Python離散事件模擬代碼

⑴ 求用python代碼實現下列問題：

$python3.6he.pyA1=1A4=7B3=1
已知參數為:
A1=1,A4=7,B3=1
所有可能的{A1，A2，A3，A4}組合:
(1,2,6,7)
(1,3,6,7)
(1,4,6,7)
(1,5,6,7)
$python3.6he.pyA1=1A4=7B3=1C1=3
已知參數為:
A1=1,A4=7,B3=1,C1=3
所有可能的{A1，A2，A3，A4}組合:
(1,2,6,7)
(1,5,6,7)
$python3.6he.py
已知參數為:
A1=1,A4=7,B3=1,D1=2
所有可能的{A1，A2，A3，A4}組合:
無
$cathe.py
...

#!/usr/bin/envpython3.6
importsys


names=('A1','A2','A3','A4','B1','B2','B3','C1','C2','D1')


defgetzuhe(**kwargs):
results=[]
fora1,a2,a3,a4incombinations(range(1,10),4):
ifnota1<a2<a3<a4:
continue
b1=a2-a1
b2=a3-a2
b3=a4-a3
c1=abs(b2-b1)
c2=abs(b3-b2)
d1=abs(c2-c1)
values=(a1,a2,a3,a4,b1,b2,b3,c1,c2,d1)
kws=dict(zip(names,values))
ifall(kws.get(k.upper())==int(v)fork,vinkwargs.items()):
results.append((a1,a2,a3,a4))
returnresultsifresultselse['無']


if__name__=='__main__':
iflen(sys.argv)>1:
kwargs=eval(f'dict({",".join(sys.argv[1:])})')
else:
kwargs=dict(A1=1,A4=7,B3=1,D1=2)
ifany(k.upper()notinnamesforkinkwargs):
print(f'參數有誤.參數范圍如下:
{names}')
print('已知參數為:')
print(','.join([f'{k}={v}'fork,vinkwargs.items()]))
print('所有可能的{A1，A2，A3，A4}組合:')
foriingetzuhe(**kwargs):
print(i)

⑵ 《外星人入侵》的python完整代碼

項目名如標題，在《python編程：從入門到實踐》里有完整詳細的說明，網上也能查到源碼，這里只是在重復這種程序

不過學編程，借鑒模仿很重要，即使抄輪子也得抄個像模像樣才行，抄到即是學到。

進入正題：

游戲很簡單，就是一個打飛機類型的游戲，以下代碼將實現游戲的主程序，飛船的基本操作等。

註：這里提醒新上手的萌新，python的代碼不要隨便復制粘貼！

不要隨便復制粘貼！

不要隨便復制粘貼！

python的縮進很嚴格，復制粘貼後一定要注意格式是否正確，否則會報出異常：

IndentationError: unexpected indent

未知的縮進錯誤

當出現此提示時，要檢查一下哪裡的縮進出現了問題，小段的代碼還好，大段的代碼就呵呵了

注意下載好的文件後綴名為.whl

然後新建一個文件夾，名字叫alien_invasion，將下載好的模塊放在此文件夾下，

然後你要新建以下文件：

1.alien_invasion.py 游戲主程序

2.game_functions.py 存放游戲函數

3.bullet.py 子彈模塊

4.settings.py 游戲設置模塊

5.ship.py 飛船模塊

然後新建images文件夾存放飛船素材。

這些會讓我們實現啟動游戲，飛船的顯示與移動，以及開火功能。

為避免文章冗~長，這里貼一段主程序代碼，其它代碼下周見（偷懶）。

alien_invasion.py

#!usr/bin/env python3
#_*_ coding:utf-8 _*_
#此模塊是游戲的主程序
import sys
import game_functions as gf #導入game_functions文件，並指定了別名gf
import pygame
from settings import Settings
from ship import Ship
from pygame.sprite import Group
def run_game():
# 初始化游戲並創建一個屏幕對象
pygame.init() #pygame的init函數，用於創建一個游戲對象
#把Setting類實例化
ai_settings = Settings()
#顯示游戲窗口並設置其大小
screen = pygame.display.set_mode(
(ai_settings.screen_width,ai_settings.screen_height))
#設置窗口標題
pygame.display.set_caption("Alien Invasion")
# 把Ship類實例化，用於創建飛船
ship = Ship(ai_settings,screen)
#存儲子彈的編組
bullets = Group()
#開始游戲的主循環
while True:
#用於響應滑鼠，鍵盤事件
gf.check_events(ai_settings,screen,ship,bullets)
#更新飛船在屏幕的位置
ship.update()
#更新子彈位置並刪除消失的子彈
gf.update_bullets(bullets)
#用於更新屏幕背景色，更新飛船,子彈等
gf.update_screen(ai_settings,screen,ship,bullets)
run_game() #運行游戲

⑶ 求python 熵值法實現代碼

一、基本原理

在資訊理論中，熵是對不確定性的一種度量。信息量越大，不確定性就越小，熵也就越小；信息量越小，不確定性越大，熵也越大。
根據熵的特性，可以通過計算熵值來判斷一個事件的隨機性及無序程度，也可以用熵值來判斷某個指標的離散程度，指標的離散程度越大，該指標對綜合評價的影響（權重）越大，其熵值越小。

二、熵值法步驟

1. 選取n個國家，m個指標，則為第i個國家的第j個指標的數值（i=1, 2…, n; j=1,2,…, m）；

2. 指標的歸一化處理：異質指標同質化

由於各項指標的計量單位並不統一，因此在用它們計算綜合指標前，先要對它們進行標准化處理，即把指標的絕對值轉化為相對值，並令，從而解決各項不同質指標值的同質化問題。而且，由於正向指標和負向指標數值代表的含義不同（正向指標數值越高越好，負向指標數值越低越好），因此，對於高低指標我們用不同的演算法進行數據標准化處理。其具體方法如下:
正向指標:

負向指標:

則為第i個國家的第j個指標的數值（i=1, 2…, n; j=1, 2,…, m）。為了方便起見，歸一化後的數據仍記為;

3. 計算第j項指標下第i個國家占該指標的比重：

4. 計算第j項指標的熵值：

其中. 滿足;

5. 計算信息熵冗餘度：

6. 計算各項指標的權值：

7. 計算各國家的綜合得分：

[code]function [s,w]=shang(x)
% 函數shang.m, 實現用熵值法求各指標(列）的權重及各數據行的得分
% x為原始數據矩陣, 一行代表一個國家, 每列對應一個指標
% s返回各行得分, w返回各列權重
[n,m]=size(x); % n=23個國家, m=5個指標
%% 數據的歸一化處理
% Matlab2010b,2011a,b版本都有bug,需如下處理. 其它版本直接用[X,ps]=mapminmax(x',0,1);即可
[X,ps]=mapminmax(x');
ps.ymin=0.002; % 歸一化後的最小值
ps.ymax=0.996; % 歸一化後的最大值
ps.yrange=ps.ymax-ps.ymin; % 歸一化後的極差,若不調整該值, 則逆運算會出錯
X=mapminmax(x',ps);
% mapminmax('reverse',xx,ps); % 反歸一化, 回到原數據
X=X'; % X為歸一化後的數據, 23行(國家), 5列(指標)
%% 計算第j個指標下，第i個記錄占該指標的比重p(i,j)
for i=1:n
for j=1:m
p(i,j)=X(i,j)/sum(X(:,j));
end
end
%% 計算第j個指標的熵值e(j)
k=1/log(n);
for j=1:m
e(j)=-k*sum(p(:,j).*log(p(:,j)));
end
d=ones(1,m)-e; % 計算信息熵冗餘度
w=d./sum(d); % 求權值w
s=w*p'; % 求綜合得分[\code]

測試程序：

data.txt 數據如下：
114.6 1.1 0.71 85.0 346
55.3 0.96 0.4 69.0 300
132.4 0.97 0.54 73.0 410
152.1 1.04 0.49 77.0 433
103.5 0.96 0.66 67.0 385
81.0 1.08 0.54 96.0 336
179.3 0.88 0.59 89.0 446
29.8 0.83 0.49 120.0 289
92.7 1.15 0.44 154.0 300
248.6 0.79 0.5 147.0 483
115.0 0.74 0.65 252.0 453
64.9 0.59 0.5 167.0 402
163.6 0.85 0.58 220.0 495
95.7 1.02 0.48 160.0 384
139.5 0.70 0.59 217.0 478
89.9 0.96 0.39 105.0 314
76.7 0.95 0.51 162.0 341
121.8 0.83 0.60 140.0 401
42.1 1.08 0.47 110.0 326
78.5 0.89 0.44 94.0 280
77.8 1.19 0.57 91.0 364
90.0 0.95 0.43 89.0 301
100.6 0.82 0.59 83.0 456

執行代碼：
[code]x=load('data.txt'); % 讀入數據
[s,w]=shang(x)[\code]

運行結果：
s =

Columns 1 through 9

0.0431 0.0103 0.0371 0.0404 0.0369 0.0322 0.0507 0.0229 0.0397

Columns 10 through 18

0.0693 0.0878 0.0466 0.0860 0.0503 0.0800 0.0234 0.0456 0.0536

Columns 19 through 23

0.0272 0.0181 0.0364 0.0202 0.0420

w =

0.1660 0.0981 0.1757 0.3348 0.2254

⑷ python scikit-learn 有什麼演算法

1，前言

很久不發文章，主要是Copy別人的總感覺有些不爽，所以整理些干貨，希望相互學習吧。不啰嗦，進入主題吧，本文主要時說的為樸素貝葉斯分類演算法。與邏輯回歸，決策樹一樣，是較為廣泛使用的有監督分類演算法，簡單且易於理解（號稱十大數據挖掘演算法中最簡單的演算法）。但其在處理文本分類，郵件分類，拼寫糾錯，中文分詞，統計機器翻譯等自然語言處理范疇較為廣泛使用，或許主要得益於基於概率理論，本文主要為小編從理論理解到實踐的過程記錄。

2，公式推斷

一些貝葉斯定理預習知識：我們知道當事件A和事件B獨立時，P（AB）=P（A）（B），但如果事件不獨立，則P（AB）=P（A）P（B|A）。為兩件事件同時發生時的一般公式，即無論事件A和B是否獨立。當然也可以寫成P（AB）=P（B）P（A|B），表示若要兩件事同事發生，則需要事件B發生後，事件A也要發生。

由上可知，P（A）P（B|A）= P（B）P（A|B）

推出P（B|A）=

其中P（B）為先驗概率，P（B|A）為B的後驗概率，P（A|B）為A的後驗概率（在這里也為似然值），P（A）為A的先驗概率（在這也為歸一化常量）。

由上推導可知，其實樸素貝葉斯法就是在貝葉斯定理基礎上，加上特徵條件獨立假設，對特定輸入的X（樣本，包含N個特徵），求出後驗概率最大值時的類標簽Y（如是否為垃圾郵件），理解起來比邏輯回歸要簡單多，有木有，這也是本演算法優點之一，當然運行起來由於得益於特徵獨立假設，運行速度也更快。

8. Python代碼

# -*-coding: utf-8 -*-

importtime

fromsklearn import metrics

fromsklearn.naive_bayes import GaussianNB

fromsklearn.naive_bayes import MultinomialNB

fromsklearn.naive_bayes import BernoulliNB

fromsklearn.neighbors import KNeighborsClassifier

fromsklearn.linear_model import LogisticRegression

fromsklearn.ensemble import RandomForestClassifier

fromsklearn import tree

fromsklearn.ensemble import GradientBoostingClassifier

fromsklearn.svm import SVC

importnumpy as np

importurllib

# urlwith dataset

url ="-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data"

#download the file

raw_data= urllib.request.urlopen(url)

#load the CSV file as a numpy matrix

dataset= np.loadtxt(raw_data, delimiter=",")

#separate the data from the target attributes

X =dataset[:,0:7]

#X=preprocessing.MinMaxScaler().fit_transform(x)

#print(X)

y =dataset[:,8]

print(" 調用scikit的樸素貝葉斯演算法包GaussianNB ")

model= GaussianNB()

start_time= time.time()

model.fit(X,y)

print('training took %fs!' % (time.time() - start_time))

print(model)

expected= y

predicted= model.predict(X)

print(metrics.classification_report(expected,predicted))

print(metrics.confusion_matrix(expected,predicted))

print(" 調用scikit的樸素貝葉斯演算法包MultinomialNB ")

model= MultinomialNB(alpha=1)

start_time= time.time()

model.fit(X,y)

print('training took %fs!' % (time.time() - start_time))

print(model)

expected= y

predicted= model.predict(X)

print(metrics.classification_report(expected,predicted))

print(metrics.confusion_matrix(expected,predicted))

print(" 調用scikit的樸素貝葉斯演算法包BernoulliNB ")

model= BernoulliNB(alpha=1,binarize=0.0)

start_time= time.time()

model.fit(X,y)

print('training took %fs!' % (time.time() - start_time))

print(model)

expected= y

predicted= model.predict(X)

print(metrics.classification_report(expected,predicted))

print(metrics.confusion_matrix(expected,predicted))

print(" 調用scikit的KNeighborsClassifier ")

model= KNeighborsClassifier()

start_time= time.time()

model.fit(X,y)

print('training took %fs!' % (time.time() - start_time))

print(model)

expected= y

predicted= model.predict(X)

print(metrics.classification_report(expected,predicted))

print(metrics.confusion_matrix(expected,predicted))

print(" 調用scikit的LogisticRegression(penalty='l2')")

model= LogisticRegression(penalty='l2')

start_time= time.time()

model.fit(X,y)

print('training took %fs!' % (time.time() - start_time))

print(model)

expected= y

predicted= model.predict(X)

print(metrics.classification_report(expected,predicted))

print(metrics.confusion_matrix(expected,predicted))

print(" 調用scikit的RandomForestClassifier(n_estimators=8) ")

model= RandomForestClassifier(n_estimators=8)

start_time= time.time()

model.fit(X,y)

print('training took %fs!' % (time.time() - start_time))

print(model)

expected= y

predicted= model.predict(X)

print(metrics.classification_report(expected,predicted))

print(metrics.confusion_matrix(expected,predicted))

print(" 調用scikit的tree.DecisionTreeClassifier()")

model= tree.DecisionTreeClassifier()

start_time= time.time()

model.fit(X,y)

print('training took %fs!' % (time.time() - start_time))

print(model)

expected= y

predicted= model.predict(X)

print(metrics.classification_report(expected,predicted))

print(metrics.confusion_matrix(expected,predicted))

print(" 調用scikit的GradientBoostingClassifier(n_estimators=200) ")

model= GradientBoostingClassifier(n_estimators=200)

start_time= time.time()

model.fit(X,y)

print('training took %fs!' % (time.time() - start_time))

print(model)

expected= y

predicted= model.predict(X)

print(metrics.classification_report(expected,predicted))

print(metrics.confusion_matrix(expected,predicted))

print(" 調用scikit的SVC(kernel='rbf', probability=True) ")

model= SVC(kernel='rbf', probability=True)

start_time= time.time()

model.fit(X,y)

print('training took %fs!' % (time.time() - start_time))

print(model)

expected= y

predicted= model.predict(X)

print(metrics.classification_report(expected,predicted))

print(metrics.confusion_matrix(expected,predicted))

"""

# 預處理代碼集錦

importpandas as pd

df=pd.DataFrame(dataset)

print(df.head(3))

print(df.describe())##描述性分析

print(df.corr())##各特徵相關性分析

##計算每行每列數據的缺失值個數

defnum_missing(x):

return sum(x.isnull())

print("Missing values per column:")

print(df.apply(num_missing, axis=0)) #axis=0代表函數應用於每一列

print(" Missing values per row:")

print(df.apply(num_missing, axis=1).head()) #axis=1代表函數應用於每一行"""

⑸ 在套用網上的matlab代碼時顯示未定義變數，要怎麼定義呢

Key Features
用於科學和工程計算的高級語言
桌面環境變得適合於迭代式的探查、設計及問題求解
用於數據可視化的圖像系統以及用於創建自定義繪圖的工具
用於曲線擬合、數據分類、信號分析和許多其他領域特定任務的應用程序
用於各種工程和科學應用的附加工具箱
用於構建自定義用戶界面的應用程序的工具
C/C++、java?、.NET、Python?、SQL、Hadoop? 和 Microsoft? Excel? 的介面
與最終用戶共享 MATLAB 程序的免費部署選項
為什麼選擇 MATLAB？
MATLAB? 是面向工程師和科學家的最簡單和最具生產力的軟體。無論您要分析數據、開發演算法還是創建模型，MATLAB 都提供了鼓勵探索和發現的環境。它將高級語言與針對迭代式工程和科學工作流進行調整的桌面環境相結合。

在針對您的工作方式所設計的桌面環境中分析數據和開發演算法。
MATLAB 精通數學
基於矩陣的 MATLAB 語言是世界上最自然的計算數學表示方法。MATLAB 中的線性代數就像教科書中的線性代數一樣。這樣可以簡單直接地捕獲您想 法背後的數學概念，意味著您的代碼更容易編寫、閱讀和理解，而且更容易維護。
您可以信任您的計算結果。MATLAB 深根於數值分析研究社區，因其無可挑剔的數值運算而廣為人知。由 350 名工程師組成的 MathWorks 團隊每天都對 MATLAB 代碼庫運行數百萬次的測試，不斷驗證其質量。
MATLAB 執行艱苦工作，確保您的代碼快速運行。數學運算分布到您的計算機上的多個內核中，庫調用經過高度優化，所有代碼均即時編譯。您可以通過將 for 循環更改為並行 for 循環或將標准數組更改為 GPU 或分布式數組來以並行方式運行您的演算法。無需更改代碼，即可在可無限擴展的公共雲或私有雲上運行並行演算法。
MATLAB 語言還提供了傳統編程語言的功能，包括流控制、錯誤處理、面向對象編程、單元測試和源代碼管理集成。

探索圖片庫 (4 圖片 )
MATLAB 面向工程師和科學家設計
MATLAB 調整後的界面環境更適合迭代式工程和科學工作流程。集成的工具支持同時探索數據和程序，讓您以更少的時間評估更多的想法。
您可以採用交互方式預覽、選擇和預處理您要導入的數據。
豐富的內置數學函數集為您的工程和科學分析提供支持。
2D 和 3D 繪圖函數使您可以實現數據可視化，理解數據，並交流結果。
使用 MATLAB 應用程序可以執行常見的工程任務，無需編程。將不同演算法處理數據的方式可視化，並在您獲得所需結果之前反復迭代。
利用集成的編輯和調試工具可以快速試探多個選項，優化分析，並通過反復迭代找出最佳解決方案。
您可以將工作捕獲為可共享的互動式描述。
由工程師和科學家編寫的全面、專業的文檔始終觸手可及，確保您保持工作效率。可靠的實時技術支持人員能迅速回答您的問題。您還可以在 MATLAB Central（一個面向 MATLAB 和 Simulink? 用戶的開放式交流平台）學習超過 100,000 名社區成員和 MathWorks 工程師的知識與經驗。
MATLAB 和附加工具箱相互集成，並設計為協同工作。它們專門針對科學和工程應用提供了經過專業開發、嚴格測試、現場強化和完全歸檔的功能。

實時編輯器包括結果以及生成這些結果的代碼，用於加速探索性編程和分析。添加方程式、圖像、超鏈接以及格式化文本以增強描述效果。
MATLAB 集成工作流
重大的工程和科學挑戰需要廣泛合作才能使想法付諸實施。沿途的每次交接都會增加錯誤和延遲。
MATLAB 會使從研究到生產的整個路徑自動化。您可以：
構建和打包自定義 MATLAB 應用程序和工具箱，以便與其他 MATLAB 用戶共享。
創建獨立可執行文件，以便與其他沒有 MATLAB 的人共享。
與 C/C++、Java、.NET 和 Python 集成。直接從 MATLAB 調用這些語言，或者打包 MATLAB 演算法和應用程序以便在 Web、企業和生成系統內部署。
將 MATLAB 演算法轉換為 C、HDL 和 PLC 代碼以在嵌入式設備上運行。
部署 MATLAB 代碼以在生產 Hadoop 系統上運行。
MATLAB 還是基於模型的設計的關鍵部分，該設計用於多域模擬、物理和離散事件模擬以及驗證和代碼生成。探索 Simulink、Simscape? 和 Stateflow? 以了解更多關於基於模型的設計的信息。

⑹ python沒有直接生成服從泊松分布隨機數的函數嗎

首先是泊松分布，這是一個離散型的隨機變數分布，比較好弄，此外例如考察一些到達事件的概率時，通常服從泊松分布，因此該分布相當實用。在開始編寫之前，先感謝知乎一位大神的科普知識，假設有一個服從均勻分布的隨機變數，u~U[0,1]，F(x)為隨機變數x的累計分布函數，那麼F-1（u）的變數服從F分布，即F的逆函數是服從F的隨機變數。代碼如下：

[java] view plain print?
<span style="white-space:pre"> </span>private static int getPossionVariable(double lamda) {
int x = 0;
double y = Math.random(), cdf = getPossionProbability(x, lamda);
while (cdf < y) {
x++;
cdf += getPossionProbability(x, lamda);
}
return x;
}

private static double getPossionProbability(int k, double lamda) {
double c = Math.exp(-lamda), sum = 1;
for (int i = 1; i <= k; i++) {

⑺ 以下代碼怎麼用python 去模擬

pbCompleted = 0
def eventCallback(eventType, pEventData, pContext):
if eventType==fft_file_downloader_event_completed:
pbCompleted = pContext
print "Completion callback!\n"
pbCompleted = 1;
elif eventType==fft_file_downloader_event_progress:
print "Current progress: %d\n" % pEventData
python是沒有指針的，所以需要傳遞指針的操作，直接傳遞數值，將有些變數作為類變數或者全局的變數。比如pbCompleted可以作為全局的。

⑻ 創建類和對象的問題

1.var $book_ID表示book類中的一個成員變數；
2.$this->book_ID=$ID表示book類的實例化時的this指針（表示當前類的對象）指向的book_ID成員變數賦給$ID變數的值；
3.類和對象是面向對象編程的核心，其簡介如下：
面向對象語言(Object-Oriented Language)是一類以對象作為基本程序結構單位的程序設計語言，指用於描述的設計是以對象為核心，而對象是程序運行時刻的基本成分。語言中提供了類、繼承等成分。

面向對象語言借鑒了20世紀50年代的人工智慧語言LISP，引入了動態綁定和互動式開發環境的思耄皇加?0年代的離散事件模擬語言SIMULA67，引入了類的要領和繼承，成形於70年代的Smalltalk。面向對象語言的發展有兩個方向：一種是純面向對象語言，如Smalltalk、EIFFEL等；另一種是混合型面向對象語言，即在過程式語言及其它語言中加入類、繼承等成分，如C++、Objective-C等。

面向對象語言刻畫客觀系統較為自然，便於軟體擴充與復用。有4個主要特點：

(1)識認性，系統中的基本構件可識認為一組可識別的離散對象;
(2)類別性，系統具有相同數據結構與行為的所有對象可組成一類；
(3)多態性，對象具有惟一的靜態類型和多個可能的動態類型；
(4)繼承性，在基本層次關系的不同類中共享數據和操作。

其中，前三者為基礎，繼承是特色。四者(有時再加上動態綁定)結合使用，體現出面向對象語言的表達能力。

一般認為，較典型的面向對象語言有：

SIMULA67，支持單繼承和一定含義的多態和部分動態綁定；
Smalltalk支持單繼承、多態和動態綁定；
EIFFEL，支持多繼承、多態和動態綁定；
C++，支持多繼承、多態和部分動態綁定。

四種語言涉及概念的含義雖基本相同，但所用術語有別。

基於類的面向對象語言

基於類的面向對象語言是面向對象世界裡的主流。它包括：

Simula, 第一個面向對象語言
Smalltalk, 第一個支持動態類型的語言
C++, 它的大部分基於類的特性繼承自Simula.等等等等。

與基於類的語言相對應的是基於對象的面向對象語言。這里「基於對象」的概念和把Visual Basic叫做基於對象的概念是不同的。這里的「基於對象」是指一個只以對象為中心，沒有類的概念的語言，類似Python之類的語言。

一個生動的比喻：人類原始語言--面向對象語言

不知道這樣的比喻是不是恰當:人生就象是一段程序, 只不過這段程序是由上帝用特殊的代碼編寫而成,裡面的演算法極其復雜.這世界上誰也不會看懂,誰能看懂誰就是上帝.除非就象拖動播放器一樣去拖動時間,你才會猛然發現後面的事情.但是時間是不能拖動的.至少現在是這樣.於是對將來的無知就使我們有了恐懼 .

我想也許上帝編寫他的龐大的程序應該綜合了很多語言,而在編寫「human」這個類的時候我想也許他主要用的應該是面向對象這種語言吧.他賦予了我們每個人類對象一些屬性 ,一些行為,並且使之歸類.物以類聚，人以群分，體現的正是這一點.所以我們每個人最起碼應該知道自己本身屬於什麼類.能做什麼?不能做什麼?而我就屬於那種再平凡不過的替其他代碼服務的方法, 別人只需要調用就可 .

有的代碼有局限性,寫出來只能在一定的環境才能運行.我們周圍的大自然就是 ,比如高山,大樹,房屋,大海，甚至地球等星球。而有的代碼寫出來以後,可以在任何地方運行.比如面向對象語（JAVA）.而我偏偏就屬於前一種代碼,頂多生活在自己的世界就已經是非常幸福了.其實到現在我都沒有達到.而大多數人就屬於後者,走到哪兒都能生存, 都能適應.所以說我們人類的適應力其實是最強的. 還有一種代碼就是亂碼 ,讓人看不懂. 誰也不理解他, 他也不理解這個世界. 由於現代社會的冷漠和溝通的減少,以及人們表達方式所產生的誤會，這種代碼也有很多 .他們孤單寂寞 ,感情得不到宣洩 ,壓抑得不到釋放 ,似被忽略, 不值得提.

有的代碼寫出來以後什麼用處也沒有, 他的存在只是浪費時間和空間 ,浪費資源而已 .什麼都不做 ,或者說盡做一些毫無用處的事 .其實也不能這么說 .正如你在大街上看到乞丐一樣 ,也許你會害怕那種情形 ,所以你使自己努力， 奮進 ，最後成為一位傑出的人才. 這都歸於乞丐在你心中留下的陰影 ，只不過我們看不見這種實際存在的作用.而有的代碼功能十分的龐大,服務很多，可以做許多有意義 ，有用的事. 我們當中的掌管技術或藝術的人就屬於這一類. 他們是推動社會的核心力量 ,他們的存在就是讓世界前進 ，發展 ，讓這個世界充滿勃勃生機.然而還有一種代碼, 自己沒有多少的服務和動作, 而是靠調用別的代碼來達到目的. 不要說這種代碼可惡, 這種代碼其實最有用. 通過他的調用 別的代碼才能發揮自己的作用 ,才能體現出價值來. 我們當中也有很多這種類型的人 .比如公司的經理，總裁，地區的市長，國家的主席等，他們通常是上流社會的主導，控制著世界發展的方向. 沒有他們的控制和管理， 恐怕社會將體現不出應有的價值.

我們每個人都無法看透別人 ,正如類的封裝一樣. 如果要想了解一點的話 ,可以通過消息與其他事物互動 .所以這樣也只是對事物了解了一點點 ,因此不要說你看透了誰 ,你了解透了誰 ，至少你不能了解他的真真的本身屬性.其實很多人所說的掌握了真理只不過是一些事物所表現出來的類似真理的表象而已. 所以我們為人處事應該謙虛, 因為我們知道的只有一丁點 .實際上我們經常只是實列連接 ,就如同父輩和我們這代之間的鴻溝一樣 .彼此都不通過消息去了解 .但有一點就是 我們至少必須了解自己 .給自己定位. 這就是所謂的自知.

同樣 ,人必須要發展 ,要進步, 如同類的繼承一樣, 子類繼承了父類. 而且他本身還增加了許多功能. 這樣才能提高內涵, 提高自身的價值.而上帝實際上就是用「遺傳」和「變異」來體現這一設計的. 而且類還具有多態性 ,可以繼承他上面的許多的父類. 所以我們要多多向那些比我們優秀的人學習, 繼承他們的優點, 學習他們的智慧. 如果你覺的繼承過來的東西滿足不了你或不適合你, 怎麼辦呢? 不要緊, 上帝編寫程序的時候早就考慮到了. 他允許每個「person」這個實列重寫父類中的方法, 以適應自己本身. 也就是方法覆蓋. 東方曾經就是向西方學習 ,繼承了他們的先進之處, 再結合自己的特點, 走自己的特色道路, 這就是一個很好的列子.

另外就是介面要多, 這樣才活躍. 很多東西都可以通過介面來了解你的很多特點. 這便是開放 .讓別人來了解自己 ,也讓自己在別人面前表現出自己的價值, 存在的意義. 而有的代碼則相反 ，沒有什麼介面，甚至根本就沒有介面 .把自己孤立起來, 讓人不能理解 .任何一方面都無法與他溝通. 這就會導致自閉 ,而自閉又會導致落後, 挨打 .中國曾經就是由於閉關鎖國，閉門造車而導致發展緩慢，十分落後，而現在就不一樣了，加入了世貿，融入了世界，成為了強國，甚至成為了帶動世界經濟的火車頭，這就是一個很大的轉變.

程序有重復和選擇結構, 我相信我們人類這道程序也應該是. 比如可以發明時間機器, 直接跳到後面去執行語句, 而我們就走向了未來. 或是再返回去重復執行以前的語句, 就如同我們回到從前, 再去經歷一遍. 當然 ,這是要有條件的, 要根據條件選擇. 而我們要具備的條件就是技術, 這樣才能發明時間機器. 但這就要看上帝要在什麼時候實現這一小目標"時間機器的誕生"

程序設計總是強調弱耦合，強內聚.而上帝在面向人類對象的設計中也是這樣的. 他是希望我們每個人不要太依賴別人,而是要靠自己的實力去實現願望 . 中國就是這樣, 走自己的特色道路, 堅持自力更生 ,艱苦奮斗，最終實現了社會主義社會 .

還有就是包, 裡面的內容十分豐富. 每個類或實列都可以直接或間接享用或吸收裡面的東西. 比如LANG包. 而事實上中國共產黨就屬於這個包, 起到SUPER的作用. 我們每個人都是在黨的懷抱下成長的, 我們每個人都直接或間接的繼承他的優良傳統和作風,才使我們中華民族的每個子女這么優秀 .因此我們每個人都要愛戴黨，擁護黨，加入黨。

上帝好象有意偏袒生命這種不同尋常的東西, 在面向對象的時候, 他還賦予每段代碼不同尋常的功能. 那就是代碼本身在適當的時候可以改變自己, 調整自己 ,以適應需要. 這是個了不起的設計. 敢這樣說: 就因為這個設計, 世界才能發展到現在. 這個類的類名叫"life" 是高貴的 ,功能最強的 ,尤其是在"person"這一方面體現的更強烈. 正如我們在失敗的時候可以及時的調整自己的心態, 重新開始. 或者在了解自己很落後的時候 ,可以讓自己去學習, 去工作. 或者說在受到傷害的時候努力讓自己堅持. 也就是說, 在做任何事情的時候可以根據需要隨時改變自己的動作或心態去迎合目標. 這有點象函數 ,能根據不同的參數計算出不同的結果. 而我們的性格和行為就相當於自變數 ,改變自變數, 將改變結果 .或者說就正如方法重載 ,雖然類名是一樣的, 但可以根據參數個數或類型而自己就判定應該調用那一個方法 ,應該做那些動作. 所不同的是, 我們不但可以賦予自己不同的參數 ,我們還能改變自己的演算法方式 .而函數就不行, 演算法方式已經定下了 ，只能由此演算法改變結果而已.因此說這種代碼是高度智慧的, 也就是說 ,上帝在編寫他的時候賦予了他特殊的方法:允許對象調用自己本身去創造方法. 也就是說他把我們設計成了主動對象, 而把其他事物設計成了被動對象 .上帝是希望通過我們人類的主動性去發現事物 ,發現真理, 探索世界. 缺了他 ,世界將是一片荒涼, 如同機械一般 ,沒有激情 ,沒有生機, 就象風穿梭在黑夜.

所有的程序都是「固定」的, 也就是說編寫好了以後他總是按照程序「本身」去執行 ,不會有任何意外. 對與普通程序, 死機可能是一種意外. 其實不是 ,死機無非就是程序中斷，這也是符合程序本身的. 因為你的程序只能做到這樣：死機的時候中斷. 上帝在設計我們人類的時候也是這樣的. 如果我們有意外, 比如地球毀滅, 太陽壽盡, 那也沒辦法, 因為上帝在編寫程序的時候沒有編寫處理異常的代碼. 也許他編寫了, 只不過這段代碼到後期才能執行, 但誰知道呢. 普通代碼通常是這段代碼執行完以後再去執行那段代碼.也就是所謂的順序執行. 同樣 ,上帝編寫的程序也不列外 .有因必有果, 所有事情的發生一點也不偶然,正如東京的蝴蝶振動一下翅膀，紐約就會傾盆大雨，而其間的一系列連環反應誰也不清楚, 但這一切其實都是已「註定」的.任何人都無法改變自己的「FORTUNE」 你可能會說, 我就可以改變自己的命運, 我要靠自己的努力去改變自己的人生. 恭喜你 !你就是那段具有高度智慧的代碼, 能根據需要隨時改變自己的狀態和行為. 但是, 這個改變本身實際上仍然是上帝賦予你的. 是他老人家安排我們能做什麼 ,不能做什麼。

⑼ 關於python的問題 在python里如何在不用eval（）的情況下將字元串轉化成代碼計算 

這涉及到非常復雜的字元串處理問題

隨著輸入表達式的復雜度增加，程序會變得越發臃腫

以簡單的二元加法為例，處理二元加法比較簡單：

string=input()
num=[float(i)foriinstring.split('+')]
print(sum(num))

而Python內置函數是以C寫成，在運行速度上，占據絕對優勢

在編程時只需將傳入表達式執行檢查，並且轉化為Python表達式，傳遞給eval()即可，這比手動進行字元串處理方便快捷，也帶來了更好的代碼可讀性和復用能力

用Python的哲學說就是：EIBIT——明了勝於晦澀

⑽ 如何在Python中實現這五類強大的概率分布

要使用Python實現一些離散和連續的概率分布。雖然我不會討論這些分布的數學細節，但我會以鏈接的方式給你一些學習這些統計學概念的好資料。在討論這些概率分布之前，我想簡單說說什麼是隨機變數（randomvariable）。隨機變數是對一次試驗結果的量化。舉個例子，一個表示拋硬幣結果的隨機變數可以表示成PythonX={1如果正面朝上,2如果反面朝上}12X={1如果正面朝上,2如果反面朝上}隨機變數是一個變數，它取值於一組可能的值（離散或連續的），並服從某種隨機性。隨機變數的每個可能取值的都與一個概率相關聯。隨機變數的所有可能取值和與之相關聯的概率就被稱為概率分布（probabilitydistributrion）。我鼓勵大家仔細研究一下scipy.stats模塊。概率分布有兩種類型：離散（discrete）概率分布和連續（continuous）概率分布。離散概率分布也稱為概率質量函數（probabilitymassfunction）。離散概率分布的例子有伯努利分布（Bernoullidistribution）、二項分布（binomialdistribution）、泊松分布（Poissondistribution）和幾何分布（geometricdistribution）等。連續概率分布也稱為概率密度函數（probabilitydensityfunction），它們是具有連續取值（例如一條實線上的值）的函數。正態分布（normaldistribution）、指數分布（exponentialdistribution）和β分布（betadistribution）等都屬於連續概率分布。若想了解關於離散和連續隨機變數的知識，你可以觀看可汗學院關於概率分布的視頻。二項分布（BinomialDistribution）服從二項分布的隨機變數X表示在n個獨立的是/非試驗中成功的次數，其中每次試驗的成功概率為p。E(X)=np,Var(X)=np(1−p)如果你想知道每個函數的原理，你可以在IPython筆記本中使用helpfile命令。E(X)表示分布的期望或平均值。鍵入stats.binom?了解二項分布函數binom的信息。二項分布的例子：拋擲10次硬幣，恰好兩次正面朝上的概率是多少？假設在該試驗中正面朝上的概率為0.3，這意味著平均來說，我們可以期待有3次是硬幣正面朝上的。我定義擲硬幣的所有可能結果為k=np.arange(0,11)：你可能觀測到0次正面朝上、1次正面朝上，一直到10次正面朝上。我使用stats.binom.pmf計算每次觀測的概率質量函數。它返回一個含有11個元素的列表（list），這些元素表示與每個觀測相關聯的概率值。您可以使用.rvs函數模擬一個二項隨機變數，其中參數size指定你要進行模擬的次數。我讓Python返回10000個參數為n和p的二項式隨機變數。我將輸出這些隨機變數的平均值和標准差，然後畫出所有的隨機變數的直方圖。泊松分布（PoissonDistribution）一個服從泊松分布的隨機變數X，表示在具有比率參數（rateparameter）λ的一段固定時間間隔內，事件發生的次數。參數λ告訴你該事件發生的比率。隨機變數X的平均值和方差都是λ。E(X)=λ,Var(X)=λ泊松分布的例子：已知某路口發生事故的比率是每天2次，那麼在此處一天內發生4次事故的概率是多少？讓我們考慮這個平均每天發生2起事故的例子。泊松分布的實現和二項分布有些類似，在泊松分布中我們需要指定比率參數。泊松分布的輸出是一個數列，包含了發生0次、1次、2次，直到10次事故的概率。我用結果生成了以下圖片。你可以看到，事故次數的峰值在均值附近。平均來說，你可以預計事件發生的次數為λ。嘗試不同的λ和n的值，然後看看分布的形狀是怎麼變化的。現在我來模擬1000個服從泊松分布的隨機變數。正態分布（NormalDistribution）正態分布是一種連續分布，其函數可以在實線上的任何地方取值。正態分布由兩個參數描述：分布的平均值μ和方差σ2。E(X)=μ,Var(X)=σ2正態分布的取值可以從負無窮到正無窮。你可以注意到，我用stats.norm.pdf得到正態分布的概率密度函數。β分布（BetaDistribution）β分布是一個取值在[0,1]之間的連續分布，它由兩個形態參數α和β的取值所刻畫。β分布的形狀取決於α和β的值。貝葉斯分析中大量使用了β分布。當你將參數α和β都設置為1時，該分布又被稱為均勻分布（uniformdistribution）。嘗試不同的α和β取值，看看分布的形狀是如何變化的。指數分布（ExponentialDistribution）指數分布是一種連續概率分布，用於表示獨立隨機事件發生的時間間隔。比如旅客進入機場的時間間隔、打進客服中心電話的時間間隔、中文維基網路新條目出現的時間間隔等等。我將參數λ設置為0.5，並將x的取值范圍設置為$[0,15]$。接著，我在指數分布下模擬1000個隨機變數。scale參數表示λ的倒數。函數np.std中，參數ddof等於標准偏差除以$n-1$的值。/81321/