Bildersammlung zum grundlegenden Python-Lerncode
def func1(): dict1 = {} dict2 = {'name':'earth','port':80} return dict1,dict2 def func2(): return dict((['x',1],['y',2])) def func3(): adict = {}.fromkeys(['x','y'],23) return adict def func4(): alist = {'name':'earth','port':80} for keys in alist.keys(): print "%s %s" % (keys,alist[keys]) def func5(): alist = {'name':'earth','port':80} for keys in alist: print "%s %s" % (keys,alist[keys]) def func6(akey): alist = {'name':'earth','port':80} if akey in alist: return True else: return False def func7(akey): alist = {'name':'earth','port':80} if alist.has_key(akey): return True else: return False def func8(): alist = {'name':'earth','port':80} print 'host %(name)s is running on %(port)d' % alist def func9(akey): alist = {'name':'earth','port':80} if akey in alist: del alist[akey] return True else: return False def func10(): alist = {'name':'earth','port':80} alist.clear() return alist def func11(): alist = {'name':'earth','port':80} del alist def func12(akey): alist = {'name':'earth','port':80} if akey in alist: return alist.pop(akey) def func13(): alist = {'name':'earth','a':80} blist = {'name':'earth','z':8080} return cmp(alist,blist) def func14(): alist = zip(('x','y'),(1,2)) blist = dict([('xy'[i-1],i) for i in range(1,3)]) return dict(alist),blist def func15(): adict = {'name':'earth','port':80} bdict = adict.copy() return bdict,len(bdict) def func16(): adict = {'name':'earth','port':80} bdict = {'name':'earth','port':8080} print adict.keys() print adict.values() print adict.items() adict.update(bdict) print adict def func17(): adict = {'name':'earth','port':80} for keys in sorted(adict): print 'adict %s has value %s' % (keys,adict[keys]) def func18(akey): adict = {'name':'earth','port':80} if adict.get(akey): return True else: return 'no such key!' def func19(): adict = {'name':'earth','port':80} bdict = {}.fromkeys('abc') print bdict return adict.setdefault('name','wycqhost') import time nowtime = time.time() def gettime(nowtime): return time.strftime('%Y/%m/%d %H:%M:%S',time.localtime(nowtime)) login = {} def newuser(): prompt = 'login desired:' name = '' while True: name = raw_input(prompt) if login.has_key(name): prompt = 'name taken,try another:' continue else: break pwd = raw_input('passwd:') login[name] = [abs(hash(pwd))] login[name].append(0) print login def olduser(): nowtime = time.time() name = raw_input('login:') if name not in login: choose = raw_input('will you create a new user(y/n)') if choose.lower()[0] == 'y': newuser() else: pass showmenu() else: pwd = raw_input('passwd:') passwd = login.get(name)[0] if abs(hash(passwd)) == abs(hash(pwd)): if login[name][1] == 0: print login print 'welcome back',name,'you first time loggin' else: print 'welcome back',name if nowtime - login[name][1] <= 14400: print 'you are already logged at time',gettime(login[name][1]) login[name][1] = nowtime else: print 'login incorrect' return def showuser(): print 'show all user:' for user in login.keys(): print user def deleteuser(): duser = raw_input('delete user:').lower() if duser in login.keys(): del login[duser] else: print 'user %s is not exists' % duser showmenu() def showmenu(): prompt = ''' (n)ew user login (o)ld user login (s)how all user (d)elete user (q)uit enter choice: ''' done = False while not done: chosen = False while not chosen: try: choice = raw_input(prompt).strip()[0].lower() except (EOFError,KeyboardInterrupt): choice = 'q' print 'you picked %s' % choice if choice not in 'noqds': print 'invalid option,try again' else: chosen = True if choice == 'q': done = True if choice == 'n': newuser() if choice == 'o': olduser() if choice == 'd': deleteuser() if choice == 's': showuser() #if __name__ == '__main__': # showmenu() def func20(): str1 = '093keffeoelgn' t = set(str1) s = frozenset(str1) return t == s def func21(): aset = set('xiewenbin') if 'x' in aset: print "x in aset" def func22(): aset = set('strings') aset.add('http') aset.update('httpx') aset.remove('http') aset -= set('x') for i in aset: print i del aset def func23(): aset = set('abc') bset = set('abcedf') return aset <= bset def func24(): aset = set('markshop') bset = frozenset('earthshop') print aset | bset print bset & aset print aset ^ bset print aset - bset def func25(): s = set('cheeseshop') u = frozenset(s) s |= set('xie') print s s = set(u) s &= set('shop') print s s = set(u) s -= set('shop') print s s = set(u) t = frozenset('bookshop') s ^= t print s print len(s) import os def func26(): frozenset(['a','b','c']) f = open('test.txt','w') for i in range(5): f.write('%d\n'%i) f.close() f = open('test.txt','r') print set(f) f.close() os.remove('test.txt') def func27(): alist = ['a','b'] blist = [1,2] print dict(zip(alist,blist)) def func28(): adict = {'a':1,'b':2,'c':3} bdict = {} for keys in adict.keys(): bdict[adict[keys]] = keys return bdict def func29(sstr,dstr,string,casemap=True): assert len(sstr) >= len(dstr) table = dict(zip(sstr,dstr)) print table if len(sstr) > len(dstr): temp = {}.fromkeys(sstr[len(dstr)]) table.update(temp) print table ls = [] for ch in string: if not casemap: if ch.lower() in table: ls.append(table[ch.lower()]) elif ch.upper() in table: ls.append(table[ch.upper()]) else: ls.append(ch) continue if ch in table: ls.append(table[ch]) else: ls.append(ch) ls = [ch for ch in ls if ch] print ls return " ".join(ls) def func30(sstr): alist = [chr((num + 13) % 26 + ord('a')) for num in range(26)] blist = [chr(num + ord('a')) for num in range(26)] table = dict(zip(blist,alist)) astr = "".join(alist).upper() bstr = "".join(blist).upper() table.update(dict(zip(bstr,astr))) ls = [] for ch in sstr: if ch in table: ls.append(table[ch]) else: ls.append(ch) return " ".join(ls) import random def func31(): alist = [random.randint(i,10) for i in range(10)] blist = [random.randint(i,10) for i in range(10)] aset = set(alist) bset = set(blist) print aset | bset print aset & bset
Das Obige ist der Inhalt der Bildersammlung des Python-Grundlerncodes. Weitere verwandte Inhalte finden Sie auf der chinesischen PHP-Website (www.php.cn)!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Dieses Tutorial zeigt, wie man Python verwendet, um das statistische Konzept des Zipf -Gesetzes zu verarbeiten, und zeigt die Effizienz des Lesens und Sortierens großer Textdateien von Python bei der Bearbeitung des Gesetzes. Möglicherweise fragen Sie sich, was der Begriff ZiPF -Verteilung bedeutet. Um diesen Begriff zu verstehen, müssen wir zunächst das Zipf -Gesetz definieren. Mach dir keine Sorgen, ich werde versuchen, die Anweisungen zu vereinfachen. Zipf -Gesetz Das Zipf -Gesetz bedeutet einfach: In einem großen natürlichen Sprachkorpus erscheinen die am häufigsten vorkommenden Wörter ungefähr doppelt so häufig wie die zweiten häufigen Wörter, dreimal wie die dritten häufigen Wörter, viermal wie die vierten häufigen Wörter und so weiter. Schauen wir uns ein Beispiel an. Wenn Sie sich den Brown Corpus in amerikanischem Englisch ansehen, werden Sie feststellen, dass das häufigste Wort "Th ist

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Python bietet eine Vielzahl von Möglichkeiten zum Herunterladen von Dateien aus dem Internet, die über HTTP über das Urllib -Paket oder die Anforderungsbibliothek heruntergeladen werden können. In diesem Tutorial wird erläutert, wie Sie diese Bibliotheken verwenden, um Dateien von URLs von Python herunterzuladen. Anfragen Bibliothek Anfragen ist eine der beliebtesten Bibliotheken in Python. Es ermöglicht das Senden von HTTP/1.1 -Anfragen, ohne die URLs oder die Formulierung von Postdaten manuell hinzuzufügen. Die Anforderungsbibliothek kann viele Funktionen ausführen, einschließlich: Formulardaten hinzufügen Fügen Sie mehrteilige Datei hinzu Greifen Sie auf Python -Antwortdaten zu Eine Anfrage stellen Kopf

Der Umgang mit lauten Bildern ist ein häufiges Problem, insbesondere bei Mobiltelefonen oder mit geringen Auflösungskamera-Fotos. In diesem Tutorial wird die Bildfilterungstechniken in Python unter Verwendung von OpenCV untersucht, um dieses Problem anzugehen. Bildfilterung: Ein leistungsfähiges Werkzeug Bildfilter

PDF-Dateien sind für ihre plattformübergreifende Kompatibilität beliebt, wobei Inhalte und Layout für Betriebssysteme, Lesegeräte und Software konsistent sind. Im Gegensatz zu Python Processing -Klartextdateien sind PDF -Dateien jedoch binäre Dateien mit komplexeren Strukturen und enthalten Elemente wie Schriftarten, Farben und Bilder. Glücklicherweise ist es nicht schwierig, PDF -Dateien mit Pythons externen Modulen zu verarbeiten. In diesem Artikel wird das PYPDF2 -Modul verwendet, um zu demonstrieren, wie Sie eine PDF -Datei öffnen, eine Seite ausdrucken und Text extrahieren. Die Erstellung und Bearbeitung von PDF -Dateien finden Sie in einem weiteren Tutorial von mir. Vorbereitung Der Kern liegt in der Verwendung von externem Modul PYPDF2. Installieren Sie es zunächst mit PIP: pip ist p

Dieses Tutorial zeigt, wie man Redis Caching nutzt, um die Leistung von Python -Anwendungen zu steigern, insbesondere innerhalb eines Django -Frameworks. Wir werden Redis -Installation, Django -Konfiguration und Leistungsvergleiche abdecken, um den Vorteil hervorzuheben

Die natürliche Sprachverarbeitung (NLP) ist die automatische oder semi-automatische Verarbeitung der menschlichen Sprache. NLP ist eng mit der Linguistik verwandt und hat Verbindungen zur Forschung in kognitiven Wissenschaft, Psychologie, Physiologie und Mathematik. In der Informatik

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps
