python需要掌握那些语法

1-list数据类型

  1. 内置方法查看长度
  2. len(list)

2.array数据类型

查看形状

3.tuple

取出元组

t = (1, 2, 3, 4, 5)
# 取出第一个元素
2first_element = t[0]
3print(first_element)  # 输出:1
4
5# 取出第三个元素
6third_element = t[2]
7print(third_element)  # 输出:3

 self.train_dataset[77]

len( self.train_dataset)
100
self.train_dataset[77]
['p316', array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0.,... 0., 1., 0., 0., 0.],dtype=float32), (array([[ 0.2622058 ,  0.2520623 ,  0.22725889, ...,  0.01219749,0.01633989,... 0.07434033,  0.07480213]], dtype=float32), array([-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000...00000e+10, -1.0000000e+10], dtype=float32)), None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, None, ...]
special variables:
function variables:
000: 'p316'
001: array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],dtype=float32)
002: (array([[ 0.2622058 ,  0.2520623 ,  0.22725889, ...,  0.01219749,0.01633989,... 0.07434033,  0.07480213]], dtype=float32), array([-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000...00000e+10, -1.0000000e+10], dtype=float32))
003: None
004: None
005: None
006: None
007: None
008: None
009: None
010: None
011: None
012: None
013: None
014: None
015: None
016: None
017: None
018: None
019: None
020: None
021: None
022: None
023: None
024: None
025: None
026: None
027: None
028: None
029: None
030: None
031: None
032: None
033: None
034: None
035: None
036: None
037: None
038: None
039: None
040: None
041: None
042: None
043: None
044: None
045: None
046: None
047: None
048: None
049: None
050: None
051: None
052: None
053: None
054: None
055: None
056: None
057: None
058: None
059: None
060: None
061: None
062: None
063: None
064: None
065: None
066: None
067: None
068: None
069: None
070: None
071: None
072: None
073: None
074: None
075: None
076: None
077: None
078: None
079: None
080: None
081: None
082: None
083: None
084: None
085: None
086: None
087: None
088: None
089: None
090: None
091: None
092: None
093: None
094: None
095: None
096: None
097: None
098: None
099: None
more: [100:423]
len(): 423

self.train_dataset[0][2]
(array([[ 0.3585394 ,  0.3018739 ,  0.31105113, ...,  0.11300398,0.13763978,... 0.19390605,  0.20955321]], dtype=float32), array([-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000...10,-1.0000000e+10], dtype=float32))
special variables:
function variables:
0: array([[ 0.3585394 ,  0.3018739 ,  0.31105113, ...,  0.11300398,0.13763978,  0.1481771 ],[ 0.39186838,  0.28555837,  0.26440546, ...,  0.05680866,0.08005004,  0.08875965],[ 0.4017174 ,  0.26269558,  0.2291187 , ...,  0.03097245,-0.01500634, -0.05946859],...,[ 0.31265986,  0.26113972,  0.24987312, ...,  0.00301073,-0.00385549, -0.05521088],[ 0.393526  ,  0.3625572 ,  0.2850872 , ...,  0.1024707 ,0.10312076,  0.11706395],[ 0.4812853 ,  0.4445946 ,  0.38248026, ...,  0.1924281 ,0.19390605,  0.20955321]], dtype=float32)
1: array([-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10,  6.4911819e-01,6.2345779e-01,  6.4090478e-01,  6.4279598e-01,  6.4552206e-01,6.4994138e-01,  6.5974551e-01,  6.6462046e-01,  6.7087328e-01,6.6634196e-01,  6.6224831e-01,  6.6087329e-01,  6.5927708e-01,6.5056252e-01,  6.3305575e-01,  5.4912585e-01, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10,  6.3081306e-01,5.2999961e-01,  5.0226504e-01,  4.8222768e-01,  4.5869541e-01,4.3690044e-01,  4.3986464e-01,  4.4301969e-01,  4.4689795e-01,4.3496856e-01,  4.2702240e-01,  4.1260844e-01,  3.4266099e-01,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10,  6.1800110e-01,4.4760248e-01,  4.0614852e-01,  3.7573645e-01,  3.6150464e-01,3.5052958e-01,  3.3238921e-01,  3.3283028e-01,  3.4399042e-01,3.7932014e-01,  3.6280128e-01,  3.4794918e-01,  3.8073543e-01,3.9630288e-01,  3.8179722e-01,  3.6594597e-01, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10, -1.0000000e+10, -1.0000000e+10, -1.0000000e+10,-1.0000000e+10], dtype=float32)
len(): 2

导入包的路径问题

import sys

sys.path.append('/home/zjx/CosyVoice-main')

在Python中以绝对路径或者相对路径导入文件的方法_使用绝对路径导包-CSDN博客

遍历文件文件夹并进行操作

多线程处理文件的包

python多线程执行同一个函数_mob649e8157ebce的技术博客_51CTO博客

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/48210.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

数据流通环节如何规避安全风险

由于参与数据流通与交易的数据要素资源通常是经过组织加工的高质量数据集,甚至可能涉及国家核心战略利益,一旦发生针对数据流通环节的恶意事件,将造成较大负面影响,对数据要素市场的价值激活造成潜在威胁。具体来说,数…

【面试题】Golang之互斥锁与读写锁(第七篇)

在Go语言(Golang)中,锁是用来实现并发控制的一种机制,它可以帮助多个goroutine安全地访问共享资源,防止数据竞争和条件竞争的发生。Go标准库提供了多种锁的实现,其中最常见和最基本的包括互斥锁&#xff08…

好用的接口文档swagger

本篇文章记录怎么给我们的后端项目整一个好用的接口文档 这个东西好像叫什么swagger吧 1. 依赖引入&#xff1a; <dependency><groupId>com.github.xiaoymin</groupId><artifactId>knife4j-spring-boot-starter</artifactId></dependency>…

IP转接服务的重要性及其应用

在现今互联网高度发达的时代&#xff0c;IP转接服务的重要性日益凸显。对于家庭和企业而言&#xff0c;它不仅是连接互联网的桥梁&#xff0c;更是确保网络稳定、高效运行的关键。本文将深入探讨IP转接服务的核心意义及其在互联网世界中的应用。 IP转接服务&#xff0c;简而言之…

记录|C# winform布局学习

目录 前言一、自适应布局Step1. 添加AutoAdaptWindowsSize类Step2. Form中引用Step3. 创建SizeChanged事件函数Step4. 在Fram.Disiger中添加 更新时间 前言 参考视频&#xff1a; C#5分钟winform快速自适应布局 参考文章&#xff1a; 其他参考&#xff1a; 写这篇文章&#xff…

在 Java 中,怎样设计一个可扩展且易于维护的微服务架构?

在Java中设计一个可扩展且易于维护的微服务架构&#xff0c;可以考虑以下几个方面&#xff1a; 模块化设计&#xff1a;将应用拆分为多个小的、独立的模块&#xff0c;每个模块负责处理特定的业务逻辑。每个模块可以独立开发、测试和部署&#xff0c;增加或替换模块时不会影响其…

AI学习指南机器学习篇-t-分布领域嵌入(t-Distributed Stochastic Neighbor Embedding,t-SNE)简介

AI学习指南机器学习篇-t-分布领域嵌入&#xff08;t-Distributed Stochastic Neighbor Embedding&#xff0c;t-SNE&#xff09;简介 导言 在机器学习中&#xff0c;高维数据的降维和可视化一直是一个重要的问题。高维数据往往难以理解和分析&#xff0c;而且直接在高维空间中…

C#知识|账号管理系统-修改账号按钮功能的实现

哈喽,你好啊,我是雷工! 前边学习了通过选择条件查询账号的功能: 《提交查询按钮事件的编写》 本节继续学习练习C#,今天练习修改账号的功能实现。 以下为学习笔记。 01 实现功能 ①:从查询到的账号中,选择某一账号,然后点击【修改账号】按钮,将选中的信息获取显示到…

Java多线程-----线程安全问题(详解)

目录 &#x1f347;一.线程安全问题的引入&#xff1a; &#x1f352;二.线程安全问题产生的原因&#xff1a; &#x1f34c;三.如何解决线程安全问题&#xff1a; &#x1f389;1.synchronized关键字: &#x1f989;sychronized关键字的特性: ✨2.volatile关键字: &#…

橙芯创想:香橙派AIPRO解锁升腾LLM与Stable Diffusion的创意密码

文章目录 引言 一. 香橙派AI PRO配置以及展示优秀的扩展能力实物展示 二、Ascend-LLM模型部署开机xshell连接香橙派实战运行部署运行结果分析开发版表现 三、Stable Diffusion文生图性能表现 四、体验总结性能噪音便捷性 引言 在科技的浪潮中&#xff0c;一场融合智慧与创意的盛…

SpringBoot+Vue的图书销售网站(前后端分离)

技术栈 Java SpringBoot Maven MySQL mybatis Vue Shiro Element-UI 角色对应功能 网站用户 管理员 项目功能截图

C#中的线性表

什么是线性表 线性表是最简单、最基本、最常用的数据结构。线性表是线性结构的抽象(Abstract),线性结构的特点是结构中的数据元素之间存在一对一的线性关系。这种一对一的关系指的是数据元素之间的位置关系,即:(1)除第一个位置的数据元素外,其它数据元素位置的前面都只有一个数…

Kotlin协程最佳实践

使用合适的作用域&#xff1a; 避免使用GlobalScope&#xff0c;因为它的生命周期是整个应用程序&#xff0c;可能会导致内存泄漏。相反&#xff0c;使用与组件生命周期绑定的CoroutineScope&#xff0c;例如在Android中使用lifecycleScope。 管理协程的生命周期&#xff1a; …

代码随想录训练营【贪心算法篇】

贪心 注&#xff1a;本文代码来自于代码随想录 贪心算法一般分为如下四步&#xff1a; 将问题分解为若干个子问题找出适合的贪心策略求解每一个子问题的最优解将局部最优解堆叠成全局最优解 这个四步其实过于理论化了&#xff0c;我们平时在做贪心类的题目 很难去按照这四步…

深潜数据海洋:Java文件读写全面解析与实战指南

在软件开发的世界里&#xff0c;文件如同沉默的守护者&#xff0c;承载着程序与现实世界的交流。Java语言&#xff0c;以其强大的文件处理能力&#xff0c;为我们提供了丰富的工具箱&#xff0c;让数据的读写变得既优雅又高效。本文将带你从零开始&#xff0c;逐步深入Java文件…

掌握Python中的文件序列化:Json和Pickle模块解析

Python 文件操作与管理&#xff1a;Open函数、Json与Pickle、Os模块 在Python中&#xff0c;文件是一个重要的数据处理对象。无论是读取数据、保存数据还是进行数据处理&#xff0c;文件操作都是Python编程中不可或缺的一部分。本文将详细介绍Python中文件操作的几种常用方法&…

ImportError: cannot import name ‘packaging‘ from ‘pkg_resources‘

降低setuptools版本 pip install setuptools69.5.1https://github.com/aws-neuron/aws-neuron-sdk/issues/893

阿尔泰科技利用485模块搭建自动灌溉系统实现远程控制

自动灌溉系统又叫土壤墒情监控系统&#xff0c;土壤墒情监控系统主要实现固定站无人值守情况下的土壤墒情数据的自动采集和无线传输&#xff0c;数据在监控中心自动接收入库&#xff1b;可以实现24小时连续在线监控并将监控数据通过有线、无线等传输方式实时传输到监控中心生成…

Express+mysql单表分页条件查询

声明&#xff08;自己还没测试过&#xff0c;只提供大概逻辑&#xff0c;什么多表连接查询可以在原基础上添加&#xff09; class /*** param connection Express的mysql数据库链接对象* current 当前页* pageSize 一页显示行数* where [{key:id,operator:,value15}], key查询…

open3d:ransac分割多个平面(源码)

1、背景介绍 随机采样一致性算法(RANSAC Random Sample Consensus)是一种迭代的参数估计算法,主要用于从包含大量噪声数据的样本中估计模型参数。其核心思想是通过随机采样和模型验证来找到数据中最符合模型假设的点。因此,只要事先给定要提取的参数模型,即可从点云中分割…