当前位置: 首页 > article >正文

大模型学习第8天--python基础(数据结构:列表字典元组)

2026.04.08周二第四部分数据结构列表list 字典dict 元组tuple 已看完 还剩集合set明天看#列表——增# stu [] #空列表# stu [小明, 18, True, boys]# teacher [张老师, 赵老师, 徐老师]# school [teacher, stu, 工作人员, 100]# stu.append(2.5) #仅能在末尾添加元素# print(stu)# print(teacher)# print(school)# stu.insert(3,岁) #通过下标添加元素# print(stu)# #列表——删# fruits [苹果,香蕉,橙子,香蕉,香蕉]# fruits.remove(香蕉) #删除了第一个”香蕉“# print(fruits) #[苹果, 橙子, 香蕉, 香蕉]# last fruits.pop() #删除 并返回 最后一个元素————永远删除最后一个# print(last)# print(fruits)# print(fpop()删除{last}, 剩余[苹果, 橙子, 香蕉])# #列表——修改和查找# fruits [苹果, 橙子, 香蕉]# print(f修改前{fruits})# fruits[1] 葡萄 #修改索引1 的元素# print(f修改后{fruits})# #查找# if 香蕉 in fruits: #判断是否存在 True-执行# print(列表中有香蕉)# else:# print(没有香蕉)##列表遍历# fruits [苹果, 橙子, 香蕉, 苹果, 橙子, 橙子]# total_price 0# for fruit in fruits:# if fruit 苹果:# total_price 1.5# elif fruit 橙子:# total_price 2# elif fruit 香蕉:# total_price 1# print(共计,total_price,元)##索引和元素一起遍历# fruits [苹果, 橙子, 香蕉, 苹果, 橙子, 橙子]## 方法一使用函数enumerate:# for i , fruit in enumerate(fruits):# print(f第{i1}个水果是{fruit})# 方法二自增自减来遍历索引和元素# index 0# for fruit in fruits:# print(f第{index1}个水果是{fruit})# index index 1# #列表的切片 [不含右边]# fruits [苹果, 橙子1, 香蕉, 苹果2, 橙子2, 橙子3]# print(ffruits[1:3] {fruits[1:3]}) #含左不含右# print(ffruits[:3] {fruits[:3]}) #从开头到索引2 等价于[0:3]# print(ffruits[2:] {fruits[2:]}) #从索引2到结尾# print(ffruits[-3:] {fruits[-3:]}) #最后3个# #反转列表[::-1]# reversed_fruits fruits[::-1]# print(f反转列表{reversed_fruits})# #先反转再切片# reversed_fruits fruits[::-1][:3]# print(f反转列表{reversed_fruits})# #先切片再反转# reversed_fruits fruits[:3][::-1]# print(f反转列表{reversed_fruits})# #列表-排序元素为整型或浮点型时可用# sort是方法只是一个排序的动作不会产生返回值但是会改变列表本身的内容 sorted是一个单独的函数有执行结果有返回值# scores [85, 90, 78, 92, 88]# scores.sort() #从小到大排序# print(f从小到大排序{scores})# #从大到小排序 sort(reverse True)# scores.sort(reverseTrue) #从大到小排# print(sort(reverseTrue)后, scores)# #最大值 最小值 (注意空列表不可用)# print( * 25 )# print(f列表长度{len(scores)})# print(f最高分{max(scores)})# print(f最低分{min(scores)})#sorted排序 有一个返回值# scores [85, 90, 78, 92, 88, 30, 1, 15, 62]# print(sorted(scores))# print(sorted(scores, reverse True))# #sorted() 是内置函数# print( - * 50)# print(sorted(scores)) #排序从小到大# print(sorted(scores,reverse True))#排序从大到小# print(scores)# print(scores.sort()) #改变了变量的原顺序但是会输出None# scores.sort() #改变了变量的原顺序# print(scores)#sorted()函数不会改变变量的原顺序# print(sorted(scores))# print(scores)###字典 通过键找到对应的值 {key : value}# 键名的要求 不可变的元素empty1 {} #空字典empty2 dict() #空字典

相关文章:

大模型学习第8天--python基础(数据结构:列表字典元组)

2026.04.08周二第四部分数据结构:列表list 字典dict 元组tuple 已看完 还剩集合set明天看#列表——增 # stu [] #空列表 # stu ["小明", 18, True, "boys"] # teacher [张老师, 赵老师, 徐老师] # school [teacher, stu, 工作人员, 100] …...

nanobot惊艳效果展示:用‘生成一份Python爬虫获取CSDN文章标题’指令执行结果

nanobot惊艳效果展示:用‘生成一份Python爬虫获取CSDN文章标题’指令执行结果 今天,我想和大家分享一个让我眼前一亮的AI助手体验。最近,我在一个预置了nanobot的镜像环境中,尝试了一个非常具体的指令:“生成一份Pyth…...

Kandinsky-5.0-I2V-Lite-5s本地化部署精讲:JDK环境配置与Docker封装

Kandinsky-5.0-I2V-Lite-5s本地化部署精讲:JDK环境配置与Docker封装 1. 开篇:为什么选择本地化部署 如果你正在寻找一个高效的图像转视频解决方案,Kandinsky-5.0-I2V-Lite-5s绝对值得考虑。这个轻量级模型能够在5秒内完成图像到视频的转换&…...

C++ 入门学习经验 02—— 新手最容易遇到的几个问题以及如何解决

大家好啊!这里是阳阳的博客,一个正在努力学习技术的大学生。上一篇和大家聊了刚接触 C 时的环境搭建、学习路径和心态问题,收到了很多同学的共鸣。所以今天这第二篇,我想继续沿着新手学习时的路线,来和大家聊聊刚学 C …...

.NET源码生成器基于partial范式开发和nuget打包绞

1 安装与初始化 # 全局安装 OpenSpec npm install -g fission-ai/openspeclatest # 在项目目录下初始化 cd /path/to/your-project openspec init 初始化时,OpenSpec 会提示你选择使用的 AI 工具(Claude Code、Cursor、Trae、Qoder 等)。 3 O…...

stock-sdk-mcp 的实践整理郊

一、什么是urllib3? urllib3 是一个用于处理 HTTP 请求和连接池的强大、用户友好的 Python 库。 它可以帮助你: 发送各种 HTTP 请求(GET, POST, PUT, DELETE等)。 管理连接池,提高网络请求效率。 处理重试和重定向。 支…...

你的SSH密钥可能已经过期了档

引言 在现代软件开发中,性能始终是衡量应用质量的重要指标之一。无论是企业级应用、云服务还是桌面程序,性能优化都能显著提升用户体验、降低基础设施成本并增强系统的可扩展性。对于使用 C# 开发的应用程序而言,性能优化涉及多个层面&#x…...

samba服务配置

仅主机 模式下 Samba 完整最简流程(从头到尾)一、虚拟机先改网络(必做)VMware → 虚拟机设置 → 网络适配器选:仅主机模式 (Host-only)二、Linux 自动获取 IP(root)一定得干不然不是同网段后面访…...

知识表示是什么:为什么人工智能离不开知识表示

人工智能不仅要处理数据,还要理解对象、关系、规则和约束。要做到这一点,系统就不能只保存原始记录,而必须把有关内容组织成机器能够处理的形式,这就是知识表示。知识表示并不是人工智能中的附属技术,而是智能系统建立…...

LSTM与GRU的深度解析:门控机制如何解决长时依赖问题?

点击 “AladdinEdu,你的AI学习实践工作坊”,注册即送-H卡级别算力,沉浸式云原生集成开发环境,80G大显存多卡并行,按量弹性计费,教育用户更享超低价。 1. 引言:当序列遇见记忆 自然语言、语音信…...

集合、元素、隶属与包含:知识分类的数学基础

在知识表示与知识图谱中,分类并不是随意进行的。无论是区分类与实例,还是建立上位类与下位类,背后都需要一种更基础的结构来支撑,这就是集合观念。集合、元素、隶属关系、包含关系与相等关系,构成了知识分类最基本的数…...

Android Studio项目集成AI:Phi-4-mini-reasoning 3.8B移动端调用方案

Android Studio项目集成AI:Phi-4-mini-reasoning 3.8B移动端调用方案 1. 移动端AI集成的新机遇 最近在移动开发圈里,AI集成成了热门话题。作为一名长期关注移动端AI落地的开发者,我发现Phi-4-mini-reasoning 3.8B这个轻量级模型特别适合移动…...

OpenClaw多模型切换:Qwen3.5-9B与其他开源模型的协作方案

OpenClaw多模型切换:Qwen3.5-9B与其他开源模型的协作方案 1. 为什么需要多模型协作? 去年我在尝试用AI自动化处理日常工作时,发现一个有趣的现象:当我用同一个大模型处理不同类型的任务时,效果差异非常大。比如用擅长…...

FireRed-OCR Studio实战教程:OCR结果与数据库自动同步脚本

FireRed-OCR Studio实战教程:OCR结果与数据库自动同步脚本 1. 学习目标与场景引入 想象一下这个场景:你是一家公司的行政人员,每天需要处理几十份报销单、合同和发票。你用FireRed-OCR Studio把这些纸质文件扫描成清晰的Markdown文档&#…...

OpenClaw自动化调研:Qwen2.5-VL-7B全网信息收集与分析

OpenClaw自动化调研:Qwen2.5-VL-7B全网信息收集与分析 1. 为什么需要自动化调研工具 作为一个经常需要收集行业动态的技术博主,我过去每天要花2-3小时手动浏览各类网站。直到发现OpenClaw这个能操控浏览器的AI助手,配合Qwen2.5-VL-7B的多模…...

从“人海战术”到“算法军团”:TVA引发的劳动力革命(4)

——岗位重构:TVA时代,制造业劳动力的岗位迭代与技能升级TVA“算法军团”的普及,不仅替代了传统的体力型、重复型劳动力,更引发了制造业岗位体系的颠覆性重构——大量传统岗位被淘汰,一批全新岗位应运而生,…...

2026年智能码牌服务商,究竟合不合法合规?

在数字支付行业蓬勃发展的今天,智能码牌服务商逐渐成为市场的焦点。随着2026年的到来,人们对于这些服务商的合法合规性愈发关注。以财联支付为例,我们来深入探讨智能码牌服务商的合法合规性问题。一、合法合规的基础:技术与资质双…...

开箱即用的AI视觉工具:万物识别镜像部署与简单调用演示

开箱即用的AI视觉工具:万物识别镜像部署与简单调用演示 1. 引言:让AI视觉识别触手可及 想象一下,你刚拿到一个功能强大的AI视觉识别工具,它能识别5万多种日常物品,而且直接用中文输出结果。但当你准备使用时&#xf…...

Llama-3.2V-11B-cotGPU优化教程:量化+FlashAttention提升吞吐300%实操

Llama-3.2V-11B-cot GPU优化教程:量化FlashAttention提升吞吐300%实操 1. 项目概述与优化目标 Llama-3.2V-11B-cot 是一个支持系统性推理的视觉语言模型,基于LLaVA-CoT论文实现。这个模型结合了图像理解和逐步推理能力,采用独特的四步推理格…...

据传某大厂西安研究所一个女员工,终身合同耗了三年不走,今年被hr带着保安抬出公司了。

点击上方“码农突围”,马上关注 这里是码农充电第一站,回复“666”,获取一份专属大礼包 真爱,请设置“星标”或点个“在看”这是【码农突围】的第 494 篇原创分享作者 l 突围的鱼来源 l 码农突围(ID:smarty…...

建成不是终点!数据中心A级标准满载测试,筑牢数字底座安全防线

当数据中心的最后一台设备调试完毕,机房指示灯全部亮起,这座“数字心脏”看似已经就绪,但这绝不意味着可以正式“上岗”。作为支撑数字经济运转的核心枢纽,数据中心的稳定性、可靠性,直接决定着各类业务的连续运转——…...

Qwen3.5-9B多场景落地:开发者写Python脚本、产品经理写PRD、教师出题批改

Qwen3.5-9B多场景落地:开发者写Python脚本、产品经理写PRD、教师出题批改 1. 开篇:认识Qwen3.5-9B大模型 Qwen3.5-9B是一款拥有90亿参数的开源大语言模型,在多个专业领域展现出强大的能力。不同于普通聊天机器人,它特别擅长逻辑…...

真机部署仅需几小时!PhyAgentOS开源项目,实现零代码跨本体迁移

开箱即用、零代码跨本体、多机协同、决策可追溯的全链路开发底座 ——具身智能自进化操作系统 目录 01 PhyAgentOS 是什么 核心创新:认知—物理解耦 hal_watchdog:那个关键的‘看门狗’ 四层架构:模块化、可插拔 自进化能力&#xff…...

Jimeng LoRA环境配置指南:CUDA 12.1+Triton优化+显存锁定实操步骤

Jimeng LoRA环境配置指南:CUDA 12.1Triton优化显存锁定实操步骤 你是不是也遇到过这样的问题:想测试自己训练的不同阶段的LoRA模型,每次切换都要重新加载一遍好几G的底座模型,等得花儿都谢了?或者LoRA版本一多&#x…...

结合强化学习优化Qwen-Image-2512-Pixel-Art-LoRA 的提示词生成策略

结合强化学习优化Qwen-Image-2512-Pixel-Art-LoRA 的提示词生成策略 1. 引言 你有没有过这样的经历?用AI生成像素画时,明明脑子里有个很酷的画面,但写出来的提示词(Prompt)就是差那么点意思,生成的图片总…...

AudioSeal Pixel Studio效果展示:蓝牙传输(SBC编码)后水印留存实测

AudioSeal Pixel Studio效果展示:蓝牙传输(SBC编码)后水印留存实测 1. 引言:当隐形水印遇上蓝牙传输 想象一下,你为一段重要的音频文件加上了数字水印,就像给它盖上了一枚隐形的数字印章。这枚印章能证明…...

20个AI核心概念轻松入门:从零基础到实战应用,秒变AI达人!

本文以最简单的方式拆解了20个最重要的AI概念,涵盖神经网络、迁移学习、分词、嵌入向量、注意力机制、Transformer模型、大语言模型(LLM)、上下文窗口、温度系数、幻觉等,旨在帮助零基础读者理解AI底层原理。文章通过直观例子和清…...

李宏毅老师最新大模型入门教程,带你快速掌握生成式AI核心,轻松进阶前沿水平!

现在国内外关于大模型入门教程做的比较好的并不多,这其实也是一件好事,有难度和有门槛才能避免烂大街,现在大模型入门教程热度最高的包括李宏毅老师、吴恩达老师、Datawhale开源社区等 选择合适的入门学习教程,能少走弯路&#xf…...

从零到实战:手把手教你构建LLM的四大核心阶段!

从零开始构建 LLMs 的四个阶段,使其能够应用于真实场景。 涵盖: 预训练指令微调偏好微调推理微调0️⃣ 随机初始化的 LLM 此时,模型一无所知。 你问它“什么是 LLM?”,得到的却是像“try peter hand and hello 448Sn”…...

企业级AI获客系统:五层设计逻辑与实施路径

企业级AI获客系统的核心,是将非结构化的市场信号转化为有优先级的、可执行的销售动作,同时通过反馈回路持续提升精准度。整个系统可以拆分为五层。第一层:信号采集 来源必须多元化。 Web行为可以通过埋点或反向 IP 解析工具识别匿名访客&…...