
Python学习-语句、语法
#: 注释,不支持多行注释
\: 连接,当一行的程序太长时,可以使用连接符\(反斜杠)
1、使用if、elif 和 else 进行标记
小于两个的选择:
if 条件 :
语句段1
else :
语句段2
大于两个的选择:
if 条件1 :
语句段1
elif 条件2 :
语句段2
…
else :
语句段3
2、使用while进行循环
while 条件:
语句段1
else: # 可选
语句段2
break: 跳出循环
continue:跳到循环开始
3、使用for迭代
for 变量 in 可迭代的对象
元组或列表在一次迭代过程产生一项,而字符串迭代会产生一个字符,对一个字典进行迭代将返回字典中的键。想对字典中的值进行迭代,可使用values()函数:
for value in accusation.values():
print(value)
为了以元组的形式返回键值对,可以使用字典的items() 函数:
for item in accusation.items():
print(item)
4、使用zip()并行迭代
zip()函数在最短序列“用完”时就会停止
5、使用range()生成自然数序列
range()函数的用法类似于使用切片:range(start、stop、step),start的默认值为0,唯一要求的参数值是stop,产生的最后一个数的值是stop的前一个,并且step的默认值是1。
例:得到从0到10的偶数
list(range(0,10,2))
推导式
从一个或多个迭代器快速简洁地创建数据结构的一种方法。
列表推导式1:最简单表示形式如下:
[expression for item in iterable]
例:将通过列表推导创建一个整数列表:
>>> number_list = [number for number in range(1,6)]
>>> number_list
[1,2,3,4,5]
第一个number变量为列表生成值,也就是说,把循环的结果放在列表number_list中
第二个number为循环变量,其中 第一个number 可以为表达式
列表推导式2:表示形式如下:
[expression for item in iterable if condition]
>>> rows = range(1,4)
>>> cols = range(1,3)
>>> cells = [(row,col) for row in rows for col in cols]
>>> for cell in cells:
print(cell)
(1, 1)
(1, 2)
(2, 1)
(2, 2)
(3, 1)
(3, 2)
>>>
字典推导式:表达式如下:
{ key_expression : value_expression for expression in iterable }
>>> word = 'letters'
>>> letter_counts = {letter: word.count(letter) for letter in set(word)}
>>> letter_counts
{'s': 1, 'r': 1, 't': 2, 'e': 2, 'l': 1}
>>>
集合推导式:表达式如下:
{ expression for expression in iterable }
>>> a_set = {number for number in range(1,6) if number % 3 == 1}
>>> a_set
{1, 4}
生成器推导式:
元组没有推导式,列表推导式的方括号变为圆括号后,圆括号之间的是生成器推导式,它返回的是一个生成器对象,生成器仅在运行中产生值,一个生成器只能运算一次,不能重新使用或备份。数据分析师培训
>>> number_thing = (number for number in range(1,6))
>>> type(number_thing)
<class 'generator'>
>>> number_list = list(number_thing)
>>> number_list
[1, 2, 3, 4, 5]
>>> try_again = list(number_thing)
>>> try_again
[]
>>>
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24