python系列5,python系列有正有負取兩個嗎

本文目錄一覽：

• 1、Python，pyqt5
• 2、分享!5種常用的Python工具
• 3、Python算法系列—深度優先遍歷算法
• 4、python中給定一系列正整數能被5整除的數字中所有偶數的和？
• 5、python5發展到幾了
• 6、python:5種正態性檢驗方法

Python，pyqt5

pyqt5pythonGui入門教程（1）第一個窗口（1） 第一個窗口和代碼詳細注釋： fromPyQt5importQtWidgets#從PyQt庫導入QtWidget通用窗口類classmywindow(QtWidgets.QWidget):#自己建一個mywindows類，以class開頭，mywindows是自己的類名，

分享!5種常用的Python工具

IDLE

在安裝Python時，默認也會安裝IDLE。這是最優秀的Python工具之一。它可以降低Python入門的門檻。它的主要功能包括Python Shell窗口(交互式解釋器)、自動補齊、高亮顯示語法以及基本的集成調試器。IDLE輕巧易用，方便學習。但是，它不適用於大型項目。許多程序員都將其作為最佳的Python工具。

Scikit-learn

Scikit-learn是數據科學最常使用的Python工具之一。這是一款為機器學習和數據科學而設計的Python工具。該工具主要用於處理分類、回歸、聚類、模型選擇以及預處理等任務。scikit-Learn最出色的功能是在測試數據集上執行基準測試時，表現出的驚人速度。因此，對於程序員和學生來說，Scikit-learn是最優秀的Python工具之一。

Theano

Theano是一款數據科學的Python工具，對於程序員和學生而言，這是一款非常可靠的工具。它是深度學習方面最好的Python工具，因此非常適合深度學習。Theano的設計主旨是用戶友好、模塊化、易於擴展，而且可以與Python配合使用。它能夠以最佳方式表達神經網絡。Theano可以在TensorFlow和CNTK等流行的神經網絡之上運行。

Selenium

Selenium是最佳的Python自動化工具之一。它適用於Python測試的自動化，常常用作Web應用程序的自動化框架。我們可以利用Selenium，通過許多編程語言(包括Java、C#、Python、ruby以及其他許多程序員和學生使用的語言)來編寫測試腳本。你還可以在Selenium中集成Junit和TestNG等工具，來管理測試用例並生成報告。

Test complete

Testcomplete是另一款非常出色的Python自動化工具。支持Web、移動和桌面自動化測試。更高級的應用需要獲得商業許可，而且它還可以幫助學生提高學業成績。Test complete還可以像機械人框架一樣執行關鍵字驅動的測試。它擁有最出色的錄製以及回放功能，非常實用。

關於分享!5種常用的Python工具，環球青藤小編就和大家分享到這裡了，學習是永無止境的，學習一項技能更是受益終身，所以，只要肯努力學，什麼時候開始都不晚。如果您還想繼續了解關於python編程的學習方法及素材等內容，可以點擊本站其他文章學習。

Python算法系列—深度優先遍歷算法

一、什麼是深度優先遍歷

深度優先遍歷算法是經典的圖論算法。從某個節點v出發開始進行搜索。不斷搜索直到該節點所有的邊都被遍歷完，當節點v所有的邊都被遍歷完以後，深度優先遍歷算法則需要回溯到v以前驅節點來繼續搜索這個節點。

注意：深度優先遍歷問題一定要按照規則嘗試所有的可能才行。

二、二叉樹

2.二叉樹類型

二叉樹類型：空二叉樹、滿二叉樹、完全二叉樹、完美二叉樹、平衡二叉樹。

空二叉樹：有零個節點

完美二叉樹：每一層節點都是滿的二叉樹（如1中舉例的圖）

滿二叉樹：每一個節點都有零個或者兩個子節點

完全二叉樹：出最後一層外，每一層節點都是滿的，並且最後一層節點全部從左排列

平衡二叉樹：每個節點的兩個子樹的深度相差不超過1.

註：國內對完美二叉樹和滿二叉樹定義相同

3.二叉樹相關術語

術語 解釋

度 節點的度為節點的子樹個數

葉子節點 度為零的節點

分支節點 度不為零的節點

孩子節點 節點下的兩個子節點

雙親節點 節點上一層的源節點

兄弟節點 擁有同一雙親節點的節點

根 二叉樹的源頭節點

深度 二叉樹中節點的層的數量

DLR（先序）：

LDR（中序）：

LRD(後序）：

注意：L代表左子樹R代表右子樹；D代表根

6.深度優先遍歷和廣度優先遍歷

深度優先遍歷：前序、中序和後序都是深度優先遍歷

從根節點出發直奔最遠節點，

廣度優先遍歷：首先訪問舉例根節點最近的節點，按層次遞進，以廣度優先遍歷上圖的順序為：1-2-3-4-5-6-7

三、面試題+勵志

企鵝運維面試題：

1.二叉樹遍歷順序：看上文

2.用你熟悉的語言說說怎麼創建二叉樹？ python看上文

python中給定一系列正整數能被5整除的數字中所有偶數的和？

1、示例代碼

x = input(‘請輸入一系列整數，用逗號間隔：’)

y = x.split(‘,’)

s1 = 0

s2 = []

s22 = 0

s3 = 0

s4 = []

s44 = 0

s5 = []

for i in range(0, len(y)):

y[i] = int(y[i])

if y[i] % 5 == 0 and y[i] % 2 == 0:

s1 += y[i]

elif y[i] % 5 == 1:

s2.append(y[i])

elif y[i] % 5 == 2:

s3 += 1

elif y[i] % 5 == 3:

s4.append(y[i])

elif y[i] % 5 == 4:

s5.append(y[i])

for j in range(0, len(s2)):

if (j+1) % 2 == 1:

s22 += s2[j]

else:

s22 -= s2[j]

for k in range(0, len(s4)):

s44 += s4[k]

print(‘能被5整除的數字中所有偶數的和:%d’ % s1)

print(‘能被5整除後餘1的數字按照給出順序進行交錯求和:%d’ % s22)

print(‘被5除後餘2的數字的個數：%d’ % s3)

print(‘被5除後餘3的數字的平均數: %.1f’ % (s44/len(s4)))

print(‘被5除後餘4的數字中最大數字: %d’ % max(s5))

2、示例結果

請輸入一系列整數，用逗號間隔：1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20

能被5整除的數字中所有偶數的和:30

能被5整除後餘1的數字按照給出順序進行交錯求和:-10

被5除後餘2的數字的個數：4

被5除後餘3的數字的平均數: 10.5

被5除後餘4的數字中最大數字: 19

python5發展到幾了

2.7。根據查詢大家都在問得知，python5發展到2.7了，是2010年最新更新的。1991年，第一個Python編譯器誕生。它是用C語言實現的，並能夠調用C語言的庫文件。從一出生，Python已經具有了：類，函數，異常處理，包含表和詞典在內的核心數據類型，以及模塊為基礎的拓展系統。

python:5種正態性檢驗方法

1.直方圖

由於正態分佈具有非常典型的中間高，兩邊低的圖形特徵，如果樣本數據並不服從正態分佈，我們可以通過直方圖很快地分辨出來。更進一步地，Python可以輔助生成基於樣本數據估計的正態曲線，這樣就容易輔助我們進行判斷。

圖形觀察雖然直觀，但是部分研究者認為單純觀察圖形過於主觀，因此我們也可以選擇使用統計檢驗的方法去研究數據是否服從正態分佈。

操作步驟：

導入相關的包及數據

2 P-P圖及Q-Q圖

直方圖是最長用於觀察數據分佈的常用圖形選項，尤其是帶正態曲線的直方圖，可以非常直觀地看到實際數據分佈和正態曲線的對比，而P-P圖及Q-Q圖則是另一種選擇，它可以直觀給出實際數據分佈和理論的差距。

值得注意的是，雖然P-P圖及Q-Q圖常用用於判斷數據樣本是否服從正態分佈，但實際上它們也能判斷數據樣本是否服從其他的分佈

P-P圖:反映的是數據的實際累積概率與假定所服從分佈的理論累積概率的符合程度。在此處，我們所假定的分佈就是正態分佈，如果數據樣本是服從正態分佈的話，那麼實際的累積概率與理論的累積概率應該是相對一致的，放映在圖形中就是數據點應該沿着圖形的對角線分佈。

Q-Q圖的原理與P-P圖幾乎一致。P-P圖考察的是實際分佈與理論分佈的累積概率分佈差異，而Q-Q圖考察的是實際百分位數與理論百分位數的差異。同理在此處，我們所假定的分佈就是正態分佈，如果數據樣本是服從正態分佈的話，那麼實際的分佈應該是相對一致的，反映在圖形中就是數據點應該沿着圖形的對角線分佈。

在Python中，statsmodels包中目前主要提供的是Q-Q圖的繪製

柯爾莫戈洛夫-斯米諾夫檢驗（Kolmogorov-Smirnov test），一般又稱K-S檢驗，是一種基於累計分佈函數的非參數檢驗，用以檢驗兩個經驗分佈是否不同或一個經驗分佈與另一個理想分佈是否不同。

K-S檢驗的原假設是「樣本數據來自的分佈與正態分佈無顯著差異」，因此一般來說，KS檢驗最終返回兩個結果，分別是檢驗統計量及P值,檢驗結果P0.05才是我們的目標。

實際上，GraphPad不推薦使用單純的Kolmogorov-Smirnov test方法

夏皮洛-威爾克檢驗（Shapiro—Wilk test），一般又稱W檢驗。W檢驗是一種類似於利用秩進行相關性檢驗的方法。同樣需要注意的是，W檢驗與K-S檢驗一樣，原假設是「樣本數據來自的分佈與正態分佈無顯著差異」，因此一般來說，W檢驗最終返回兩個結果，分別是檢驗統計量及P值。,檢驗結果P0.05才是我們的目標。

當數據集中的數據無重複值時，該方法的檢驗效果比較好，但是當數據集中有些數據不是獨一無二的，即有些數據的數值是相同的，那麼該方法的檢驗效果就不是很好

GraphPad官方推薦使用該方法。

首先計算 偏度和峰度以便在不對稱和形狀方面量化分佈離高斯分佈的距離。然後，其計算這些值中的每一個與高斯分佈的預期值之間的差異，並基於這些差異的總和，計算各P值。這是一種通用和強大的正態性檢驗，推薦使用。請注意，D’Agostino開發了幾種正態性檢驗。Prism使用的其中一個是「綜合K2」檢驗。

安德森-達令檢驗樣本數據是否來自特定分佈，包括分佈：’norm’, ‘expon’, ‘gumbel’, ‘extreme1’ or ‘logistic’.

原假設 H0：樣本服從特定分佈； 備擇假設 H1：樣本不服從特定分佈

實際上，從已有的文獻表明，對於數據分佈的正態性研究，首選方法是圖形觀察，即利用直方圖、P-P圖或Q-Q圖進行觀察，如果分佈嚴重偏態和尖峰分佈則建議進行進一步的假設檢驗。如果圖形分佈結果不好判斷，則再進行正態性檢驗。

實際上，從已有的文獻表明，對於數據分佈的正態性研究，首選方法是圖形觀察，即利用直方圖、P-P圖或Q-Q圖進行觀察，如果分佈嚴重偏態和尖峰分佈則建議進行進一步的假設檢驗。如果圖形分佈結果不好判斷，則再進行正態性檢驗。

其次，對於檢驗方法來說，對於K-S檢驗及W檢驗結果來說，有文獻採用蒙特卡羅模擬方法進行多次驗證，結果表明W檢驗結果相比於大部分方法都有較大的檢驗功效，而K-S方法的檢驗結果相對不佳。並且部分學者認為，K-S檢驗的實用性遠不如圖形工具，因為在樣本量少時，該檢驗不太敏感，但是在樣本量大時，該檢驗卻過於敏感。因此正常情況下，我們更常採用W檢驗的結果。

值得注意的是，雖然說K-S檢驗結果相對不佳，但是不同檢驗方法對於樣本量的敏感度是不一樣的。在樣本量較小的情況下（小於50個樣本的情況下），請優先選擇W檢驗；在樣本量50-5000的情況下，可以酌情使用W檢驗及K—S檢驗；在樣本量大於5000的情況下，請使用K-S檢驗結果，尤其是在SPSS中，當樣本量大於5000的情況下，將只顯示K-S檢驗結果，而不顯示W檢驗結果。