python十个实例（这42个Python小例子太走心）

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。

今天我完整梳理一遍，总结到这里。很感谢这段时间，有3个小伙伴为此库所做出的贡献。

入门Python其实很容易，但是我们要去坚持学习，每一天坚持很困难，我相信很多人学了一个星期就放弃了，为什么呢？其实没有好的学习资料给你去学习，你们是很难坚持的，这是小编收集的Python入门学习资料关注，转发，私信小编“01”，即可免费领取！希望对你们有帮助

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="\t") 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\tname', '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)

,