如何讓Python支援分數類型(利用標準庫fractions模組)的方法詳解
最近在工作中遇到了分數處理,查找相關的資料發現可以利用Fraction類別來實現,所以下面這篇文章主要給大家介紹了關於利用標準庫fractions模組讓Python支持分數類型的相關資料,文中透過範例程式碼介紹的非常詳細,需要的朋友可以參考下。
前言
你可能不需要經常處理分數,但當你需要時,Python的Fraction類別會給你很大的幫助。本文將給大家詳細介紹利用標準庫fractions模組讓Python支援分數類型的相關內容,分享出來供大家參考學習,下面話不多說了,來一起看看詳細的介紹:
fractions模組
fractions模組提供了分數類型的支援。
Fraction類別
該類別是fractions模組的核心,它繼承了numbers.Rational
類別並且實作了該類別所有的方法。
建構函數並不複雜:
class fractions.Fraction(numerator=0, denominator=1) class fractions.Fraction(int|float|str|Decimal|Fraction)
可以同時提供分子(numerator)和分母(denominator)給予建構函式用於實例化Fraction類,但兩者必須同時是int型別或numbers.Rational
型別,否則會拋出型別錯誤。當分母為0,初始化的時候會導致拋出異常ZeropisionError。
而如果只提供一個參數,則可以用上述五種型別進行初始化。當使用字串進行初始化時,fractions模組使用內建的正規表示式進行比對。而使用浮點數或Decimal進行初始化時,fractions模組會在內部呼叫as_integer_ratio()
。
下面的程式碼範例來自官方文檔,展示了各種實例化Fraction的方式:
>>> from fractions import Fraction >>> Fraction(16, -10) Fraction(-8, 5) >>> Fraction(123) Fraction(123, 1) >>> Fraction() Fraction(0, 1) >>> Fraction('3/7') Fraction(3, 7) >>> Fraction(' -3/7 ') Fraction(-3, 7) >>> Fraction('1.414213 \t\n') Fraction(1414213, 1000000) >>> Fraction('-.125') Fraction(-1, 8) >>> Fraction('7e-6') Fraction(7, 1000000) >>> Fraction(2.25) Fraction(9, 4) >>> Fraction(1.1) Fraction(2476979795053773, 2251799813685248) >>> from decimal import Decimal >>> Fraction(Decimal('1.1')) Fraction(11, 10)
限制分母
fractions.Fraction.limit_denominator(max_denominator=1000000)
#有時候將浮點數或Decimal作為Fraction實例的初始化資料可能會遇到捨入誤差的問題,如上面呼叫Fraction(1.1)
時不回傳Fraction(11, 10)
的範例。這時Fraction類別提供了一個實例方法limit_denominator()
用來減少這個誤差。這個方法本來是為了透過限制分母來得到一個近似值,但是在出現舍入誤差的時候反倒使得結果更加精確了,如下面的例子:
>>> from fractions import Fraction >>> Fraction(1.1) Fraction(2476979795053773, 2251799813685248) >>> Fraction(1.1).limit_denominator() Fraction(11, 10)
將Fraction用於算術運算、關係運算和其他多種運算
上面提到,Fraction類別繼承了numbers.Rational
類別並且實作了該類別所有的方法。所以Fraction類別事實上透過重載很多特殊函數,使得其實例可以直接用於多種算術運算。
不僅支援算術運算,Fraction類別同時也支援關係運算、pickle模組、copy模組和雜湊值的計算。
>>> from fractions import Fraction >>> x = Fraction(1, 2) >>> y = Fraction(1, 3) >>> x + y Fraction(5, 6) >>> x - y Fraction(1, 6) >>> x * y Fraction(1, 6) >>> x / y Fraction(3, 2) >>> x ** 2 Fraction(1, 4) >>> -x Fraction(-1, 2) >>> abs(x) Fraction(1, 2) >>> round(x) 0 >>> import math >>> math.floor(x) 0 >>> math.ceil(x) 1 >>> x == y False >>> x > y True
其他函數
fractions.Fraction.from_float(flt) fractions.Fraction.from_decimal(dec)
在Python3.2之前,Fraction類別不支援透過將浮點數和Decimal傳入建構方法來獲得實例。而是提供了上面兩個類別方法,透過呼叫類別方法的方式來產生實例,目前版本(Python 3.6.1)這兩個類別方法仍然存在。
fractions.gcd(a, b)
用於計算最大公約數。這個函數在Python3.5之後就廢棄了,官方建議使用math.gcd()
。
總結
沒啥要總結的…只能說Python太方便了…對了,這篇部落格其實也是個挖了挺久的坑了,之前裡面有一部分源碼沒看懂所以一直沒發上來。哈哈,後面這個標準庫學習的系列還是會一直更下去的!
以上是如何讓Python支援分數類型(利用標準庫fractions模組)的方法詳解的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

PHP和Python各有優劣,選擇取決於項目需求和個人偏好。 1.PHP適合快速開發和維護大型Web應用。 2.Python在數據科學和機器學習領域佔據主導地位。

Python和JavaScript在社區、庫和資源方面的對比各有優劣。 1)Python社區友好,適合初學者,但前端開發資源不如JavaScript豐富。 2)Python在數據科學和機器學習庫方面強大,JavaScript則在前端開發庫和框架上更勝一籌。 3)兩者的學習資源都豐富,但Python適合從官方文檔開始,JavaScript則以MDNWebDocs為佳。選擇應基於項目需求和個人興趣。

在CentOS系統上啟用PyTorchGPU加速,需要安裝CUDA、cuDNN以及PyTorch的GPU版本。以下步驟將引導您完成這一過程:CUDA和cuDNN安裝確定CUDA版本兼容性:使用nvidia-smi命令查看您的NVIDIA顯卡支持的CUDA版本。例如,您的MX450顯卡可能支持CUDA11.1或更高版本。下載並安裝CUDAToolkit:訪問NVIDIACUDAToolkit官網,根據您顯卡支持的最高CUDA版本下載並安裝相應的版本。安裝cuDNN庫:前

Docker利用Linux內核特性,提供高效、隔離的應用運行環境。其工作原理如下:1. 鏡像作為只讀模板,包含運行應用所需的一切;2. 聯合文件系統(UnionFS)層疊多個文件系統,只存儲差異部分,節省空間並加快速度;3. 守護進程管理鏡像和容器,客戶端用於交互;4. Namespaces和cgroups實現容器隔離和資源限制;5. 多種網絡模式支持容器互聯。理解這些核心概念,才能更好地利用Docker。

MinIO對象存儲:CentOS系統下的高性能部署MinIO是一款基於Go語言開發的高性能、分佈式對象存儲系統,與AmazonS3兼容。它支持多種客戶端語言,包括Java、Python、JavaScript和Go。本文將簡要介紹MinIO在CentOS系統上的安裝和兼容性。 CentOS版本兼容性MinIO已在多個CentOS版本上得到驗證,包括但不限於:CentOS7.9:提供完整的安裝指南,涵蓋集群配置、環境準備、配置文件設置、磁盤分區以及MinI

在CentOS系統上進行PyTorch分佈式訓練,需要按照以下步驟操作:PyTorch安裝:前提是CentOS系統已安裝Python和pip。根據您的CUDA版本,從PyTorch官網獲取合適的安裝命令。對於僅需CPU的訓練,可以使用以下命令:pipinstalltorchtorchvisiontorchaudio如需GPU支持,請確保已安裝對應版本的CUDA和cuDNN,並使用相應的PyTorch版本進行安裝。分佈式環境配置:分佈式訓練通常需要多台機器或單機多GPU。所

在CentOS系統上安裝PyTorch,需要仔細選擇合適的版本,並考慮以下幾個關鍵因素:一、系統環境兼容性:操作系統:建議使用CentOS7或更高版本。 CUDA與cuDNN:PyTorch版本與CUDA版本密切相關。例如,PyTorch1.9.0需要CUDA11.1,而PyTorch2.0.1則需要CUDA11.3。 cuDNN版本也必須與CUDA版本匹配。選擇PyTorch版本前,務必確認已安裝兼容的CUDA和cuDNN版本。 Python版本:PyTorch官方支

在CentOS上更新PyTorch到最新版本,可以按照以下步驟進行:方法一:使用pip升級pip:首先確保你的pip是最新版本,因為舊版本的pip可能無法正確安裝最新版本的PyTorch。 pipinstall--upgradepip卸載舊版本的PyTorch(如果已安裝):pipuninstalltorchtorchvisiontorchaudio安裝最新
