告别枯燥，60秒学会一个Python小例子。奔着此出发点，我在过去1个月，将平时经常使用的代码段换为小例子，分享出来后受到大家的喜欢。
一、基本操作
1 链式比较
i = 3
print(1 < i < 3) # False
print(1 < i <= 3) # True
2 不用else和if实现计算器
from operator import *
def calculator(a, b, k):
return {
\'+\': add,
\'-\': sub,
\'*\': mul,
\'/\': truediv,
\'**\': pow
}[k](a, b)
calculator(1, 2, \'+\') # 3
calculator(3, 4, \'**\') # 81
3 函数链
from operator import (add, sub)
def add_or_sub(a, b, oper):
return (add if oper == \'+\' else sub)(a, b)
add_or_sub(1, 2, \'-\') # -1
4 求字符串的字节长度
def str_byte_len(mystr):
return (len(mystr.encode(\'utf-8\')))
str_byte_len(\'i love python\') # 13(个字节)
str_byte_len(\'字符\') # 6(个字节)
5 寻找第n次出现位置
def search_n(s, c, n):
size = 0
for i, x in enumerate(s):
if x == c:
size += 1
if size == n:
return i
return -1
print(search_n("fdasadfadf", "a", 3))# 结果为7，正确
print(search_n("fdasadfadf", "a", 30))# 结果为-1，正确
6 去掉最高最低求平均
def score_mean(lst):
lst.sort()
lst2=lst[1:(len(lst)-1)]
return round((sum(lst2)/len(lst2)),2)
score_mean([9.1, 9.0,8.1, 9.7, 19,8.2, 8.6,9.8]) # 9.07
7 交换元素
def swap(a, b):
return b, a
swap(1, 0) # (0,1)
二、基础算法
1 二分搜索
def binarySearch(arr, left, right, x):
while left <= right:
mid = int(left + (right - left) / 2); # 找到中间位置。求中点写成(left+right)/2更容易溢出，所以不建议这样写
# 检查x是否出现在位置mid
if arr[mid] == x:
print(\'found %d 在索引位置%d 处\' %(x,mid))
return mid
# 假如x更大，则不可能出现在左半部分
elif arr[mid] < x:
left = mid + 1 #搜索区间变为[mid+1,right]
print(\'区间缩小为[%d,%d]\' %(mid+1,right))
elif x<arr[mid]:
right = mid - 1 #搜索区间变为[left,mid-1]
print(\'区间缩小为[%d,%d]\' %(left,mid-1))
return -1
2 距离矩阵
x,y = mgrid[0:5,0:5]
list(map(lambda xe,ye: [(ex,ey) for ex, ey in zip(xe, ye)], x,y))
[[(0, 0), (0, 1), (0, 2), (0, 3), (0, 4)],
[(1, 0), (1, 1), (1, 2), (1, 3), (1, 4)],
[(2, 0), (2, 1), (2, 2), (2, 3), (2, 4)],
[(3, 0), (3, 1), (3, 2), (3, 3), (3, 4)],
[(4, 0), (4, 1), (4, 2), (4, 3), (4, 4)]]
三、列表
1 打印乘法表
for i in range(1,10):
for j in range(1,i+1):
print(\'{0}*{1}={2}\'.format(j,i,j*i),end="\t")
print()
结果：
1*1=1
1*2=2 2*2=4
1*3=3 2*3=6 3*3=9
1*4=4 2*4=8 3*4=12 4*4=16
1*5=5 2*5=10 3*5=15 4*5=20 5*5=25
1*6=6 2*6=12 3*6=18 4*6=24 5*6=30 6*6=36
1*7=7 2*7=14 3*7=21 4*7=28 5*7=35 6*7=42 7*7=49
1*8=8 2*8=16 3*8=24 4*8=32 5*8=40 6*8=48 7*8=56 8*8=64
1*9=9 2*9=18 3*9=27 4*9=36 5*9=45 6*9=54 7*9=63 8*9=72 9*9=81
2 嵌套数组完全展开
from collections.abc import *
def flatten(input_arr, output_arr=None):
if output_arr is None:
output_arr = []
for ele in input_arr:
if isinstance(ele, Iterable): # 判断ele是否可迭代
flatten(ele, output_arr) # 尾数递归
else:
output_arr.append(ele) # 产生结果
return output_arr
flatten([[1,2,3],[4,5]], [6,7]) # [6, 7, 1, 2, 3, 4, 5]
3 将list等分为子组
from math import ceil
def divide(lst, size):
if size <= 0:
return [lst]
return [lst[i * size:(i+1)*size] for i in range(0, ceil(len(lst) / size))]
r = divide([1, 3, 5, 7, 9], 2) # [[1, 3], [5, 7], [9]]
4 生成fibonacci序列前n项
def fibonacci(n):
if n <= 1:
return [1]
fib = [1, 1]
while len(fib) < n:
fib.append(fib[len(fib) - 1] + fib[len(fib) - 2])
return fib
fibonacci(5) # [1, 1, 2, 3, 5]
5 过滤掉各种空值
def filter_false(lst):
return list(filter(bool, lst))
filter_false([None, 0, False, \'\', [], \'ok\', [1, 2]])# [\'ok\', [1, 2]]
6 返回列表头元素
def head(lst):
return lst[0] if len(lst) > 0 else None
head([]) # None
head([3, 4, 1]) # 3
7 返回列表尾元素
def tail(lst):
return lst[-1] if len(lst) > 0 else None
print(tail([])) # None
print(tail([3, 4, 1])) # 1
8 对象转换为可迭代类型
from collections.abc import Iterable
def cast_iterable(val):
return val if isinstance(val, Iterable) else [val]
cast_iterable(\'foo\')# foo
cast_iterable(12)# [12]
cast_iterable({\'foo\': 12})# {\'foo\': 12}
9 求更长列表
def max_length(*lst):
return max(*lst, key=lambda v: len(v))
r = max_length([1, 2, 3], [4, 5, 6, 7], [8])# [4, 5, 6, 7]
10 出现最多元素
def max_frequency(lst):
return max(lst, default=\'列表为空\', key=lambda v: lst.count(v))
lst = [1, 3, 3, 2, 1, 1, 2]
max_frequency(lst) # 1
11 求多个列表的最大值
def max_lists(*lst):
return max(max(*lst, key=lambda v: max(v)))
max_lists([1, 2, 3], [6, 7, 8], [4, 5]) # 8
12 求多个列表的最小值
def min_lists(*lst):
return min(min(*lst, key=lambda v: max(v)))
min_lists([1, 2, 3], [6, 7, 8], [4, 5]) # 1
13 检查list是否有重复元素
def has_duplicates(lst):
return len(lst) == len(set(lst))
x = [1, 1, 2, 2, 3, 2, 3, 4, 5, 6]
y = [1, 2, 3, 4, 5]
has_duplicates(x) # False
has_duplicates(y) # True
14 求列表中所有重复元素
from collections import Counter
def find_all_duplicates(lst):
c = Counter(lst)
return list(filter(lambda k: c[k] > 1, c))
find_all_duplicates([1, 2, 2, 3, 3, 3]) # [2,3]
15 列表反转
def reverse(lst):
return lst[::-1]
reverse([1, -2, 3, 4, 1, 2])# [2, 1, 4, 3, -2, 1]
16 浮点数等差数列
def rang(start, stop, n):
start,stop,n = float(\'%.2f\' % start), float(\'%.2f\' % stop),int(\'%.d\' % n)
step = (stop-start)/n
lst = [start]
while n > 0:
start,n = start+step,n-1
lst.append(round((start), 2))
return lst
rang(1, 8, 10) # [1.0, 1.7, 2.4, 3.1, 3.8, 4.5, 5.2, 5.9, 6.6, 7.3, 8.0]
四、字典
1 字典值最大的键值对列表
def max_pairs(dic):
if len(dic) == 0:
return dic
max_val = max(map(lambda v: v[1], dic.items()))
return [item for item in dic.items() if item[1] == max_val]
max_pairs({\'a\': -10, \'b\': 5, \'c\': 3, \'d\': 5})# [(\'b\', 5), (\'d\', 5)]
2 字典值最小的键值对列表
def min_pairs(dic):
if len(dic) == 0:
return []
min_val = min(map(lambda v: v[1], dic.items()))
return [item for item in dic.items() if item[1] == min_val]
min_pairs({}) # []
r = min_pairs({\'a\': -10, \'b\': 5, \'c\': 3, \'d\': 5})
print(r) # [(\'b\', 5), (\'d\', 5)]
3 合并两个字典
def merge_dict2(dic1, dic2):
return {**dic1, **dic2} # python3.5后支持的一行代码实现合并字典
merge_dict({\'a\': 1, \'b\': 2}, {\'c\': 3}) # {\'a\': 1, \'b\': 2, \'c\': 3}
4 求字典前n个最大值
from heapq import nlargest
# 返回字典d前n个最大值对应的键
def topn_dict(d, n):
return nlargest(n, d, key=lambda k: d[k])
topn_dict({\'a\': 10, \'b\': 8, \'c\': 9, \'d\': 10}, 3) # [\'a\', \'d\', \'c\']
5 求最小键值对
d={\'a\':-10,\'b\':5, \'c\':3,\'d\':5}
min(d.items(),key=lambda x:x[1]) #(\'a\', -10)
五、集合
1 互为变位词
from collections import Counter
# 检查两个字符串是否 相同字母异序词，简称：互为变位词
def anagram(str1, str2):
return Counter(str1) == Counter(str2)
anagram(\'eleven+two\', \'twelve+one\') # True 这是一对神器的变位词
anagram(\'eleven\', \'twelve\') # False
六、文件操作
1 查找指定文件格式文件
import os
def find_file(work_dir,extension=\'jpg\'):
lst = []
for filename in os.listdir(work_dir):
print(filename)
splits = os.path.splitext(filename)
ext = splits[1] # 拿到扩展名
if ext == \'.\'+extension:
lst.append(filename)
return lst
find_file(\'.\',\'md\') # 返回所有目录下的md文件
七、正则和爬虫
1 爬取天气数据并解析温度值
素材来自朋友袁绍
import requests
from lxml import etree
import pandas as pd
import re
url = \'http://www.weather.com.cn/weather1d/101010100.shtml#input\'
with requests.get(url) as res:
content = res.content
html = etree.HTML(content)
通过lxml模块提取值，lxml比beautifulsoup解析在某些场合更高效
location = html.xpath(\'//*[@id="around"]//a[@target="_blank"]/span/text()\')
temperature = html.xpath(\'//*[@id="around"]/div/ul/li/a/i/text()\')
结果：
[\'香河\', \'涿州\', \'唐山\', \'沧州\', \'天津\', \'廊坊\', \'太原\', \'石家庄\', \'涿鹿\', \'张家口\', \'保定\', \'三河\', \'北京孔庙\', \'北京国子监\', \'中国地质博物馆\', \'月坛公
园\', \'明城墙遗址公园\', \'北京市规划展览馆\', \'什刹海\', \'南锣鼓巷\', \'天坛公园\', \'北海公园\', \'景山公园\', \'北京海洋馆\']
[\'11/-5°C\', \'14/-5°C\', \'12/-6°C\', \'12/-5°C\', \'11/-1°C\', \'11/-5°C\', \'8/-7°C\', \'13/-2°C\', \'8/-6°C\', \'5/-9°C\', \'14/-6°C\', \'11/-4°C\', \'13/-3°C\'
, \'13/-3°C\', \'12/-3°C\', \'12/-3°C\', \'13/-3°C\', \'12/-2°C\', \'12/-3°C\', \'13/-3°C\', \'12/-2°C\', \'12/-2°C\', \'12/-2°C\', \'12/-3°C\']
df = pd.DataFrame({\'location\':location, \'temperature\':temperature})
print(\'温度列\')
print(df[\'temperature\'])
正则解析温度值
df[\'high\'] = df[\'temperature\'].apply(lambda x: int(re.match(\'(-?[0-9]*?)/-?[0-9]*?°C\', x).group(1) ) )
df[\'low\'] = df[\'temperature\'].apply(lambda x: int(re.match(\'-?[0-9]*?/(-?[0-9]*?)°C\', x).group(1) ) )
print(df)
详细说明子字符创捕获
除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的就是要提取的分组（group）。比如：^(\d{3})-(\d{3,8})$分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码
m = re.match(r\'^(\d{3})-(\d{3,8})$\', \'010-12345\')
print(m.group(0))
print(m.group(1))
print(m.group(2))
# 010-12345
# 010
# 12345
如果正则表达式中定义了组，就可以在Match对象上用group()方法提取出子串来。
注意到group(0)永远是原始字符串，group(1)、group(2)……表示第1、2、……个子串。
最终结果
Name: temperature, dtype: object
location temperature high low
0 香河 11/-5°C 11 -5
1 涿州 14/-5°C 14 -5
2 唐山 12/-6°C 12 -6
3 沧州 12/-5°C 12 -5
4 天津 11/-1°C 11 -1
5 廊坊 11/-5°C 11 -5
6 太原 8/-7°C 8 -7
7 石家庄 13/-2°C 13 -2
8 涿鹿 8/-6°C 8 -6
9 张家口 5/-9°C 5 -9
10 保定 14/-6°C 14 -6
11 三河 11/-4°C 11 -4
12 北京孔庙 13/-3°C 13 -3
13 北京国子监 13/-3°C 13 -3
14 中国地质博物馆 12/-3°C 12 -3
15 月坛公园 12/-3°C 12 -3
16 明城墙遗址公园 13/-3°C 13 -3
17 北京市规划展览馆 12/-2°C 12 -2
18 什刹海 12/-3°C 12 -3
19 南锣鼓巷 13/-3°C 13 -3
20 天坛公园 12/-2°C 12 -2
21 北海公园 12/-2°C 12 -2
22 景山公园 12/-2°C 12 -2
23 北京海洋馆 12/-3°C 12 -3
2 批量转化驼峰格式
import re
def camel(s):
s = re.sub(r"(\s|_|-)+", " ", s).title().replace(" ", "")
return s[0].lower() + s[1:]
# 批量转化
def batch_camel(slist):
return [camel(s) for s in slist]
batch_camel([\'student_id\', \'student\tname\', \'student-add\']) #[\'studentId\', \'studentName\', \'studentAdd\']
八、绘图
1 turtle绘制奥运五环图
结果：
2 turtle绘制漫天雪花
结果：
3 4种不同颜色的色块，它们的颜色真的不同吗？
4 词频云图
import hashlib
import pandas as pd
from wordcloud import WordCloud
geo_data=pd.read_excel(r"../data/geo_data.xlsx")
words = \',\'.join(x for x in geo_data[\'city\'] if x != []) #筛选出非空列表值
wc = WordCloud(
background_color="green", #背景颜色"green"绿色
max_words=100, #显示最大词数
font_path=\'./fonts/simhei.ttf\', #显示中文
min_font_size=5,
max_font_size=100,
width=500 #图幅宽度
)
x = wc.generate(words)
x.to_file(\'../data/geo_data.png\')
八、生成器
1 求斐波那契数列前n项(生成器版)
def fibonacci(n):
a, b = 1, 1
for _ in range(n):
yield a
a, b = b, a + b
list(fibonacci(5)) # [1, 1, 2, 3, 5]
2 将list等分为子组(生成器版)
from math import ceil
def divide_iter(lst, n):
if n <= 0:
yield lst
return
i, div = 0, ceil(len(lst) / n)
while i < n:
yield lst[i * div: (i + 1) * div]
i += 1
list(divide_iter([1, 2, 3, 4, 5], 0)) # [[1, 2, 3, 4, 5]]
list(divide_iter([1, 2, 3, 4, 5], 2)) # [[1, 2, 3], [4, 5]]
九、keras
1 Keras入门例子
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
data = np.random.random((1000, 1000))
labels = np.random.randint(2, size=(1000, 1))
model = Sequential()
model.add(Dense(32,
activation=\'relu\',
input_dim=100))
model.add(Dense(1, activation=\'sigmoid\'))
model.compile(optimize=\'rmsprop\', loss=\'binary_crossentropy\',
metrics=[\'accuracy\'])
model.fit(data, labels, epochs=10, batch_size=32)
predictions = model.predict(data)