百木园前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
PS：如有需要Python学习资料的小伙伴可以点击下方链接自行获取
Python免费学习资料、代码以及交流解答点击即可加入
几个简单的Python实例，好玩有趣，基础语法。
- turtle库开始自己的绘画
- 写一个属于自己的文本进度条
- 蒙特卡洛方法计算π
- 分形几何，Koch雪花曲线
- 输入一组数据，进行简单的统计
- 小说词频统计，统计三国演义中谁出场率最高
- 轻松抓住文本主旨：文本词云生成
drawing with turtle
好玩有趣，入门级绘图库turtle，文档在此。文档中的实例：太阳花
from turtle import *
color(\'red\', \'yellow\')
begin_fill()
while True:
forward(200)
left(170)
if abs(pos()) < 1:
break
end_fill()
done()
画一个六芒星：
import turtle as t
# size传入最大的圆的半径
def draw_Star(size):
t.setup(1200, 1000)
t.speed(11)
t.pensize(2)
t.pencolor(\'grey\')
for r, pen_size in [(size//7, 3), (size*6//7, 4), (size, 4)]:
t.penup()
t.goto(0, -r)
t.pendown()
t.pensize(pen_size)
t.circle(r)
t.penup()
t.goto(0, 0)
r = size * 5.5 // 7
for i in range(6):
t.pendown()
t.pensize(3)
t.seth(i * 60 + 30)
t.fd(r)
t.goto(0, 0)
t.goto(0, r)
t.seth(-150)
t.pensize(5)
for i in range(6):
t.fd(r)
t.left(60)
r = r - size // 50
t.goto(0, r)
t.pensize(10)
t.seth(-120)
t.pencolor(\'orange\')
for i in range(3):
t.fd(r * (3**0.5))
t.left(120)
t.penup()
t.goto(0, 0)
t.seth(30)
t.fd(r)
t.seth(-180)
t.pendown()
for i in range(3):
t.fd(r * (3 ** 0.5))
t.left(120)
t.hideturtle()
t.done()
draw_Star(400)
文本进度条
不停向下打印的版本：
import time
def bar(scale):
print(\'===========执行开始============\')
for i in range(scale + 1):
a = \'*\' * i
b = \'.\' * (scale - i)
c = (i / scale) * 100
print(\'\\r{:^3.0f}%[{}->{}]\'.format(c, a, b), end = \'\')
time.sleep(0.05)
print(\'\\n===========执行结束============\')
单行刷新版本：
import time
def pro_bar(scale):
print(\'执行开始\'.center(scale // 2, \'=\'))
start = time.perf_counter()
for i in range(scale + 1):
a = \'*\' * i
b = \'.\' * (scale - i)
c = (i / scale) * 100
dur = time.perf_counter() - start
print(\'\\r{:^3.0f}%[{}->{}] {:.2f}s\'.format(c, a, b, dur), end = \'\')
time.sleep(0.05)
print(\'\\n\' + \'执行结束\'.center(scale // 2, \'=\'))
pro_bar(50)
单行刷新效果在cmd窗口中运行才有效，IDLE禁\\r转义字符。
蒙特卡洛方法计算π
随机数生成使用random库，文档在此。思路即是随机生成点，落在正方形内。计算正方形内的圆内落点与正方形内落点之比，近似为面积之比，随机数越随机，数量越大越准确。
from random import random
from time import perf_counter
def calPI(N = 100):
hits = 0
start = perf_counter()
for i in range(1, N*N+1):
x, y = random(), random()
dist = pow(x ** 2 + y ** 2, 0.5)
if dist <= 1.0:
hits += 1
pi = (hits * 4) / (N * N)
use_time = perf_counter() - start
return pi, use_time
PI, use_time = calPI(1000)
print(\'\\nuse Monte Carlo method to calculate PI: {}\'.format(PI))
print(\'use time: {} s\'.format(use_time))
递归绘制Koch雪花曲线
koch雪花曲线是分形几何中的一个经典曲线。使用turtle库，简单的递归即可绘制。
import turtle
def koch(size, n):
if n == 0:
turtle.fd(size)
else:
for angle in [0, 60, -120, 60]:
turtle.left(angle)
koch(size/3, n-1)
def main():
turtle.setup(1200, 1000)
turtle.speed(11)
turtle.penup()
turtle.goto(-300, 200)
turtle.pendown()
turtle.pensize(2)
level = 4
koch(600, level) # 3阶科赫曲线
turtle.right(120)
koch(600, level)
turtle.right(120)
koch(600, level)
turtle.hideturtle()
turtle.done()
main()
简单统计
输入一组数据，计算均值，方差，中位数，绝对相对误差。
# -*- coding: utf-8 -*-
# 输入数据
def getNum():
nums = []
iNumStr = input(\'please input a sequence of numbers (enter to exit): \')
while iNumStr != \'\':
nums.append(eval(iNumStr))
iNumStr = input(\'please input a sequence of numbers (enter to exit): \')
return nums
# 平均数
def average(numbers):
return sum(numbers) / len(numbers)
# 标准差
def dev(numbers, average):
sdev = 0.0
for num in numbers:
sdev += (num - average) ** 2
return pow(sdev / len(numbers), 0.5)
# 中位数
def median(numbers):
sorted(numbers)
size = len(numbers)
if size % 2 == 0:
return (numbers[size//2-1] + numbers[size//2]) / 2
else:
return numbers[size//2]
# 绝对与相对误差
def rel_dev(numbers, average):
_max = max(abs(max(numbers) - average), abs(min(numbers) - average))
return _max, _max / average
def main():
nums = getNum()
if len(nums) == 0:
print(\'no data\')
else:
ave = average(nums)
devs = rel_dev(nums, ave)
print(\'和:{:.4f},平均数:{:.4f},中位数:{:.4f},方差:{:.4f},绝对误差:{:4f},相对误差:{:.4f}\' \\
.format(sum(nums), ave, median(nums), dev(nums, ave), devs[0], devs[1]))
if __name__ == \'__main__\':
main()
小说词频统计
策略：
- 中文小说：使用第三方库jieba切分，统计
- 英文小说：去掉特殊干扰字符，直接切分为单词，遍历统计
统计莎士比亚经典名著：Hamlet。统计最高出现单词。
def getText():
txt = open(\'novels/hamlet.txt\', \'r\').read()
txt = txt.lower() # 去掉大小写干扰
# 去掉特殊符号干扰
for ch in \'!\"#$%&()*+,-./:;<=>?@[\\\\]^_`{|}~\\\'\':
txt = txt.replace(ch, \' \')
return txt
hamletTxt = getText()
words = hamletTxt.split()
counts = {}
for word in words:
counts[word] = counts.get(word, 0) + 1
items = list(counts.items())
# 将其按照词出现数量按照降序排列
items.sort(key = lambda x : x[1], reverse = True)
for i in range(20):
word, count = items[i]
print(\'{:^10}{:^10}\'.format(word, count))
统计名著三国演义中人物名字出现次数：
其中一个jieba库是一个对中文文本依照汉字间关联概率进行词组划分的第三方库，使用简单，且非常好用，文档在此。
import jieba
def getWords():
txt = open(\'novels/threekingdoms.txt\', \'r\', encoding = \'utf-8\').read()
words = jieba.lcut(txt)
counts = {}
for word in words:
if len(word) == 1:
continue
else:
counts[word] = counts.get(word, 0) + 1
word_list = list(counts.items())
word_list.sort(key = lambda x : x[1], reverse = True)
return word_list
进行人肉优化，去掉不是人名的词语，并将一些指同一个人物的词合并到一个人物下。
import jieba
def countWords(excludes, merges):
txt = open(\'novels/threekingdoms.txt\', \'r\', encoding = \'utf-8\').read()
words = jieba.lcut(txt)
counts = {}
# 取出长度为一的词和符号以及excludes中的词
for word in words:
if len(word) == 1 or word in excludes:
continue
else:
counts[word] = counts.get(word, 0) + 1
# 合并名称相同的人名
for merge in merges:
for name in merge[1]:
counts[merge[0]] += counts.get(name, 0)
del counts[name]
word_list = list(counts.items())
word_list.sort(key = lambda x : x[1], reverse = True)
return word_list
excludes = {\'却说\',\'二人\',\'不可\',\'主公\',\'陛下\',\'汉中\',\'只见\',\'众将\',\'后主\',\'蜀兵\',\'上马\',\'大叫\',\'太守\',\'此人\',\'夫人\',
\'先主\',\'后人\',\'背后\',\'城中\',\'天子\',\'一面\',\'何不\',\'大军\',\'忽报\',\'先生\',\'百姓\',\'何故\',\'不能\',\'如此\',\'如何\',
\'然后\',\'先锋\',\'不如\',\'赶来\',\'原来\',\'令人\',\'江东\',\'下马\',\'喊声\',\'正是\',\'徐州\',\'忽然\',\'荆州\',\'左右\',\'军马\',
\'因此\',\'成都\',\'不见\',\'未知\',\'大败\',\'大事\',\'之后\',\'一军\',\'引军\',\'起兵\',\'军中\',\'接应\',\'引兵\',\'次日\',\'大喜\',
\'进兵\',\'大惊\',\'可以\',\'以为\',\'大怒\',\'不得\',\'心中\',\'下文\',\'一声\',\'追赶\',\'粮草\',\'天下\',\'东吴\',\'于是\',\'都督\',
\'曹兵\',\'一齐\',\'分解\',\'回报\',\'分付\',\'只得\',\'出马\',\'三千\',\'大将\',\'许都\',\'随后\',\'报知\',\'今日\',\'不敢\',\'魏兵\',
\'前面\',\'之兵\',\'且说\',\'众官\',\'洛阳\',\'领兵\',\'商议\',\'军士\',\'星夜\',\'精兵\',\'城上\',\'之计\',\'不肯\',\'相见\',\'其言\',
\'一日\',\'而行\',\'文武\',\'襄阳\',\'准备\',\'若何\',\'出战\',\'亲自\',\'必有\',\'一人\',\'人马\',\'不知\',\'何人\',\'此事\',\'之中\',
\'伏兵\',\'祁山\',\'乘势\',\'忽见\',\'大笑\',\'樊城\',\'兄弟\',\'首级\',\'立于\',\'西川\',\'传令\',\'当先\',\'五百\',\'一彪\',\'坚守\',
\'此时\',\'之间\',\'投降\',\'五千\',\'埋伏\',\'长安\',\'三路\',\'遣使\',\'将军\',\'关兴\',\'军师\',\'朝廷\',\'三军\',\'大王\',\'回见\',
\'大将军\',\'必然\',\'将士\',\'是夜\',\'小路\' }
merges = [ (\'刘备\',(\'玄德\',\'玄德曰\',\'玄德问\',\'刘玄德\',\'玄德大\',\'玄德自\',\'玄德闻\',\'皇叔\',\'刘皇叔\')),
(\'关羽\',(\'关公\',\'云长\',\'关云长\')),
(\'孔明\',(\'诸葛亮\',\'孔明曰\',\'孔明笑\',\'孔明之\',\'孔明自\')),
(\'曹操\',(\'丞相\',\'孟德\',\'曹公\',\'曹孟德\')),
(\'张飞\',(\'翼德\',\'张翼德\'))
]
word_list = countWords(excludes, merges)
for i in range(30):
word, count = word_list[i]
print(\'{0:^10}{1:{3}^10}{2:^15}\'.format(i+1, word, count, chr(12288))) # chr(12288)为中文空格
结果如下，当然其中类似将军、英雄、主公、大哥、君这种词语无法判断指的是谁，这里仅统计能够判断的，所以这里只能做一个相对的参考。
1 刘备 1578
2 曹操 1485
3 孔明 1485
4 关羽 820
5 张飞 393
6 吕布 300
7 赵云 278
8 孙权 264
9 司马懿 221
10 周瑜 217
11 袁绍 191
12 马超 185
13 魏延 180
14 黄忠 168
15 姜维 151
16 马岱 127
17 庞德 122
18 孟获 122
19 刘表 120
20 夏侯惇 116
21 董卓 114
22 孙策 108
23 鲁肃 107
24 徐晃 97
25 司马昭 89
26 夏侯渊 88
27 王平 88
28 刘璋 85
29 袁术 84
30 吕蒙 83
来源：https://www.cnblogs.com/python147/p/14486119.html
图文来源于网络，如有侵权请联系删除。