增加 删除任何元素)

       zoo=('wolf','dog','cat')
       a,b,c=zoo                         #相当于a=zoo[0],b=zoo[1],c=zoo[2]
       print("%s is 狼,%s is 狗,  %s is 猫"%(a,b,c))
       print("{} is 狼,{} is 狗,  {} is 猫".format(a,b,c))
    
       结果:wolf is 狼,dog is 狗,cat is 猫

    wolf is 狼,dog is 狗,cat is 猫
    %c 定制字符及其ASCLL码

%o 定制无符号八进制数
%s 定制字符串

%x 定制无符号十六进制数

%d 定制整数
%f定制浮点数,后可指定小数点后面精度
%u 定制无符号整数
%e用科学计数法定制浮点数

  • (4)列表 类似于链表

    list_name=["car","jeep","bike"]     #创建列表
    list_name.append("tractor")         #在列表的末尾追加tractor元素
    list_name.insert(2,"train")         #在下标为2的位置插入train元素
    list_name.remove("jeep")            #删除list_name中的jeep元素
    list_name.pop()                     #弹出list_name的最后一个元素

列表的访问

 list=["car","jeep",bike","tractor","airplane"]
list[-2]                         # 访问倒数第二个元素 tractor
print(list[1,4])                 #输出标号为1,2,3的元素,及[jeep,bike,tractor]
print(list[-3,-1])               #输出标号为-3,-2元素 及[bike,tractor]
list1=["1","2"]
list = list+list1                #list=["car","jeep",bike","tractor","airplane","1","2"]
list1.extend(list)               # list1=["1","2","car","jeep",bike","tractor","airplane"]
list2=["5","6"]
list2 +=["7"]                    #list2=["5","6","7"]
print(list)
结果:     tractor
          [jeep,bike,tractor] 
          [bike,tractor]
          ["car","jeep",bike","tractor","airplane","1","2"]

常用列表方法

IMG_20180409_100012

  • (5)字典值

    • 字典键值对表示方法:dict = ["key1","value1","key2","value2" ...]

    • 字典的常用方法

      8e25d07545765df7db1182198cf359c21be71b87

目录
相关文章
|
5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
12 0
|
5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
16 0
|
5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
14 1
|
5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
19 0
|
4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。
|
4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
11 0
|
4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
10 0
|
4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。
|
4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。
|
4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。