python 列表操作函数汇总

list:列表,是python的一种数据类型,由一系列按特定顺序排列的元素组成。python包含了多种可对列表进行指定操作的函数方法,以下进行一一介绍。
1、append(obj)
可在list尾部插入指定的元素,使用方法为list.append(obj)。

lst1 = [1,2,3]
lst1.append(4)
print(lst1)
>>>[1, 2, 3, 4]

append会把obj当成一个整体插入至到list当中.

lst1 = [1,2,3]
lst2 =[4,5,6]
lst1.append(lst2)
print(lst1)
>>>[1, 2, 3, [4, 5, 6]]

2、extend(seq)
可在list尾部中追加另一序列中的多个值,seq可以为列表,元组,集合和字典,为字典时,仅将key作为元素插入到原列表当中,使用方法为list.extend(seq)。

lst1 = [1,2,3]
lst2 =[4,5,6]
lst1.extend(lst2)
print(lst1)
>>>[1, 2, 3, 4, 5, 6]
lst1 = [1,2,3]
lst3 ={"a":7,"b":8}
lst1.extend(lst3)
print(lst1)
>>>[1, 2, 3, 'a', 'b']

3、insert(index, obj)
在列表指定位置插入元素,使用方法为list.insert(index,obj)。

lst1 = [1,2,3]
a = lst1.insert(2,8)
print(lst1)
>>>[1, 2, 8, 3]
lst1 = [1,2,3]
lst2 = {"a":1,"b":2}
a = lst1.insert(3,lst2)
print(lst1)
>>>[1, 2, 3, {'a': 1, 'b': 2}]

4、pop(index)
删除列表中索引值为index的元素,使用方法为list.pop(index),index可为空,默认值为-1,即不指定值时删除列表最后一个元素。返回值为删除的元素。

lst1 = [1,2,3]
lst1.pop()
print(lst1)
>>>[1, 2]
lst1 = [1,2,3]
lst1.pop(1)
print(lst1)
>>>[1, 3]

index(索引值)在列表中不存在时,抛出IndexError: pop index out of range异常。

lst1 = [1,2,3]
a = lst1.pop(4)
print(lst1)

在这里插入图片描述
5、remove(obj)
删除列表中匹配的元素,使用方法为list.remove(obj),该方法没有返回值。

lst1 = [1,2,3]
re_return = lst1.remove(2)
print(lst1)
>>>[1, 3]

当列表中包含有多个匹配的元素时,只删除第一个匹配到的元素。

lst1 = [1,2,3,4,2,5,2,6]
re_return = lst1.remove(2)
print(lst1)
[1, 3, 4, 2, 5, 2, 6]

在列表中不存在obj时,抛出异常。

lst1 = [1,2,3,4,2,5,2,6]
re_return = lst1.remove(7)
print(lst1)

在这里插入图片描述
6、clear()
清空列表,该方法没有返回值。

lst1 = [1,2,3]
re_return = lst1.clear()
print(lst1)
>>>[]

7、index(x[, start[, end]])
返回列表中x元素的索引值,start为开始查找的位置,end为结束查找的位置,start与end可为空,此时则在整个列表中查找。

lst1 = [1,2,3]
index_num = lst1.index(3)
print(index_num)
>>>2

指定查找开始与结束的位置
若找不到对应的元素,则抛出异常,在索引值为0~1的范围内查找不到“3”这个元素,则抛出异常。

lst1 = [1,2,3]
index_num = lst1.index(3,0,1)
print(index_num)

在这里插入图片描述
只返回第一次匹配的元素的索引值。

lst1 = [1,2,3,4,3,6]
index_num = lst1.index(3)
print(index_num)
>>>2

8、count(obj)
统计某个元素在列表中出现的次数。

lst1 = [1,2,3,4,3,6,3,7,5,3]
count_num = lst1.count(3)
print(count_num)
>>>4
lst1 = [1,2,3,4,3,6,3,7,5,3]
count_num = lst1.count(8)
print(count_num)
>>>0

9、sort(key=None, reverse=False)
对列表进行排序,key为排序的规则,reverse为是否进行降序排列(默认为升序排列),不会生成新的列表,直接在原列表上做改变,使用方法为list.sort(),没有返回值。

lst1 = [1,2,4,6,7,5,3]
lst1.sort()
print(lst1)
>>>[1, 2, 3, 4, 5, 6, 7]

key具体可表现为一个函数,即把列表中的元素作为参数传入该函数中,根据函数返回值根据reverse指定的排序方式进行排序。
例子:使用列表每个元素中的第二个字符来比较进行排序

lst1 = ["a3","c2","s7","f1","r5"]
lst1.sort(key=lambda x:list(x)[1])
print(lst1)
>>> ['f1', 'c2', 'a3', 'r5', 's7']

降序排列

lst1 = ["a3","c2","s7","f1","r5"]
lst1.sort(key=lambda x:list(x)[1],reverse = True)
print(lst1)
>>>['s7', 'r5', 'a3', 'c2', 'f1']

扩展:
sorted(iterable,key=None, reverse=False)
sort一般只应用于列表,sorted可以应用于任何一个可迭代的对象,sorted方法会生成一个新的对象,返回值为排序后的列表,不会影响原对象。
不改变原对象的值

lst1 = [1,3,5,4,9]
lst2 = sorted(lst1)
print(lst1)
print(lst2)
>>>[1, 3, 5, 4, 9]
>>>>[1, 3, 4, 5, 9]
>

对字典进行排序时,默认使用字典元素的键(key)进行排序,并返回一个排序后的列表

lst1 = {"a":2,"c":6,"b":1}
lst2 = sorted(lst1)
print(lst2)
>>>['a', 'b', 'c']

更多关于sorted函数的用法在此不做扩展,在字典操作函数汇总再作详细描述。

10、reverse()
将原列表进行反向排序,直接改变原列表,没有返回值。

lst1 = [1,3,5,4,9]
lst1.reverse()
print(lst1)
>>>[9, 4, 5, 3, 1]

11、copy()
将列表进行浅复制,返回值为复制的新列表。

lst1 = [1,3,5,7,9]
lst2 = lst1.copy()
print(lst2)
>>>[1, 3, 5, 7, 9]

浅复制只复制浅层数据结构,不复制深层数据结构,原列表与复制的新列表会共享深层即子对象,在对任何一个列表子对象进行修改时,会影响另一个列表的子对象内容。

lst1 = [1,3,5,7,9,[23,45,36]]
lst2 = lst1.copy()
lst2[5][2] = "gg"
print("lst1:",lst1)
print("lst2:",lst2)
>>>lst1: [1, 3, 5, 7, 9, [23, 45, 'gg']]
>>>lst2: [1, 3, 5, 7, 9, [23, 45, 'gg']]

只修改浅层数据时,不会影响到原列表

lst1 = [1,3,5,7,9,[23,45,36]]
lst2 = lst1.copy()
lst2[2] = "gg"
print("lst1:",lst1)
print("lst2:",lst2)
>>>lst1: [1, 3, 5, 7, 9, [23, 45, 36]]
>>>lst2: [1, 3, 'gg', 7, 9, [23, 45, 36]]

关于深复制deepcopy()方法详细内容后面再补充。

随着人类对生命健康需求的不断增长,新药研发面临着前所未有的挑战。传统的药物研发流程通常耗时长达十年以上,耗资数十亿美元,且最终成功率极低,这在制药界被称为“反摩尔定律”困境。近年来,人工智能技术的飞速发展,特别是深度学习和大数据分析的广泛应用,为新药发现带来了革命性的契机。人工智能能够从海量的化学和生物数据中挖掘潜在规律,显著加速药物靶点发现、先导化合物优化等关键环节。在此背景下,本研究旨在设计并实现一个基于人工智能的新药发现辅助系统,以期为传统药物研发流程提供高效的智能化辅助工具,从而有效缩短研发周期并大幅降低研发成本。本研究以Python作为主要开发语言,深度结合PyTorch和TensorFlow两大主流深度学习框架,并集成RDKit化学信息学工具包,构建了一个功能完善的新药发现辅助系统。系统的核心目标是利用先进的人工智能技术辅助新药分子的设计与活性评估。在研究方法上,本文创新性地提出了一种融合多模态数据的新药发现算法。该算法综合处理分子的多种表示形式,包括一维的SMILES序列、二维的分子结构以及三维的空间构象数据。通过构建多通道神经网络,系统能够有效提取并融合不同模态的特征,从而全面捕捉分子的理化性质与生物学活性之间的复杂非线性关系。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值