
CDA数据分析师 出品
作者:CDA明星讲师 曹鑫
编辑:Mika
大家好,今天我们来讲讲函数返回结果。但是我们拿来的这个函数还是稍显复杂的。
返回斐波那契数列的 n 项,我们定义 def fibo (n) ,fibo 是我自己取的一个名字,n 代表我要返回多少项,然后冒号是函数的开头结尾,然后下面要缩进。
开始写 a 等于 0,b等于1,i=0,result 等于一个空的列表,这都是我们提前的预知变量。
然后while i 小于 n,就是说如果我想要5个,我这个 i 如果小于5的话,我就执行下面的操作。
i是什么?i 开始是 0,也就是从第0的位置,一个值开始。
那 0 肯定是小于 5 的, 接着 result.append (a) 。a 是什么?a 是 0,它第一个位置就是 0 。
接下来这个特别重要,a,b=b, a+b, 也就是同时赋值。a 被赋值为b,b被赋值为 a+b 。
这里一定要记住了, a 这个时候是 0,但是 b 是 1,所以这个赋值的时候,a 就变成了 1 了,接下来 b 被赋值成 a+b。
注意这里的 a 依然是 0,1 是 1,因为负值是同时产生的,你不能把这里赋值完值的 a 再拿到这里来用。
这后面 b 就是 1,a 就是 0,b 就是 1,这时候 a 和 b 就分别又被赋值成了1和0+1 也是1,然后 i=i+1,去为了下一次循环做准备。
接下来第二个, i=i+1 之后,i 依然是小于 5 的,继续把 result.append 刚刚 a它已经被赋值为 1 了,1 进去之后再继续求 a,b 分别是 b 和 a+b 的赋值,也就是这么一个循环,不断的去进行,直到 i 不小于你给出的 n ,就得到了一个结果。
就把这个结果给 return出来,return 就是返回结果的方式,我们运行一下,然后把 fibo改成 10,我们就得到了 0、1、1这样一个10位的斐波那契数列。
为什么这里可以自动打印出来?
首先 return 了,就是把这个值返回过来了,同时在 jupyter notebook 里面默认最后一行是打印的,所以这里有个 print操作,就可以把这个结果显示出来。
这里最重要的要理解的就是这个 a,b它在做同时赋值的时候一定是用原始的值来求的。
如果你把它分开,分成 a=b ,然后再用b=a+b 的话,这个时候它就有一个先后运算的关系了,而在这里它是同时运行的,这里需要大家好好理解。
接下来我们来讲讲遍历的操作。
我这里有一个 n ,那遍历三次的话就是 for i in range (n) ,然后 print (i)。我们就会得到0、1、2 那个结果。为什么呢?
因为 range (n) 它其实意思就是 range (0) 到你的 n,这里是 3,就是 0 到 3 这样一个范围,这是我们最常用的遍历的方式。
当大家不知道这个 range 是什么的时候,可以用 range (n) 把它打印出来看一下,它会返回什么结果。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29