Python

寫一個blog的時候用到了分頁，紀錄起來。 from django.core.paginator import Paginator 就是用到這個Paginator類 Paginator(object_list, per_page, [orphans=0, allow_empty_first_page=True]) 參數object_list （資料總量）和 per_page（每頁的資料量）為必填參數 orphans(最後一頁對象的最少數目，預設為0

中文字元在字元佔用上相當於兩個英文字元，但是字型設計上，一般一個中文字元的寬度不會等於兩個英文字元的寬度，所以列印出來的效果有偏差。 如： c = [ '決', '決決', '決決決', '決決決決', '決決決決決', '決決決決決決', '決決決決決決決']print('----正常字串格式化：----')for x in range(len(c)): print('|%20s|' % c[x])列印結果如下圖所示：

Python的Object基類__del__方法 Python的這個方法是一個析構方法，是在執行個體被銷毀的時候執行的，銷毀執行個體相關的記憶體，方法，屬性等。同樣是如果基類指定了特殊的屬性或者其他方法，那麼子類也是需要顯式的指定的。         一般情況下無需覆蓋這個方法。 Python3.4文檔： object. __del__ ( self ) Called when the instance

#coding=utf-8'''type():返回字典類型str():返回字典的字串表示形式cmp():比較函數。cmp用於字典比較順序是：字典的大小-->字典鍵------->字典值。cmp()做字典的比較一般不是很有用。len(mapping):返回映射的長度(鍵-值對的個數)hash(obj):返回obj的雜湊值dict.clear():刪除字典中所有元素dict.copy():返回字典(淺複製)的一個副本dict.get(key,default=None):對字典dict中的

基本思想 對直接插入排序尋找合適插入點時，用了類似二分法的尋位方法 Python實現 def binaryInsert(a):# 折半插入排序: 小->大# 在直接插入排序的基礎上使用了折半尋找的方法 for i in xrange(1, len(a)): index = a[i] low = 0 hight = i - 1 while low <= hight: mid =

    前面兩篇都是介紹性的文字，這篇詳細介紹完整的“良/惡性乳腺癌腫瘤預測”問題的Python原始碼。     根據前兩篇的描述，大家可以確定“良/惡性乳腺癌腫瘤預測”的問題屬於二分類任務。待預測的類別分別是良性乳腺癌腫瘤和惡性乳腺癌腫瘤。通常我們使用離散的整數來代表類別。如下表，“腫瘤類型”一列列出了腫瘤的類型；0代表良性，1代表惡性。   腫塊厚度 細胞尺寸

Python內建的heapq模組        Python3.4版本中heapq包含了幾個有用的方法： heapq.heappush(heap,item):將item，推入heap >>> items = [1,2,9,7,3]>>> heapq.heappush(items,10)>>> items[1, 2, 9, 7, 3, 10]>>>

什麼是閉包? 簡單說,閉包就是根據不同的配置資訊得到不同的結果 再來看看專業的解釋:閉包（Closure）是詞法閉包（Lexical Closure）的簡稱，是引用了自由變數的函數。這個被引用的自由變數將和這個函數一同存在，即使已經離開了創造它的環境也不例外。所以，有另一種說法認為閉包是由函數和與其相關的引用環境組合而成的實體。 python執行個體 看概念總是讓人摸不著頭腦,看幾個python小例子就會了 例1 def make_adder(addend):

recAlbumSp.py #coding=utf8#---------------------------------------# 作者：ewang# 日期：2017-10-28# 語言：Python 2.7#---------------------------------------import urllib2import reimport urllibimport sysreload(sys)sys.setdefaultencoding("utf-8&

匿名函數lambda用法 python中使用lambda來建立匿名函數。lambda只是一個運算式，擁有自己的命名空間，且不能訪問自由參數列表之外或全域命名空間裡的參數。 lambda文法 lambda arg1,arg2… :expression lambda運算式是起到一個函數速寫的作用。例子： >>> sum = lambda x,y:x+y>>> sum(2,4)6 zip()函數用法

>>> d={'dniudc':500.0,'jdsc':0.05,'kjdks':255,'jksdc':400.3,'djfvd':58}>>> d.keys()dict_keys(['dniudc', 'jdsc', 'kjdks', 'jksdc', 'djfvd'])>>> map(len,d.keys())<map object at 0x03551870>>>>

#coding=utf8import matplotlib.pyplot as pltimport numpy as np#建立數組：x、y1、y2、y3、x4、y4x = np.array([10, 8, 13, 9, 11, 14, 6, 4, 12, 7, 5])y1 = np.array([8.04, 6.95, 7.58, 8.81, 8.33, 9.96, 7.24, 4.26, 10.84, 4.82, 5.68])y2 = np.array([9.14, 8.14, 8.74,

      假設需要處理大檔案，又不想依賴資料庫，那麼將檔案分割也不失為一種解決方案。下面簡單介紹將資料以月分割的python實現方法。 #引入依賴庫 import pandas as pdimport datetimeimport os def splitData(): user_pay_path = "../dataset/IJCAI-17/dataset/user_pay.txt"

簡介 項目中使用python寫一個監控程式，每隔5秒監控目錄，發現檔案就立刻FTP同步到另一台伺服器。業務要求高即時性和高可用性。為了謹防程式崩潰，特別編寫一個守護進程程式，時刻監控程式是否崩潰並重新啟動。 下面介紹兩種實現方式。 第一種 監控進程PID方式 Demo.py 10秒關閉程式，類比程式崩潰# -*- coding: utf-8 -*-import loggingimport timeimport oslogging.

以前也學過通訊端編程，這次想系統全面的學習下python網路編程的使用。做這個，為檢測進度，也為後續留下筆記和足跡。 socket 常用函數 擷取主機名稱和主機地址 socket.gethostname() socket.gethostbyname() import sockethost = socket.gethostname()ip = socket.gethostbyname(host)# 還能夠解析出外部服務的ipip =

就是這麼簡單 baseList = '0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz' def changeBase(n,b):     x,y = divmod(n,b)     if x>0:         return changeBase(x,b) + baseList[y]

題目描述 從上往下列印出二叉樹的每個節點，同層節點從左至右列印。 思路：用兩個list，一個用來裝節點，一個用來裝節點的value。對於裝節點的這個list，我們每次彈出最前面的節點，並依次將左節點和右節點加在後面。不管怎麼樣，這個裝節點的list都能保證，將節點從上到下，同層節點從左至右進行添加、彈出。 代碼如下： class TreeNode(): def __init__(self,x):

Given an array of size n, find the majority element. The majority element is the element that appears more than ⌊ n/2 ⌋ times. You may assume that the array is non-empty and the majority element always exist in the array.

1. Tkinter       匯入tkinter： from tkinter import *       建立視窗： tk=Tk()       重畫視窗： tk.update()        重新整理。 tk.update_idletasks()       建立按鈕： btn=Button(tk,

構造節點類 構造樹類，並增加添加節點方法 前序走訪（根，左，右）、中序遍曆（左，根，右），後序遍曆（左，右，根） 利用隊列實現廣度優先遍曆，即層次遍曆 [引用]樹的遍曆主要有兩種，一種是深度優先遍曆，像前序、中序、後序；另一種是廣度優先遍曆，像層次遍曆。在樹結構中兩者的區別還不是非常明顯，但從樹擴充到有向圖，到無向圖的時候，深度優先搜尋和廣度優先搜尋的效率和作用還是有很大不同的。