这42个Python小例子，太走心~

Posted 2021-03-19 7758520lzy

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="	")
    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	name‘, ‘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)

 

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="	")
    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	name‘, ‘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)