Python3.5.2 document學習系列之02、The Python Standard Library(python 標準庫)——介紹
1.介紹
Python庫包含幾種不同種類的組成部分。
它包含通常被認為是一種語言“核心”部分的資料型別,如數字和列表。對這些型別來說,Python語言核心定義了書寫上的格式和位置以及一些語義上的約束,但沒有完全定義語法(另一方面,語言核心定義了語法特性像拼寫和操作優先順序)
這個庫也包含了內建函式和例外——objects可以不需要使用import語句而被所有Python程式碼使用。這些庫中的一部分被定義為核心語言,但是許多不是核心語義只是在這裡描述。
然而這個庫由模組的集合組成。有許多方法去仔細剖析這個集合。一些模組用C語言寫成內建在Python編譯器中,其它一些用Python寫成並以原始碼的形式匯入。一些模組為Python提供十分詳細的介面,像列印堆疊追蹤;一些介面詳細描述特定的為了作業系統,例如對接特定的硬體;還有一些提供特定介面為了特定應用領域,例如World Wide Web。一些模組可以適用於所有Python版本和埠;其它的僅在底層支援或需要它們時才可用,還有一些只有在編譯和安裝Python時選擇了特定的配置選項才可用。
這個手冊以“從內到外”的方式組織。首先介紹了內建函式,資料型別和異常,最後介紹了模組,有關係的模組被放入為一個章節。
這意味著如果你從頭開始閱讀這個手冊,當你乏味時跳到下一個章節你會看到這個模組和應用的場景的合理的概述。當然,你不必像小說一樣閱讀它——你也可以瀏覽目錄(在手冊前面),或者查詢特定方法,模組或者術語在索引裡。最終,如果你喜歡隨意學習主題,你可以選擇任意一頁閱讀一兩個部分。不用管你以什麼順序閱讀手冊,從“內建函式”部分開始都是很有幫助的,同樣剩下的部分也是同等的重要。
讓我們開始吧!
生詞:
literals:字面值,文字
constraint:約束
semantics:語義
essential:基本的,必要的;本質的
bulk:體積,容量
consists of:由...構成
dissect:仔細分析
specific:特殊,特定,明確
hardware:硬體
domain:領域,域名,產業
underlying:潛在的,優先的
compile:編譯
reasonable:合理的
regardless:不管,不顧
remainder:剩下的
assume:假定
material:重要的,物質的
相關推薦
Python3.5.2 document學習系列之02、The Python Standard Library(python 標準庫)——介紹
1.介紹Python庫包含幾種不同種類的組成部分。它包含通常被認為是一種語言“核心”部分的資料型別,如數字和列表。對這些型別來說,Python語言核心定義了書寫上的格式和位置以及一些語義上的約束,但沒有完全定義語法(另一方面,語言核心定義了語法特性像拼寫和操作優先順序)這個庫
FineBI學習系列之FineBI的數據表管理(圖文詳解)
wiki 3.3 表名 上傳數據 help 事實表 新建 可視化 接管 不多說,直接上幹貨! 這是來自FineBI官網提供的幫助文檔 http://help.finebi.com/http://help.finebi.com/doc-view-39.
IDEA學習系列之剖析IDEA裏的Code Style(適合各種語言)(不斷更新)(圖文詳解)
ESS javascrip 挖掘 python pre scrip 學習 裏的 yaml 不多說,直接上幹貨! File -> Settings -> Editor -> Code Style
StreamSets學習系列之StreamSets支持多種安裝方式(圖文詳解)
pre 技巧 height targe png 數據分析 語言 微信公眾號 mage 不多說,直接上幹貨! Streamsets的官網 https://streamsets.com/
StreamSets學習系列之StreamSets的Core Tarball方式安裝(圖文詳解)
consul initial detect test read stage slf4j 安裝包 最大的 不多說,直接上幹貨! 前期博客
Git學習系列之Windows上安裝Git詳細步驟(圖文詳解)
前言 最初,Git是用於Linux下的核心程式碼管理。因為其非常好用,目前,已經被成功移植到Mac和Windows作業系統下。 鑑於大部分使用者使用的是Windows作業系統,故,這裡詳細講解Windows作業系統下Git的安裝步驟。 當然我也會陸續寫出Linux和
Git學習系列之CentOS上安裝Git詳細步驟(圖文詳解)
前言 最早Git是在Linux上開發的,很長一段時間內,Git也只能在Linux和Unix系統上跑。不過,慢慢地有人把它移植到了Windows上。現在,Git可以在Linux、Unix、Mac和Windows這幾大平臺上正常運行了。 要使用Git,第一步當然是安裝Git了。 首先
Hadoop Hive概念學習系列之hive裡的JDBC程式設計入門(二十二)
Hive與JDBC示例 在使用 JDBC 開發 Hive 程式時, 必須首先開啟 Hive 的遠端服務介面。在hive安裝目錄下的bin,使用下面命令進行開啟: hive -service hiveserver & //Hive低版本提供的服務是:Hivese
學習筆記之——HOG、LBP與Haar特徵(未完待續)
本博文為HOG、LBP與Haar運算元的學習筆記。 方向梯度直方圖HOG 主要參考博文如下: https://blog.csdn.net/wjb820728252/article/details/78395092(這篇博文翻譯水平真的太爛了,可以參考裡面給的原連結)
機器學習系列之偏差、方差與交叉驗證
一、偏差與方差 在機器學習中,我們用訓練資料集去訓練(學習)一個model(模型),通常的做法是定義一個Loss function(誤差函式),通過將這個Loss(或者叫error)的最小化過程,來提高模型的效能(performance)。然而我們學習一個模型的目的是為了解決實際的問題(或者說是
大資料Hadoop學習系列之Hadoop、Spark學習路線
1 Java基礎: 視訊方面:推薦畢老師《畢向東JAVA基礎視訊教程》。 學習hadoop不需要過度的深入,java學習到javase,在多執行緒和並行化多多理解實踐即可。 書籍方面:推薦李興華的《java開發實戰經典》 2 Linux基礎: 視訊方面:(1)馬哥的高薪Linux
Hadoop概念學習系列之Hadoop、Spark學習路線(很值得推薦)
不多說,直接上乾貨! 說在前面的話 此筆,對於僅對於Hadoop和Spark初中學者。高手請忽略! 1 Java基礎: 視訊方面: 推薦《畢向東JAVA基礎視訊教程》。學習hadoop不需要過度的深入,java學習到
Hadoop概念學習系列之Hadoop、Spark學習路線(很值得推薦)(十八)
不多說,直接上乾貨! 說在前面的話 此筆,對於僅對於Hadoop和Spark初中學者。高手請忽略! 1 Java基礎: 視訊方面: 推薦《畢向東JAVA基礎視訊教程》。學習hadoop不需要過度的深入,java學習到javase,在Java虛
學習筆記之——基於pytorch的殘差網路(deep residual network)
本博文為本人學習pytorch系列之——residual network。 前面的博文( 學習筆記之——基於深度學習的分類網路)也已經介紹過ResNet了。ResNet是2015年的ImageNet競賽的冠軍,由微軟研究院提出,通過引入residual block能夠成功地訓練高達
敏捷開發 鬆結對程式設計 系列之十五 L型程式碼結構(程式設計篇之一)
public ActionResult LinkTeam2Product(int focusedDepartmentID = 0) { ViewBag.ItemTreeViewModel = new ItemTreeViewModel("團隊-產品對映",
ABP(現代ASP.NET樣板開發框架)系列之11、ABP領域層——倉儲(Repositories)
基於DDD的現代ASP.NET開發框架--ABP系列之11、ABP領域層——倉儲(Repositories) ABP是“ASP.NET Boilerplate Project (ASP.NET樣板專案)”的簡稱。 本文由臺灣-小張提供翻譯 倉儲定義:“在領域層和資料對映層的中
python3.5《機器學習實戰》學習筆記(五):決策樹演算法實戰之預測隱形眼鏡型別
一、使用決策樹預測隱形眼鏡型別 在上一篇文章中,我們學習了決策樹演算法,接下來,讓我們通過一個例子講解決策樹如何預測患者需要佩戴的隱形眼鏡型別。 隱形眼鏡資料集是非常著名的資料集,它包含了很多患者眼部狀況的觀察條件以及醫生推薦的隱形眼鏡型別。隱形眼鏡
Spark2.0機器學習系列之3:決策樹及Spark 2.0-MLlib、Scikit程式碼分析
概述 分類決策樹模型是一種描述對例項進行分類的樹形結構。 決策樹可以看為一個if-then規則集合,具有“互斥完備”性質 。決策樹基本上都是 採用的是貪心(即非回溯)的演算法,自頂向下遞迴分治構造。 生成決策樹一般包含三個步驟: 特徵選擇 決策樹生成 剪枝
Spark2.0機器學習系列之2:Logistic迴歸及Binary分類(二分問題)結果評估
引數設定 α: 梯度上升演算法迭代時候權重更新公式中包含 α : # 梯度上升演算法-計算迴歸係數 # 每個迴歸係數初始化為1 # 重複R次: # 計算整個資料集的梯度 # 使用α*梯度更新迴歸係數的向量 # 返回迴歸係數
Docker概念學習系列之詳談Docker 的核心元件與概念(5)
不多說,直接上乾貨! 見【博主】撰寫的https://mp.weixin.qq.com/s/0omuSAjF5afJBZBxhbKTqQ 想要了解Docker,就必須瞭解Docker的五大核心概念,即客戶端、守護程序或服務端、映象、容器和