告別枯燥，60秒學會一個Python小例子。奔著此出發點，我在過去1個月，將平時經常使用的代碼段換為小例子，分享出來後受到大家的喜歡。
今天我完整梳理一遍，總結到這裡。很感謝這段時間，有3個小夥伴為此庫所做出的貢獻。
入門Python其實很容易，但是我們要去堅持學習，每一天堅持很困難，我相信很多人學了一個星期就放棄了，為什麼呢？其實沒有好的學習資料給你去學習，你們是很難堅持的，這是小編收集的Python入門學習資料關注，轉發，私信小編“01”，即可免費領取！希望對你們有幫助
一、基本操作
1 鏈式比較
<code>i = 3print(1 < i < 3) # Falseprint(1 < i <= 3) # True/<code>
2 不用else和if實現計算器
<code>from operator import *def calculator(a, b, k): return { '+': add, '-': sub, '*': mul, '/': truediv, '**': pow }[k](a, b)calculator(1, 2, '+') # 3calculator(3, 4, '**') # 81/<code>3 函數鏈
<code>from operator import (add, sub)def add_or_sub(a, b, oper): return (add if oper == '+' else sub)(a, b)add_or_sub(1, 2, '-') # -1/<code>
4 求字符串的字節長度
<code>def str_byte_len(mystr): return (len(mystr.encode('utf-8')))str_byte_len('i love python') # 13(個字節)str_byte_len('字符') # 6(個字節)/<code>5 尋找第n次出現位置
<code>def search_n(s, c, n): size = 0 for i, x in enumerate(s): if x == c: size += 1 if size == n: return i return -1print(search_n("fdasadfadf", "a", 3))# 結果為7，正確print(search_n("fdasadfadf", "a", 30))# 結果為-1，正確/<code>6 去掉最高最低求平均
<code>def score_mean(lst): lst.sort() lst2=lst[1:(len(lst)-1)] return round((sum(lst2)/len(lst2)),2)score_mean([9.1, 9.0,8.1, 9.7, 19,8.2, 8.6,9.8]) # 9.07/<code>
7 交換元素
<code>def swap(a, b): return b, aswap(1, 0) # (0,1)/<code>
二、基礎算法
1 二分搜索
<code>def binarySearch(arr, left, right, x): while left <= right: mid = int(left + (right - left) / 2); # 找到中間位置。求中點寫成(left+right)/2更容易溢出，所以不建議這樣寫 # 檢查x是否出現在位置mid if arr[mid] == x: print('found %d 在索引位置%d 處' %(x,mid)) return mid # 假如x更大，則不可能出現在左半部分 elif arr[mid] < x: left = mid + 1 #搜索區間變為[mid+1,right] print('區間縮小為[%d,%d]' %(mid+1,right)) elif x 2 距離矩陣
<code>x,y = mgrid[0:5,0:5]list(map(lambda xe,ye: [(ex,ey) for ex, ey in zip(xe, ye)], x,y))[[(0, 0), (0, 1), (0, 2), (0, 3), (0, 4)], [(1, 0), (1, 1), (1, 2), (1, 3), (1, 4)], [(2, 0), (2, 1), (2, 2), (2, 3), (2, 4)], [(3, 0), (3, 1), (3, 2), (3, 3), (3, 4)], [(4, 0), (4, 1), (4, 2), (4, 3), (4, 4)]]/<code>
三、列表
1 打印乘法表
<code>for i in range(1,10): for j in range(1,i+1): print('{0}*{1}={2}'.format(j,i,j*i),end="\\t") print()/<code>結果：
<code>1*1=11*2=2 2*2=41*3=3 2*3=6 3*3=91*4=4 2*4=8 3*4=12 4*4=161*5=5 2*5=10 3*5=15 4*5=20 5*5=251*6=6 2*6=12 3*6=18 4*6=24 5*6=30 6*6=361*7=7 2*7=14 3*7=21 4*7=28 5*7=35 6*7=42 7*7=491*8=8 2*8=16 3*8=24 4*8=32 5*8=40 6*8=48 7*8=56 8*8=641*9=9 2*9=18 3*9=27 4*9=36 5*9=45 6*9=54 7*9=63 8*9=72 9*9=81/<code>
2 嵌套數組完全展開
<code>from collections.abc import *def flatten(input_arr, output_arr=None): if output_arr is None: output_arr = [] for ele in input_arr: if isinstance(ele, Iterable): # 判斷ele是否可迭代 flatten(ele, output_arr) # 尾數遞歸 else: output_arr.append(ele) # 產生結果 return output_arrflatten([[1,2,3],[4,5]], [6,7]) # [6, 7, 1, 2, 3, 4, 5]/<code>
3 將list等分為子組
<code>from math import ceildef divide(lst, size): if size <= 0: return [lst] return [lst[i * size:(i+1)*size] for i in range(0, ceil(len(lst) / size))]r = divide([1, 3, 5, 7, 9], 2) # [[1, 3], [5, 7], [9]]/<code>
4 生成fibonacci序列前n項
<code>def fibonacci(n): if n <= 1: return [1] fib = [1, 1] while len(fib) < n: fib.append(fib[len(fib) - 1] + fib[len(fib) - 2]) return fibfibonacci(5) # [1, 1, 2, 3, 5]/<code>
5 過濾掉各種空值
<code>def filter_false(lst): return list(filter(bool, lst))filter_false([None, 0, False, '', [], 'ok', [1, 2]])# ['ok', [1, 2]]/<code>
6 返回列表頭元素
<code>def head(lst): return lst[0] if len(lst) > 0 else Nonehead([]) # Nonehead([3, 4, 1]) # 3/<code>
7 返回列表尾元素
<code>def tail(lst): return lst[-1] if len(lst) > 0 else Noneprint(tail([])) # Noneprint(tail([3, 4, 1])) # 1/<code>
8 對象轉換為可迭代類型
<code>from collections.abc import Iterabledef cast_iterable(val): return val if isinstance(val, Iterable) else [val]cast_iterable('foo')# foocast_iterable(12)# [12]cast_iterable({'foo': 12})# {'foo': 12}/<code>9 求更長列表
<code>def max_length(*lst): return max(*lst, key=lambda v: len(v))r = max_length([1, 2, 3], [4, 5, 6, 7], [8])# [4, 5, 6, 7]/<code>
10 出現最多元素
<code>def max_frequency(lst): return max(lst, default='列表為空', key=lambda v: lst.count(v))lst = [1, 3, 3, 2, 1, 1, 2]max_frequency(lst) # 1 /<code>
11 求多個列表的最大值
<code>def max_lists(*lst): return max(max(*lst, key=lambda v: max(v)))max_lists([1, 2, 3], [6, 7, 8], [4, 5]) # 8/<code>
12 求多個列表的最小值
<code>def min_lists(*lst): return min(min(*lst, key=lambda v: max(v)))min_lists([1, 2, 3], [6, 7, 8], [4, 5]) # 1/<code>
13 檢查list是否有重複元素
<code>def has_duplicates(lst): return len(lst) == len(set(lst))x = [1, 1, 2, 2, 3, 2, 3, 4, 5, 6]y = [1, 2, 3, 4, 5]has_duplicates(x) # Falsehas_duplicates(y) # True/<code>
14 求列表中所有重複元素
<code>from collections import Counterdef find_all_duplicates(lst): c = Counter(lst) return list(filter(lambda k: c[k] > 1, c))find_all_duplicates([1, 2, 2, 3, 3, 3]) # [2,3]/<code>
15 列表反轉
<code>def reverse(lst): return lst[::-1]reverse([1, -2, 3, 4, 1, 2])# [2, 1, 4, 3, -2, 1]/<code>
16 浮點數等差數列
<code>def rang(start, stop, n): start,stop,n = float('%.2f' % start), float('%.2f' % stop),int('%.d' % n) step = (stop-start)/n lst = [start] while n > 0: start,n = start+step,n-1 lst.append(round((start), 2)) return lstrang(1, 8, 10) # [1.0, 1.7, 2.4, 3.1, 3.8, 4.5, 5.2, 5.9, 6.6, 7.3, 8.0]/<code>四、字典
1 字典值最大的鍵值對列表
<code>def max_pairs(dic): if len(dic) == 0: return dic max_val = max(map(lambda v: v[1], dic.items())) return [item for item in dic.items() if item[1] == max_val]max_pairs({'a': -10, 'b': 5, 'c': 3, 'd': 5})# [('b', 5), ('d', 5)]/<code>2 字典值最小的鍵值對列表
<code>def min_pairs(dic): if len(dic) == 0: return [] min_val = min(map(lambda v: v[1], dic.items())) return [item for item in dic.items() if item[1] == min_val]min_pairs({}) # []r = min_pairs({'a': -10, 'b': 5, 'c': 3, 'd': 5})print(r) # [('b', 5), ('d', 5)]/<code>3 合併兩個字典
<code>def merge_dict2(dic1, dic2): return {**dic1, **dic2} # python3.5後支持的一行代碼實現合併字典merge_dict({'a': 1, 'b': 2}, {'c': 3}) # {'a': 1, 'b': 2, 'c': 3}/<code>4 求字典前n個最大值
<code>from heapq import nlargest# 返回字典d前n個最大值對應的鍵def topn_dict(d, n): return nlargest(n, d, key=lambda k: d[k])topn_dict({'a': 10, 'b': 8, 'c': 9, 'd': 10}, 3) # ['a', 'd', 'c']/<code>5 求最小鍵值對
<code>d={'a':-10,'b':5, 'c':3,'d':5}min(d.items(),key=lambda x:x[1]) #('a', -10)/<code>五、集合
1 互為變位詞
<code>from collections import Counter# 檢查兩個字符串是否 相同字母異序詞，簡稱：互為變位詞def anagram(str1, str2): return Counter(str1) == Counter(str2)anagram('eleven+two', 'twelve+one') # True 這是一對神器的變位詞anagram('eleven', 'twelve') # False/<code>六、文件操作
1 查找指定文件格式文件
<code>import osdef find_file(work_dir,extension='jpg'): lst = [] for filename in os.listdir(work_dir): print(filename) splits = os.path.splitext(filename) ext = splits[1] # 拿到擴展名 if ext == '.'+extension: lst.append(filename) return lstfind_file('.','md') # 返回所有目錄下的md文件/<code>七、正則和爬蟲
1 爬取天氣數據並解析溫度值
素材來自朋友袁紹
<code>import requestsfrom lxml import etreeimport pandas as pdimport reurl = 'http://www.weather.com.cn/weather1d/101010100.shtml#input'with requests.get(url) as res: content = res.content html = etree.HTML(content)/<code>
通過lxml模塊提取值，lxml比beautifulsoup解析在某些場合更高效
<code>location = html.xpath('//*[@id="around"]//a[@target="_blank"]/span/text()')temperature = html.xpath('//*[@id="around"]/div/ul/li/a/i/text()')/<code>結果：
<code>['香河', '涿州', '唐山', '滄州', '天津', '廊坊', '太原', '石家莊', '涿鹿', '張家口', '保定', '三河', '北京孔廟', '北京國子監', '中國地質博物館', '月壇公園', '明城牆遺址公園', '北京市規劃展覽館', '什剎海', '南鑼鼓巷', '天壇公園', '北海公園', '景山公園', '北京海洋館']['11/-5°C', '14/-5°C', '12/-6°C', '12/-5°C', '11/-1°C', '11/-5°C', '8/-7°C', '13/-2°C', '8/-6°C', '5/-9°C', '14/-6°C', '11/-4°C', '13/-3°C', '13/-3°C', '12/-3°C', '12/-3°C', '13/-3°C', '12/-2°C', '12/-3°C', '13/-3°C', '12/-2°C', '12/-2°C', '12/-2°C', '12/-3°C']/<code>
<code>df = pd.DataFrame({'location':location, 'temperature':temperature})print('溫度列')print(df['temperature'])/<code>正則解析溫度值
<code>df['high'] = df['temperature'].apply(lambda x: int(re.match('(-?[0-9]*?)/-?[0-9]*?°C', x).group(1) ) )df['low'] = df['temperature'].apply(lambda x: int(re.match('-?[0-9]*?/(-?[0-9]*?)°C', x).group(1) ) )print(df)/<code>詳細說明子字符創捕獲
除了簡單地判斷是否匹配之外，正則表達式還有提取子串的強大功能。用 () 表示的就是要提取的分組（group）。比如： ^(\\d{3})-(\\d{3,8})$ 分別定義了兩個組，可以直接從匹配的字符串中提取出區號和本地號碼
<code>m = re.match(r'^(\\d{3})-(\\d{3,8})$', '010-12345')print(m.group(0))print(m.group(1))print(m.group(2))# 010-12345# 010# 12345/<code>如果正則表達式中定義了組，就可以在 Match 對象上用 group() 方法提取出子串來。
注意到 group(0) 永遠是原始字符串， group(1) 、 group(2) ……表示第1、2、……個子串。
最終結果
<code>Name: temperature, dtype: object location temperature high low0 香河 11/-5°C 11 -51 涿州 14/-5°C 14 -52 唐山 12/-6°C 12 -63 滄州 12/-5°C 12 -54 天津 11/-1°C 11 -15 廊坊 11/-5°C 11 -56 太原 8/-7°C 8 -77 石家莊 13/-2°C 13 -28 涿鹿 8/-6°C 8 -69 張家口 5/-9°C 5 -910 保定 14/-6°C 14 -611 三河 11/-4°C 11 -412 北京孔廟 13/-3°C 13 -313 北京國子監 13/-3°C 13 -314 中國地質博物館 12/-3°C 12 -315 月壇公園 12/-3°C 12 -316 明城牆遺址公園 13/-3°C 13 -317 北京市規劃展覽館 12/-2°C 12 -218 什剎海 12/-3°C 12 -319 南鑼鼓巷 13/-3°C 13 -320 天壇公園 12/-2°C 12 -221 北海公園 12/-2°C 12 -222 景山公園 12/-2°C 12 -223 北京海洋館 12/-3°C 12 -3/<code>
2 批量轉化駝峰格式
<code>import redef camel(s): s = re.sub(r"(\\s|_|-)+", " ", s).title().replace(" ", "") return s[0].lower() + s[1:]# 批量轉化def batch_camel(slist): return [camel(s) for s in slist]batch_camel(['student_id', 'student\\tname', 'student-add']) #['studentId', 'studentName', 'studentAdd']/<code>八、繪圖
1 turtle繪製奧運五環圖
結果：
2 turtle繪製漫天雪花
結果：
3 4種不同顏色的色塊，它們的顏色真的不同嗎？
4 詞頻雲圖
<code>import hashlibimport pandas as pdfrom wordcloud import WordCloudgeo_data=pd.read_excel(r"../data/geo_data.xlsx")words = ','.join(x for x in geo_data['city'] if x != []) #篩選出非空列表值wc = WordCloud( background_color="green", #背景顏色"green"綠色 max_words=100, #顯示最大詞數 font_path='./fonts/simhei.ttf', #顯示中文 min_font_size=5, max_font_size=100, width=500 #圖幅寬度 )x = wc.generate(words)x.to_file('../data/geo_data.png')/<code>
八、生成器
1 求斐波那契數列前n項(生成器版)
<code>def fibonacci(n): a, b = 1, 1 for _ in range(n): yield a a, b = b, a + blist(fibonacci(5)) # [1, 1, 2, 3, 5]/<code>
2 將list等分為子組(生成器版)
<code>from math import ceildef divide_iter(lst, n): if n <= 0: yield lst return i, div = 0, ceil(len(lst) / n) while i < n: yield lst[i * div: (i + 1) * div] i += 1list(divide_iter([1, 2, 3, 4, 5], 0)) # [[1, 2, 3, 4, 5]]list(divide_iter([1, 2, 3, 4, 5], 2)) # [[1, 2, 3], [4, 5]]/<code>
九、keras
1 Keras入門例子
<code>import numpy as npfrom keras.models import Sequentialfrom keras.layers import Densedata = np.random.random((1000, 1000))labels = np.random.randint(2, size=(1000, 1))model = Sequential()model.add(Dense(32, activation='relu', input_dim=100))model.add(Dense(1, activation='sigmoid'))model.compile(optimize='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])model.fit(data, labels, epochs=10, batch_size=32)predictions = model.predict(data)/<code>
分享到:
閱讀更多 程序員編程分享 的文章
