python迭代算法编程

⑴ python中什么是迭代

如果给定一个list或tuple，我们可以通过for循环来遍历这个list或tuple，这种遍历我们称为迭代（Iteration）。

在Python中，迭代是通过for ... in来完成的，而很多语言比如C或者Java，迭代list是通过下标完成的，比如Java代码：

for (i=0; i<list.length; i++) { n = list[i];
}

可以看出，Python的for循环抽象程度要高于Java的for循环，因为Python的for循环不仅可以用在list或tuple上，还可以作用在其他可迭代对象上。

list这种数据类型虽然有下标，但很多其他数据类型是没有下标的，但是，只要是可迭代对象，无论有无下标，都可以迭代，比如dict就可以迭代：

>>> d = {'a': 1, 'b': 2, 'c': 3}>>> for key in d:... print(key)
...
a
c
b

因为dict的存储不是按照list的方式顺序排列，所以，迭代出的结果顺序很可能不一样。

默认情况下，dict迭代的是key。如果要迭代value，可以用for value in d.values()，如果要同时迭代key和value，可以用for k, v in d.items()。

由于字符串也是可迭代对象，因此，也可以作用于for循环：

>>> for ch in 'ABC':... print(ch)
...
A
B
C

所以，当我们使用for循环时，只要作用于一个可迭代对象，for循环就可以正常运行，而我们不太关心该对象究竟是list还是其他数据类型。

这个网站有很多Python的系统、基础教程，可以看看。网页链接

⑵ 求解答Python中一个简单的迭代

首先这是个递归函数，功能是将一个10进制数，转换成一个其他进制的数，这里转换只是将结果打印出来。
递归这么调用foo(126,2)->foo(63,2),0->foo(31,2)，1，0->foo(15,2)，1，1，0->foo(7,2),1，1，1，0->foo(3,2)，1，1，1，1，0->foo(1,2)，1，1，1，1，1，0->1,1,1,1,1,0(共5个1，这个程序写的其实并不对。)有函数表示前面的先算出来，后面才能打印。所以虽然0是最先要打印的，但是却在最后一位，那是因为print放在函数调用的后面。
这个函数的应该在print后面加一句elif num>0:print num这句和if缩进相同，这个程序的功能才正常，否则最高位会缺失。
不明白可追问。

⑶ 牛顿迭代法的Python代码

Python代码以实例展示求解f(x) = (x-3）**3，f(x) = 0 的根。def f(x):
return (x-3）**3 ’''定义f(x) = (x-3）**3'''
def fd(x):
return 3*((x-3）**2） ’''定义f'(x) = 3*((x-3）**2）
def newtonMethod(n,assum):
time = n
x = assum
Next = 0
A = f(x)
B = fd(x)
print('A = ' + str(A) + ',B = ' + str(B) + ',time = ' + str(time))
if f(x) == 0.0:
return time,x
else:
Next = x - A/B
print('Next x = '+ str(Next))
if A == f(Next): print('Meet f(x) = 0,x = ' + str(Next)) ’''设置迭代跳出条件，同时输出满足f(x) = 0的x值'''
else:
returnnewtonMethod(n+1,Next)
newtonMethod(0,4.0) ’''设置从0开始计数，x0 = 4.0'''

⑷ 什么是迭代，Python入门教程

迭代就是把迭代得到的值作为下一次迭代的初始值

举个栗子,求Fibonaci的数列第n项,这个就是最简单的迭代

#FibonaciSequence
#f(1)=1
#f(2)=1
#f(n)=f(n-1)+f(n-2)when(n>2)

a=1
b=1
n=8
sum=0
foriinrange(n-2):
sum=a+b
a=b
b=sum

printsum

⑸ python中的迭代式什么意思

数学上面的定义:迭代公式就是指用现在的值，代到一个公式里面，算出下一个值，再用下一个值代入公式，如此往复地代。比如:x=(x+2/x)/2 你随便拿一个x=10代入，得x=(10+2/10)/2=5.1，再代进去x=(5.1+2/5.1)/2=2.746，再代入得1.737，以此类推。

在python中，迭代式也可以是递归的调用，下面给你举个例子:

def f(n):

if n == 0 or n == 1 or n == 2: return 1

else: return f(n-1) + f(n-2)

这就是一个简单的第n项斐波那契数的求法，这里就用的是迭代式。另外的例子就是牛顿迭代法，采用逐次渐进的效果求出n的开方数，下面是例子:

def f(guess):

return guess ** 2

def fd(guess):

return 2 * guess

def SquareRootNR(x， epsilon):

guess = x / 2.0

diff = f(guess) - x

ctr = 1

while abs(diff) > epsilon and ctr <= 100:

guess = guess - diff / fd(guess)

diff = f(guess) - x

ctr += 1。

⑹ python算法设计的步骤有三步分别是

1. 弄清楚题目的意思，列出题目的输入、输出、约束条件
其中又一道题目是这样的：“有一个mxn的矩阵，每一行从左到右是升序的，每一列从上到下是升序的。请实现一个函数，在矩阵中查找元素elem，找到则返回elem的位置。”题设只说了行和列是升序的，我在草稿纸上画了一个3x4的矩阵，里面的元素是1~12，于是我就想当然的认为矩阵的左上角是最小的元素，右下角是最大的元素。于是整个题目的思考方向就错了。
2. 思考怎样让算法的时间复杂度尽可能的小
继续以上面的题目为例子。可以有如下几种算法：
a. 遍历整个矩阵进行查找，那么复杂度为O(m*n)；
b. 因为每一行是有序的，所以可以对每一行进行二分查找，复杂度为O(m*logn)。但是这样只用到了行有序的性质。
c. 网上查了一下，最优的算法是从矩阵的左下角开始，比较左下角的元素（假设为X）与elem的大小，如果elem比X大，那么X所在的那一列元素就都被排除了，因为X是该列中最大的了，比X还大，那么肯定比X上面的都大；如果elem比X小，那么X所在的那一行就可以排除了，因为X是这一行里最小的了，比X还小那么肯定比X右边的都小。每迭代一次，矩阵的尺寸就缩小一行或一列。复杂度为O(max(m,n))。
可以先从复杂度较高的实现方法入手，然后再考虑如何利用题目的特定条件来降低复杂度。
3. 编写伪代码或代码

⑺ 用python写程序，用用迭代法求x=a**(1/2)（a的平方根）

def sqrt_newton(num):
x=sqrt(num)
y=num/2.0
count=1
while abs(y-x)>0.00001:
print count,y
count+=1
y=((y*1.0)+(1.0*num)/y)/2.0000
return y
希望 是你想要的结果。

⑻ python解决jacob迭代法求解线性方程组

题主好. 经典的 Jacobi 迭代算法如下:

设 A = D - E, 则 x = D^{-1}*b + D^{-1}*E*x = C + T*x

可以参考如下代码(复制代码后请注意缩进):

import numpy as np

def linalg_solve_jacobi(A, b, x0, max_it, tol=1.0e-7):

# 判断 A, b 的维数是否正确

if A.shape[0]!=A.shape[1] or A.shape[0]!= b.shape[0]:

raise Exception('A must be square or A and b must be compatible!')

D = np.diag(A)

# 判断对角元素是否含零

if np.amin(np.absolute(D)) < 1e-14:

raise Exception('Diagonal elements of A must not be zeros!')

# 设置初始迭代步数为0

n = 0

#

# Jacobi 算法:

# 设 A = D - E, 则 x = D^{-1}*b + D^{-1}*E*x = C + T*x

#

invD = np.diag(1.0/D) # invD is inv(D)

C = np.dot(invD,b) # C is inv(D)*b

T = np.dot(invD, np.diag(D)-A) # T is inv(D)*E

while n < max_it:

x = C + np.dot(T, x0)

if np.linalg.norm(x-x0)<tol:

break

x0[:] = x

n+=1

# 如果超过最大迭代步数, 迭代失败

if n>max_it:

raise Exception('Failed to converge within {} steps!'.format(max_it))

# 成功, 返回

return x, n

if __name__ == "__main__":

A = np.array([[10, -1, 2, 0],[-1, 11, -1, 3],

[2, -1, 10, -1], [0, 3, -1, 8]], dtype=np.float64)

b = np.array([6, 25, -11, 15], dtype=np.float64)

x0 = np.array([0,0,0,0], dtype=np.float64)

max_it = 100

tol = 1.0e-7

x,n=linalg_solve_jacobi(A, b, x0, max_it, tol)

print(x,n)