文章目录前言一、函数1.1函数作为对象传递1.2函数作为参数传递1.3函数可嵌套1.4返回函数本身二、装饰器2.1基础装饰器2.2带参装饰器2.3装饰器自定义参数2.4类装饰器2.5装饰器嵌套三、装饰器的应用四、总结前言我的个人网站：https://www.gentlecp.compython中有一个很经典的用法就是装饰器，它用于在不修改原始函数的情况下，添加新的功能到原始函数中，但是这章内容比较难以理解，本文就从函数到装饰器以及装饰器在现实生产中的应用举
系统 2019-09-27 17:49:00 2704
思路：1、打开要处理的图片2、判断打开的图片是否为正方形3、如果是正方形，就进行九等分，如果不是正方形，先用白色填充为正方形，再进行九等分4、保存处理完的图片原图：fromPILimportImagedefcutNine(im):w=int(im.width/3)boxList=[]foriinrange(0,3):forjinrange(0,3):box=(j*w,i*w,(j+1)*w,(i+1)*w)boxList.append(box)imageL
系统 2019-09-27 17:48:01 2704
本文实例为大家分享了python画中国国旗的具体代码，供大家参考，具体内容如下#author:momoimportturtle#中国国旗turtle.up()turtle.goto(-200,200)turtle.down()turtle.begin_fill()turtle.fillcolor("red")turtle.pencolor("red")foriinrange(2):turtle.forward(280)turtle.right(90)tur
系统 2019-09-27 17:38:05 2704
本文主要是针对cumsum函数的一些用法。具体应用场景看下面的数据集。第一列是userID,第二列是安装的时间，第三列是安装的次数。我们现在想做一件事情。就是统计用户在某一天前累计的安装次数。譬如，对userID为20的用户，问在16天前，其安装次数为多少？答案应该是4次。用python的实现也很简单。又譬如，userID为44在19天前安装的次数，那就应该是1+3+1+1=6次。具体代码：（假设数据集为data)由于是针对每个userID,所以是需要将u
系统 2019-09-27 17:54:42 2703
题目描述：给定一个仅包含0和1的二维二进制矩阵，找出只包含1的最大矩形，并返回其面积。示例:输入:[["1","0","1","0","0"],["1","0","1","1","1"],["1","1","1","1","1"],["1","0","0","1","0"]]输出:6Solution：参考了题解的一种方法：动态规划-每个点的最大高度想象一个算法，对于每个点我们会通过以下步骤计算一个矩形：不断向上方遍历，直到遇到“0”，以此找到矩形的最大高度
系统 2019-09-27 17:51:03 2703
之前介绍过单个nii文件转换成png图像：https://www.jb51.net/article/165693.htm这里介绍将多个nii文件（保存在一个文件夹下）转换成png图像。且图像单个文件夹的名称与nii名字相同。importnumpyasnpimportos#遍历文件夹importnibabelasnib#nii格式一般都会用到这个包importimageio#转换成图像defnii_to_image(niifile):filenames=os
系统 2019-09-27 17:49:24 2703
思路：求取列表最外层长度求取每个内层列表长度双重for循环进行写入代码：M=[[1,2,3,4,5],[4,5,6,7,8,9],[5,6,7,8,9]]output=open('data.txt','w+')foriinrange(len(M)):forjinrange(len(M[i])):output.write(str(M[i][j]))output.write('')output.write('\n')output.close()运行结果：注意：
系统 2019-09-27 17:46:48 2703
xx：共有变量。_xx：私有化的属性或方法，fromxxximport*时无法导入，子类的对象和子类可以访问。__xx：避免与子类中的属性命名冲突，无法在外部直接访问(名字重整所以访问不到)。__xx__：双前后下划线,用户名字空间的魔法对象或属性。例如:__init__,不要自己发明这样的名字。xx_：单后置下划线,用于避免与Python关键词的冲突。
系统 2019-09-27 17:57:33 2702
文章目录第1章Python入门第2章感知机第3章神经网络第4章神经网络的学习第5章误差反向传播第6章与学习相关的技巧1.各种参数更新的方法2.权重的初始值第7章卷积神经网络原书链接（感谢作者，书是真的经典，建议购买纸质书）：https://github.com/zjcao/books/blob/master/%E3%80%8A%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%85%A5%E9%97%A8%EF%BC%9A%E5
系统 2019-09-27 17:55:57 2702
原文链接：https://github.com/jburke5/pyhcup文章大纲环境搭建python及jupyter环境conda虚环境AboutExampleUsageLoadadatafile/loadfilecombination.样例程序Shortcuttoloadfiles(metadata)参考文献翻译：season美国的一部分医疗数据是通过HIPPA脱密后在https://www.hcup-us.ahrq.gov/网站上对研究者开放进行探
系统 2019-09-27 17:53:48 2702
StringIO经常被用来作为字符串的缓存，应为StringIO有个好处，他的有些接口和文件操作是一致的，也就是说用同样的代码，可以同时当成文件操作或者StringIO操作。比如：复制代码代码如下:importstring,os,sysimportStringIOdefwritedata(fd,msg):fd.write(msg)f=open('aaa.txt','w')writedata(f,"xxxxxxxxxxxx")f.close()s=Strin
系统 2019-09-27 17:50:39 2702
python调用本地powershell方法1、现在准备一个简陋的powershell脚本，功能是测试一个IP列表哪些可以ping通：复制代码代码如下:functiontest_ping($iplist){foreach($myipin$iplist){$strQuery="select*fromwin32_pingstatuswhereaddress='$myip'"#利用Get-WmiObject送出ping的查�$wmi=Get-WmiObject-
系统 2019-09-27 17:45:58 2702
编辑距离编辑距离（EditDistance），又称Levenshtein距离，是指两个字串之间，由一个转成另一个所需的最少编辑操作次数。编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。一般来说，编辑距离越小，两个串的相似度越大。例如将kitten一字转成sitting：（'kitten'和‘sitting'的编辑距离为3）sitten（k→s）sittin（e→i）sitting（→g）Python中的Levenshtein包可以方便的
系统 2019-09-27 17:45:40 2702
风险点1、class-dump有些文件会报错，需要查看下2、mach-o文件中的依赖除了系统，是不是还需要dump第三方其他的库进行扫描@xpath3、私有api在公开的Framework及私有的PrivateFramework都有。4、9.2.5的iOS系统对应的Xcode8是有docset的，后面的Xcode都有新的文件格式了，下面有介绍，需要自己分析，但是数据结构有点乱，可能我我还没悟出来。。。。。。前言最近SDK的开发，经常会给到安全组扫描安全漏洞
系统 2019-09-27 17:55:41 2701
ceil()方法返回x的值上限-不小于x的最小整数。语法以下是ceil()方法的语法：importmathmath.ceil(x)注意：此函数是无法直接访问的，所以我们需要导入math模块，然后需要用math的静态对象来调用这个函数。参数x--这是一个数值表达式。返回值此方法返回不小于x的最小整数。示例下面的例子显示了ceil()方法的使用。#!/usr/bin/pythonimportmath#Thiswillimportmathmoduleprint"
系统 2019-09-27 17:47:42 2701
