根据键查找‘键值对’的底层过程

a.get('name')

第一步，我们计算'name'对象的散列值：

bin(hash('name'))

和存储的底层流程算法一致。取散列值不同位置的数字，然后查看偏移量对应的bucket是否为空。如果为空，返回None。如果不为空，则将这个bucket的键对象计算对应散列值，和我们的散列值进行比较。相等则返回对应'值对象'。不相等，则重新计算偏移量。依次取完后仍然没找到，则返回None。

字典核心底层原理（重要）

字典对象的核心是散列表。散列表是一个稀疏数组（总有空白元素的数组）。数组的每个单元叫做bucket。每个bucket有两部分：一个是键对象的引用，一个是值对象的引用。通过偏移量来读取指定bucket。

将一个键值对放进字典的底层过程

第一步计算key的散列值。Python中可以通过hash()来计算。

拿出计算出的散列值的最后面3位数‘101’作为偏移量，十进制是数字5。我们查看偏移量5对应的bucket是否为空。则把键值对放进去。如果不为空，则依次取后面3位作为偏移量，直到找到为空的bucket将键值对放进去。

复杂表格数据存储

表格数据使用字典和列表存储，并实现访问。

r1={'name':'ben','age':18,'city':'BJ'}

r2={'name':'joe','age':19,'city':'SH'}

r3={'name':'cici','age':20,'city':'SZ'}

tb=[r1,r2,r3]

#获得第二行人的城市

print(tb[1].get('city'))

#打印所有的薪资

for i in range(len(tb)):

    print(tb[i].get('city'))

#打印表的所有数据

for i in range(len(tb)):

print(tb[i].get('name'),tb[i].get('age'),tb[i].get('city'))

序列解包

序列解包可以用于元祖、列表、字典，对多个变量赋值。

x,y,z=(20,30,10)

(a,b,c)=(20,30,10)

[a,b,c]=(20,30,10)

字典序列解包

s={'name':'ben','age':18,'sex':'man'}

a,b,c=s #接收键

e,d,f=s.values() #接收值

h,i,j=s.items() #接收键值对

字典元素添加、修改、删除

1.给字典新增'键值对'。如果'键'已经存在，则覆盖旧得键。如果键不存在，则新增'键值对'。

a={'name':'lynn','age':18,'job':'planner'}

a['add']='南京路1号'

a['age']=16

print(a)

2.使用update()将新字典中所有键值对全部添加到旧字典对象上。如果key有重复，直接覆盖。

a={'name':'lynn','age':18,'job':'planner'}

b={'name':'ben','age':120,'sex':'man'}

a.update(b)

print(a)

3.字典中元素的删除，可以用del()或者clear()全删；pop()删除指定键值对，并返回对应的'值对象'。

b=a.pop('age')

4.popitem()随机删除和返回该键值对

a.popitem()

字典元素的访问

为了测试各种访问方法，我们这里设定一个字典对象：

a={'name':'lynn','age':18,'job':'planner'}

1. 通过[键]获得'值'。若键不存在，则抛出异常

a={'name':'lynn','age':18,'job':'planner'}

print(a['name'])

2.通过get()方法获得值，推荐使用。优点：指定键不存在，返回None;也可以设定指定键不存在时默认返回的对象。推荐使用get()获取'值对象'。

a={'name':'lynn','age':18,'job':'planner'}

a.get('name')

print(a.get('sex','女'))

3.列出所有键值对

a.items()

4.列出所有的键，列出所有的值

a.keys()

a.values()

5.len()键值对的个数

6.检测一个'键'是否在字典中

print('name' in a)

列表切片操作

典型操作

切片不在范围内也不会报错。起始偏移量小于0则会被当成0，终止偏移量大于长度-1则会被当成长度-1

列表遍历

for obj in listObj:

    print(obj)

梯度下降法

生成器推导式创建元组

生成器推导式用的小括号。生成器生成生成器对象，再转化成元组。

s=(x*2 for x in range(5))

print(tuple(s))  #只能访问一次元素，第二次就为空了。需要再生成一次。

print(s._next_()) #指针下移

元组可以作为字典的键，列表不行。

元组的元素访问和计数

1. 元组的元素不能修改

2.访问和列表一样，返回的仍然是元组

3.如果要对元组排序，只能用sorted()生成新的列表对象

Zip

将多个列表对应位置的元素组合成为元组，并返回这个zip对象。

元组tuple

可以修改列表中的元素，元组属于不可变序列。

元组支持如下操作：

1. 索引访问

2. 切片操作

3. 连接操作

4. 成员关系操作

5. 比较运算操作

6. 计数

元组的创建

1.通过()

a =(10,20,30) #小括号可以省略

a=(20,) #单元素加逗号

2.通过tuple()

b=tuple(可迭代的对象)

元组对象删除 del b

多维列表

二维列表

一维列表帮助存储一维、线性的数据。

二维列表帮助存储二维、表格的数据。

a=[

['高一'，18，3000，'北京']

['高二'，17，2000，'上海']

['高三'，19，1000，'深圳']

    ]

print(a[0][3])

嵌套循环打印二维列表的所有数据

a=[

['高一'，18，3000，'北京']

['高二'，17，2000，'上海']

['高三'，19，1000，'深圳']

    ]

for m in range(3):

    for n in range(4):

        print(a[m][n],end='\t')

    print()#打印完一行，换行

列表排序

修改原列表，不生成新列表的排序

a=[40,10,20,30]

a.sort()   #默认升序

a.sort(reverse=True)   #降序排列

import random

random.shuffle(a) #随机打乱顺序

建新列表的排序

内置函数sorted()，这个方法返回新列表，不对原列表修改

a=[40,10,20,30]

a=sorted()

c=sorted(a,reverse=True)

reversed()返回迭代器

内置函数reversed()也支持逆序排列，不对原列表做修改。

max和min

返回列表中的最大最小值

sum

对数值型列表所有列表求和，非数值型报错

误差来源于两个——一个是bias，还有一个是variance。出现bias是由于开始就没有瞄准靶心；出现vaiance是由于瞄准了靶心，但是发射的时候出现了偏离。我们的目标是低bias和低variance。

红色的部分是分别在考虑输入值一次方、三次方和五次方函数进行5000次实验的结果，蓝色的线条是将5000次实验结果进行平均即结果

越简单的模型，bias越大，variance比较小；反之，模型越复杂，variance越大，但是平均值却比较接近于期望值

bias较大的情况，问题出现在underfitting；

variance较大的情况，问题出现在overfitting

Diagnosis：

(1)当模型不能拟合训练集时，我们有较大的bias；

(2)当模型可以集合训练集，但是在测试集上出现了较大的损失值，则很大可能上有较大的variance

for bias, redesign模型：
（1）add more feature as input

（2）a more complex model

for variance

（1）more data（增加每次实验的样本量）

（2）Regularization我们希望曲线越平缓越好

伤害：只包含了比较平滑的曲线，在取值上产生了较大的bias

model selection：

我们想要找到尽可能小的bias和variance来得到最小的损失值

列表元素访问和计数

通过索引直接访问元素

索引区间[0,列表长度-1]，超过范围则报错

index()获得指定元素在列表中首次出现的索引

index(value,[start,[end]])

a=[10,20,30,40,50]

a.index(50,3)

count()获得指定元素在列表中出现的次数

a=[10,20,30,20,50]

a.count(20)

len()返回列表长度

列表中元素的个数

成员资格判断

in关键字判断

a=[10,20,30,40,50]

20 in a

列表元素的删除

del删除

删除列表指定位置的元素

a=[10,20,30]

del a[1]

print(a)

pop()方法

pop()删除并返回指定位置元素,如果未指定位置则默认操作列表最后一个位置

a=[10,20,30]

b=a.pop()

print(b)

remove()方法

删除首次出现的指定元素，不存在则异常

Regression回归

1、应用场景

（1）Stock Market Forecast

（2）Self-driving Car

（3）Recommendation

2、步骤

（1）给一个Model

（2）Goodness of Function（函数优度）

输入：a function一个函数

输出：loss funchtion——how bad it is 

Pick the “Best”Function

（3）Gradient Descent

梯度下降：初试化w和b这两个参数，不断迭代更新，知道找到最优解，也就是使损失值达到最小的参数值

在线性回归里，是不需要担心找不到全局最优解的，因为其三维图形是一圈一圈的等高线，不管从哪个方向都可以找到最优解

how's the results？

训练的目的是损失值最小，但是通过训练集得到的损失值是比测试集得到的损失值小的，为了减少误差，我们需要改进模型——引入了二次方、三侧方和四次方的函数

overfitting——更复杂的模型会得到更不好的结果，所以模型并不是越复杂越好。

what are the hidden factors——pokemon的物种会影响他们值

根据不同的输入值，对不同的物种设置不同 的权重，此时仅设置了输入值的一次方，还可以考虑输入值的二次方函数

产生了过拟合的结果

设置较为平缓的曲线，由于w的值大于零小于1，当其越接近于0，结果是越为平缓的，前面的系数越大，代表我们越考虑smooth，越可以较多得关注参数w本身的值

列表的创建

基本语法[]创建

a=[]

list()创建

list可以将任何可迭代的数据转变成列表

a=list('zifuchuan')

range()创建整数参数

range([start,]end[,step])

start可选，表示起始数字，默认0

end必选，表示结尾数字

step可选，表示步长，默认1

推导式生成列表

a=[x*2 for x in range(5)] #循环创建多个元素

a=[x*2 for x in range(100) if x%9==0] #通过if过滤元素

1.比较运算符可以连用

3<a<10

2.位操作

&=按位与

|=按位或

^=按位异

<<左移1位相当于乘以2；左移两位相当于乘以4

>>右移1位相当于除以2；右移两位相当于除以4

运算符优先级问题

复杂表达式一定要使用小括号组织

1.先乘除，后加减

2.位运算和算术运算>比较运算符>赋值运算符

可变字符串

在pyhton中，字符串不可变。可以使用io.StringIO对象或array模块原地修改字符串。

import io

s='hello,sxt'

sio=io.StringIO(s)

print(sio.getvalue())

sio.seek(7)

sio.write('g')

print(sio.getvalue())