python数组操作

JavaScript学习笔记(1)---基础语法

半世苍凉 提交于 2020-02-29 23:45:38
JavaScript:基础语法 注释 JavaScript的语法和Java语言类似,每个语句以 ; 结束,语句块用 {...} 。但是,JavaScript并不强制要求在每个语句的结尾加;浏览器中负责执行JavaScript代码的引擎会自动在每个语句的结尾补上;。JavaScript严格区分大小写,如果弄错了大小写,程序将报错或者运行不正常。 注释: // 这是一行注释 alert('love qinjiang'); // 这也是注释 /* 从这里开始是块注释 仍然是注释 仍然是注释 注释结束 */ 变量 变量的概念基本上和小学的方程变量是一致的,只是在计算机程序中,变量不仅可以是数字,还可以是任意数据类型。 变量在JavaScript中就是用一个变量名表示,变量名是大小写英文、数字、$和_的组合,且 不能用数字开头 。变量名也不能是 JavaScript的关键字 ,如if、while等。申明一个变量用var语句,比如: var a; // 申明了变量a,此时a的值为undefined var $b = 1; // 申明了变量$b,同时给$b赋值,此时$b的值为1 var s_007 = '007'; // s_007是一个字符串 var Answer = true; // Answer是一个布尔值true var t = null; // t的值是null

什么是数组?

依然范特西╮ 提交于 2020-02-27 18:58:35
今天要介绍的主角就是- 数组 ,数组也是数据呈线性排列的一种数据结构。与前一节中的 链表 不同,在数组中,访问数据十分简单,而添加和删除数据比较耗工夫。这和 什么是数据结构 那篇文章中讲到的姓名按拼音顺序排列的电话簿类似。 数组 如上就是数组的概念图,Blue、Yellow、Red 作为数据存储在数组中,其中 a 是数组的名字,后面 [] 中的数字表示该数据是数组中的第几个数据,该数字也就是 数组下标,下标从 0 开始计数 ,比如 Red 就是数组 a 的第 2 个数据。 那么 为什么许多编程语言中的数组都从 0 开始编号的呢 ?先别急,可以先自己思考下,将会在文末进行讲解。 从图中可以看出来,数组的数据是按 顺序存储 在内存的连续空间内的。 由于数据是存储在连续空间内的,所以每个数据的内存地址(在内存上的位置)都可以通过数组下标算出,我们也就可以借此直接访问目标数据,也就是 随机访问 。 比如现在我们想要访问 Red,如果是链表的话,只能使用指针就只能从头开始查找,但在数组中,只需要指定 a[2],便能直接访问 Red。 但是,如果想在任意位置上添加或者删除数据,数组的操作就要比链表复杂多了。这里我们尝试将 Green 添加到第 2 个位置上。 首先,在数组的末尾确保需要增加的存储空间。 为了给新数据 Green 腾出位置,要把已有数据一个个移开,首先把 Red 往后移。 然后把

量化投资_Multicharts数组操作函数_zeros()设定数组元素为0(自定义)

不羁的心 提交于 2020-02-26 02:47:15
1. 函数的用法类似于Python的zeros函数,给定数组尺寸,让数组的元素归零 //zeros:根据设定的尺寸长度,让一维数组的元素全部归零 inputs: arr[MaxSize]( numericarrayref), input_zeros_size(NumericSimple); variables: value1(0); array: count[](0); value1 = array_getmaxindex(arr); array_setmaxindex(arr,input_zeros_size); for value3 = 0 to input_zeros_size begin arr[value3] = 0; end; zeros = array_getmaxindex(arr);    来源: https://www.cnblogs.com/noah0532/p/12364955.html

二、Python开发---29、numpy(4)

心不动则不痛 提交于 2020-02-25 19:41:50
Numpy算数运算   数组不用循环即可对每个元素执行批量的算术运算操作,这个过程叫做矢量化,用数组表达式代替循环的做法,矢量化数组运算性能比纯Python方式快上一两个数据级,大小相等的两个数组之间的任何算术运算都会将其运算应用到元素级上的操作   元素级操作:在NumPy中,大小相等的数组之间的运算,为元素级运算,即只用于位置相同的元素之间,所得的运算结果组成一个新的数组,运算结果的位置跟操作数位置相同 import numpy as np a = np.arange(3).reshape(3) b = np.array([2,3,4]) print(a) #输出为 [0 1 2] print(b) #输出为 [2 3 4] #标量运算 print(a+1) #输出为 [1 2 3] print(a-1) #输出为 [-1 0 1] print(a*2) #输出为 [0 2 4] print(a/2) #输出为 [0. 0.5 1. ] print(2/b) #输出为 [1. 0.66666667 0.5 ] print(a**2) #输出为 [0 1 4] print(2**a) #输出为 [1 2 4] #两个数组相加,以下两种方式输出结果一样 print(a+b) #输出为 [2 4 6] print(np.add(a,b)) #输出为 [2 4 6] #两个数组相减

利用python进行数据分析(笔记)

a 夏天 提交于 2020-02-25 00:36:41
《利用python进行数据分析(第二版)》笔记 numpy使用 函数 说明 abs/fabs 计算整数、浮点数或复数的绝对值。对于非复数值,可以使用更快的fabs sqrt 计算各元素的平方根。相当于arr**0.5 square 计算各元素的平方。相当于arr**2 exp 计算各元素的指数e^x log/log10/log2/log1p 分别为自然对数(底数为e)、底数为10的log、底数为2的log、log(1 + x) sign 计算各元素的正负号:1(正数)、0(零)、-1(负数) ceil 计算各元素的ceiling值,即大于等于该值的最小整数 floor 计算各元素的floor值,即小于等于该值的最大整数 rint 将各元素四舍五入到最接近的整数,保留dtype modf 将数组的小数和整数部分以两个独立数组的形式返回 isnan 返回一个表示“哪些值是NaN”的布尔型数组 isfinite/isinf 分别返回一个表示“哪些元素是有穷的(非ing,非NaN)”或“哪些元素是无穷的”的布尔型数组 cos/cosh/sin/sinh/tan/tanh 普通型和双曲型三角函数 arccos/arccosh/arcsin/arcsinh/arctan/arctanh 反三角函数 logical_not 计算各元素not x的真值。相当于-arr add

[leetcode]旋转数组

旧巷老猫 提交于 2020-02-24 09:56:45
题目描述: 给定一个数组,将数组中的元素向右移动 k 个位置,其中 k 是非负数。 示例 1: 输入: [1,2,3,4,5,6,7] 和 k = 3 输出: [5,6,7,1,2,3,4] 解释: 向右旋转 1 步: [7,1,2,3,4,5,6] 向右旋转 2 步: [6,7,1,2,3,4,5] 向右旋转 3 步: [5,6,7,1,2,3,4] 示例 2: 输入: [-1,-100,3,99] 和 k = 2 输出: [3,99,-1,-100] 解释: 向右旋转 1 步: [99,-1,-100,3] 向右旋转 2 步: [3,99,-1,-100] 说明: 尽可能想出更多的解决方案,至少有三种不同的方法可以解决这个问题。 要求使用空间复杂度为 O(1) 的原地算法。 题目分析: 列表的分片操作 # !/usr/bin/env python # _*_ coding: utf-8 _*_ class Solution(): def rotate(self, nums, k): """ :type nums: List[int] :type k: int :rtype: void Do not return anything, modify nums in-place instead. """ nums_len = len(nums) nums[:] = nums[nums

YAML格式

走远了吗. 提交于 2020-02-22 19:35:48
转载:https://www.cnblogs.com/wxmdevelop/p/7341292.html YAML 的意思其实是:"Yet Another Markup Language"(仍是一种置标语言)的缩写。 功能 YAML的语法和其他高阶语言类似,并且可以简单表达清单、散列表,标量等资料形态、。 它使用 空白符号缩排 和 大量依赖外观的特色,特别适合用来表达或编辑数据结构、各种设定档、倾印除错内容、文件大纲(例如:许多电子邮件标题格式和YAML非常接近)。 尽管它比较适合用来表达阶层式(hierarchical model)的数据结构,不过也有精致的语法可以表示关联性(relational model)的资料。 由于YAML使用空白字符和分行来分隔资料,使的他特别适合用 grep、Python、Perl、Ruby 操作。 其让人最容易上手的特色是巧妙避开各种封闭符号,如:引号、各种括号等,这些符号在嵌套结构中会变得复杂而难以辨认。 格式 多行缩进 数据结构可以用类似大纲的缩排方式呈现,结构通过 缩进 来表示,连续的项目通过 减号“-” 来表示,map 结构里面的 key/value 对用冒号“:”来分隔。样例如下: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 house: family: name: Doe parents: - John -

机器学习笔试--LeetCode

非 Y 不嫁゛ 提交于 2020-02-22 08:46:37
######### 简单 ######### 共25道: 1. 两数之和 给定一个整数数组和一个目标值,找出数组中和为目标值的两个数。 你可以假设每个输入只对应一种答案,且 同样的元素不能被重复利用 。 示例: 给定 nums = [2, 7, 11, 15], target = 9 因为 nums[0] + nums[1] = 2 + 7 = 9 所以返回 [0, 1] class Solution(object): def twoSum(self, nums, target): """ :type nums: List[int] :type target: int :rtype: List[int] """ n = len(nums) # len([2, 7, 11, 15]) = 4 for i in range(0, n-1): #range(x,y)的取值范围是[x,y),下标值从0开始,同样元素不能重复所以range(0,n-1) for j in range(i+1, n): if(nums[i] + nums[j] == target): return [i, j] 2. 给定一个 32 位有符号整数,将 整数 中的数字进行 反转 。 示例 1: 输入: 123 输出: 321 示例 2: 输入: -123 输出: -321 示例 3: 输入: 120 输出: 21

javascript高级程序设计--笔记01

谁说胖子不能爱 提交于 2020-02-15 11:40:30
概述 JavaScript的实现包含三个部分:   1 核心(ECMAScript) 提供核心语言功能   2 文档对象模型(DOM) 一套提供了访问以及操作网页内容的API   3 浏览器对象模型(BOM) 一套提供了与浏览器交互的API   ECMAScript 仅仅定义了这门语言的基础,如定义了:语法、类型、语句、关键字等,实际上这门语言本身不包含输入输出定义。   而现实中, ECMAScript 大多借用了某些宿主环境(如web浏览器,Node,Adobe Flash)来实现丰富的功能,这些宿主环境不仅提供了基本的 ECMAScript 实现,还提供了该语言的扩展(DOM BOM都是扩展之一),这些扩展利用 ECMAScript 的语法等提供更多具体的功能。   通过DOM,将html页面映射为一个多层的节点结构:整个html是一个根节点,根节点下分为head和body子节点,这两个子节点下的所有html标签都是一个又一个的子标签节点…… 通过使用DOM提供的属性或者方法我们可以快速锁定到每一个我们想要锁定的节点。   BOM则负责处理浏览器窗口和框架,如: 弹出浏览器窗口,移动、缩放、关闭浏览器窗口,cookies支持等等 ECMAScript --------------------------------------------------------<<<<<

Pytorch 中的张量系统:Tensor

生来就可爱ヽ(ⅴ<●) 提交于 2020-02-14 22:57:24
文章目录 一、Torch 简介 1、Torch 最重要的特点及功能 2、Torch 与 Numpy 的区别与联系 二、Tensor 使用 1. tensor 的创建 2. tensor 的访问 3. tensor 的常用属性和方法 `a、常用属性` `b、常用方法` 4. tensor 的常用函数 a、数组随机打乱、选择 b、数组组合 c、数组分割 d、数组复制 5、tensor 的内存结构 三、通用函数(ufunc): 元素级运算 1. 常用的通用函数 2. 常用的统计方法 一、Torch 简介 1、Torch 最重要的特点及功能 N 维数组对象(tensor) :该对象是存储单一数据类型的多维数组(可表示标量、向量、矩阵或张量等) 具有 矢量运算和复杂广播能力 ,内存使用效率高 具有 线性代数、随机数生成以及傅里叶变换功能 2、Torch 与 Numpy 的区别与联系 Numpy 定位是各种各样的 科学计算 ,其在 CPU 上比较快 TF 和 Torch 等的定位是 机器学习 ,它们在 Numpy 的基础上做了扩展,使其支持 GPU 编程、分布式编程、自动微分 等特性 torch==numpy, tensor==ndarray :torch is a Tensor library like NumPy, with strong GPU support 二、Tensor 使用 1