jupyterfor循环 jupyter怎么中断

清华大佬将python浓缩成了4个阶段

清华大佬将python浓缩成了4个阶段

jupyterfor循环 jupyter怎么中断

周：熟悉Python。

天：基本概念(4小时》print,变量，输入，条件语句。

第二天：基本概念(5小时)列表，for循环，whle循环，函数，导入模块。

第三天：简单编程问题(5小时)：交换两个变量值，将摄氏度转换为华氏温度，求数字中各位数之和，判断某数是香为素数，生成随机数，删除列表中的重复项等等。

第四天：中级编程问题(6小时)：反转一个字符串（回文检测），计算公约合并两个有序数组，猜数字游戏，计算年龄等。

第五天：数据结构(6小时)栈，队列，字典，元组，树，链表。

第六天：面向对象编程(OOP)(6小时)：对象，类，方法和构造函数，面向对象编程之继承。

第七天：算法(6小时)搜索（线性和二分查找）排序（冒泡排序选择排序)、递归函数（阶乘、斐波那契数列、时间复杂度气（线性、二次和常量）。

第二周：软件开发。

天：熟悉种DE(5小时)8DE是你在编写大型项目时的作环境，所以你需要精通一个1DE。在软件开发的初期，我建议你在VS code中安装Python扩展或使用Jupyter notebook。

第二天：Github(6小时)：探索Github,并创建一个代码仓库。尝试提交(Commit查看变(Dift)和上推(Push)你的代码。另外，还要学习如何利用分支工作，如何合并(merge)不同分支以及如何在一个项目中创建拉取请求(pullrequest)。

第三天：个项目一简单计算器(4小时)熟悉Tkinter,创建一个简单的计算器。

第四、五、六天：个人项目（每天5小时）：选定一个项目并完成它。如果你不知道你该做什么，可以查看下面的清单。

第七天：托管项目（5小时）：学习使用服务器和hosting服务来托管你的项自。创建一个Heroku设置并部署你构建的应用程序。

第三周：成为程序员。

天：数据库基础(6小时)基本SQL查询（创建表、选择、Where查询、更新)、SQL函数(Avg、MaX、Count)、关系数据库（规范化）、内连接、外连接等。

第二天：使用Python数据库(5小时)利用一种数据库框架(SQLite或panda)连接到一个数据库，在多个表中创建并插入数据，再从表中读取数据。

第三天：API(5小时)如何调用APl。学习JSON、微服务(micro-service)以及表现层应用程序转换应用程序接口(Rest AP)。

第四天：Numpy(4小时)：熟悉Numpy。

第五、六天：作品集网站（一天5小时）：学习Django,使用Diango构建一个作品集网站，也要了解一下Flask框架。

第七天：单元测试、日志、调试(5小时)：学习单元测试(PyTest),如何设置和查看日志，以及使用断点调试。

第四周：认真准备工作。

天：准备(5小时)制作一份一页的。把你的技能总结放在上面，必须在写项目的同时附上Github链接。

第二天：作品集网站(6小时)写几个博客，将它们添加到你之前开发的作品集网站中。

第三天：LinkedIn(4小时)创建一个LinkedIn个人，把上的所有内容都放到Linkedin.上。

第四天：面试准备(7小时)准备一些谷歌常见的面试问题，练习中的10个面试编程问题。，在GlassdoorCareercup等网站中查看前人遇到的面试间题。

第五天：社交(~小时)：走出房门，开始参加聚会、会，与其他开发人员和人员见面。

第六天：工作申请（小时）：搜索「Python Job」，查看LinkedIn Job和本地求职网站。

第七天：在拒绝中学习（小时）。

大学生将python整理成四阶段

不愧是清华计算机学霸将

Pythpon整理成四价段让无数小白大彻大悟

第1周:熟悉Python

要积极探索Python 的使用方法，尽可能多的完成下面这些任务

天:基本概念(4小时) :

print，变量，输入，条件语句

第二天:基本概念(5小时)

列表，for循环，while 循环，函数，导入模块

第三天:简单编程问题(5小时)

交换两个变量值，将摄氏度转换为华氏温度，

求数字中各位数之和，判断某数是否为素数，

生成随机数，删除列表中的重复项等等第四天:中级编程问题(6小时):

反转一个字符串(回文检测)，计算公约数，

合并两个有序数组，猜数字游戏，计算年龄等等

第五天:数据结构(6小时)栈，队列，字典，元组，树，链表。

第六天:面向对象编程(OOP) (6小时) :

对象，类，方法和构造函数，面向对象编程之继承

第七天:算法(6小时)

搜索(线性和二分查找)、排序(冒泡排序、选择排序)

递归函数(阶乘、斐波那契数列)、时间复杂度(线性、二次和常量)

第2周:软件开发

尝试综合你学到的知识完成一个实际的项目:

天:熟悉一种IDE(5小时) :

IDE是你在编写大型项目时的作环境，所以你需要精通

一个IDE在软件开发的初期，我建议你在VScode

中安装Python 扩展或使用Jupyter notebooko

第二天:Github(6小时):探索 Github，并创建一个代码仓库。

尝试提交(Commit)、查看变更(Dif)和上推(Push)

你的代码。另外，还要学习如何利用分支工作，如

何合并 (merge) 不同分支以及如何在一个项目中创建拉取请求(pullrequest)。

第三天:个项目一一简单计算器 (4小时) :熟悉

Tkinter，创建一个简单的计算器第四、五、六天:个人项目 (每天5小时) :

选定一个项目并完成它。

第七天:托管项目(5小时) :

学习使用服务器和hosting服务来托管你的项目。

创建一个Heroku设置并部署你构建的应用程序。

第3 周:成为程序员

熟悉软件开发的整体过程。你不需要掌握所有的知识，

但是你应该知道一些常识，因为它们会影响你的日常工作。

天:数据库基础(6小时)

基本SOL查询(创建表、选择、Where查询、更新)

SQL函数(Avg、Max、Count) 、关系数据库(规范化)、

内连接、外连接等

第二天:使用Pvthon数据库(5小时)

利用一种数据库框架(SQLite或 panda)连接到一个

数据库，在多个表中创建并插入数据，再从表中读取数据

第三天:AP(5小时):

如何调用APl。

学习JSON、微服务 (micro-service) 以及表现层应用程序转换应用程序接(RestAPI)。

.第四天:Numpy(4小时)

熟悉Numpy并练习前30个Numpy习题

第五、六天:作品集网站 (一天5小时)

学习Django，使用Django构建一个作品集网站，也要了解一下Fask框架。

第七天:单元测试、日志、调试(5小时)

学习单元测试(PyTest) ，如何设置和查看日志，以及使用断点调试。

第4周:考虑工作

认真思考如何才能被录用。即使你现在不想找工作，

你也可以在探索这条道路的过程中学到很多东西。

天:准备(5小时) :

制作一份一页的。把你的技能总结放在上面，必须在写项目的同时附上Github链接。

第二天:作品集网站(6小时):

写几个博客，将它们添加到你之前开发的作品

集网站中。第三天: Linkedin简个(4小时) :

创建一个Linkedin个人，把上的所有内容

都放到Linkedin 上。第四天:面试准备(7小时) :

准备一些谷歌常见的面试问题，练习中的10

个面试编程问题在GlassdoorCareercup等网站中查

看前人遇到的面试问题第五天:社交(~小时):

走出房门，开始参加聚会、会，与其他开发人员

和人员见面。第六天:工作申请 (~小时) :

搜索 TPython Job]，查看 Linkedin Job和本地求职

网站。选择3个工作岗位并发送工作申请。为每个工

作定制你的。在每个工作要求中找出2到3件你

不知道的事情，并在接下来的3-4 天里学会它们。

第七天:在拒绝中学习(~小时):每次你被拒绝的时候，

找出两件为了获得这份工作你应该知道的事情，然后

花4-5天的时间来掌握它们。这样，每次

拒绝都会让你成为更好的开发人员。

python怎么删除txt文本里面的行？

1、打开JUPYTER NOTEBOOK，新建一个PYTHON文档。

2、import os为了可以进行系统作，需要引用os模块。

3、import docx会发现没有这个库，那么需要用pip3 install python-docx来安装一下。

4、import docx这个时候安装好了就可以引用了。

5、doc = docx.Document('E:\\test.docx')找到相应要处理的文档在什么位置。

6、print(len(doc.paragraphs))print(doc.paragraphs[0].text)查看一下一共有多少行，要删除行，查看行的内容。

7、doc.paragraphs[0].clear()doc.se('E:\\test1.docx')这个时候就可以删除指定行数，然后保存生成另一个文件，以免对源文件造成损坏。删除行成功。

1、打开python，连接至服务器。

2、创建一个txt文件，以创建123.txt为例子。

3、敲回车，打开文件，按i，开始输入文本。保存并退出。

4、再次打开这个文件，可以看到光标是定位在一行的下一行位置的。

5、在行按dd，就可以删除当前行。

6、保存并推出之后，再次打开，验证一下，已经被删除了。

with open('file.txt', 'r') as old_file:

with open('file.txt', 'r+') as new_file:

current_line = 0

# 定位到需要删除的行

while current_line < (del_line - 1):

old_file.readline()

current_line += 1

# 当前光标在被删除行的行首，记录该位置

seek_point = old_file.tell()

# 设置光标位置

new_file.seek(seek_point, 0)

# 读需要删除的行，光标移到下一行行首

old_file.readline()

# 被删除行的下一行读给 next_line

next_line = old_file.readline()

# 连续覆盖剩余行，后面所有行上移一行

while next_line:

new_file.write(next_line)

next_line = old_file.readline()

# 写完一行后截断文件，因为删除作，文件整体少了一行，原文件一行需要去掉

new_file.truncate()

你好：

一般是：

一边读文本文件，一边将行存入数组；

然后对读取的下一行数据，与数组中的数据做对比，

如果重复，就舍弃；；

就爱那个数组中的数据写入文件；

Python:Pandas如何高效运算的方法

本文就Pandas的运行效率作一个对比的测试，来探讨用哪些方式，会使得运行效率较好。

测试环境如下：

windows 7， 64位

python 3.5

pandas 0.19.2

numpy 1.11.3

jupyter notebook

需要说明的是，不同的系统，不同的电脑配置，不同的软件环境，运行结果可能有些异。就算是同一台电脑，每次运行时，运行结果也不完全一样。

1 测试内容测试的内容为，分别用三种方法来计算一个简单的运算过程，即 aa+bb 。

三种方法分别是：

python的for循环

Pandas的Series

Numpy的ndarray

首先构造一个DataFrame，数据量的大小，即DataFrame的行数，分别为10， 100， 1000， ? ，直到10,000,000（一千万）。

然后在jupyter notebook中，用下面的代码分别去测试，来查看不同方法下的运行时间，做一个对比。

import pandas as pdimport numpy as np# 100分别用 10，100，...，10,000,000来替换运行list_a = list(range(100))# 200分别用 20，200，...，20,000,000来替换运行list_b = list(range(100,200))

print(len(list_a))

print(len(list_b))

df = pd.DataFrame({'a':list_a, 'b':list_b})

print('数据维度为：{}'.format(df.shape))

print(len(df))

print(df.head())100

100

数据维度为：(100, 2)

100

a b

0 0 100

1 1 101

2 2 102

3 3 103

4 4 104执行运算， aa + bb

Method 1: for循环

%%timeit# 当DataFrame的行数大于等于1000000时，请用 %%time 命令for i in range(len(df)):

df['a'][i]df['a'][i]+df['b'][i]df['b'][i]100 loops, best of 3: 12.8 ms per loopMethod 2: Series

type(df['a'])pandas.core.series.Series%%timeit

df['a']df['a']+df['b']df['b']The slowest run took 5.41 times longer than the fastest. This could mean that an intermediate result is being cached.

1000 loops, best of 3: 669 ?s per loopMethod 3: ndarray

type(df['a'].values)numpy.ndarray%%timeit

df['a'].valuesdf['a'].values+df['b'].valuesdf['b'].values10000 loops, best of 3: 34.2 ?s per loop2 测试结果运行结果如下：

从运行结果可以看出，for循环明显比Series和ndarray要慢很多，并且数据量越大，异越明显。当数据量达到一千万行时，for循环的表现也一万倍以上。 而Series和ndarray之间的异则没有那么大。

PS： 1000万行时，for循环运行耗时特别长，各位如果要测试，需要注意下，请用 %%time 命令（只测试一次）。

下面通过图表来对比下Series和ndarray之间的表现。

从上图可以看出，当数据小于10万行时，ndarray的表现要比Series好些。而当数据行数大于100万行时，Series的表现要稍微好于ndarray。当然，两者的异不是特别明显。

所以一般情况下，个人建议，for循环，能不用则不用，而当数量不是特别大时，建议使用ndarray（即df[‘col’].values）来进行计算，运行效率相对来说要好些。

jupyter 出错

The port 8888 is already in use, trying another port.，证明8888端被使用过，jupyter无法使用

开始---->运行---->cmd，或者是window+R组合键，调出命令窗口

输入命令：netstat -ano，列出所有端口的情况。找出8888端口。

查看被占用端口对应的PID，输入命令：netstat -aon|findstr "49157"，回车，记下一位数字，即PID,这里是2720。

继续输入tasklist|findstr "2720"，回车，查看是哪个进程或者程序占用了2720端口，找到进程以后去任务管理器结束它

for i in [0,1,2]: i=i+1 print(i)

f()中的i是static，静态局部变量，所以每次调用函数之后f()中的i并不被销毁，所以当main函数中的for循环次循环时，f()中的i=1，f()=s=1;第二次时f()中的i=2，f()=s=2;第三次时f()中的i=3，f()=s=3;第四次时f()中的i=4，f()=s=4;第五次时f()中的i=5，f()=s=5;注意这里每次调用函数时谁都重新变为1，又因为s+=i在i++之前，所以每次都是1+前一次i的值，所以a=1+2+3+4+5=15