python教程技术文章
-
- Python栈队列实现教程
- 使用列表实现栈高效，因append和pop操作均为O(1)；但用列表实现队列时，pop(0)为O(n)，性能差。应使用collections.deque实现队列，因其popleft为O(1)。封装类可提供更清晰接口和错误处理，适用于复杂场景。频繁出队或大数据量时优选deque，简单栈操作可选list。
- 文章 · python教程 | 1年前 | 栈 423浏览 收藏
-
- PEFTLoRA模型合并技巧全解析
- 本文详细介绍了如何使用HuggingFacepeft库的merge_and_unload功能，将PEFTLoRA适配器高效且正确地与基础模型合并，生成一个全新的、独立的预训练模型。文章纠正了直接加载适配器或手动合并权重的常见误区，并提供了完整的代码示例、模型保存指南以及处理分词器和peft版本兼容性的重要注意事项。
- 文章 · python教程 | 1年前 | 423浏览 收藏
-
- Python异常处理实用技巧分享
- Python通过try...except处理异常，确保程序出错时不崩溃。try块放可能出错的代码，except捕获特定异常并处理，else在无异常时执行，finally无论是否出错都执行，常用于释放资源。可自定义异常类继承Exception，常见内置异常有ZeroDivisionError、FileNotFoundError、TypeError等。避免过度使用try...except，仅对可能出错的代码进行捕获，可通过预检查减少异常。使用logging模块记录异常信息便于排查。assert用于调试，检查条
- 文章 · python教程 | 1年前 | Python异常处理 logging 自定义异常 with语句 try...except 423浏览 收藏
-
- DuckDB扩展安装避坑指南
- 本文旨在解决DuckDB扩展手动加载时遇到的常见问题，特别是当扩展文件以Gzip格式压缩时导致的加载失败。我们将详细介绍如何正确下载、解压并加载DuckDB扩展，尤其是在需要启用非签名扩展的受限环境中，避免出现“无效Win32应用程序”等错误，确保扩展能够顺利运行。
- 文章 · python教程 | 1年前 | 423浏览 收藏
-
- Python日志配置方法详解
- 要高效配置Pythonlogging模块，需选择合适的日志级别、Handler和Formatter，并结合配置文件提升可维护性。1.选择日志级别：根据环境设置DEBUG、INFO或WARNING级别以控制日志输出量；2.配置Handler：如StreamHandler输出到控制台，FileHandler/RotatingFileHandler/TimedRotatingFileHandler用于文件存储，SMTPHandler发送邮件等；3.设置Formatter：自定义日志格式，包含时间、级别、模块名、
- 文章 · python教程 | 1年前 | 日志配置 日志级别 handler Pythonlogging Formatter 423浏览 收藏
-
- Python中e表示科学计数法，用于大数或小数表示。
- 在Python中，e用于表示科学计数法中的指数部分。1)科学计数法如1.23e4表示12300，1.23e-4表示0.000123。2)使用decimal模块可提高浮点数精度。3)numpy库可优化大数运算。
- 文章 · python教程 | 1年前 | 423浏览 收藏
-
- 贪婪与非贪婪模式有什么不同
- 贪婪模式和非贪婪模式的区别在于匹配时的“胃口”不同。贪婪模式会尽可能多地匹配内容，默认情况下使用的量词如、+、{}均为贪婪模式，例如正则<.>会匹配整个字符串Hello，而非贪婪模式通过在量词后加?实现，尽可能少地匹配，如<.*?>只会匹配到。实际应用中常见问题包括：1.提取HTML内容时容易出错，使用非贪婪模式可避免一次匹配多个标签；2.日志分析中误匹配整段内容，需使用非贪婪模式准确提取目标部分。
- 文章 · python教程 | 1年前 | 423浏览 收藏
-
- Pythonargs与kwargs混合使用技巧
- 在Python函数中，args和kwargs必须按“常规参数→args→kwargs”的顺序使用，因为Python需要先匹配明确参数，再将多余位置参数打包为元组、多余关键字参数打包为字典，此顺序确保了解析无歧义，若违反会引发SyntaxError；1.定义函数时，普通参数在前，args接收额外位置参数，*kwargs接收额外关键字参数；2.此机制适用于构建通用工具函数、装饰器和继承中参数透传；3.使用时需注意可读性下降、参数校验缺失等陷阱，最佳实践包括明确必需参数、提供详细文档、安全访问kwargs值并合
- 文章 · python教程 | 1年前 | Python函数 参数顺序 *args **kwargs 混合传参 423浏览 收藏
-
- Python轻松处理JSON：解析与转换方法
- Python处理JSON数据的核心是使用内置的json模块，其主要通过四个函数实现数据的解析与转换：1.json.loads()用于将JSON字符串解析为Python对象；2.json.dumps()将Python对象编码为JSON格式字符串，可设置indent和ensure_ascii等参数优化输出；3.json.load()从文件中直接读取并解析JSON数据；4.json.dump()将Python对象直接写入文件并转为JSON格式。处理JSON时常见错误包括json.JSONDecodeError（
- 文章 · python教程 | 1年前 | Python 错误处理 JSON解析 JSON序列化 json模块 423浏览 收藏
-
- Python自动化交易入门指南
- 量化投资的基础概念包括阿尔法（Alpha）与贝塔（Beta）、风险与收益权衡、夏普比率、最大回撤、交易成本和策略类型。阿尔法代表超额收益，贝塔反映市场风险；夏普比率衡量风险调整后的收益；最大回撤表示资产峰值到谷底的最大跌幅；交易成本包括佣金、滑点等；常见策略有趋势跟踪、均值回归、套利和高频交易。Python量化交易库的选择应基于数据处理（如pandas、numpy）、回测框架（如backtrader、zipline、vnpy）、机器学习（如scikit-learn、tensorflow）和可视化工具（如m
- 文章 · python教程 | 1年前 | Python 风险管理 自动化交易 量化投资 回测 423浏览 收藏
-
- Python视频流处理：OpenCV帧操作详解
- Python和OpenCV处理视频流的核心在于将视频拆分为帧并逐帧处理。步骤包括：1.捕获视频源，使用cv2.VideoCapture()打开摄像头或视频文件；2.循环读取每一帧并判断是否成功获取；3.对每一帧进行图像处理操作，如灰度化、模糊、边缘检测等；4.显示或保存处理后的帧；5.最后释放资源。OpenCV的优势体现在功能全面、性能高效以及社区支持完善。为了提高实时处理效率，应优先使用其内置优化函数，并在复杂算法中权衡性能与精度。
- 文章 · python教程 | 1年前 | 423浏览 收藏
-
- Python数据标准化方法与sklearn实战教程
- 数据标准化是机器学习中不可或缺的一步，因为它能消除不同特征之间的量纲影响，加速模型收敛，并提升依赖距离计算算法的性能。1.标准化可防止数值范围大的特征（如收入）在模型训练中占据主导地位，使模型更公平地对待所有特征；2.对基于梯度下降的模型（如线性回归、神经网络），标准化使损失函数等高线更圆润，加快收敛速度；3.对KNN、SVM等算法，标准化确保距离计算合理，避免结果失真。常用方法包括StandardScaler和MinMaxScaler：前者适用于数据近似正态分布或模型对分布敏感的情况，后者适合需要将数据
- 文章 · python教程 | 1年前 | 423浏览 收藏
-
- 基于注意力的多模态异常检测实现方法
- 要实现基于注意力机制的多模态异常检测，核心步骤包括：1）对不同模态数据进行预处理和特征提取，2）使用注意力机制进行多模态融合，3）将融合特征输入异常检测模块进行判断。图像数据通过CNN提取特征，文本使用Transformer模型获取上下文嵌入，时间序列或结构化数据采用RNN或Transformer编码器提取时序特征。预处理包括归一化、缺失值处理和分词等，目标是将异构数据转化为统一的数值向量。注意力机制在融合阶段动态分配模态权重，通过自注意力或交叉注意力捕捉模态内部与之间的依赖关系，强化异常信号并抑制噪声。
- 文章 · python教程 | 1年前 | Python 特征提取 多模态融合 注意力机制 多模态异常检测 423浏览 收藏
-
- Pythonasyncio协程详解与实战
- asyncio和协程是Python中处理I/O密集型任务的高效并发方案，其核心在于通过事件循环实现单线程内的合作式多任务调度。1.协程由asyncdef定义，通过await暂停执行并释放控制权给事件循环；2.事件循环负责监控和调度就绪的协程，避免阻塞；3.使用asyncio.run()启动事件循环，并通过asyncio.gather()并发运行多个任务；4.相较于线程和进程，协程更轻量、无GIL限制，适合高并发I/O场景，而线程适用于需阻塞操作或传统GUI编程，进程则用于绕过GIL实现CPU密集型并行计算
- 文章 · python教程 | 1年前 | 423浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案，代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景，打造一站式知识长龙服务，适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例，全面具体可落地，从理论到实践，一步一步将GO核心编程技术、编程思想、底层实现融会贯通，使学习者贴近时代脉搏，做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信：Le-studyg；在课程中，我们将首先介绍MySQL8的新特性，包括性能优化、安全增强、新数据类型等，帮助学生快速熟悉MySQL8的最新功能。接着，我们将深入解析MySQL的网络通信机制，包括协议、连接管理、数据传输等，让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网，分为导航，轮播，关于我们，成功案例，服务流程，团队介绍，数据部分，公司动态，底部信息等内容区块。网站整体采用CSSGrid布局，支持响应式，有流畅过渡和展现动画。
- 485次学习
-
- Golang深入理解GPM模型
- Golang深入理解GPM调度器模型及全场景分析，希望您看完这套视频有所收获；包括调度器的由来和分析、GMP模型简介、以及11个场景总结。
- 474次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集，涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用，助力提升NLP模型性能。
- 431次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台，提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能，助您快速选择最适合项目的高性能大语言模型。
- 508次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制，用户可对比不同大模型回答并生成实时排行榜，助力开发者优化模型及用户选择最佳AI工具。
- 521次使用
-
- HELM
- 深入了解斯坦福推出的HELM（Holistic Evaluation of Language Models）大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景，涵盖准确性、公平性、鲁棒性等多维度指标，助力开发者全面优化语言模型性能。
- 464次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台，提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景，助力开发者全面评估多模态模型性能。
- 292次使用
