
Python变量和字符串详解
几个月前,我开始学习个人形象管理,从发型、妆容、服饰到仪表仪态,都开始做全新改造,在塑造个人风格时,最基础的是先了解自己属于哪种风格,然后找到参考对象去模仿,可以是自己欣赏的人、明星或模特等,直至最后去创新,形成自己独特的个人风格。
学习Python也是一样。开始学习一门新的语言,最便捷的方法是去模仿,继而在模仿中出创新。在初期模仿的过程中,务必要做到亲自敲下每一行代码,打出每一个标点符号,而不是简单的一目十行,不实际操作,这样即使看完整本书,或许依然写不出程序。
这是关于Python的第2篇文章,主要介绍下变量和字符串。
(一)
变量:
简单来说,变量是编程中最基本的存储单位,可以存储自己想放进去的东西。比如给变量“a”赋值:
操作步骤:打开Mac终端——输入“python3”后回车,进入Python3.6环境——输入“a=25”后回车,此时已完成了给a赋值;再输入a,回车后就能看到给a的赋值结果。
备注:Python对大小写敏感,a和A为两个不同变量,编写时需注意。
print():
print()是Python中的常用功能,顾名思义,即打印括号里的内容,可以先简单这么理解。比如给变量a赋值为25,然后把a打印出来。在PyCharm中输入如下内容:
如果忘记给变量a赋值,运行时PyCharm会报错,需要根据报错的提示信息进行相应的修改。
此处名称“a”未定义,Python是无法打印不存在的对象的。
(二)
字符串:
简单来说,字符串可以表述单引号、双引号或三引号里的内容,这里单引号和双引号一样。
'在单引号里的内容'
"在双引号里的内容"
'''三引号通常用于比较长的内容,可随意换行'''
接下来试着在PyCharm里输入这段代码:
运行后显示:
对于my_intro,我是将前面两个变量做了加法,然后print出my_intro,也可以直接print(what_do_i_do + what_i_like)。
这里说了相加,当然,也可以做到相乘。
相乘之后,你会得到:
如果想要注释掉部分代码的话,直接选中该部分,然后快捷键“command+/”实现批量注释。
最后再看看这段代码:
得到这个结果:
此时出现了报错信息,提示必须是str型,不能是int型。原因是字符串(string)只是Python中的一种数据类型,另一种数据类型是整数类型(integer),两种不同数据类型是不可以相加的,需要进行相应的转换。
如果不知道变量是什么类型,可以在编译框中输入print(type(变量名))来查看变量类型。
那么,针对上面报错的这个例子,正确的方式可以将string类型转换为int,两者进行相加,最后会得出结果1834。
最后,试着解决一个稍微复杂点的问题:
在Python中,len()方法返回的是字符串的长度,这里string1的长度是22,减去num,最终会得到2个Hello!。
到这里,基本你已经掌握了变量和字符串的基本用法,后续我会介绍下字符串的分片和索引。
强烈建议大家亲自去实践,一行一行敲出这些代码,可能会发现一些目测不到的问题,也可以在实践的过程中举一反三,体会运行成功后的小小欣喜和成就感。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10