精华内容
下载资源
问答
  • Python 交叉赋值

    千次阅读 2020-04-01 00:00:30
    Python 交叉赋值两个变量之间的赋值两个列表赋值那部分赋值呢?部分修改为整体?可行?a, b 位置互换后成立吗?证明例子一证明例子总结分析 (声明:本教程仅供本人学习使用,如有人使用该技术触犯法律与本人无关) ...


    (声明:本教程仅供本人学习使用,如有人使用该技术触犯法律与本人无关)
    (如果有错误,还希望指出。共同进步)


    加深Pthon赋值运算基础

    两个变量之间的赋值

    a = 10
    b = 5
    a, b = b, a
    
    
    # a = 5
    # b = 10
    

    两个列表赋值

    
    a = ['a', 'a', 'a']
    b = ['b', 'b', 'b']
    a, b = b, a
    
    
    # a = ['b', 'b', 'b']
    # b = ['a', 'a', 'a']
    

    那部分赋值呢?

    a[:2], b[:2] = b[:2], a[:2]
    
    
    # a = ['b', 'b', 'a']
    # b = ['a', 'a', 'b']
    
    
    # 为什么?
    # 因为程序总是先执行完 “ = ” 右边的结果后, 再赋值给左边
    

    部分修改为整体?可行?

    a[:2], b[:2] = a, b
    
    
    # a = ['a', 'a', 'a', 'a']
    # b = ['b', 'b', 'b', 'b']
    

    a, b 位置互换后成立吗?

    a[:2], b[:2] = b, a
    
    
    # a = ['b', 'b', 'b', 'a']
    # b = ['b', 'b', 'b', 'a', 'b']
    
    
    ## 为什么?????
    # 右边运算结束后, 会依次执行左边 (从左向右) 的赋值
    # (1)  a [:2] = b
    # (2)  b[:2] = a (此时的a已经赋值完毕, 成为一个新的a)
    

    证明例子一

    a[:2], b[:2] = b[:1], a
    
    
    # a = ['b', 'a']
    # b = ['b', 'a', 'b']
    

    证明例子二


    a[:2], b[:2] = b[:2], a[:2]
    
    
    # a = ['b', 'b', 'a']
    # b = ['a', 'a', 'b']
    

    总结分析

    a[:2], a[2:], b[:2], b[2:] = b[:2], b[2:], a[:2], a[2:]
    # (左1) (左2)  (左3)  (左4)
    # 等价于 #
    a, b = b, a
    

    从上述可以看出,程序的执行顺序

    1、执行等号右边的截取操作
    2、左边第一个元素先截取, 将右边的值赋值
    3、左边第二个元素截取, 右边的值赋值

    展开全文
  • 、IDA快捷键

    千次阅读 2018-09-02 17:38:57
    按空格键切换反汇编窗口(列表视图&图形视图) 翻页 esc 和 Ctrl+Enter G :定位地址; X: 交叉引用 TAB: 汇编指令与伪代码之间切换; N :重命名; Y:修改函数原型 或者 变量类型; 双击:转到定义...

    快捷键太多,自己开个IDA,多用就记住。

    1. 空格键切换反汇编窗口(列表视图&图形视图)
    2. 翻页 esc Ctrl+Enter
    3. G :定位地址;
    4. X: 交叉引用
    5. TAB: 汇编指令与伪代码之间切换;
    6. N :重命名;
    7. Y:修改函数原型 或者 变量类型;
    8. 双击:转到定义处;
    9. 注释 “;”和”:”
      ;号输入的注释,所有交叉参考处都会出现,
      :号键输入的注释只在该处出现
    10. 使用小键盘“-”,“+”查看函数之间的关系
      IDAView下使用小键盘“-”,“+”快捷方式可以在代码同关系图之间切换。
      5. 使用[X]查看符号引用
      IDA View下使用[X]快捷方式,定位引用了当前符号的代码。
    11. 快捷键F5显示C伪代码
      如果有[Main menu]->[View]->[Open SubViews]->[Pseudocode F5]菜单,说明你已经安装了Hex Ray s decompiler插件,可以在查看汇编的时候,按[F5]打开伪代码子窗口。
    12. 使用快捷键”*”把变量重定义为数组。
    13. 快捷键Ctrl+S,打开搜索类型选择对话框–>双击Strings,跳到字符串段–>菜单项“Search–>Text”;

    14. 快捷键Alt+t,打开文本搜索对话框,在String文本框中输入要搜索的字符串点击OK即可;
    15. Alt + i : 搜索立即数;
    16. Alt + b: 二进制搜索 ;
    17. Shift + F12:字符串窗口,用于字符串搜索;
    18. D 数据类型切换: db---dw----dd可以设置;
    19. R 字符转换: 95 ---> _;
    20. H :10进制 和 十六进制 进行转换;
    21. P 对齐函数;
    22. Shift + s 快速创建结构体,传统的方式,在structurce 窗口,中加入成员;
    23. Structure 窗口的数据可以导出成C语言(有两种方式)

    24. A 解释光标的地址为 字符串的首地址
    25. Alt +A : 设置字符串的实现格式,如果是UTF8格式字符串可以显示;
    26. 在LocalType 视图,Ctrl + E,可打开这个类型的C语言视图进行编辑; 
    27. Ctrl + E : 查看函数模板表,DLL Entry Point 等;
    28. ALt+* :设置数组的大小,文件内存一般给个 0x2000000.

    29.  

       

       

      不常用的快捷键:

      K:  将变量解释为栈变量

      M: 解释为枚举成员;

      O:解释地址为数据段偏移量,用于字符串标号;

      T:解释为一个结构体成员

      Alt+3: 打开class information 窗口,查找类之间的继承关系;

      Shift + E: 初始化数组,右键选择export 可以将整个数组弄出来,直接拷贝使用。

      *:在structure 界面,* 可以设置数组长度,再按F5 刷写分析;

       

       

    展开全文
  • 文章目录1.网格搜索寻找最优超参数2....代码中的我们有一个变量是param_grid,表示的意思是:参数名称作为键的字典以及用作值的参数设置列表,可以搜索任何参数设置序列; 其实就可以理解为我们需要优化的超参数就

    1.网格搜索寻找最优超参数

    • 1.什么是网格搜索法?
      答:网格搜索法是指参数值的一种穷举搜索方法,通过交叉验证的方式来优化得到最优的参数。通俗来说就是你给定一个参数p的范围(1,11),他会在这个范围里面将p的所有可能都进行计算,然后的到一个最优的p.
    • 2.怎么使用网格搜索?
      方法如下:
      代码中的我们有一个变量是param_grid,表示的意思是:参数名称作为键的字典以及用作值的参数设置列表,可以搜索任何参数设置序列;
      其实就可以理解为我们需要优化的超参数就放到param_grid里面,然后再给超参数一个范围,后面把它传入网格搜索中,找到更优的参数
    from sklearn.model_selection import GridSearchCV
    from sklearn import datasets
    from sklearn.model_selection import train_test_split
    from sklearn.neighbors import KNeighborsClassifier
    
    
    digits = datasets.load_digits()
    x = digits.data 
    y = digits.target 
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=666)
    
    # 因为weights有两种形式,所以我们用两个字典来分别添加超参数
    # 当weights='uniform'时,只用优化n_neighbors,给定n_neighbors的范围
    # 当weights='distance'时,用优化n_neighbors,p,给定n_neighbors,p的范围
    param_grid = [{'weights': ['uniform'],
                  'n_neighbors': [i for i in range(1, 11)]},
                  {'weights': ['distance'],
                   'n_neighbors': [i for i in range(1, 11)],
                   'p':[i for i in range(1, 6)]}]
    
    knn_clf = KNeighborsClassifier()
    # n_jobs表示并行处理,默认为1,主要看电脑是几核的
    # knn_clf 表示要进行交叉验证的模型
    # verbose表示显示交叉搜素的过程,有利于了解搜索状态,数值越大,输出信息月详细
    
    # 1.创建网格,将模型和超参数序列(param_grid)传入
    grid_search = GridSearchCV(knn_clf, param_grid, n_jobs=-1, verbose=2)    # 交叉验证
    
    # 2.将训练集传入训练
    grid_search.fit(x_train, y_train)
    print('最佳的准确率:', grid_search.best_score_)
    print('最佳的参数:', grid_search.best_params_)
    

    2.数据归一化

    • (1)什么是数据归一化?
      答:数据归一化就是将数据压缩到一个单位,使数据的值处于【0,1】之间或者【-1,1】

    • (2)为什么要数据归一化?
      答:将数据归一化之后,可以加快训练数据的速度,加快收敛速度。

    • (3)归一化的方式:
      最值归一化:x = (x-minA) / (maxA-minA)
      均值归一化:x = (x-meanA) / std
      mean 表示给定数据的平均值, std 表示方差

    • (4)什么时候用最值,什么时候用均值归一化?
      答:最值归一化,将所有数据映射到0-1之间 X_scale = (X - X_min)/(X_max - X_min),适用于有明显边界的情况,例如成绩0-100, 但是受外界较大,比如工资,是没有明显边界的,所以不适合用最值归一化。
      均值方差归一化:所有数据归一到均值为0,方差为1, 适合使用数据没有明显分布的情况,一般都是用均值方差归一化。

    from sklearn import datasets
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.neighbors import KNeighborsClassifier
    iris = datasets.load_iris()
    x = iris.data
    y = iris.target
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=666)
    
    standarscaler = StandardScaler()
    standarscaler.fit(x_train)
    
    # 对训练数据进行归一化处理
    x_train = standarscaler.transform(x_train)
    
    # 对测试数据也进行归一化
    x_test_standard = standarscaler.transform(x_test)
    
    knn_clf = KNeighborsClassifier(n_neighbors=3)
    knn_clf.fit(x_train, y_train)
    score = knn_clf.score(x_test_standard, y_test)
    print(score)
    
    展开全文
  • 4.4 下拉列表框的应用 86 实例054 DropDownList控件动态显示GridView控件索引页 86 实例055 省与城市之间的联动 88 实例056 添加、删除邮件的附件 90 4.5 单选按钮的应用 92 实例057 性别选择 92 实例...
  • spss 对应分析

    2019-12-26 14:06:32
    个案加权,默认的数据要求是每一行就是一个个案,由于列表是两个分类变量交叉汇总,将其转换为一位列表后,每一行数据仍然是对应分类变量汇总个案数,所以需要在 spss 中采用加权方法,为每个个案数据赋予对应...

     

    把一个交叉表结果通过图形的方式展现出来,用以表达不同变量之间以及不同类别之间的关系

     

    个案加权,默认的数据要求是每一行就是一个个案,由于二维列表是两个分类变量的交叉汇总,将其转换为一位列表后,每一行数据仍然是对应分类变量汇总个案数,所以需要在 spss 中采用加权方法,为每个个案数据赋予对应的权重

    【数据】【个案加权】,右下角,权重开启,则说明加权完成

    【分析】【降维】【对应分析】

    一共有11个品牌,最大11,最小1

    同样方法更新列范围【确定】

     

     

    结果解读

    累积达到80%,效果非常好

     

    行/列点总览表,主要提供了各类别在各维度上的得分

     

    散点反应了图形距离和位置各自之间的关系

    在同一个维度上,同一个变量的类别距离越近,说明这个维度上的差异越小,例如“外观稳重大气”和“外观时尚”对于参与品牌形象评价的用户来说,差异相对较小

    不同类别散点之间的距离越近,说明相关性越大

     

     

     

     

     

     

     

     

     

     

     

     

    展开全文
  • 全书最后还有三个附录,分别给出了过程调用交叉参考表、程序代码中用到的c数据结构交叉参考表以及xinu函数和常量。本书可供计算机和通信专业的研究生、高年级本科生作为教科书和学习参考书,也可供各种从事科研的...
  • 一、算数运算 、比较(关系)运算 比较运算只能在同类型之间进行,其中 int 与 float 同... Python中使用交叉赋值无需借助第三个变量   4、解压赋值  一个列表中有5个元素,现在要将这5个元素分别赋...
  • 集体智慧编程_5优化

    2018-05-18 10:27:33
    优化技术擅长处理:受多个...0 优化算法随机搜索(评估其他算法的基线)函数有两参数:Domain(元祖的列表,指定每个变量最大最小值,题解长度与列表长度一致)、costf(成本函数)爬山法先从一个随机的时间安排开...
  • 遗传算法matlab初始化代码洗衣机优化使用遗传算法 ...遗传算法的交叉操作 decoder.m : 将进制矩阵解码为参数 decoder_array.m :将结果进制输出解码为参数 Design_matrix.m :包含设计变量 elitism2
  • 遗传算法中使用的变异... 交叉概率设置为 0.8,突变概率(进制表示的基因级别和连续表示的变量级别)设置为 0.01。 每次运行(即使用特定表示、测试函数和变异方法的测试)由 100 次独立试验组成。 对于每次运行,记
  • 功能列表: 线性估计量: 套索, 自适应套索, 弹力网 自适应弹性网 MCP 岭回归估计量 受限最小二乘估计器 (广义)James-Stein估计量 模型选择:SURE,AIC,Cp,BIC,AICc,AIC3,SRM,交叉验证,斜率启发法,损耗...
  • Go可以交叉编译到的任何平台上运行作业。 产生主机 旋转测试基础结构中任何计算机的副本以进行调试。 补丁构建 提交之前,请查看测试结果以了解您的代码更改。 失败后退 自动运行过去的提交以查明测试失败的根源。 ...
  • 6.5、调用报表变量列表中的变量。 6.6、调用数据表子段 6.7、脚本中调用汇总函数 6.8、报表中变量值的显示 6.9、事件 6.10、一个使用“OnBeforePrint”事件的例子 6.11、在组头打印组的汇总信息 6.12、“OnAfterData...
  • colorcube 三浓淡多彩交叉色图矩阵 colordef 设置色彩缺省值 colormap 色图 colspace 列空间的基 close 关闭指定窗口 colperm 列排序置换向量 comet 彗星状轨迹图 comet3 三维彗星轨迹图 compass 射线图 ...
  • fastreport4 实例中文教程

    热门讨论 2011-12-13 19:24:58
    6.5、调用报表变量列表中的变量。 79 6.6、调用数据表子段 80 6.7、脚本中调用汇总函数 80 6.8、报表中变量值的显示 80 6.9、事件 81 6.10、一个使用“OnBeforePrint”事件的例子 82 6.11、在组头打印组的...
  • 6.5、调用报表变量列表中的变量。 79 6.6、调用数据表子段 80 6.7、脚本中调用汇总函数 80 6.8、报表中变量值的显示 80 6.9、事件 81 6.10、一个使用“OnBeforePrint”事件的例子 82 6.11、在组头打印组的...
  • Syser Debugger

    2009-02-07 22:19:45
    21. 支持地址交叉引用列表. 22. 支持数据引用列表. 23. 支持 TouchPad,TrackPoint 点设备的高级处理模式. 24. 支持多数据窗口. 25. 支持多代码窗口方便汇编代码的浏览. 26. 支持 ollydbg 的 run trace 跟踪方式. ...
  • Oracle 10g 开发与管理

    2013-01-15 20:47:53
    )标量变量 56 1.PL/SQL标识符 56 2.变量声明(名称、类型、值) 57 3.常量声明 57 (三)为变量和常量赋值 57 1.赋值的位置 57 2.赋值方式 57 (四)作用域:可以访问该变量的程序部分 58 7.3 PL/SQL 块中的SQL...
  • freemarker总结

    2015-01-04 14:22:05
    FreeMarker对空值的处理非常严格,FreeMarker的变量必须有值,没有被赋值的变量就会抛出异常,因为FreeMarker未赋值 的变量强制出错可以杜绝很多潜在的错误,如缺失潜在的变量命名,或者其他变量错误.这里所说的空值,...
  • FreeMark学习笔记

    2015-05-06 07:23:20
    使用FTL标签时, 应该有正确的嵌套,而不是交叉使用,这和XML标签的用法完全一样.如果全用不存在的指令,FreeMarker不会使用模板输出,而是产生一个错误消息.FreeMarker会忽略FTL标签中的空白字符.值得注意的是, /> 和...
  • Delphi技术手册

    2010-08-18 16:28:30
    语法,使用标准编码惯例 说明参数列表,如果函数或过程包括参数的话提示和技巧—— 在实际程序中使用某个组件的实用信息一个简单的例子其他相关关键字的交叉参考本书 秉承“坚果”(In a Nutshell系列技术手册的...
  • Stata 9 很好的统计软件

    热门讨论 2008-11-24 11:45:14
     卜松及负项分配、随机 - 影响、工具变量回归、  AR(1) 干扰回归  无母数方法 (Nonparametric methods)  多变量方法 (Multivariate methods)  因素分析、多变量回归、 anonical 相关系数  模型检定及事...
  • EOS Report开发指南

    2013-08-15 11:18:17
    04.05.01.04 编辑字段集列表和属性 04.05.01.05 汇总 04.05.01.06 子表对齐 04.05.02 创建交叉字段集 04.05.02.01 选择数据集 04.05.02.02 选择行维分组字段 04.05.02.03 选择列维分组字段 04.05.02.04 设置...
  • % Xp 最优决策变量的值,决策变量是一个实数编码的m×n矩阵 % LC1 收敛曲线1,各代最优个体适应值的记录 % LC2 收敛曲线2,各代群体平均适应值的记录 % 最后,程序还将绘出三副图片:两条收敛曲线图和甘特图...
  • 部分 简单类型 57 第8章 类型算术表达式 58 8.1 类型 58 8.2 类型关系 59 8.3 安全性=进展+保持 61 第9章 简单类型的lambda演算 64 9.1 函数类型 64 9.2 类型关系 65 9.3 类型的性质 67 9.4 Curry-...
  • 初学asm的简单例子

    2004-07-21 00:00:00
    OBJ,汇编器还可以生成列表文件和交叉参考文件?如果源程序有语法错误行, 汇编器就不生成目标代码文件。这时,必须重新编辑源程序,修改语法错误的行。 当发现源程序中的某些行含不确定因素时,汇编器会给出警告信息,但...
  • 实例165 读取并显示数据库中以进制方式存储的图片 实例166 智能验证会员注册信息(Ajax) 实例167 顺手牵羊——ADO.NET得到多组数据 实例168 藕断丝连——在数据库连接中使用连接池 实例169 更有效地管理连接...

空空如也

空空如也

1 2 3 4 5 ... 8
收藏数 145
精华内容 58
关键字:

二变量交叉列表