def use_list(): str_before=input("请输入明文：") str_change=str_before.lower() str_list=list(str_change) str_list_change=str_list i=0 whilei
成都创新互联于2013年成立，先为三江侗等服务建站，三江侗等地企业，进行企业商务咨询服务。为三江侗企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。
计算1-10的平方之和，下面是我手算的。如果是求100，1000，10000呢？手算要到什么时候。下面学习用Python计算，并且是3种不同的方法。
方法一：通过FOR循环完成
zs=0
for i in range(1,11):
zs +=i**2
print(zs)
执行结果：
385
此方法是常用算法，不能够体现Python的优美风格，简单来说就是不够Pythonic。
方法二：列表生成法
qh= [i**2 for i in range(1,11)]
zs=0
zs=sum(x for x in qh)
print(zs)
执行结果：
385
此方法将占用大量的CPU和内存资源，如果计算的数量巨大的时候，会导致系统崩溃。
方法三：列表生成器法
zs=0
zs= sum(i**2 for i in range(1,11))
print(zs)
执行结果：
385
最后这个方法是通过生成器求和，你不产生列表，对内存占用保持不变，不会导致系统崩溃。
当然Python不可能就这三种方法，你还能想到那些方法呢？
而且这个时候想要计算100，1000，10000的平方和，那也是非常简单的事情。只要修改一下RANGE后面的结束值就可以了，计算结果分别如下：338350，333833500，333383335000。你能帮忙手动验证一下吗？
如果说你要计算的是立方和，也非常简单，只要修改i**2为i**3。
________________END______________
Python是完全面向对象的，因此所有的数据都是对象
random.random()生成0和1之间的随机浮点数float，它其实是一个隐藏的random.Random类的实例的random方法。
random.Random() 生成random模块里得Random类的一个实例，这个实例不会和其他Random实例共享状态，一般是在多线程的情况下使用。
两者的联系：
random.random()生成0和1之间的随机浮点数float，它其实是一个隐藏的random.Random类的实例的random方法。就是说你直接用random.random()的时候，其实有一个隐藏生成的random.Random类的实例，也就是random.Random()。random.random()和random.Random().random()作用是一样的。
上一节我们讲到了在Python中打印字符串，而字符串必须要使用单引号或双引号包围。
本节我们讲一下在Python中如何使用数字。
在Python中打印数字是不需要使用引号的，我们来看一下例子：
Python中不仅可以直接打印数字，还能对数字进行像数学中的加减乘除计算。我们来看一下：
上图中类似 print(3 + 8) 输出11，这是计算结果。
如果我们将其中的 3 + 8 用引号引起来，则会被解释为字符串，并按原样输出。
我们一起来看一下：
1.输出一个数值1000。
2.使用Python来计算69和48相加的结果。
3.使用Python计算100加60，减10，除以5，乘以2的结果。
4.输出字符串 9 * 7 。
第一题：
第二题：
第三题：
第四题：单引号和双引号都一样
参考：
query-字符串表达式查询 2019/1/6
1.函数：
df.query（expr，inplace = False，** kwargs ）# 使用布尔表达式查询帧的列
参数：
# expr：str要评估的查询字符串。你可以在环境中引用变量，在它们前面添加一个'@'字符 。@a + b
# inplace=False：是否修改数据或返回副本
# kwargs：dict关键字参数
返回：DataFrame
注意：
# 默认修改Python语法''/'and'和'|'/'or'位运算符优先级高于布尔表达式，不同于Python
# 关键字参数parser='python'执行Python评估。
# engine='python' 用Python本身作为后端来传递评估表达式。不建议效率低。
# 默认实例df.index和 df.columns属性 DataFrame放在查询命名空间中，
# 这允许您将框架的索引和列视为框架中的列。标识符index用于帧索引;
# 您还可以使用索引的名称在查询中标识它。
性能：
# 涉及NumPy数组或Pandas DataFrames的复合表达式都会导致隐式创建临时数组
# eval/query用在数据（df.values.nbytes1万）性能提升明显；传统方法在小数组时运行得更快；
# eval/query好处主要时节省内存，以及有时候简洁得语法
# 可用指定不同解析器和引擎来运行这些查询；参见"Enhancing Performance" 。
实例1：
df = pd.DataFrame(np.arange(12).reshape(3, 4), columns=list('ABCD'))
# 实例1.1：python,numexpr 方式比较
result1 = df[(df.A 8) (df.B 9)] #python方式
result2 = pd.eval('df[(df.A 8) (df.B 9)]')#numexpr 方式
np.allclose(result1, result2) # True
# 实例1.2：eval,query,比较
# 相同点：计算表达式结果
# 不同点：eval若表达式为逻辑，结果返回bool数组;query则返回bool数组的数据
import numexpr
result3= df[df.eval('A8 B9')]
result4 = df.query('A 8 and B 9')
result3.equals(result4) #True 结果result1==result2==result3==result4
a=df.A;b=df.B
result5= df[numexpr.evaluate('(a8) (b 9)')]#等效；表达式不能含df.A
实例2：
# 实例2：@符合来标记本地变量
Cmean = df['C'].mean() #6.0
result1 = df[(df.A Cmean) (df.B Cmean)]
result1 = df.query('A @Cmean and B @Cmean')#等价
result1
实例3：多索引
# 实例3.1：列名
df.query('(A B) (B C)') #numexpr 方式 A,B,C为列名
# 实例3.2：单索引名+列名
df.query('a B and B C') #a为单索引名，B,C为列名
df.query('index B C') #index为单索引(非索引名)，B,C为列名
# 实例3.3：单索引名a与列名a相同
df.query('a 2') # 用列'a',单索引名a与列名a相同列名称优先
df.query('index 2') #index为单索引(非索引名),单索引名a与列名a相同列名称优先
# 实例3.4：列名为index- 应该考虑将列重命名
df.query('ilevel_0 2') #ilevel_0为单索引(非索引名)
实例4：多索引MultiIndex
colors = np.random.choice(['red', 'blue'], size=6)
foods = np.random.choice(['eggs', 'meat'], size=6)
index = pd.MultiIndex.from_arrays([colors, foods], names=['color', 'food'])
df = pd.DataFrame(np.arange(12).reshape(6, 2), index=index)
df
# 实:4.1：索引名
df.query('color == "red"')
# 实例4.2：索引无名称
df.index.names = [None, None]
df.query('ilevel_0 == "red"') #ilevel_0第0级的索引级别
df.query('ilevel_1 == "meat"')#ilevel_1第1级的索引级别
实例5：
#实例5：多数据df - 具有相同列名（或索引级别/名称）
df1 = pd.DataFrame(np.arange(12).reshape(4,3), columns=list('abc'))+10
df2=df1+10
expr = '19 = a = c = 22'
result=list(map(lambda frame: frame.query(expr), [df1, df2]))
实例6：
# 实例6：Python与pandas语法比较
# 完全类似numpy的语法
# 实例6.1：比较运算符，逻辑运算符
df = pd.DataFrame(np.random.randint(10, size=(10, 3)), columns=list('ABC'))
df.query('(A B) (B C)')
df[(df.A df.B) (df.B df.C)]
df.query('A B B C')
df.query('A B and B C')
df.query('A B C') #全部等价
============================================================
# 实例6.2：==操作符与list对象的特殊用法
# ==/ !=工程，以类似in/not in
df.query('b == ["a", "b", "c"]')==df[df.b.isin(["a", "b", "c"])]
df.query('c == [1, 2]')
df.query('c != [1, 2]')
# using in/not in
df.query('[1, 2] in c')
df.query('[1, 2] not in c')
df[df.c.isin([1, 2])]# pure Python
============================================================
# 实例6.3：in与not in
df = pd.DataFrame({'a': list('abcdef'), 'b': list('fedfed'),'c': 5, 'd':5})
df.query('a in b and c d') #与其他表达式结合获得非常简洁查询
df[df.b.isin(df.a) (df.c df.d)]
result1=df[df.a.isin(df.b)]
result2=df.query('a not in b')
result3=df[~df.a.isin(df.b)] # pure Python
============================================================
# 实例6.4：布尔运算符not或~运算符否定布尔表达式
df = pd.DataFrame(np.arange(9).reshape(3,3), columns=list('ABC'))
df['bools'] = df.eval('C=5')
result1=df.query('not bools')
result2=(df.query('not bools') == df[~df.bools])
# 复杂表达式：
df.query('A B C and (not bools) or bools 2') #短查询语法
df[(df.A df.B) (df.B df.C) (~df.bools) | (df.bools 2)]#等效于纯Python
最常用的是在类定义的方法，给一个property的装饰器，可以安装调用属性的方式调用
