
Python学习-语句、语法
#: 注释,不支持多行注释
\: 连接,当一行的程序太长时,可以使用连接符\(反斜杠)
1、使用if、elif 和 else 进行标记
小于两个的选择:
if 条件 :
语句段1
else :
语句段2
大于两个的选择:
if 条件1 :
语句段1
elif 条件2 :
语句段2
…
else :
语句段3
2、使用while进行循环
while 条件:
语句段1
else: # 可选
语句段2
break: 跳出循环
continue:跳到循环开始
3、使用for迭代
for 变量 in 可迭代的对象
元组或列表在一次迭代过程产生一项,而字符串迭代会产生一个字符,对一个字典进行迭代将返回字典中的键。想对字典中的值进行迭代,可使用values()函数:
for value in accusation.values():
print(value)
为了以元组的形式返回键值对,可以使用字典的items() 函数:
for item in accusation.items():
print(item)
4、使用zip()并行迭代
zip()函数在最短序列“用完”时就会停止
5、使用range()生成自然数序列
range()函数的用法类似于使用切片:range(start、stop、step),start的默认值为0,唯一要求的参数值是stop,产生的最后一个数的值是stop的前一个,并且step的默认值是1。
例:得到从0到10的偶数
list(range(0,10,2))
推导式
从一个或多个迭代器快速简洁地创建数据结构的一种方法。
列表推导式1:最简单表示形式如下:
[expression for item in iterable]
例:将通过列表推导创建一个整数列表:
>>> number_list = [number for number in range(1,6)]
>>> number_list
[1,2,3,4,5]
第一个number变量为列表生成值,也就是说,把循环的结果放在列表number_list中
第二个number为循环变量,其中 第一个number 可以为表达式
列表推导式2:表示形式如下:
[expression for item in iterable if condition]
>>> rows = range(1,4)
>>> cols = range(1,3)
>>> cells = [(row,col) for row in rows for col in cols]
>>> for cell in cells:
print(cell)
(1, 1)
(1, 2)
(2, 1)
(2, 2)
(3, 1)
(3, 2)
>>>
字典推导式:表达式如下:
{ key_expression : value_expression for expression in iterable }
>>> word = 'letters'
>>> letter_counts = {letter: word.count(letter) for letter in set(word)}
>>> letter_counts
{'s': 1, 'r': 1, 't': 2, 'e': 2, 'l': 1}
>>>
集合推导式:表达式如下:
{ expression for expression in iterable }
>>> a_set = {number for number in range(1,6) if number % 3 == 1}
>>> a_set
{1, 4}
生成器推导式:
元组没有推导式,列表推导式的方括号变为圆括号后,圆括号之间的是生成器推导式,它返回的是一个生成器对象,生成器仅在运行中产生值,一个生成器只能运算一次,不能重新使用或备份。数据分析师培训
>>> number_thing = (number for number in range(1,6))
>>> type(number_thing)
<class 'generator'>
>>> number_list = list(number_thing)
>>> number_list
[1, 2, 3, 4, 5]
>>> try_again = list(number_thing)
>>> try_again
[]
>>>
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15