Python3刷LeetCode基础用法回顾汇总(持续更新)

2023-05-16

笔者从2019年三月开始日刷一条LeetCode题目,LeetCode汇总了公司面试中常见的题目,免费题目有很多,分Easy,Medium,Hard等级,由于笔者对Python的很多常见用法未做过总结,借此机会总结用到的基本用法,算作学习笔记使用.
LeetCode的网址为:https://leetcode.com/
建议新手都可以从刷题开始,一开始的代码肯定不是最优的,在有好的想法时可以提升代码速度和内存,也可以在社区看大神们的操作.

列表操作

1.创建空列表,一般在不知道列表维度时先创建空列表,在做相应添加.

my_list = []

2.添加列表元素.append操作

my_list.append('a')
print(my_list)
#输出为:
#['a']

3.查看列表中的元素个数

print(len(my_list))
#输出为:
#1

4.查看列表中是否含有某元素in/not in

print('a' in my_list)
print('b' not in my_list)
#输出为
#True
#True

5.列表中元素的排序.sort(),默认升序,只能同一类型的比较,例如字符串与整型无法比较.

my_list2 = ['b','d','c','a']
my_list3 = [2, 4, 3, 1]
my_list2.sort()
my_list3.sort()
print(my_list2)
print(my_list3)
#输出为
#['a', 'b', 'c', 'd']
#[1, 2, 3, 4]

6.列表元素索引(等间距、逆序等),索引为前闭后开

#s[start:end:interval]
my_list4 = ['a',1,'b',2,'c',3]
print(s[:-1]) #从首元素到倒数第二个元素
print(s[::2]) #间隔为2,即输出所有的字母
print(s[::-2]) #间隔为2,,即输出所有数字且倒序
#输出为
#['a', 1, 'b', 2, 'c']
#['a', 'b', 'c']
#[3, 2, 1]

字符串操作

1.创建空字符串,初始化字符串.

my_str = ''

2.添加字符串

my_str += 'Hello World' #'Hello World'
print(my_str) #输出为'Hello World'

3.查看字符串的长度

print(len(my_str)) #输出为11,注意:空格也算一个字符

循环

  1. enumerate的使用,使用循环的index,这在一些需要引用index的场合是非常有用的.
strs = ['a','b','c','d']
for index,num in enumerate(strs):
	print(index,'is',num)
	#输出为:
#0 is a
#1 is b
#2 is c
#3 is d

函数

1.lambda 匿名函数.
lambda表达式,通常是在需要一个函数,但是又不想费神去命名一个函数的场合下使用.

#语法为:
#lambda [arg1 [,arg2,.....argn]]:expression
sum = lambda arg1, arg2: arg1 + arg2 #定义函数自变量arg1,arg2,输出求和
print(sum(1,2)) #输出3
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

Python3刷LeetCode基础用法回顾汇总(持续更新) 的相关文章

  • 计算机视觉领域几个常用的开源项目

    序号项目名语言 深度学习框架网址1Faster R CNN 目标检测Caffehttps github com ShaoqingRen faster rcnn2facebookresearch maskrcnn benchmark 实例分割
  • Ubuntu 切换不同的CUDA版本

    查看安装的cuda版本 span class token function ls span usr local 删除已有软链接 span class token function sudo span span class token fun
  • Ubuntu 18.04 切换cudnn版本

    1 查看当前版本 span class token comment 8 0以下版本 span span class token function cat span usr local cuda include cudnn h span cl
  • Ubuntu 18.04安装TensorRT 7.2.1

    1 下载TensorRT 7 2 1 下载地址 2 解压缩 span class token function tar span zxvf TensorRT 7 2 1 6 Ubuntu 18 04 x86 64 gnu cuda 10 2
  • 使用ROS读取话题图片和深度图并且生存点云数据输出在日rviz下显示(1)

    使用ROS读取话题图片和深度图并且生存点云数据输出在日rviz下显示 1 创建功能包 1 创建功能包 1 在src目录下创建功能包 catkin make pkg picture2pcl sensor msgs cv bridge rosc
  • python脚本写log日志文件

    python脚本写log日志文件 一 定义Logger类二 实例化 调用 一 定义Logger类 span class token keyword import span logging span class token keyword f
  • matplotlib按照论文要求绘图并保存pdf格式

    学术论文的图绘制要求 尽量清楚 字体 曲线 标记尽量大分辨率要求 xff0c 最低dpi要求 xff0c 例如dpi最低300保存格式 xff0c 例如pdf无颜色印刷 xff0c 需要标记来区分类别 一个绘图示例 font size sp
  • 目标检测一些函数

    1 计算bbox的iou span class token keyword def span span class token function myiou span span class token punctuation span bb
  • 目标检测之Kalman滤波追踪

    github tracker span class token operator 61 span Tracker span class token punctuation span distance function span class
  • yolov3、yolov5和DETR在NVIDIA Xavier测速(TensorRT)

    本人实测YoloV3 YoloV5和DETR的TensorRT版本在NVIDIA Xavier上的测速结果如下 xff0c 任何问题留言讨论
  • pytorch转onnx, onnx 12 中没有hardswish opt

    在onnx opset 12下转以下模型时因不支持hardswish激活函数而报错 GhostNetMobileNetv3SmallEfficientNetLite0PP LCNet 解决方案是找到对应的nn Hardswish层 xff0
  • 3D人脸关键点和重构调研

    一 3D 人脸任务 3D Face Alignment 从2D图像到3D 关键点回归 例如68个关键点 3D Dense Face Alignment 从2D图像到3D稠密关键点回归 xff0c 上万个关键点的人脸模型 xff0c 例如3D
  • BEV(Bird’s-eye-view)三部曲之一:综述

    论文名 xff1a Delving into the Devils of Bird s eye view Perception A Review Evaluation and Recipe Github 论文网址 零 摘要 BEV perc
  • BEV(Bird’s-eye-view)三部曲之二:方法详解

    一 Introdution Why BEV 高度信息在自动驾驶中并不重要 xff0c BEV视角可以表达自动驾驶需要的大部分信息 BEV空间可以大致看作3D空间 BEV representation有利于多模态的融合 可解释性强 xff0c
  • BEV(Bird’s-eye-view)三部曲之三:demo和验证

    1 PYVA Projecting Your View Attentively CVPR 2021 数据集 xff1a KITTIpaper xff0c github xff0c 35 FPS输入 xff1a 单张摄像头前向图输出 xff1
  • 记录自己的日常学习生活

    大家好 xff0c 今天是我第一次写博客 xff0c 刚才看了很多大佬的博文 xff0c 突然就想写一下自己的生活 xff0c 记录自己的学习过程 xff0c 本人是一个地地道道的东本人 xff0c 性格算是活泼开朗吧 xff0c 现就读于
  • 自动驾驶之MultiPath++论文阅读笔记

    预测道路参与者的future behavior 摘要 将输入由dense image based encoding改为a sparse encoding of heterogeneous scene elements 即用polylines
  • 自动驾驶之多任务方法调研

    1 YOLOP github C 43 43 TRT TX2 我们提出了一种高效的多任务网络 xff0c 该网络可以联合处理自动驾驶中的目标检测 车 xff0c 没有红绿灯 可驾驶区域分割和车道检测三个关键任务 速度 xff1a TX2上2
  • 自动驾驶之去光晕调研

    中文版综述github 一 光晕类型 常见去光晕算法的光晕 去光晕算法的光晕之二 汇总 样式包括有 halos 色圈 streaks 条纹 bright lines 亮线 saturated blobs 深污点 color bleeding
  • 自动驾驶之3D点云聚类算法调研

    1 方法 总共分为4类 基于欧式距离的聚类Supervoxel 聚类深度 Depth 聚类Scanline Run 聚类 1 1 基于欧氏距离的聚类 思路 在点云上构造kd tree 然后在某个半径阈值 例如0 5m 则分割为一个实例 相似

随机推荐

  • 自动驾驶之夜间检测调研

    1 ExDark 第一个 公开 特定的提供 natural low light images for object的数据集 7363张 low light images 12 classes Low light image enhancem
  • 自动驾驶之行人轨迹预测数据集

    一 Real Data ETH Univ 43 Hotel 750 pedestrians exhibiting complex interactions UCY Zara01 Zara02 and Uni 780 pedestrians
  • 自动驾驶之单目3D目标检测TensorRT调研

    目前在github上只能找到2个项目 TensorRT CenterNet 3D tkDNN 两者都是使用CenterNet xff0c 但第1个基于TensorRT5 无法与当前最新的TensorRT6和TensorRT7兼容 经测试 x
  • 秋招之字节面试智力题

    1 倒水 只有两个无刻度的水桶 xff0c 一个可以装6L水 xff0c 一个可以装5L水 xff0c 如何在桶里装入3L的水 6L装满倒入5L xff0c 剩1L5L倒出 1L倒入5L6L装满倒入5L剩2L5L倒出 xff0c 2L倒入5
  • 数学专业外语之一: 基本概念与术语

    一 四则运算 加法 plus xff0c 1 43 2 one plus two减法 minus 3 2 three minus two乘法 times or multiplied by xff0c 3x2 three times two
  • 数学专业外语之二: 阅读理解与翻译初步

    一 比 率与比例 number xff1a 数 xff1b number axis xff1a number theory xff1a 数论 xff1b the number of xff1a 的数量quantity xff1a 量 xff
  • 从iphone一代看产品创新

    第一代iPhone2007年6月29日正式发售 xff0c 可能大多数人接触Iphone是从iphone4开始 xff0c 先展示一下iphone一代 xff0c 提醒一下这是2007年的一款手机 xff0c 当时市面所有手机都是键盘机 x
  • 自动驾驶之3D目标检测的SMOKE算法

    SMOKE Single Stage Monocular 3D Object Detection via Keypoint Estimation 论文github知乎 一 数据集 KITTI 1 1 输入 单张图像 xff1a 1242x3
  • 自动驾驶之车道线检测调研与实测

    一 LaneNet 论文代码 xff1a github python tensorflow 1 15 1 1 主要过程 inference xff0c 分上下两个分支 xff0c 如图 Enocder decoder stage 图像空间编
  • 推荐系统之AUC指标的一些理解

    以下是在一些整理的和自己的关于AUC的理解 1 AUC和GAUC的区别 auc反映的是整体样本间的一个排序能力 在计算广告领域 实际要衡量的是不同用户对不同广告之间的排序能力 因此实际应该更关注的是同一个用户对不同广告间的排序能力 GAUC
  • 逻辑回归相关问题整理

    1 写逻辑回归的logloss损失函数 对于样本 x x x xff0c 输出为 p x i
  • 如何防止softmax函数overflow和underflow?

    上溢出 xff1a c极其大的时候 xff0c 计算 e c e c e c 下溢出 xff1a 当c趋于负无穷的时候 xff0c 分母是一个极小的数 xff0c 导致下溢出 解决方法 令
  • 使用matplotlib绘图库的pyplot快速绘图

    使用matplotlib绘图库的pyplot快速绘图 matplotlib是Python最常用的绘图库 xff0c 在结果或数据可视化中常用pyplot实现快速绘图 xff0c 下面参考张若愚主编的Python科学计算 xff08 第2版
  • 经典的机器学习二分类算法——Logistic回归

    问题描述 对于维度为 m 43 1 m 43 1 特征为 x x 样本的二分类问题 有负类 Negative Class 记为 0 0 xff0c 正类 xff08 Positive Class xff09 记为 1
  • Python调用face++API完成本地图片的人脸检测

    Python调用face 43 43 API完成本地图片的人脸检测 简单调用face 43 43 API对本地图片进行人脸检测 xff0c 输出基本信息到csv文件 注册face 43 43 账号 face 43 43 网址 https w
  • Libsvm在windows下使用细节汇总

    0 下载Libsvm Libsvm官网 https www csie ntu edu tw cjlin libsvm 下载后将其解压到本地 xff0c 这里 xff0c 我的本地路径为 xff1a C Anaconda3 Lib sit p
  • 表情识别数据集汇总

    参考文献 xff1a Deep Facial Expression Recognition A Survey 网址 https arxiv org pdf 1804 08348 pdf CK 43 http www pitt edu emo
  • 实时系统和非实时系统的区别

    嵌入式操作系统分为实时系统和非实时系统两类 xff0c 常见的实时系统有 xff1a ThreadX FreeRTOS ucOS 常见的非实时系统有 xff1a windows linux Android 两类操作系统的主要区别在于任务调度
  • Python爬虫——按照关键词爬取视觉中国高清图像

    当前对版权保护日益严格 xff0c 因此在此说明爬取的图像仅做研究和个人使用 xff0c 禁止用作商用目的 该爬虫方法可应用到其它允许爬虫的网址 查看网页源代码寻找高清图像链接 以关键词明星为例 xff0c 搜索后的网址为 https ww
  • Python3刷LeetCode基础用法回顾汇总(持续更新)

    笔者从2019年三月开始日刷一条LeetCode题目 LeetCode汇总了公司面试中常见的题目 免费题目有很多 分Easy Medium Hard等级 由于笔者对Python的很多常见用法未做过总结 借此机会总结用到的基本用法 算作学习笔