


Collection d'images de code d'apprentissage de base Python
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
Ce qui précède est le contenu de la collection d'images du code d'apprentissage de base de Python. Pour plus de contenu connexe, veuillez faire attention au site Web PHP chinois (www.php.cn) !

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce tutoriel montre comment utiliser Python pour traiter le concept statistique de la loi de Zipf et démontre l'efficacité de la lecture et du tri de Python de gros fichiers texte lors du traitement de la loi. Vous vous demandez peut-être ce que signifie le terme distribution ZIPF. Pour comprendre ce terme, nous devons d'abord définir la loi de Zipf. Ne vous inquiétez pas, je vais essayer de simplifier les instructions. La loi de Zipf La loi de Zipf signifie simplement: dans un grand corpus en langage naturel, les mots les plus fréquents apparaissent environ deux fois plus fréquemment que les deuxième mots fréquents, trois fois comme les troisième mots fréquents, quatre fois comme quatrième mots fréquents, etc. Regardons un exemple. Si vous regardez le corpus brun en anglais américain, vous remarquerez que le mot le plus fréquent est "th

Cet article explique comment utiliser la belle soupe, une bibliothèque Python, pour analyser HTML. Il détaille des méthodes courantes comme find (), find_all (), select () et get_text () pour l'extraction des données, la gestion de diverses structures et erreurs HTML et alternatives (Sel

Python fournit une variété de façons de télécharger des fichiers à partir d'Internet, qui peuvent être téléchargés sur HTTP à l'aide du package ULLIB ou de la bibliothèque de demandes. Ce tutoriel expliquera comment utiliser ces bibliothèques pour télécharger des fichiers à partir des URL de Python. Bibliothèque de demandes Les demandes sont l'une des bibliothèques les plus populaires de Python. Il permet d'envoyer des demandes HTTP / 1.1 sans ajouter manuellement les chaînes de requête aux URL ou le codage de formulaire de post-données. La bibliothèque des demandes peut remplir de nombreuses fonctions, notamment: Ajouter des données de formulaire Ajouter un fichier en plusieurs parties Accéder aux données de réponse Python Faire une demande tête

Traiter avec des images bruyantes est un problème courant, en particulier avec des photos de téléphones portables ou de caméras basse résolution. Ce tutoriel explore les techniques de filtrage d'images dans Python à l'aide d'OpenCV pour résoudre ce problème. Filtrage d'image: un outil puissant Filtre d'image

Les fichiers PDF sont populaires pour leur compatibilité multiplateforme, avec du contenu et de la mise en page cohérents sur les systèmes d'exploitation, les appareils de lecture et les logiciels. Cependant, contrairement aux fichiers de texte brut de traitement Python, les fichiers PDF sont des fichiers binaires avec des structures plus complexes et contiennent des éléments tels que des polices, des couleurs et des images. Heureusement, il n'est pas difficile de traiter les fichiers PDF avec les modules externes de Python. Cet article utilisera le module PYPDF2 pour montrer comment ouvrir un fichier PDF, imprimer une page et extraire du texte. Pour la création et l'édition des fichiers PDF, veuillez vous référer à un autre tutoriel de moi. Préparation Le noyau réside dans l'utilisation du module externe PYPDF2. Tout d'abord, l'installez en utilisant PIP: pip is p

Ce tutoriel montre comment tirer parti de la mise en cache Redis pour augmenter les performances des applications Python, en particulier dans un cadre Django. Nous couvrirons l'installation redis, la configuration de Django et les comparaisons de performances pour mettre en évidence le bien

Le traitement du langage naturel (PNL) est le traitement automatique ou semi-automatique du langage humain. La PNL est étroitement liée à la linguistique et a des liens vers la recherche en sciences cognitives, psychologie, physiologie et mathématiques. En informatique

Cet article compare TensorFlow et Pytorch pour l'apprentissage en profondeur. Il détaille les étapes impliquées: préparation des données, construction de modèles, formation, évaluation et déploiement. Différences clés entre les cadres, en particulier en ce qui concerne le raisin informatique
