
利用python求相邻数的方法示例
本文主要给大家介绍了关于利用python求相邻数的相关内容,分享出来供大家参考学习,下面话不多说了,来一起看看详细的介绍:
什么是相邻数?
比如5,相邻数为4和6,和5相差1的数,连续相差为1的一组数
需求:
遍历inputList 所有数字,取出所有数字,判断是否有相邻数, 不相邻数字 和 相邻数字 都以 “数组”形式 添加到 outputList 中, 并且 每个“数组” 里 第一位 递减 补全两位数,末位 递增 补全两位数, 每一个数不能小于0, 不能大于 400
( 提示: 在inputList 中 "12,13" 是相邻的数字,视为一组, 需要以[10, 11, 12, 13, 14, 15] 数组形式添加到outputList 中,而 “3”没有相邻的数,也视为一组,需要以[1, 2, 3, 4, 5]数组形式添加到outputList中 )
输入:
inputList = [0, 3, 5, 6, 7, 9, 12, 13, 15, 16, 17, 19, 20, 21, 22, 25, 27, 29, 30, 32, 33, 36, 39, 40, 43, 44, 46, 47, 48, 53, 54, 57, 58, 60, 62, 64, 65, 66, 67, 72, 74, 75, 76, 77, 78, 80, 82, 84, 85, 86, 89, 95, 96, 97, 98, 103, 104, 107, 108, 110, 111, 114, 116, 117, 118, 120, 121, 122, 124, 127, 132, 135, 137, 138, 139, 140, 145, 146, 148, 149, 150, 151, 155, 156, 160, 161, 166, 167, 170, 171, 172, 175, 178, 179, 180, 181, 182, 183, 184, 186, 188, 189, 190, 193, 195, 196, 198, 202, 205, 208, 210, 211, 213, 214, 215, 217, 221, 226, 227, 228, 233, 234, 235, 240, 241, 246, 247, 249, 255, 257, 258, 261, 262, 263, 267, 268, 269, 270, 271, 272, 275, 278, 280, 282, 283, 284, 286, 287, 289, 291, 292, 295, 296, 298, 300, 302, 303, 304, 305, 306, 310, 315, 317, 319, 320, 321, 322, 323, 324, 325, 326, 328, 331, 336, 339, 341, 342, 344, 346, 349, 354, 355, 356, 362, 363, 365, 366, 367, 368, 371, 374, 376, 378, 382, 383, 388, 390, 393, 396, 399]
输出 :
outputList = [[0, 1, 2] , [1, 2, 3, 4, 5], [3, 4, 5, 6, 7, 8, 9], [7, 8, 9, 10, 11],[10, 11, 12, 13, 14, 15] , ........此处省略]
那,如何解决这个问题?
1. 设置一个值,指向index=0, start_index = 0
2. 初始化一个中间列表median = [ ] , 一个保存结果列表 result_l = [ ]
3. for循环开始, start_index 指向每一个相邻数的开头
4. 通过索引指向的值和索引后指向的值进行差值比较,步长不为1的,start_index移动到这个值上
5. 循环往复,获得相邻列表
6. 通过map函数,对每一个相邻列表进行前后各插入两个相邻数
7. 通过列表解析, 剔除不满足条件的相邻数
示例代码
#!/usr/bin/python3
__author__ = 'beimenchuixue'
__blog__ = 'http://www.cnblogs.com/2bjiujiu/'
def go_cha_ru(new_l):
"""往列表中前后个插入两个相邻数,通过列表解析去除小于0的和大于400的数"""
new_l.insert(0, new_l[0] - 1)
new_l.insert(0, new_l[0] - 1)
new_l.append(new_l[len(new_l) - 1] + 1)
new_l.append(new_l[len(new_l) - 1] + 1)
return [i for i in new_l if 0 <= i <= 400]
def go_xiang_lin(raw_l):
"""获取相邻数"""
start_index = 0
result_l = []
median = []
# 索引从start_index起,到最后
for raw_index in range(len(raw_l)):
# 判断是否for循环到指定位置
if start_index == raw_index:
# 初始移动位置参数
index = 0
while True:
# 指针指向的起始值
start_value = raw_l[start_index]
# 如果指针指向最后一个位置,开始值=最后一个值
if start_index == len(raw_l)-1:
end_value = start_value
else:
# 最后一个值 = 初始值 + 位置参数值
end_value = raw_l[start_index + index]
# 通过初始值 + 位置参数值 是否等于 最后一个值,判断是否为相邻数,如果是,添加到中间列表
if start_value + index == end_value:
median.append(end_value)
# 位置参数 + 1
index += 1
else:
# 如果不是,初始指针指向 移动位置参数个单位
start_index += index
# 把每主相邻数添加到结果列表
result_l.append(median)
median = []
break
# 通过高阶函数,对结果集中每个相邻数列表进行插值操作
return map(go_cha_ru, result_l)
if __name__ == '__main__':
input_list = [0, 3, 5, 6, 7, 9,
12, 13, 15, 16, 17, 19, 20, 21, 22, 25,
27, 29, 30, 32, 33, 36, 39, 40, 43, 44, 46, 47, 48, 53, 54,
57, 58, 60, 62, 64, 65, 66, 67, 72, 74, 75, 76, 77, 78, 80, 82,
84, 85, 86, 89, 95, 96, 97, 98, 103, 104, 107, 108, 110, 111, 114,
116, 117, 118, 120, 121, 122, 124, 127, 132, 135, 137, 138, 139, 140,
145, 146, 148, 149, 150, 151, 155, 156, 160, 161, 166, 167, 170, 171,
172, 175, 178, 179, 180, 181, 182, 183, 184, 186, 188, 189, 190, 193,
195, 196, 198, 202, 205, 208, 210, 211, 213, 214, 215, 217, 221, 226,
227, 228, 233, 234, 235, 240, 241, 246, 247, 249, 255, 257, 258, 261,
262, 263, 267, 268, 269, 270, 271, 272, 275, 278, 280, 282, 283, 284,
286, 287, 289, 291, 292, 295, 296, 298, 300, 302, 303, 304, 305, 306,
310, 315, 317, 319, 320, 321, 322, 323, 324, 325, 326, 328, 331, 336,
339, 341, 342, 344, 346, 349, 354, 355, 356, 362, 363, 365, 366, 367,
368, 371, 374, 376, 378, 382, 383, 388, 390, 393, 396, 399]
# 结果
output_list = list(go_xiang_lin(input_list))
print(output_list)
总结
以上就是这篇文章的全部内容了.
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01