Python中冷門但非常好用的內(nèi)置函數(shù)

Python中有許多內(nèi)置函數(shù),不像print、len那么廣為人知,但它們的功能卻異常強(qiáng)大,用好了可以大大提高代碼效率，同時提升代碼的簡潔度，增強(qiáng)可閱讀性

創(chuàng)新互聯(lián)專業(yè)提供鄭州服務(wù)器托管服務(wù)，為用戶提供五星數(shù)據(jù)中心、電信、雙線接入解決方案，用戶可自行在線購買鄭州服務(wù)器托管服務(wù)，并享受7*24小時金牌售后服務(wù)。

Counter

collections在python官方文檔中的解釋是High-performance container datatypes，直接的中文翻譯解釋高性能容量數(shù)據(jù)類型。這個模塊實(shí)現(xiàn)了特定目標(biāo)的容器，以提供Python標(biāo)準(zhǔn)內(nèi)建容器 dict , list , set , 和 tuple 的替代選擇。在python3.10.1中它總共包含以下幾種數(shù)據(jù)類型：

容器名簡介

namedtuple() 創(chuàng)建命名元組子類的工廠函數(shù)

deque 類似列表(list)的容器，實(shí)現(xiàn)了在兩端快速添加(append)和彈出(pop)

ChainMap 類似字典(dict)的容器類，將多個映射集合到一個視圖里面

Counter 字典的子類，提供了可哈希對象的計(jì)數(shù)功能

OrderedDict 字典的子類，保存了他們被添加的順序

defaultdict 字典的子類，提供了一個工廠函數(shù)，為字典查詢提供一個默認(rèn)值

UserDict 封裝了字典對象，簡化了字典子類化

UserList 封裝了列表對象，簡化了列表子類化

UserString 封裝了字符串對象，簡化了字符串子類化

其中Counter中文意思是計(jì)數(shù)器，也就是我們常用于統(tǒng)計(jì)的一種數(shù)據(jù)類型，在使用Counter之后可以讓我們的代碼更加簡單易讀。Counter類繼承dict類，所以它能使用dict類里面的方法

舉例

#統(tǒng)計(jì)詞頻

fruits = ['apple', 'peach', 'apple', 'lemon', 'peach', 'peach']

result = {}

for fruit in fruits:

if not result.get(fruit):

result[fruit] = 1

else:

result[fruit] += 1

print(result)

#{'apple': 2, 'peach': 3, 'lemon': 1}下面我們看用Counter怎么實(shí)現(xiàn)：

from collections import Counter

fruits = ['apple', 'peach', 'apple', 'lemon', 'peach', 'peach']

c = Counter(fruits)

print(dict(c))

#{'apple': 2, 'peach': 3, 'lemon': 1}顯然代碼更加簡單了，也更容易閱讀和維護(hù)了。

elements()

返回一個迭代器，其中每個元素將重復(fù)出現(xiàn)計(jì)數(shù)值所指定次。元素會按首次出現(xiàn)的順序返回。如果一個元素的計(jì)數(shù)值小于1，elements()將會忽略它。

c = Counter(a=4, b=2, c=0, d=-2)

sorted(c.elements())

['a', 'a', 'a', 'a', 'b', 'b']most_common([n])

返回一個列表，其中包含n個最常見的元素及出現(xiàn)次數(shù)，按常見程度由高到低排序。如果n被省略或?yàn)镹one，most_common()將返回計(jì)數(shù)器中的所有元素。計(jì)數(shù)值相等的元素按首次出現(xiàn)的順序排序：

Counter('abracadabra').most_common(3)

[('a', 5), ('b', 2), ('r', 2)]這兩個方法是Counter中最常用的方法，其他方法可以參考 python3.10.1官方文檔

實(shí)戰(zhàn)

Leetcode 1002.查找共用字符

給你一個字符串?dāng)?shù)組words，請你找出所有在words的每個字符串中都出現(xiàn)的共用字符（包括重復(fù)字符），并以數(shù)組形式返回。你可以按任意順序返回答案。

輸入：words = ["bella", "label", "roller"]

輸出：["e", "l", "l"]

輸入：words = ["cool", "lock", "cook"]

輸出：["c", "o"]看到統(tǒng)計(jì)字符，典型的可以用Counter完美解決。這道題是找出字符串列表里面每個元素都包含的字符，首先可以用Counter計(jì)算出每個元素每個字符出現(xiàn)的次數(shù)，依次取交集最后得出所有元素共同存在的字符，然后利用elements輸出共用字符出現(xiàn)的次數(shù)

class Solution:

def commonChars(self, words: List[str]) - List[str]:

from collections import Counter

ans = Counter(words[0])

for i in words[1:]:

ans = Counter(i)

return list(ans.elements())提交一下，發(fā)現(xiàn)83個測試用例耗時48ms，速度還是不錯的

sorted

在處理數(shù)據(jù)過程中，我們經(jīng)常會用到排序操作，比如將列表、字典、元組里面的元素正/倒排序。這時候就需要用到sorted()，它可以對任何可迭代對象進(jìn)行排序，并返回列表

對列表升序操作：

a = sorted([2, 4, 3, 7, 1, 9])

print(a)

# 輸出：[1, 2, 3, 4, 7, 9]對元組倒序操作：

sorted((4,1,9,6),reverse=True)

print(a)

# 輸出：[9, 6, 4, 1]使用參數(shù)：key，根據(jù)自定義規(guī)則，按字符串長度來排序：

fruits = ['apple', 'watermelon', 'pear', 'banana']

a = sorted(fruits, key = lambda x : len(x))

print(a)

# 輸出：['pear', 'apple', 'banana', 'watermelon']all

all() 函數(shù)用于判斷給定的可迭代參數(shù)iterable中的所有元素是否都為 TRUE，如果是返回 True，否則返回 False。元素除了是 0、空、None、False外都算True。注意：空元組、空列表返回值為True。

all(['a', 'b', 'c', 'd']) # 列表list，元素都不為空或0

True

all(['a', 'b', '', 'd']) # 列表list，存在一個為空的元素

False

all([0, 1，2, 3]) # 列表list，存在一個為0的元素

False

all(('a', 'b', 'c', 'd')) # 元組tuple，元素都不為空或0

True

all(('a', 'b', '', 'd')) # 元組tuple，存在一個為空的元素

False

all((0, 1, 2, 3)) # 元組tuple，存在一個為0的元素

False

all([]) # 空列表

True

all(()) # 空元組

Trueany函數(shù)正好和all函數(shù)相反：判斷一個tuple或者list是否全為空，0，F(xiàn)alse。如果全為空，0，F(xiàn)alse，則返回False；如果不全為空，則返回True。

F-strings

在python3.6.2版本中，PEP 498提出一種新型字符串格式化機(jī)制，被稱為 “字符串插值” 或者更常見的一種稱呼是F-strings，F(xiàn)-strings提供了一種明確且方便的方式將python表達(dá)式嵌入到字符串中來進(jìn)行格式化：

s1='Hello'

s2='World'

print(f'{s1} {s2}!')

# Hello World!在F-strings中我們也可以執(zhí)行函數(shù)：

def power(x):

return x*x

x=4

print(f'{x} * {x} = {power(x)}')

# 4 * 4 = 16而且F-strings的運(yùn)行速度很快，比傳統(tǒng)的%-string和str.format()這兩種格式化方法都快得多，書寫起來也更加簡單。

本文主要講解了python幾種冷門但好用的函數(shù)，更多內(nèi)容以后會陸陸續(xù)續(xù)更新~

python可否用自定義函數(shù)對數(shù)據(jù)進(jìn)行插值

直接定義a=True/False就行，示例代碼：

#定義布爾值類型參數(shù)a,b，值分別為True,False

a=True

b=False

print a,b

print type(a),type(b)

True False

type 'bool' type 'bool'

Python中的布爾類型：

Python的布爾類型有兩個值：True和False（注意大小寫要區(qū)分）

圖像雙三次插值算法原理及python實(shí)現(xiàn)

一. 圖像雙三次插值算法原理：

假設(shè)源圖像 A 大小為 m*n ，縮放后的目標(biāo)圖像 B 的大小為 M*N 。那么根據(jù)比例我們可以得到 B(X,Y) 在 A 上的對應(yīng)坐標(biāo)為 A(x,y) = A( X*(m/M), Y*(n/N) ) 。在雙線性插值法中，我們選取 A(x,y) 的最近四個點(diǎn)。而在雙立方插值法中，我們選取的是最近的16個像素點(diǎn)作為計(jì)算目標(biāo)圖像 B(X,Y) 處像素值的參數(shù)。如圖所示：

如圖所示 P 點(diǎn)就是目標(biāo)圖像 B 在 (X,Y) 處對應(yīng)于源圖像中的位置，P 的坐標(biāo)位置會出現(xiàn)小數(shù)部分，所以我們假設(shè) P 的坐標(biāo)為 P(x+u,y+v)，其中 x,y 分別表示整數(shù)部分，u,v 分別表示小數(shù)部分。那么我們就可以得到如圖所示的最近 16 個像素的位置，在這里用 a(i,j)(i,j=0,1,2,3) 來表示。?

雙立方插值的目的就是通過找到一種關(guān)系，或者說系數(shù)，可以把這 16 個像素對于 P 處像素值的影響因子找出來，從而根據(jù)這個影響因子來獲得目標(biāo)圖像對應(yīng)點(diǎn)的像素值，達(dá)到圖像縮放的目的。?

? ? BiCubic基函數(shù)形式如下：

二. python實(shí)現(xiàn)雙三次插值算法

from PIL import Image

import numpy as np

import math

# 產(chǎn)生16個像素點(diǎn)不同的權(quán)重

def BiBubic(x):

x=abs(x)

if x=1:

? ? return 1-2*(x**2)+(x**3)

elif x2:

? ? return 4-8*x+5*(x**2)-(x**3)

else:

? ? return 0

# 雙三次插值算法

# dstH為目標(biāo)圖像的高，dstW為目標(biāo)圖像的寬

def BiCubic_interpolation(img,dstH,dstW):

scrH,scrW,_=img.shape

#img=np.pad(img,((1,3),(1,3),(0,0)),'constant')

retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)

for i in range(dstH):

? ? for j in range(dstW):

? ? ? ? scrx=i*(scrH/dstH)

? ? ? ? scry=j*(scrW/dstW)

? ? ? ? x=math.floor(scrx)

? ? ? ? y=math.floor(scry)

? ? ? ? u=scrx-x

? ? ? ? v=scry-y

? ? ? ? tmp=0

? ? ? ? for ii in range(-1,2):

? ? ? ? ? ? for jj in range(-1,2):

? ? ? ? ? ? ? ? if x+ii0 or y+jj0 or x+ii=scrH or y+jj=scrW:

? ? ? ? ? ? ? ? ? ? continue

? ? ? ? ? ? ? ? tmp+=img[x+ii,y+jj]*BiBubic(ii-u)*BiBubic(jj-v)

? ? ? ? retimg[i,j]=np.clip(tmp,0,255)

return retimg

im_path='../paojie.jpg'

image=np.array(Image.open(im_path))

image2=BiCubic_interpolation(image,image.shape[0]*2,image.shape[1]*2)

image2=Image.fromarray(image2.astype('uint8')).convert('RGB')

image2.save('BiCubic_interpolation.jpg')

三. 實(shí)驗(yàn)結(jié)果：

四. 參考內(nèi)容：

???

???

python線性插值解析

在缺失值填補(bǔ)上如果用前后的均值填補(bǔ)中間的均值， 比如，0，空，1， 我們希望中間填充0.5；或者0，空，空，1，我們希望中間填充0.33，0.67這樣。

可以用pandas的函數(shù)進(jìn)行填充，因?yàn)檫@個就是線性插值法

df..interpolate()

dd=pd.DataFrame(data=[0,np.nan,np.nan,1])

dd.interpolate()

補(bǔ)充知識：線性插值公式簡單推導(dǎo)

以上這篇python線性插值解析就是我分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持。

雙線性插值法原理 python實(shí)現(xiàn)

碼字不易，如果此文對你有所幫助，請幫忙點(diǎn)贊，感謝！

一. 雙線性插值法原理：

? ? ① 何為線性插值？

? ? 插值就是在兩個數(shù)之間插入一個數(shù)，線性插值原理圖如下：

? ? ② 各種插值法：

? ? 插值法的第一步都是相同的，計(jì)算目標(biāo)圖（dstImage）的坐標(biāo)點(diǎn)對應(yīng)原圖（srcImage）中哪個坐標(biāo)點(diǎn)來填充，計(jì)算公式為：

? ? srcX = dstX * (srcWidth/dstWidth)

? ? srcY = dstY * (srcHeight/dstHeight)

? ? (dstX,dstY)表示目標(biāo)圖像的某個坐標(biāo)點(diǎn)，(srcX,srcY)表示與之對應(yīng)的原圖像的坐標(biāo)點(diǎn)。srcWidth/dstWidth 和 srcHeight/dstHeight 分別表示寬和高的放縮比。

? ? 那么問題來了，通過這個公式算出來的 srcX, scrY 有可能是小數(shù)，但是原圖像坐標(biāo)點(diǎn)是不存在小數(shù)的，都是整數(shù)，得想辦法把它轉(zhuǎn)換成整數(shù)才行。

不同插值法的區(qū)別就體現(xiàn)在 srcX, scrY 是小數(shù)時，怎么將其變成整數(shù)去取原圖像中的像素值。

最近鄰插值（Nearest-neighborInterpolation）：看名字就很直白，四舍五入選取最接近的整數(shù)。這樣的做法會導(dǎo)致像素變化不連續(xù)，在目標(biāo)圖像中產(chǎn)生鋸齒邊緣。

雙線性插值（Bilinear Interpolation）：雙線性就是利用與坐標(biāo)軸平行的兩條直線去把小數(shù)坐標(biāo)分解到相鄰的四個整數(shù)坐標(biāo)點(diǎn)。權(quán)重與距離成反比。

? ??雙三次插值（Bicubic Interpolation）：與雙線性插值類似，只不過用了相鄰的16個點(diǎn)。但是需要注意的是，前面兩種方法能保證兩個方向的坐標(biāo)權(quán)重和為1，但是雙三次插值不能保證這點(diǎn)，所以可能出現(xiàn)像素值越界的情況，需要截?cái)唷?/p>

? ? ③ 雙線性插值算法原理

假如我們想得到未知函數(shù) f 在點(diǎn) P = (x, y) 的值，假設(shè)我們已知函數(shù) f 在 Q11 = (x1, y1)、Q12 = (x1, y2), Q21 = (x2, y1) 以及 Q22 = (x2, y2) 四個點(diǎn)的值。最常見的情況，f就是一個像素點(diǎn)的像素值。首先在 x 方向進(jìn)行線性插值，然后再在 y 方向上進(jìn)行線性插值，最終得到雙線性插值的結(jié)果。

④ 舉例說明

二. python實(shí)現(xiàn)灰度圖像雙線性插值算法：

灰度圖像雙線性插值放大縮小

import numpy as np

import math

import cv2

def double_linear(input_signal, zoom_multiples):

'''

雙線性插值

:param input_signal: 輸入圖像

:param zoom_multiples: 放大倍數(shù)

:return: 雙線性插值后的圖像

'''

input_signal_cp = np.copy(input_signal)? # 輸入圖像的副本

input_row, input_col = input_signal_cp.shape # 輸入圖像的尺寸（行、列）

# 輸出圖像的尺寸

output_row = int(input_row * zoom_multiples)

output_col = int(input_col * zoom_multiples)

output_signal = np.zeros((output_row, output_col)) # 輸出圖片

for i in range(output_row):

? ? for j in range(output_col):

? ? ? ? # 輸出圖片中坐標(biāo) （i，j）對應(yīng)至輸入圖片中的最近的四個點(diǎn)點(diǎn)（x1，y1）（x2, y2），（x3， y3），(x4，y4)的均值

? ? ? ? temp_x = i / output_row * input_row

? ? ? ? temp_y = j / output_col * input_col

? ? ? ? x1 = int(temp_x)

? ? ? ? y1 = int(temp_y)

? ? ? ? x2 = x1

? ? ? ? y2 = y1 + 1

? ? ? ? x3 = x1 + 1

? ? ? ? y3 = y1

? ? ? ? x4 = x1 + 1

? ? ? ? y4 = y1 + 1

? ? ? ? u = temp_x - x1

? ? ? ? v = temp_y - y1

? ? ? ? # 防止越界

? ? ? ? if x4 = input_row:

? ? ? ? ? ? x4 = input_row - 1

? ? ? ? ? ? x2 = x4

? ? ? ? ? ? x1 = x4 - 1

? ? ? ? ? ? x3 = x4 - 1

? ? ? ? if y4 = input_col:

? ? ? ? ? ? y4 = input_col - 1

? ? ? ? ? ? y3 = y4

? ? ? ? ? ? y1 = y4 - 1

? ? ? ? ? ? y2 = y4 - 1

? ? ? ? # 插值

? ? ? ? output_signal[i, j] = (1-u)*(1-v)*int(input_signal_cp[x1, y1]) + (1-u)*v*int(input_signal_cp[x2, y2]) + u*(1-v)*int(input_signal_cp[x3, y3]) + u*v*int(input_signal_cp[x4, y4])

return output_signal

# Read image

img = cv2.imread("../paojie_g.jpg",0).astype(np.float)

out = double_linear(img,2).astype(np.uint8)

# Save result

cv2.imshow("result", out)

cv2.imwrite("out.jpg", out)

cv2.waitKey(0)

cv2.destroyAllWindows()

三. 灰度圖像雙線性插值實(shí)驗(yàn)結(jié)果：

四. 彩色圖像雙線性插值python實(shí)現(xiàn)

def BiLinear_interpolation(img,dstH,dstW):

scrH,scrW,_=img.shape

img=np.pad(img,((0,1),(0,1),(0,0)),'constant')

retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)

for i in range(dstH-1):

? ? for j in range(dstW-1):

? ? ? ? scrx=(i+1)*(scrH/dstH)

? ? ? ? scry=(j+1)*(scrW/dstW)

? ? ? ? x=math.floor(scrx)

? ? ? ? y=math.floor(scry)

? ? ? ? u=scrx-x

? ? ? ? v=scry-y

? ? ? ? retimg[i,j]=(1-u)*(1-v)*img[x,y]+u*(1-v)*img[x+1,y]+(1-u)*v*img[x,y+1]+u*v*img[x+1,y+1]

return retimg

im_path='../paojie.jpg'

image=np.array(Image.open(im_path))

image2=BiLinear_interpolation(image,image.shape[0]*2,image.shape[1]*2)

image2=Image.fromarray(image2.astype('uint8')).convert('RGB')

image2.save('3.png')

五. 彩色圖像雙線性插值實(shí)驗(yàn)結(jié)果：

六. 最近鄰插值算法和雙三次插值算法可參考：

① 最近鄰插值算法：

???

? ? ② 雙三次插值算法：

七. 參考內(nèi)容：

? ??

???

文章名稱：python插值函數(shù) 插值 python
文章URL：http://chinadenli.net/article46/dodcshg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供、網(wǎng)頁設(shè)計(jì)公司、網(wǎng)站內(nèi)鏈、網(wǎng)站設(shè)計(jì)、企業(yè)網(wǎng)站制作、網(wǎng)站營銷

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)