Python的函數(shù)都有哪些

【常見(jiàn)的內(nèi)置函數(shù)】

成都創(chuàng)新互聯(lián)專(zhuān)注于網(wǎng)站建設(shè)|成都網(wǎng)站維護(hù)|優(yōu)化|托管以及網(wǎng)絡(luò)推廣，積累了大量的網(wǎng)站設(shè)計(jì)與制作經(jīng)驗(yàn)，為許多企業(yè)提供了網(wǎng)站定制設(shè)計(jì)服務(wù)，案例作品覆蓋成都花箱等行業(yè)。能根據(jù)企業(yè)所處的行業(yè)與銷(xiāo)售的產(chǎn)品，結(jié)合品牌形象的塑造，量身定制品質(zhì)網(wǎng)站。

1、enumerate(iterable,start=0)

是python的內(nèi)置函數(shù)，是枚舉、列舉的意思，對(duì)于一個(gè)可迭代的(iterable)/可遍歷的對(duì)象(如列表、字符串)，enumerate將其組成一個(gè)索引序列，利用它可以同時(shí)獲得索引和值。

2、zip(*iterables,strict=False)

用于將可迭代的對(duì)象作為參數(shù)，將對(duì)象中對(duì)應(yīng)的元素打包成一個(gè)個(gè)元組，然后返回由這些元組組成的列表。如果各個(gè)迭代器的元素個(gè)數(shù)不一致，則返回列表長(zhǎng)度與最短的對(duì)象相同，利用*號(hào)操作符，可以將元組解壓為列表。

3、filter(function,iterable)

filter是將一個(gè)序列進(jìn)行過(guò)濾，返回迭代器的對(duì)象，去除不滿(mǎn)足條件的序列。

4、isinstance(object,classinfo)

是用來(lái)判斷某一個(gè)變量或者是對(duì)象是不是屬于某種類(lèi)型的一個(gè)函數(shù)，如果參數(shù)object是classinfo的實(shí)例，或者object是classinfo類(lèi)的子類(lèi)的一個(gè)實(shí)例，

返回True。如果object不是一個(gè)給定類(lèi)型的的對(duì)象， 則返回結(jié)果總是False

5、eval(expression[,globals[,locals]])

用來(lái)將字符串str當(dāng)成有效的表達(dá)式來(lái)求值并返回計(jì)算結(jié)果，表達(dá)式解析參數(shù)expression并作為Python表達(dá)式進(jìn)行求值(從技術(shù)上說(shuō)是一個(gè)條件列表)，采用globals和locals字典作為全局和局部命名空間。

【常用的句式】

1、format字符串格式化

format把字符串當(dāng)成一個(gè)模板，通過(guò)傳入的參數(shù)進(jìn)行格式化，非常實(shí)用且強(qiáng)大。

2、連接字符串

常使用+連接兩個(gè)字符串。

3、if...else條件語(yǔ)句

Python條件語(yǔ)句是通過(guò)一條或多條語(yǔ)句的執(zhí)行結(jié)果(True或者False)來(lái)決定執(zhí)行的代碼塊。其中if...else語(yǔ)句用來(lái)執(zhí)行需要判斷的情形。

4、for...in、while循環(huán)語(yǔ)句

循環(huán)語(yǔ)句就是遍歷一個(gè)序列，循環(huán)去執(zhí)行某個(gè)操作，Python中的循環(huán)語(yǔ)句有for和while。

5、import導(dǎo)入其他腳本的功能

有時(shí)需要使用另一個(gè)python文件中的腳本，這其實(shí)很簡(jiǎn)單，就像使用import關(guān)鍵字導(dǎo)入任何模塊一樣。

68 個(gè) Python 內(nèi)置函數(shù)詳解

內(nèi)置函數(shù)就是Python給你提供的，拿來(lái)直接用的函數(shù)，比如print.，input等。

截止到python版本3.6.2 ，python一共提供了68個(gè)內(nèi)置函數(shù)，具體如下

本文將這68個(gè)內(nèi)置函數(shù)綜合整理為12大類(lèi)，正在學(xué)習(xí)Python基礎(chǔ)的讀者一定不要錯(cuò)過(guò)，建議收藏學(xué)習(xí)！

（1）列表和元組

（2）相關(guān)內(nèi)置函數(shù)

（3）字符串

frozenset 創(chuàng)建一個(gè)凍結(jié)的集合，凍結(jié)的集合不能進(jìn)行添加和刪除操作。

語(yǔ)法：sorted(Iterable, key=函數(shù)(排序規(guī)則), reverse=False)

語(yǔ)法：fiter(function. Iterable)

function: 用來(lái)篩選的函數(shù). 在?lter中會(huì)自動(dòng)的把iterable中的元素傳遞給function. 然后根據(jù)function返回的True或者False來(lái)判斷是否保留留此項(xiàng)數(shù)據(jù) , Iterable: 可迭代對(duì)象

搜索公眾號(hào)頂級(jí)架構(gòu)師后臺(tái)回復(fù)“面試”，送你一份驚喜禮包。

語(yǔ)法 : map(function, iterable)

可以對(duì)可迭代對(duì)象中的每一個(gè)元素進(jìn)行映射. 分別去執(zhí)行 function

hash : 獲取到對(duì)象的哈希值(int, str, bool, tuple). hash算法:(1) 目的是唯一性 (2) dict 查找效率非常高, hash表.用空間換的時(shí)間 比較耗費(fèi)內(nèi)存

Python內(nèi)置turtle海龜庫(kù)函數(shù)講解 4

一、海龜狀態(tài)函數(shù)

1、顯示海龜

showturtle()或st()

無(wú)參數(shù)直接調(diào)用

2、隱藏海龜

hideturtle()或ht()

無(wú)參數(shù)直接調(diào)用

3、返回海龜?shù)臓顟B(tài)（True或False）

isvisible()

無(wú)參數(shù)直接調(diào)用

二、外觀函數(shù)

1、改變海龜?shù)耐庑位蚍祷禺?dāng)前海龜形狀

shape(name)

默認(rèn)的參數(shù)是："arrow", "turtle", "circle", "square", "triangle", "classic"。

2、設(shè)置海龜尺寸模式

resizemode(rmode)

參數(shù)：默認(rèn)值（"auto", "user", "noresize"）

3、調(diào)整海龜?shù)拇笮』蚍祷禺?dāng)前大小參數(shù)值

shapesize(wid,len,outline)或turtle.sieze(wid,len,outline)

參數(shù) wid 正數(shù) len 正數(shù) outline正數(shù)

4、設(shè)置或返回當(dāng)前的剪切因子

shearfactor()

參數(shù): shear 實(shí)數(shù)

5、設(shè)置傾角

settiltangle(angle)

參數(shù)：angle角度和海龜朝向不同

6、設(shè)置海龜與朝向的夾角

tilt(angle)

pytorch 常用函數(shù)參數(shù)詳解

1、torch.cat(inputs, dim=0) - Tensor?

參考鏈接：

[Pytorch] 詳解 torch.cat()

Pytorch學(xué)習(xí)筆記(一)：torch.cat()模塊的詳解

函數(shù)作用：cat 是 concatnate 的意思：拼接，聯(lián)系在一起。在給定維度上對(duì)輸入的 Tensor 序列進(jìn)行拼接操作。torch.cat 可以看作是 torch.split 和 torch.chunk 的反操作

參數(shù)：

inputs(sequence of Tensors)：可以是任意相同類(lèi)型的 Tensor 的 python 序列

dim(int, optional)：defaults=0

dim=0: 按列進(jìn)行拼接?

dim=1: 按行進(jìn)行拼接

dim=-1: 如果行和列數(shù)都相同則按行進(jìn)行拼接，否則按照行數(shù)或列數(shù)相等的維度進(jìn)行拼接

假設(shè) a 和 b 都是 Tensor，且 a 的維度為 [2, 3]，b 的維度為 [2, 4]，則

torch.cat((a, b), dim=1) 的維度為 [2, 7]

2、torch.nn.CrossEntropyLoss()

函數(shù)作用：CrossEntropy 是交叉熵的意思，故而 CrossEntropyLoss 的作用是計(jì)算交叉熵。CrossEntropyLoss 函數(shù)是將 torch.nn.Softmax 和 torch.nn.NLLLoss 兩個(gè)函數(shù)組合在一起使用，故而傳入的預(yù)測(cè)值不需要先進(jìn)行 torch.nnSoftmax 操作。

參數(shù)：

input(N, C)：N 是 batch_size，C 則是類(lèi)別數(shù)，即在定義模型輸出時(shí)，輸出節(jié)點(diǎn)個(gè)數(shù)要定義為 [N, C]。其中特別注意的是 target 的數(shù)據(jù)類(lèi)型需要是浮點(diǎn)數(shù)，即 float32

target(N)：N 是 batch_size，故 target 需要是 1D 張量。其中特別注意的是 target 的數(shù)據(jù)類(lèi)型需要是 long，即 int64

例子：

loss = nn.CrossEntropyLoss()

input = torch.randn(3, 5, requires_grad=True, dtype=torch.float32)

target = torch.empty(3, dtype=torch.long).random_(5)

output = loss(input, target)

output

輸出為：

tensor(1.6916, grad_fn=NllLossBackward)