前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >python的基础知识

python的基础知识

作者头像
py3study
发布于 2020-01-13 05:11:42
发布于 2020-01-13 05:11:42
6800
举报
文章被收录于专栏:python3python3

1.python中的注释

单行注释

ctrl + / 批量注释

块注释: 上下三个双引号中间的部分呢全部被注释 " " " 这是一个 多行注释

" " "

  1. python的脚本编写

_coding:utf-8_

1.没有分号(编码规范PEP8) utf8解决汉字编程

2.严格按照缩进的语言

print('hello python') print('你好 python') print('hello linux')

python最具特色的就是使用缩进来表示代码块,不需要使用大括号 {} 。缩进的空格数是可变的,但是同一个代码块的语句必须包含相同的缩进空格数

3.多行语言 Python 通常是一行写完一条语句,但如果语句很长,我们可以使用反斜杠()来实现多行语句,例如 nihao = ni_one + \ ni_two + \ ni_three 在[],{},()中的多行语句,不需要使用反斜杠, total = ['item_one', 'item_two', 'item_three']

4.变量的命名规则 1变量名只能包含字母、数字和下划线。变量名可以字母或下划线打头,但不能以数字打头,例如,可将变量命名为message_1,但不能将其命名为1_message 2.不要将Python关键字和函数名用作变量名,即不要使用Python保留用于特殊用途的单词,如print。

5.变量的赋值 在python中,我们对变量进行赋值的时候,用的是一个等于符号(=),要注意不是两个(==)。 Python 中的变量赋值不需要类型声明 每个变量在使用前都必须赋值,变量赋值以后该变量才会被创建。 等号(=)运算符左边是一个变量名,等号(=)运算符右边是存储在变量中的值 a = 10 #变量a 引用了10 b = a #变量b引用a引用了10 a = 20 #变量a重新赋值20

多个变量赋值: a = b = c =1 a,b = 1,2

6.数据类型 type() 该函数可以查看变量的数据类型 ( 1 )整型 a = 1 print(a) type(a)

( 2 ) 浮点型 b = 1.2 print (b) type (b)

( 3 )字符串 c = 'westos' print (c) type (c)

c = 'what's' 错误示范 c = "what's" 正确写法 c = 'waht\'s' 正确写法

(4)booll型 (只有两个值:True False 非0即真)

a = 1 bool(a) True a = '' bool(a) False a = ' ' bool(a) True a = 0 bool (a) False

7.数据类型的转换

a = 1 b = float(a) b 1.0 type (a) <class 'int'> 整型与浮点类型转换 b = 2.0 int (b) 2 浮点类型转整型 c = 'bruce' float (c) Traceback (most recent call last): File "<stdin>", line 1, in <module> ValueError: could not convert string to float: 'bruce' 字符串类型转换不了浮点类型与整型 b = 123 str (b) '123' 整型转换字符串

8.在内存中删除一个变量 del a

9.输入 ##python3.x

input():接收任意数据类型

没有raw_input()

##python2.x #input():只支持正确的数值类型,若是字符串必须用引号引起来才能识别 #raw_input():支持数值类型和字符串类型, 全部默认输入的是字符串

input('num:') num:3 '3' input('num:') num:ddds 'ddds' input() 1.0 '1.0'

import getpass # 加载模块(输入不回显) getpass.getpass() # 使用该模块输入不回显输入内容

import getpass a = getpass.getpass('请输入:') 请输入: a '123'

###如果接收到的数值要进行比较的时候,一定要转换为同一种类型

age = input('age:') age:16 age '16' age > 18 Traceback (most recent call last): File "<stdin>", line 1, in <module> TypeError: '>' not supported between instances of 'str' and 'int' age = int(input('age:')) int()把输入的转换为int型 age:16 age 16 age > 18 False

10.格式化输出 1 占位符: %s :代表字符串的占位 %d:整型的占位 %f:浮点型的占位

1.整型字符串

name = 'xiaoli' name 'xiaoli' shengao = 173 print('%s的身高是%d' % (name,shengao)) xiaoli的身高是173 name = 'doudou' print('%s他的名字' %(name)) doudou他的名字 changduan = 18 print('他的裤子的长短为%d' %(changduan)) 他的裤子的长短为18

2.%f:浮点型 %.xf(x:1,2,3,4,5)保留小数点后多少位

money = 11111.111 name = 'xiaoli' print('%s的工资为%f' %(name,money)) xiaoli的工资为11111.111000 print('%s的工资为%.2f' %(name,money)) xiaoli的工资为11111.11 print('%s的工资为%.1f' %(name,money)) xiaoli的工资为11111.1 print('%s的工资为%.0f' %(name,money)) xiaoli的工资为11111

整数的占位:不够的位数 前面补0

sid = 1 name = 'lily' print('%s的学号是%d' %(name,sid)) lily的学号是1 print('%s的学号是103%d' %(name,sid)) lily的学号是1031 print('%s的学号是0000%d' %(name,sid)) lily的学号是00001 print('%s的学号是%.5d' %(name,sid)) lily的学号是00001 print('%s的学号是%.6d' %(name,sid)) lily的学号是000001 print('%s的学号是%.4d' %(name,sid)) lily的学号是0001 sid = 20 print('%s的学号是%.4d' %(name,sid)) lily的学号是0020 sid = 20 print('%s的学号是103%d' %(name,sid)) lily的学号是10320 sid =1 print('%s的学号是103%d' %(name,sid)) lily的学号是1031

百分数的实现

scale = 0.1 print('数据的比例是:%.2f' %(scale)) 数据的比例是:0.10 print('数据的比例是:%.2f' %(scale 100)) 数据的比例是:10.00 print('数据的比例是:%.2f%%' %(scale 100)) 数据的比例是:10.00%

python中的算术运算符

###python2.x

5/2 2 100/300 0 5.0/2 2.5 100/300.0 0.3333333333333333

##python3.x

5/2 2.5 100/300 0.3333333333333333

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019/08/09 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
一文读懂 Agentic RAG 数据检索范式
众所周知,LLM (大型语言模型)的出现彻底改变了我们与信息互动的传统方式,为信息获取和知识学习带来了全新的途径。然而,纵使这些语言模型拥有惊人的知识容量,但其内部知识库的有限性仍可能导致它们在回答某些复杂问题时存在准确性和深度不足的局限。这便是 RAG(Retrieval Augmented Generation,检索增强生成)技术应运而生的原因。
Luga Lee
2024/11/01
3750
一文读懂 Agentic RAG 数据检索范式
最全梳理:一文搞懂RAG技术的5种范式!
本文主要回顾 RAG 技术的发展,第一部分梳理了综述和关键论文,第二部分梳理了工程实践工具。 
Datawhale
2025/02/24
1.9K0
最全梳理:一文搞懂RAG技术的5种范式!
PDF通过新的RAG架构更容易进入GenAI
ColPali 简化并增强了从复杂、视觉丰富的文档中检索信息的能力,从而改变了检索增强型生成。
云云众生s
2024/10/10
1300
一文搞懂:RAG、Agent与多模态的行业实践与未来趋势
大模型作为产业变革的核心引擎。通过RAG、Agent与多模态技术正在重塑AI与现实的交互边界。三者协同演进,不仅攻克了数据时效性、专业适配等核心挑战,更推动行业从效率革新迈向业务重构。本文将解析技术演进脉络、实战经验与未来图景,为读者提供前沿趋势的全局视角与产业升级的实践指引。
腾讯云开发者
2025/04/26
4800
一文搞懂:RAG、Agent与多模态的行业实践与未来趋势
一文读懂 Agentic RAG 技术点滴
Hello folks,我是 Luga,今天我们来聊一下人工智能应用场景 - 提升大型语言模型(LLMs)的知识获取和生成能力的 Agentic RAG(智能增强检索生成)技术。
Luga Lee
2025/04/04
2730
一文读懂 Agentic RAG 技术点滴
一文揭秘专为 RAG 打造的高性能开源图向量数据库-HelixDB
Hello folks,我是 Luga,今天我们来聊一下人工智能应用场景 - 构建高效、灵活的下一代 RAG 应用的开源图向量数据库 - HelixDB。
Luga Lee
2025/05/18
2010
一文揭秘专为 RAG 打造的高性能开源图向量数据库-HelixDB
2024年RAG:回顾与展望
根据RAG技术结构可以分成三类,代表了不同的技术复杂度,越复杂也代表实现难度越大。但是可能会收到更好的效果,适应更多的场景,这三类类型是:
致Great
2025/01/01
1K2
Ollama 更新!手把手教你用Ollama轻松搭建Llama 3.2 Vision + 视觉RAG系统(本地安装)
在本文中,我将介绍Ollama最近对Llama 3.2 Vision的支持更新,并分享Llama 3.2 Vision的实测结果。同时,我还将介绍一个视觉RAG系统,展示如何将Llama 3.2 Vision与该系统结合,完成基于视觉RAG检索的任务。
AI进修生
2024/12/02
2.2K0
Ollama 更新!手把手教你用Ollama轻松搭建Llama 3.2 Vision + 视觉RAG系统(本地安装)
大模型+RAG,全面介绍!
大型语言模型(LLMs)在处理特定领域或高度专业化的查询时存在局限性,如生成不正确信息或“幻觉”。缓解这些限制的一种有前途的方法是检索增强生成(RAG),RAG就像是一个外挂,将外部数据检索集成到生成过程中,增强模型提供准确和相关响应的能力。
算法进阶
2024/05/31
9270
大模型+RAG,全面介绍!
每周AI论文速递(241028-241101)
视觉-语言模型 (Vision-language models, VLMs) 在多模态任务中表现出色,但将其应用于开放世界环境中的具身决策仍面临挑战。主要难点在于如何将低级观察中的个体实体与规划所需的抽象概念有效关联。常见的解决方案是采用分层智能体,其中 VLMs 作为高级推理器,将任务分解为可执行的子任务,通常通过语言和虚拟观察来指定。然而,语言在传达空间信息方面往往力不从心,而生成高准确性的未来图像仍具挑战。为此,我们提出了视觉-时间上下文提示,这是一种 VLMs 与策略模型之间的新型通信协议。该协议利用过去和当前观察中的对象分割来指导策略与环境的交互。基于此,我们训练了 ROCKET-1,一个根据连接的视觉观察和分割掩码预测动作的低级策略,实时对象跟踪由 SAM-2 提供。我们的方法充分发挥了 VLMs 的视觉-语言推理能力,使其能够解决复杂的创造性任务,特别是那些高度依赖空间理解的任务。在 Minecraft 中的实验表明,我们的方法使智能体能够完成以往难以完成的任务,突显了视觉-时间上下文提示在具身决策中的有效性。代码和演示将在项目页面上提供:https://craftjarvis.github.io/ROCKET-1。
叶子的技术碎碎念
2025/04/08
760
每周AI论文速递(241028-241101)
一文读懂RAG Fixed-Size Chunking 策略解析与最佳实践
     Hello folks,我是 Luga,今天我们来聊一下人工智能应用场景 - 构建高效、灵活的计算架构的 RAG 架构的切块策略—Fixed-Size Chunking(固定切块)。
Luga Lee
2025/06/09
40
一文读懂RAG Fixed-Size Chunking 策略解析与最佳实践
【原创】一文读懂RAG的来源、发展和前沿
检索增强生成(Retrieval Augmented Generation,RAG)结合了检索 (Retrieval) 和生成 (Generation) 两个过程,旨在提高机器生成文本的相关性、准确性和多样性。RAG通过在生成文本输出之前先检索大量相关信息,然后将这些检索到的信息作为上下文输入到一个生成模型中,从而缓解了幻觉问题。
zenRRan
2024/03/25
4.5K0
【原创】一文读懂RAG的来源、发展和前沿
RAG从入门到放弃
想象一下,你有一个非常聪明但是有点“健忘”的朋友——大型语言模型(LLM),比如 GPT 系列。它能写诗、能编程、能跟你聊天,听起来很厉害吧?但是,它所知道的知识都来自于训练它的海量数据,这些数据是有时间范围的,而且不包含你个人或者特定领域最新的、私有的信息。
星哥玩云
2025/04/01
1360
RAG从入门到放弃
一文带你全面了解 RAG 组件
检索增强生成 (RAG) 流程正在彻底改变我们与大型语言模型 (LLM) 的交互方式。RAG 不再仅仅依赖这些模型中预先训练的知识,而是让 LLM 能够实时访问和利用外部知识源,从而产生更准确、更相关、更有根据的响应。然而,构建有效的 RAG 系统并不是一个即插即用的操作;它是一个经历复杂选择的过程。
致Great
2024/12/29
3560
一文带你全面了解 RAG 组件
文本图表全搞定!通义实验室发布多代理RAG框架ViDoRAG
检索增强生成(Retrieval-Augmented Generation, RAG)通过使大模型(LMs)能够利用外部知识解决问题来增强其能力。随着信息表达形式的日益多样化,我们经常需要处理包含 图表、曲线图、表格等视觉元素的丰富文档。这些视觉元素使信息更易理解,并广泛应用于教育、金融、法律等领域。
AI研思录
2025/03/04
1831
文本图表全搞定!通义实验室发布多代理RAG框架ViDoRAG
RAG科普文!检索增强生成的技术全景解析
增强生成 (RAG) 是塑造应用生成式 AI 格局的关键技术。Lewis 等人在其开创性论文中提出了一个新概念面向知识密集型 NLP 任务的检索增强生成之后,RAG 迅速成为基石,提高了大型语言模型 (LLM) 输出的可靠性和可信度。
致Great
2025/02/15
9280
RAG科普文!检索增强生成的技术全景解析
让 AI 更智能的检索增强生成(Retrieval-Augmented Generation)
RAG 技术的实现依赖于多种关键技术的协同工作,这些技术涵盖了从数据检索到生成的全过程。以下是 RAG 的关键技术栈的详细介绍:
码事漫谈
2025/03/26
2940
让 AI 更智能的检索增强生成(Retrieval-Augmented Generation)
什么是检索增强生成 (RAG)?简单易懂,一文说清其组成和作用原理
人工智能一直在帮助企业处理各种事务,从简单的客户查询到复杂的问题解决。然而,即使是最先进的人工智能模型有时也会有不足之处,提供的答案也不太准确。
DenserAI_Chris
2024/09/15
1.6K0
什么是检索增强生成 (RAG)?简单易懂,一文说清其组成和作用原理
RAG七十二式:2024年度RAG清单
回顾2024,大模型日新月异,智能体百家争鸣。作为AI应用的重要组成部分,RAG也是“群雄逐鹿,诸侯并起”。年初ModularRAG持续升温、GraphRAG大放异彩,年中开源工具如火如荼、知识图谱再创新机,年末图表理解、多模态RAG又启新征程,简直“你方唱罢我登场”,奇技叠出,不胜枚举!
AI研思录
2025/02/20
2620
RAG七十二式:2024年度RAG清单
一文搞懂大模型!基础知识、 LLM 应用、 RAG 、 Agent 与未来发展
LLM 探秘:想要深入了解人工智能界的“新宠”大型语言模型(LLM)吗?本文将带你走进 LLM 的世界,从入门知识到实际应用,全方位解读这个充满魔力的“大模型”。我们将一起揭开 LLM 的神秘面纱,领略其在各个领域的独特魅力。无论你是初学者还是有一定基础的 AI 爱好者,这篇文章都将为你提供宝贵的知识和启发,让你的 AI 之旅更加精彩纷呈!快来加入我们,一起探索 LLM 的奥秘吧!
腾讯云开发者
2024/07/19
5.9K0
一文搞懂大模型!基础知识、 LLM 应用、 RAG 、 Agent 与未来发展
推荐阅读
相关推荐
一文读懂 Agentic RAG 数据检索范式
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档