Python

牛客網華為機試題之Python解法 第1題 字串最後一個單詞的長度 a = input().split(" ")print(len(a[-1])) 第2題 計算字元個數 a = input()b = input()print(a.lower().count(b.lower())) 第3題 明明的隨機數 while True: try: num = int(input()) data = [] for i

一、作為第一階段的python基礎學習不必讀很多書，個人認為以下三本書足矣（個人喜好，由淺入深）： （1）廖雪峰的《python3 基礎教程》； （2）《python cookbook》 （3）《機器學習實戰》（python版本） 然後就是F1、google、百度。 讀完廖的《基礎教程》，開了腦，對python有了基本認識； 接下來學習本書《python cookbook》，小火慢燉常用的python知識點。 二、進度安排： 680頁的書，預期3個月（

歡迎大家光臨我的部落格 簡介 coverage是一個檢測單元測試覆蓋率的工具，即檢查你的測試案例是否覆蓋到了所有的代碼。 coverage命令列工具   當你通過pip install

PythonJupyter Notebook各種使用方法記錄持續更新 一 Jupyter NoteBook的安裝 1 新版本Anaconda內建Jupyter 2 老版本Anacodna需自己安裝Jupyter 二 更改Jupyter notebook的工作空間 1 方式一 2 方式二絕招絕招

這個python代碼是用來從DHT網路（一種分布式的“磁力連結”的共用網路，這個叫法是我個人對這種分布式網路的稱呼）中，檢測收集“磁力連結”。每一個磁力連結就對應著一個種子檔案。由於“磁力連結”在DHT網路中是通過分布式共用。所以通過檢測DHT網路中的資料包就可以獲得其他用戶端發來的“磁力連結”，通過這些磁力連結下載相應的種子檔案分析擷取種子檔案的檔案資源名，這就完成了整個過程。

一、初識Pandas Pandas 是基於 NumPy 的一個非常好用的庫，它有兩種自己專屬的基本資料結構Series （一維）和 DataFrame（二維），它們讓資料操作更簡單了。雖然Pandas有著兩種資料結構，但它依然是 Python 的一個庫，所以，Python 中有的資料類型在這裡依然適用，也同樣還可以使用類自己定義資料類型。 在金融資料分析領域，Pandas更是起到了非常重要的作用，比如用於量化交易。Pandas

成為程式員已經有好多年了，第一次開通部落格，歡迎同好批評，點評。 最近迷戀上了python，看完了《python基礎教程》後，又抱著一本《python核心編程（第三版）》開始啃了起來。 看完了第一章，發現了很多非常好的習題，自己嘗試做了一些，但是卻在網上找不到很全很好的答案。於是決定自己來寫一寫，記錄一下自己的答案，每個答案都是自己上級實測的。 python環境為2.7.13，工具為JetBrains PyCharm 2017.1.1 x64 #

1. setuptools的安裝 因為我安裝的是Winpython，預設已經安裝了setuptools，所以這裡不贅述。 2. feedparser的安裝 方法一： 下載地址：feedparser 5.2.1.zip 解壓壓縮包feedparser 5.2.1.zip 在cmd視窗中切換目錄到解壓的檔案夾，然後執行命令：python setup.py install 具體過程見下圖（圖中幾乎給出了所有可能要用到的指令）  

參考彭亮老師的視頻教程：轉載請註明出處及彭亮老師原創 視頻教程： http://pan.baidu.com/s/1kVNe5EJ 1. 關於非線性轉化方程(non-linear transformation function) sigmoid函數(S 曲線)用來作為activation function:      1.1 雙曲函數(tanh)

最近老闆讓搞python爬蟲，提取地圖中水庫位置。在開展下一段探索前，先記一些心得體會。 一、工欲善其事必先利其器 想要爬取網站上的資訊，必須有一個好的工具。firefox和chrome都有不錯的工具，用chrome比較多，主要講一下它的使用。喜歡探索細節的小夥伴移到下面的連結：《神器——Chrome開發人員工具(一)》以及《chrome Dev tools》。我在這兒介紹一些高頻使用的的功能。 1.

我們以一個字串為元素類型的 list 為例，進行列表元素的刪除： >>> l = ['no surfing', 'flippers'] 法一：remove(val) >>> l.remove('no surfing')>>> l['flippers'] （1）remove() 的參數是具體的元素值，而不是索引， （2）如果知道索引，如何使用 remove 刪除該索引上的元素值， >>>

從一個通道的圖片進行卷積產生新的單通道圖的過程很容易理解，對於多個通道卷積後產生多個通道的圖理解起來有點抽象。本文以通俗易懂的方式講述卷積，並輔以圖片解釋，能快速理解卷積的實現原理。最後手寫python代碼實現卷積過程，讓Tensorflow卷積在我們面前不再是黑箱子。 注意： 本文只針對batch_size=1,padding='SAME'，stride=[1,1,1,1]進行實驗和解釋，其他如果不是這個參數設定，原理也是一樣。 1 Tensorflow卷積實現原理

from mergeSort_recursion import mergesortimport randomdef partion(a, m, m_index):#對a進行排序，使得比m小的元素放在m前面，比m大的元素放在m後面#輸入：m_index（m在a中的index）#返回m前面, m後面各自元素的數目,以及m在新數組中的index#將m與數組第一個元素交換位置，然後即可像快速排序一樣將所有元素以m為中間元素#分到左右兩邊tmp = a[0]a[0] = ma[m_index] =

#本文分析牛市看張價差和熊市看跌價差的組合策略效果：#牛市看漲價差採用買入平值看漲期權，賣出較高行權價的看漲期權#熊市看跌價差組合採用買入平值看跌期權，賣出較低行行權價的看跌期權#####實際上還有很多不同的方式構造價差組合###################################import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom lib.qiquan import*############

###套利分析 import pandas as pd import numpy as np #讀取資料 caipo=pd.read_excel('caipo.xlsx') doupo=pd.read_excel('doupo.xlsx') caipo.head(5) #整理資料 caipo_close=caipo.ix[::,6] caipo_close.head() doupo_close=doupo.ix[::,6]

這裡只講資料分析常用的圖形繪製，至於複雜的圖形不在本篇討論範圍，講到的幾個圖形基本滿足資料分析過程的要求，至於彙報材料或者其他的高品質圖形，以後再另外寫關於ggplot2的簡單使用。 python的繪圖工具主要是matplotlib，這裡不講複雜的使用，只講簡單的使用。 使用matplotlib繪圖有兩種方法： 1.matplotlib繪圖，指定參數data=DataFrame或Series 2.pandas對DataFrame和Series做了處理，它們本身有plot的方法 1.

python畫圖－－柱狀圖 在上一篇（python畫圖－－簡單開始及折線圖）的基礎上，下面我們來畫柱狀圖 有兩種柱狀圖（一種為histogram, 另一種為bar chart） 一、bar chart 主要用的方法為： atplotlib.pyplot.bar(left, height, width=0.8, bottom=None, hold=None, data=None, **kwargs)

（一）

使用Python寫的一個掃固定連接埠的小工具，接收參數：起始IP，終止IP，目標連接埠。並測試成功，於是在此記錄下，大牛勿噴。 #coding=utf-8import socketimport timeimport sysdef portScanner(ip,port): server = (ip,port) sockfd = socket.socket(socket.AF_INET,socket.SOCK_STREAM) sockfd.settimeout(0

在本系列文章中提到過用Python開始機器學習（3：資料擬合與廣義線性迴歸）中提到過迴歸演算法來進行數值預測。羅吉斯迴歸演算法本質還是迴歸，只是其引入了邏輯函數來協助其分類。實踐發現，羅吉斯迴歸在文本分類領域表現的也很優秀。現在讓我們來一探究竟。 1、邏輯函數 假設資料集有n個獨立的特徵，x1到xn為樣本的n個特徵。常規的迴歸演算法的目標是擬合出一個多項式函數，使得預測值與真實值的誤差最小：