用python畫一個回

㈠ 怎麼用python畫個「回」字圖案

㈡ 用python輸出『*』寫『回』字

我在想，你會不會說我回耍賴呢答

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

__author__='lpe234'
__date__='2015-01-19'

print"""
***********
**
******
****
******
**
***********
"""

㈢ 用python寫個函數，返回值是列表

for i in range(參數):
dic["index"] = str(i)
dic["itemName"] = 'test'
以此類推...

lis.append(dic)

㈣ 請問怎麼用Python畫柵格地圖，類似下面這樣的圖，激光會返回障礙物的位置信息

你用的是激光雷達吧。 雷達應該本身可以形成周圍物體的反饋。

所以需要一個圖像識別演算法識別出障礙物是什麼。然後標志出來。

這個沒有做過。不過都是現成的演算法。 找一找就可以找到。

如果沒有找到可以按下面的思路去做：
雷達應該可以返回目標物的距離，以及反射強度。可以使用PIL，製作一個IMAGE。根據距離角度計算出點的位置，根據反射強度計算出它的灰度值。0-255的范圍。
下面是計算障礙物。 通常可以簡化演算法。 比如連續灰度值過10且超過2-3個像素則為目標障礙物。還可以加上距離判斷。比如距離15厘米以內的才算是障礙物。
另外灰度值與范圍可以做一個判斷矩陣。低灰度值。
有了障礙物，只需要計算圖像中心點。然後在周圍畫個矩形。

最後把IMAGE畫出來。可以用PIL，也可以用opencv的函數。

㈤ 用python畫一個圓

###################################
# coding=utf-8
# !/usr/bin/env python
# __author__ = 'pipi'
# ctime 2014.10.11
# 繪制橢圓和圓形
###################################
from matplotlib.patches import Ellipse, Circle
import matplotlib.pyplot as plt

fig = plt.figure()
ax = fig.add_subplot(111)

ell1 = Ellipse(xy = (0.0, 0.0), width = 4, height = 8, angle = 30.0, facecolor= 'yellow', alpha=0.3)
cir1 = Circle(xy = (0.0, 0.0), radius=2, alpha=0.5)
ax.add_patch(ell1)
ax.add_patch(cir1)

x, y = 0, 0
ax.plot(x, y, 'ro')

plt.axis('scaled')
# ax.set_xlim(-4, 4)
# ax.set_ylim(-4, 4)
plt.axis('equal') #changes limits of x or y axis so that equal increments of x and y have the same length

plt.show()

你可以試試，謝謝。

㈥ 如何用python實現含有虛擬自變數的回歸

參考資料：
DataRobot | Ordinary Least Squares in Python

DataRoboe | Multiple Regression using Statsmodels

AnalyticsVidhya | 7 Types of Regression Techniques you should know!

㈦ 用Python寫一個測試迴文，是從左到右，從右到左都讀著這個函數

defisPalindrome(mstr):
l=len(mstr)
flag=True
foriinrange(l/2):
if(mstr[i]!=mstr[l-i-1]):
flag=False
break
returnflag

㈧ 如何用Python進行線性回歸以及誤差分析

數據挖掘中的預測問題通常分為2類：回歸與分類。

簡單的說回歸就是預測數值，而分類是給數據打上標簽歸類。

本文講述如何用Python進行基本的數據擬合，以及如何對擬合結果的誤差進行分析。

本例中使用一個2次函數加上隨機的擾動來生成500個點，然後嘗試用1、2、100次方的多項式對該數據進行擬合。

擬合的目的是使得根據訓練數據能夠擬合出一個多項式函數，這個函數能夠很好的擬合現有數據，並且能對未知的數據進行預測。

代碼如下：

• importmatplotlib.pyplot as plt

• importnumpy as np

• importscipy as sp

• fromscipy.statsimportnorm

• fromsklearn.pipelineimportPipeline

• fromsklearn.linear_modelimportLinearRegression

• fromsklearn.

• fromsklearnimportlinear_model

• ''''' 數據生成 '''

• x = np.arange(0,1,0.002)

• y = norm.rvs(0, size=500, scale=0.1)

• y = y + x**2

• ''''' 均方誤差根 '''

• defrmse(y_test, y):

• returnsp.sqrt(sp.mean((y_test - y) **2))

• ''''' 與均值相比的優秀程度，介於[0~1]。0表示不如均值。1表示完美預測.這個版本的實現是參考scikit-learn官網文檔 '''

• defR2(y_test, y_true):

• return1- ((y_test - y_true)**2).sum() / ((y_true - y_true.mean())**2).sum()

• ''''' 這是Conway&White《機器學習使用案例解析》里的版本 '''

• defR22(y_test, y_true):

• y_mean = np.array(y_true)

• y_mean[:] = y_mean.mean()

• return1- rmse(y_test, y_true) / rmse(y_mean, y_true)

• plt.scatter(x, y, s=5)

• degree = [1,2,100]

• y_test = []

• y_test = np.array(y_test)

• fordindegree:

• clf = Pipeline([('poly', PolynomialFeatures(degree=d)),

• ('linear', LinearRegression(fit_intercept=False))])

• clf.fit(x[:, np.newaxis], y)

• y_test = clf.predict(x[:, np.newaxis])

• print(clf.named_steps['linear'].coef_)

• print('rmse=%.2f, R2=%.2f, R22=%.2f, clf.score=%.2f'%

• (rmse(y_test, y),

• R2(y_test, y),

• R22(y_test, y),

• clf.score(x[:, np.newaxis], y)))

• plt.plot(x, y_test, linewidth=2)

• plt.grid()

• plt.legend(['1','2','100'], loc='upper left')

• plt.show()

該程序運行的顯示結果如下：



[ 0. 0.75873781]

rmse=0.15, R2=0.78, R22=0.53, clf.score=0.78

[ 0. 0.35936882 0.52392172]

rmse=0.11, R2=0.87, R22=0.64, clf.score=0.87

[ 0.00000000e+00 2.63903249e-01 3.14973328e-01 2.43389461e-01

1.67075328e-01 1.10674280e-01 7.30672237e-02 4.88605804e-02

......

3.70018540e-11 2.93631291e-11 2.32992690e-11 1.84860002e-11

1.46657377e-11]

rmse=0.10, R2=0.90, R22=0.68, clf.score=0.90

㈨ python的返回值

1、簡單介紹 print 和 return 的區別：print 僅僅是列印在控制台，而 return 則是將 return 後面的部分作為返回值(作為函數的輸出，可以用變數接走，繼續使用該返回值做其它事)

2、函數需要先定義後調用，函數體中 return 語句的結果就是返回值。如果一個函數沒有 reutrn 語句，其實它有一個隱含的 return 語句，返回值是 None，類型也是'NoneType'

㈩ 用python寫的函數判斷一個數是否是回數

可以直接把函數放到if後面當作條件，如果為空的話判斷結果是false,例如： def test(): return None if test(): print Trueelse: print False