• 【Python小试】使用列表解析式简化代码


    列表解析式的好处:

    • 代码简洁
    • 可读性强
    • 运行快

    示例

    来自《Python编程》中的一个例子:同时投掷两颗面数不同的骰子(如一个6面的D6和一个10面的D10)n次,统计两个骰子点数之和,并用Pygal绘制bar图,进行交互可视化。

    不用列表解析

    from random import randint
    import pygal
    
    class Die():
        '''表示一个骰子的类'''
        def __init__(self, num_sides=6):
            self.num_sides = num_sides
    
        def roll(self):
            return randint(1, self.num_sides)
        
    die_1 = Die()
    die_2 = Die(10)
    
    results = []
    for roll_num in range(50000):
        result = die_1.roll() + die_2.roll()
        results.append(result)
    
    frequencies = []
    max_result = die_1.num_sides + die_2.num_sides
    for value in range(1, max_result+1):
        frequency = results.count(value)
        frequencies.append(frequency)
    
    #可视化
    hist = pygal.Bar()
    hist.title = 'Results of rolling a D6 and a D10 50000 times.'
    hist.x_labels = ['2','3','4','5','6','7','8','9','10','11','12','13','14','15','16']
    hist.x_title = "Result"
    hist.y_title = "Frequency of Result"
    
    hist.add('D6 + D10',frequencies)
    hist.render_to_file('different_dice_visual.svg')
    

    对以上循环都改用列表解析

    from random import randint
    import pygal
    
    '''省略Class Die'''
    
    die_1 = Die()
    die_2 = Die(10)
    
    results = [die_1.roll()+die_2.roll() for i in range(50000)]
    print(results)
    
    max_result = die_1.num_sides + die_2.num_sides
    frequencies = [results.count(x) for x in range(1, max_result)]
    print(frequencies)
    
    #可视化
    hist = pygal.Bar()
    hist.title = 'Results of rolling a D6 and a D10 50000 times.'
    hist.x_labels = [str(x) for x in range(2,17)]
    hist.x_title = "Result"
    hist.y_title = "Frequency of Result"
    
    hist.add('D6 + D10',frequencies)
    hist.render_to_file('different_dice_visual.svg')
    

    可视化结果

    image.png

  • 相关阅读:
    第四周:卷积神经网络 part3
    第四周作业:卷积神经网络学习part3
    视频学习--《 图像语义分割前沿进展》
    视频学习--《语义分割中的自注意力机制和低秩重建》
    第二次作业:卷积神经网络 part 1
    使用VGG模型迁移学习进行猫狗大战
    使用 VGG16 对 CIFAR10 分类
    CIFAR10 数据集分类
    MNIST数据集分类
    第一次作业:深度学习基础
  • 原文地址:https://www.cnblogs.com/jessepeng/p/12891893.html
Copyright © 2020-2023  润新知