python多元表達式

A. python表達式由什麼構成

程序由語句構成，語句由指令組成，指令即對數據的運算，也就是由數據和運算符構成

B. python多元線性回歸怎麼計算

1、什麼是多元線性回歸模型？

當y值的影響因素不唯一時,採用多元線性回歸模型。

y =y=β0+β1x1+β2x2+...+βnxn

例如商品的銷售額可能不電視廣告投入,收音機廣告投入,報紙廣告投入有關系,可以有 sales =β0+β1*TV+β2* radio+β3*newspaper.

2、使用pandas來讀取數據

pandas 是一個用於數據探索、數據分析和數據處理的python庫

[python]view plain

• importpandasaspd

[html]view plain

• <prename="code"class="python">#

• data=pd.read_csv('/home/lulei/Advertising.csv')

• #displaythefirst5rows

• data.head()








上面代碼的運行結果：

• TV Radio Newspaper Sales


• 0 230.1 37.8 69.2 22.1


• 1 44.5 39.3 45.1 10.4


• 2 17.2 45.9 69.3 9.3


• 3 151.5 41.3 58.5 18.5


• 4 180.8 10.8 58.4 12.9



上面顯示的結果類似一個電子表格，這個結構稱為Pandas的數據幀(data frame)，類型全稱：pandas.core.frame.DataFrame.


pandas的兩個主要數據結構：Series和DataFrame：

• Series類似於一維數組，它有一組數據以及一組與之相關的數據標簽(即索引)組成。

• DataFrame是一個表格型的數據結構，它含有一組有序的列，每列可以是不同的值類型。DataFrame既有行索引也有列索引，它可以被看做由Series組成的字典。

[python]view plain

• #displaythelast5rows

• data.tail()

只顯示結果的末尾5行

• TV Radio Newspaper Sales


• 195 38.2 3.7 13.8 7.6


• 196 94.2 4.9 8.1 9.7


• 197 177.0 9.3 6.4 12.8


• 198 283.6 42.0 66.2 25.5


• 199 232.1 8.6 8.7 13.4



[html]view plain

• #checktheshapeoftheDataFrame(rows,colums)

• data.shape

查看DataFrame的形狀,注意第一列的叫索引，和資料庫某個表中的第一列類似。

(200,4)


3、分析數據

特徵：

• TV：對於一個給定市場中單一產品，用於電視上的廣告費用（以千為單位）

• Radio：在廣播媒體上投資的廣告費用

• Newspaper：用於報紙媒體的廣告費用

響應：

• Sales：對應產品的銷量

在這個案例中，我們通過不同的廣告投入，預測產品銷量。因為響應變數是一個連續的值，所以這個問題是一個回歸問題。數據集一共有200個觀測值，每一組觀測對應一個市場的情況。

注意：這里推薦使用的是seaborn包。網上說這個包的數據可視化效果比較好看。其實seaborn也應該屬於matplotlib的內部包。只是需要再次的單獨安裝。

[python]view plain

• importseabornassns

• importmatplotlib.pyplotasplt

• #ots

• sns.pairplot(data,x_vars=['TV','Radio','Newspaper'],y_vars='Sales',size=7,aspect=0.8)

• plt.show()#注意必須加上這一句，否則無法顯示。

[html]view plain

• 這里選擇TV、Radio、Newspaper作為特徵，Sales作為觀測值

[html]view plain

• 返回的結果：




• seaborn的pairplot函數繪制X的每一維度和對應Y的散點圖。通過設置size和aspect參數來調節顯示的大小和比例。可以從圖中看出，TV特徵和銷量是有比較強的線性關系的，而Radio和Sales線性關系弱一些，Newspaper和Sales線性關系更弱。通過加入一個參數kind='reg'，seaborn可以添加一條最佳擬合直線和95%的置信帶。



[python]view plain

• sns.pairplot(data,x_vars=['TV','Radio','Newspaper'],y_vars='Sales',size=7,aspect=0.8,kind='reg')

• plt.show()


結果顯示如下：




4、線性回歸模型

優點：快速；沒有調節參數；可輕易解釋；可理解。

缺點：相比其他復雜一些的模型，其預測准確率不是太高，因為它假設特徵和響應之間存在確定的線性關系，這種假設對於非線性的關系，線性回歸模型顯然不能很好的對這種數據建模。

線性模型表達式：y=β0+β1x1+β2x2+...+βnxn其中

• y是響應

• β0是截距

• β1是x1的系數，以此類推

在這個案例中：y=β0+β1∗TV+β2∗Radio+...+βn∗Newspaper

(1)、使用pandas來構建X(特徵向量)和y(標簽列)

scikit-learn要求X是一個特徵矩陣，y是一個NumPy向量。

pandas構建在NumPy之上。

因此，X可以是pandas的DataFrame，y可以是pandas的Series，scikit-learn可以理解這種結構。

[python]view plain

• #

• feature_cols=['TV','Radio','Newspaper']

• #

• X=data[feature_cols]

• #

• X=data[['TV','Radio','Newspaper']]

• #printthefirst5rows

• printX.head()

• #checkthetypeandshapeofX

• printtype(X)

• printX.shape

輸出結果如下：

• TV Radio Newspaper


• 0 230.1 37.8 69.2


• 1 44.5 39.3 45.1


• 2 17.2 45.9 69.3


• 3 151.5 41.3 58.5


• 4 180.8 10.8 58.4


• <class 'pandas.core.frame.DataFrame'>


• (200, 3)




[python]view plain

• #selectaSeriesfromtheDataFrame

• y=data['Sales']

• #

• y=data.Sales

• #printthefirst5values

• printy.head()

輸出的結果如下：

• 0 22.1


• 1 10.4


• 2 9.3


• 3 18.5


• 4 12.9


• Name: Sales



（2）、構建訓練集與測試集

[html]view plain

• <prename="code"class="python"><spanstyle="font-size:14px;">##構造訓練集和測試集

• fromsklearn.cross_validationimporttrain_test_split#這里是引用了交叉驗證

• X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=1)








#default split is 75% for training and 25% for testing

[html]view plain

• printX_train.shape

• printy_train.shape

• printX_test.shape

• printy_test.shape




輸出結果如下：

• (150, 3)


• (150,)


• (50, 3)


• (50,)



註：上面的結果是由train_test_spilit()得到的，但是我不知道為什麼我的版本的sklearn包中居然報錯：

• ImportError Traceback (most recent call last)<ipython-input-182-3eee51fcba5a> in <mole>() 1 ###構造訓練集和測試集----> 2 from sklearn.cross_validation import train_test_split 3 #import sklearn.cross_validation 4 X_train,X_test, y_train, y_test = train_test_split(X, y, random_state=1) 5 # default split is 75% for training and 25% for testingImportError: cannot import name train_test_split



處理方法：1、我後來重新安裝sklearn包。再一次調用時就沒有錯誤了。

2、自己寫函數來認為的隨機構造訓練集和測試集。(這個代碼我會在最後附上。)

（3）sklearn的線性回歸

[html]view plain

• fromsklearn.linear_modelimportLinearRegression

• linreg=LinearRegression()

• model=linreg.fit(X_train,y_train)

• printmodel

• printlinreg.intercept_

• printlinreg.coef_


輸出的結果如下：

• LinearRegression(_X=True, fit_intercept=True, normalize=False)


• 2.66816623043


• [ 0.04641001 0.19272538 -0.00349015]



[html]view plain

• #

• zip(feature_cols,linreg.coef_)

輸出如下：

• [('TV', 0.046410010869663267),


• ('Radio', 0.19272538367491721),


• ('Newspaper', -0.0034901506098328305)]







y=2.668+0.0464∗TV+0.192∗Radio-0.00349∗Newspaper
如何解釋各個特徵對應的系數的意義？

對於給定了Radio和Newspaper的廣告投入，如果在TV廣告上每多投入1個單位，對應銷量將增加0.0466個單位。就是加入其它兩個媒體投入固定，在TV廣告上每增加1000美元（因為單位是1000美元），銷量將增加46.6（因為單位是1000）。但是大家注意這里的newspaper的系數居然是負數，所以我們可以考慮不使用newspaper這個特徵。這是後話，後面會提到的。

（4）、預測

[python]view plain

• y_pred=linreg.predict(X_test)

• printy_pred

[python]view plain

• printtype(y_pred)


輸出結果如下：



• [ 14.58678373 7.92397999 16.9497993 19.35791038 7.36360284


• 7.35359269 16.08342325 9.3046 20.35507374 12.63160058


• 22.83356472 9.66291461 4.18055603 13.70368584 11.4533557


• 4.16940565 10.31271413 23.06786868 17.80464565 14.53070132


• 15.19656684 14.22969609 7.54691167 13.47210324 15.00625898


• 19.28532444 20.7319878 19.70408833 18.21640853 8.50112687


• 9.8493781 9.51425763 9.73270043 18.13782015 15.41731544


• 5.07416787 12.20575251 14.05507493 10.6699926 7.16006245


• 11.80728836 24.79748121 10.40809168 24.05228404 18.44737314


• 20.80572631 9.45424805 17.00481708 5.78634105 5.10594849]


• <type 'numpy.ndarray'>



5、回歸問題的評價測度

(1) 評價測度

對於分類問題，評價測度是准確率，但這種方法不適用於回歸問題。我們使用針對連續數值的評價測度(evaluation metrics)。
這里介紹3種常用的針對線性回歸的測度。

1)平均絕對誤差(Mean Absolute Error, MAE)

(2)均方誤差(Mean Squared Error, MSE)

(3)均方根誤差(Root Mean Squared Error, RMSE)

這里我使用RMES。

[python]view plain

• <prename="code"class="python">#計算Sales預測的RMSE

• printtype(y_pred),type(y_test)

• printlen(y_pred),len(y_test)

• printy_pred.shape,y_test.shape

• fromsklearnimportmetrics

• importnumpyasnp

• sum_mean=0

• foriinrange(len(y_pred)):

• sum_mean+=(y_pred[i]-y_test.values[i])**2

• sum_erro=np.sqrt(sum_mean/50)

• #calculateRMSEbyhand

• print"RMSEbyhand:",sum_erro




最後的結果如下：

• <type 'numpy.ndarray'> <class 'pandas.core.series.Series'>


• 50 50


• (50,) (50,)


• RMSE by hand: 1.42998147691



（2）做ROC曲線

[python]view plain

• importmatplotlib.pyplotasplt

• plt.figure()

• plt.plot(range(len(y_pred)),y_pred,'b',label="predict")

• plt.plot(range(len(y_pred)),y_test,'r',label="test")

• plt.legend(loc="upperright")#顯示圖中的標簽

• plt.xlabel("thenumberofsales")

• plt.ylabel('valueofsales')

• plt.show()


顯示結果如下：（紅色的線是真實的值曲線，藍色的是預測值曲線）

直到這里整個的一次多元線性回歸的預測就結束了。

6、改進特徵的選擇
在之前展示的數據中，我們看到Newspaper和銷量之間的線性關系竟是負關系（不用驚訝，這是隨機特徵抽樣的結果。換一批抽樣的數據就可能為正了），現在我們移除這個特徵，看看線性回歸預測的結果的RMSE如何？

依然使用我上面的代碼，但只需修改下面代碼中的一句即可：

[python]view plain

• #

• feature_cols=['TV','Radio','Newspaper']

• #

• X=data[feature_cols]

• #

• #X=data[['TV','Radio','Newspaper']]#只需修改這里即可<prename="code"class="python"style="font-size:15px;line-height:35px;">X=data[['TV','Radio']]#去掉newspaper其他的代碼不變

# print the first 5 rowsprint X.head()# check the type and shape of Xprint type(X)print X.shape




最後的到的系數與測度如下：

LinearRegression(_X=True, fit_intercept=True, normalize=False)

• 2.81843904823


• [ 0.04588771 0.18721008]


• RMSE by hand: 1.28208957507



然後再次使用ROC曲線來觀測曲線的整體情況。我們在將Newspaper這個特徵移除之後，得到RMSE變小了，說明Newspaper特徵可能不適合作為預測銷量的特徵，於是，我們得到了新的模型。我們還可以通過不同的特徵組合得到新的模型，看看最終的誤差是如何的。

備註：

之前我提到了這種錯誤：

註：上面的結果是由train_test_spilit()得到的，但是我不知道為什麼我的版本的sklearn包中居然報錯：

• ImportError Traceback (most recent call last)<ipython-input-182-3eee51fcba5a> in <mole>() 1 ###構造訓練集和測試集----> 2 from sklearn.cross_validation import train_test_split 3 #import sklearn.cross_validation 4 X_train,X_test, y_train, y_test = train_test_split(X, y, random_state=1) 5 # default split is 75% for training and 25% for testingImportError: cannot import name train_test_split



處理方法：1、我後來重新安裝sklearn包。再一次調用時就沒有錯誤了。

2、自己寫函數來認為的隨機構造訓練集和測試集。(這個代碼我會在最後附上。)

這里我給出我自己寫的函數：

C. python 表達式[1,2,3]與表達式[2,3,1]相同

@Author：Runsen

Python運算符與表達式

（1） 運算符與其用法

(2).運算符優先順序（從低到高）

(3) python 控制台輸出 使用print

print ("abc" )#列印abc並換行print ("abc%s" % "d" )#列印abcdprint ("abc%sef%s" % ("d", "g") )#列印abcdefg

控制流

(4) if 語句

i = 10n = int(input("enter a number:"))if n == i: print( "equal")elif n < i: print( "lower")else: print ("higher")

(5) while語句

while True: passelse: pass#else語句可選，當while為False時，else語句被執行。 pass是空語句。

(6)for 循環 for..in

for i in range(0, 5): print (i)else: pass# 列印0到4

註：當for循環結束後執行else語句； range(a, b)返回一個序列，從a開始到b為止，但不包括b，range默認步長為1，可以指定步長，range(0,10,2)；

(7)break語句

終止循環語句，如果從for或while中終止，任何對應循環的else將不執行。 (8)continue語句

continue語句用來調過當前循環的剩餘語句，然後繼續下一輪循環。

下面就是 break 和 continue 主要的 區別：

break：跳出整個循環continue：跳出本次循環，繼續執行下一次循環 希望大家牢記。

D. python表達式int('123',16)的值，可以說一下過程嗎

摘要 以16進制解析字元串'123'，將其轉換成一個整型。

E. 5.按要求寫出Python 表達式。(1)將整數k 轉換成實數。(2)求實數x 的小數部分

（1）float(k)

（2）x-int(x)

num=float("請輸入實數：")

intpart=int(num)

decimalpart=num-intpart

print "實數%f 整數部分:%d 小數部分：%f"%(num,intpart,decimalpart

(5)python多元表達式擴展閱讀：

Python的表達式寫法與C/C++類似。只是在某些寫法有所差別。

主要的算術運算符與C/C++類似。+, -, *, /, //, **, ~, %分別表示加法或者取正、減法或者取負、乘法、除法、整除、乘方、取補、取余。>>, <<表示右移和左移。

&, |, ^表示二進制的AND, OR, XOR運算。>, <, ==, !=, <=, >=用於比較兩個表達式的值，分別表示大於、小於、等於、不等於、小於等於、大於等於。在這些運算符裡面，~, |, ^, &, <<, >>必須應用於整數。

F. 0基礎學習python怎麼入門呢

該如何學習Python呢？
（1）選擇學習方向。學習Python主要目的是用語言來解決問題，而不是了解這門語言。Python應用方向有很多，Python基礎知識學習完後，應用方向不同需求也不同；雖然Python需要系統化的學習，但是在學習Python的時候，想要告訴大家還是需要提前確定一下自己感興趣的方向，有針對性的學習更為重要。
（2）規劃學習路線。當確定好自己的發展方向之後，下一步就是順著方向去學習，建立好自己的學習路線。要有系統化的學習路線，需要完成什麼樣的目標，需要學習哪些知識，需要懂哪些知識，這樣每次學習一個部分，就可以有實際的結果輸出，結果的輸出才可以鼓勵進行下一步的學習。
（3）合理規劃時間。劃好自己的學習時間，每天進度是什麼，每天學習幾個小時都是需要提前確定的，有計劃有規劃的去學習，堅持下來才會有意外的收獲。
用任何編程語言來開發程序，都是為了讓計算機工作。目前有很多種流行的編程語言，如難學的C語言，普遍的java語言，適合初學者的Basic語言，適合網頁編程的JavaScript語言等，Python適合初學者的一種計算機程序設計語言。

G. Python表達式

import math

# 以下是要用到的函數
# sqrt 平方根
# pow n次方根
# x**2 x的平方
# (1)
(-b + math.sqrt(b ** 2 - 4 * a * c)) / (2 * a)

# (2)
(x ** 2 + y ** 2) / (2 * a ** 2)

#(3)
(x + y + z) / sqrt(x ** 3 + y ** 3 + z ** 3)

#(4)
(3 + a) ** 2 / (2 * c + 4 * d)

#(5)
2 * math.sin((x + y)/2) * math.cos((x - y)/2)
第4題的代碼及結果如下：
a = 7
b = -2
c = 4
# (1)
print(3 * 4 ** 5 / 2) # 1536.0

#(2)
print(a * 3 % 2) # 1

#(3)
print(a % 3 + b * b - c / 5) # 4.2

#(4)
print(b ** 2 - 4 * a * c) # -108

H. python如何處理單行實現三元表達式求解

首先讓我們構成一個正則表達式。為簡單起見，先構成一個正則表達式來識別下面格式的電話號碼數字:(nnn)nnn-nnnn。
第一步，創建一個pattern對象來匹配上面的子字元串。一旦程序運行後，如果需要的話，可以讓這個對象一般化。匹配上面格式的正則表達可以這樣構成:(\d{3})\s\d{3}-\d{4}，其中\d單字元類型用來匹配從0到9的任何數字，另外{3}重復符號，是個簡便的記號，用來表示有3個連續的數字位，也等效於(\d\d\d)。\s也另外一個比較有用的單字元類型，用來匹配空格，比如Space鍵，tab鍵和換行符。
是不是很簡單?但是，如果把這個正則表達式的模式用在java程序中，還要做兩件事。對java的解釋器來說，在反斜線字元(\)前的字元有特殊的含義。在java中，與regex有關的包，並不都能理解和識別反斜線字元(\)，盡管可以試試看。但為避免這一點，即為了讓反斜線字元(\)在模式對象中被完全地傳遞，應該用雙反斜線字元(\)。此外圓括弧在正則表達中兩層含義，如果想讓它解釋為字面上意思(即圓括弧)，也需要在它前面用雙反斜線字元(\)。也就是像下面的一樣:
\\(\\d{3}\\)\\s\\d{3}-\\d{4}
import java.util.regex.*;
下面的一段代碼實現的功能是，從一個文本文件逐行讀入，並逐行搜索電話號碼數字，一旦找到所匹配的，然後輸出在控制台。
BufferedReader in;
Pattern pattern = Pattern.compile("\\(\\d{3}\\)\\s\\d{3}-\\d{4}");
in = new BufferedReader(new FileReader("phone"));String s;while ((s = in.readLine()) != null){Matcher matcher = pattern.matcher(s);
if (matcher.find()){System.out.println(matcher.group());}}in.close();
對那些熟悉用Python或Javascript來實現正則表達式的人來說，這段代碼很平常。在Python和Javascript這些語言中，或者其他的語言，這些正則表達式一旦明確地編譯過後，你想用到哪裡都可以。與Perl的單步匹配相比，看起來多多做了些工作，但這並不很費事。
find()方法，就像你所想像的，用來搜索與正則表達式相匹配的任何目標字元串，group()方法，用來返回包含了所匹配文本的字元串。應注意的是，上面的代碼，僅用在每行只能含有一個匹配的電話號碼數字字元串時。可以肯定的說，java的正則表達式包能用在一行含有多個匹配目標時的搜索。本文的原意在於舉一些簡單的例子來激起讀者進一步去學習java自帶的正則表達式包，所以對此就沒有進行深入的探討。
這相當漂亮吧! 但是很遺憾的是，這僅是個電話號碼匹配器。很明顯，還有兩點可以改進。如果在電話號碼的開頭，即區位號和本地號碼之間可能會有空格。我們也可匹配這些情況，則通過在正則表達式中加入\s?來實現，其中?元字元表示在模式可能有0或1個空格符。
第二點是，在本地號碼位的前三位和後四位數字間有可能是空格符，而不是連字型大小，更有勝者，或根本就沒有分隔符，就是7位數字連在一起。對這幾種情況，我們可以用(-|)?來解決。這個結構的正則表達式就是轉換器，它能匹配上面所說的幾種情況。在()能含有管道符|時，它能匹配是否含有空格符或連字元，而尾部的?元字元表示是否根本沒有分隔符的情況。
最後，區位號也可能沒有包含在圓括弧內，對此可以簡單地在圓括弧後附上?元字元，但這不是一個很好的解決方法。因為它也包含了不配對的圓括弧，比如"(555" 或 "555)"。相反，我們可以通過另一種轉換器來強迫讓電話號碼是否帶有有圓括弧:(\(\d{3}\)|\d{3})。如果我們把上面代碼中的正則表達式用這些改進後的來替換的話，上面的代碼就成了一個非常有用的電話號碼數字匹配器:
Pattern pattern =
Pattern.compile("(\\(\\d{3}\\)|\\d{3})\\s?\\d{3}(-|)?\\d{4}");
可以確定的是，你可以自己試著進一步改進上面的代碼。
現在看看第二個例子，它是從Friedl的中改編過來的。其功能是用來檢查文本文件中是否有重復的單詞，這在印刷排版中會經常遇到，同樣也是個語法檢查器的問題。
匹配單詞，像其他的一樣，也可以通過好幾種的正則表達式來完成。可能最直接的是\b\w+\b，其優點在於只需用少量的regex元字元。其中\w元字元用來匹配從字母a到u的任何字元。+元字元表示匹配匹配一次或多次字元，\b元字元是用來說明匹配單詞的邊界，它可以是空格或任何一種不同的標點符號(包括逗號，句號等)。
現在，我們怎樣來檢查一個給定的單詞是否被重復了三次?為完成這個任務，需充分利用正則表達式中的所熟知的向後掃描。如前面提到的，圓括弧在正則表達式中有幾種不同的用法，一個就是能提供組合類型，組合類型用來保存所匹配的結果或部分匹配的結果(以便後面能用到)，即使遇到有相同的模式。在同樣的正則表達中，可能(也通常期望)不止有一個組合類型。在第n個組合類型中匹配結果可以通過向後掃描來獲取到。向後掃描使得搜索重復的單詞非常簡單:\b(\w+)\s+\1\b。
圓括弧形成了一個組合類型，在這個正則表示中它是第一組合類型(也是僅有的一個)。向後掃描\1，指的是任何被\w+所匹配的單詞。我們的正則表達式因此能匹配這樣的單詞，它有一個或多個空格符，後面還跟有一個與此相同的單詞。注意的是，尾部的定位類型(\b)必不可少，它可以防止發生錯誤。如果我們想匹配"Paris in the the spring"，而不是匹配"Java's regex package is the theme of this article"。根據java現在的格式，則上面的正則表達式就是:Pattern pattern =Pattern.compile("\\b(\\w+)\\s+\\1\\b");
最後進一步的修改是讓我們的匹配器對大小寫敏感。比如，下面的情況:"The the theme of this article is the Java's regex package."，這一點在regex中能非常簡單地實現，即通過使用在Pattern類中預定義的靜態標志CASE_INSENSITIVE :
Pattern pattern =Pattern.compile("\\b(\\w+)\\s+\\1\\b",
Pattern.CASE_INSENSITIVE);
有關正則表達式的話題是非常豐富，而且復雜的，用Java來實現也非常廣泛，則需要對regex包進行的徹底研究，我們在這里所講的只是冰山一角。即使你對正則表達式比較陌生，使用regex包後會很快發現它強大功能和可伸縮性。

I. python表達式是什麼意思

運算符和操作數一起構成表達式，操作數可以使用標識符表示，如a=3;b=2;c=a*b;python表達式是python程序最常見的代碼。

Python代碼由表達式和語句組成，並由Python解釋器負責執行。(推薦學習：Python視頻教程)

它們的主要區別是“表達式”是一個值，它的結果一定是一個Python對象。當Python解釋器計算它時結果可以是任何對象。例如42，1+2，int(‘123’)，range(10)等。

表達式的優先順序

表達式是有優先順序的，最簡單的如我們賦值運算符中的數學算式：“0 * 1 + 2”和“0 + 1 * 2”結果一定不一樣，在“0 + 1 * 2”中優先運算“1 * 2”。

當然並非是只有賦值運算才優先順序，並且在各種運算符之間也有優先順序。#在下面這個運算中，假設a、b、c都是ture值，因為and 的優先順序大於 or ,所以最後結果是a#

>>> a or b and c

a

#在下面這個運算中，假設a、b、c、d都是ture值#

#因為 + 的優先順序大於 and 大於 or ,所以最後結果是a + b的結果#

>>> a + b or c and d

a + b

#用括弧表現優先順序就是:先運行a + b,再運行c or d 得到 d ,最後運行(a+b) or d#

>>> (a + b) or (c and d)

a + b。

J. 所有python表達式都做什麼事

這里的a=1則是一個表達式，它本身並不會產生任何動作，而只是把變數a的值和1進行比較，然後把比較結果交給if語句去處理。 也就是說：語句是可以單獨執行的、能夠產生實際效果的代碼；而表達式則是包含在語句中，根據某種條件計算出一個值或得出某種結果，然後由語句去判斷和處理的代碼。