python定义函数参数类型 python 函数参数定义
最编程
2024-08-12 12:16:12
...
1.函数的创建
def function():
函数体
2.函数形参和实参
形参是函数创建或定义时候括号内的参数;
实参是函数被调用时传递进去,括号内实际的参数。
3.函数文档
(1)内部注释:‘ ’,单引号加注释体表示一行,可用“““ ”””打印多行;
(2)打印函数文档:
函数名function.__doc__(双下横线),直接打印函数文档
help(函数名);
4.注释
以#开头即可:#xxxxx
5.关键字参数
为了避免函数在调用过程中因为形参给的顺序与函数定义时实参不对应而产生的错误。
因而在为形参添加关键字,以说明参数。
例:def zjhfunction(a,b):
print(a/b)
>>>zjhfunction(2,5),正确情况下调用;如果不小心参数给反了
zjhfunction(5,2),则会发生不一样的结果。
>>>zjhfunction(b=5,a=2),则依然还会正确进行。
6.默认参数
(1)在定义时直接设置默认值:
def zjhfunction(a=1,b=2):
xxx
调用时,形参可为空,或者赋想要的值。
7.收集参数
(1)
def zjh(*params):
xxx
zjh(1,2,'zjh',2.3)
运行时:将形参打包成元祖params。可输出长度(此处为个数,从1开始)为4.
params[i]表示第i个元素。
(2)收集参数加定制参数
def zjh(*params,xxr):
xxx
在调用时必须给关键字参数另外赋值或者是在定义时直接设置默认值:
zjh(1,2,'ex',2.3,xxr=7)
8.论python只有函数么有过程
简单过程与函数的区别:
过程没有返回值,函数有返回值。
注:在python中所有的函数都有返回某些东西,没有时返回None;
例:
def function():
函数体
2.函数形参和实参
形参是函数创建或定义时候括号内的参数;
实参是函数被调用时传递进去,括号内实际的参数。
3.函数文档
(1)内部注释:‘ ’,单引号加注释体表示一行,可用“““ ”””打印多行;
(2)打印函数文档:
函数名function.__doc__(双下横线),直接打印函数文档
help(函数名);
4.注释
以#开头即可:#xxxxx
5.关键字参数
为了避免函数在调用过程中因为形参给的顺序与函数定义时实参不对应而产生的错误。
因而在为形参添加关键字,以说明参数。
例:def zjhfunction(a,b):
print(a/b)
>>>zjhfunction(2,5),正确情况下调用;如果不小心参数给反了
zjhfunction(5,2),则会发生不一样的结果。
>>>zjhfunction(b=5,a=2),则依然还会正确进行。
6.默认参数
(1)在定义时直接设置默认值:
def zjhfunction(a=1,b=2):
xxx
调用时,形参可为空,或者赋想要的值。
7.收集参数
(1)
def zjh(*params):
xxx
zjh(1,2,'zjh',2.3)
运行时:将形参打包成元祖params。可输出长度(此处为个数,从1开始)为4.
params[i]表示第i个元素。
(2)收集参数加定制参数
def zjh(*params,xxr):
xxx
在调用时必须给关键字参数另外赋值或者是在定义时直接设置默认值:
zjh(1,2,'ex',2.3,xxr=7)
8.论python只有函数么有过程
简单过程与函数的区别:
过程没有返回值,函数有返回值。
注:在python中所有的函数都有返回某些东西,没有时返回None;
例:
下一篇: Python教程:探索作用域和嵌套函数
推荐阅读
-
14-傅里叶变换的代码实现-一、numpy实现傅里叶变换和逆傅里叶变换 1.numpy实现傅里叶变换numpy.fft.fft2实现傅里叶变换,返回一个复数数组(complex ndarray),也就是频谱图像numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置) 20*np.log(np.abs(fshift))设置频谱的范围。可以理解为,之前通过傅里叶变换得到复数的数组,是不能通过图像的方法展示出来的,需要转换为灰度图像(映射到[0,255]区间)需要注意的是1> 傅里叶得到低频、高频信息,针对低频、高频处理能够实现不同的目的2> 傅里叶过程是可逆的,图像经过傅里叶变换、逆傅里叶变换后,能够恢复到原始图像3> 在频域对图像进行处理,在频域的处理会反映在逆变换图像上 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) # 移动中心位置 fshift = np.fft.fftshift(f) # 调整值范围 result = 20*np.log(np.abs(fshift)) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.numpy实现逆傅里叶变换numpy.fft.ifft2实现逆傅里叶变换,返回一个复数数组(complex ndarray)numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角iimg = np.abs(逆傅里叶变化结果)设置值的范围,映射到[0,255]区间 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过numpy实现高通滤波,保留图像的边缘信息 获取图像的形状rows,cols = img.shape获取图像的中心点crow,ccol = int(rows/2),int(cols/2)将频谱图像的中心区域(低频区域)设置为0(黑色)fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 高通滤波 rows,cols = img.shape crow,ccol = int(rows/2),int(cols/2) fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 使用numpy实现高通滤波的实验结果: 二、opencv实现傅里叶变换和逆傅里叶变换 1.opencv实现傅里叶变换 返回结果 = cv2.dft(原始图像,转换标识)1> 返回结果:是双通道的,第一个通道是结果的实数部分,第二个通道是结果的虚数部分2> 原始图像:输入图像要首先转换成np.float32(img)格式3> 转换标识:flags = cv2.DFT_COMPLEX_OUTPUT,输出一个复数阵列numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置)调整频谱的范围,将上面频谱图像的复数数组,转换为可以显示的灰度图像(映射到[0,255]区间)返回值 = 20*np.log(cv2.magnitude(参数1,参数2))1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) # 移动中心位置 dftShift = np.fft.fftshift(dft) # 调整频谱的范围 result = 20*np.log(cv2.magnitude(dftShift[:,:,0],dftShift[:,:,1])) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.opencv实现逆傅里叶变换返回结果 = cv2.idft(原始数据)1> 返回结果:取决于原始数据的类型和大小2> 原始数据:实数或者复数均可numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角调整频谱的范围,映射到[0,255]区间返回值 = cv2.magnitude(参数1,参数2)1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) dftShift = np.fft.fftshift(dft) # 逆傅里叶变换 ishift = np.fft.ifftshift(dftShift) iimg = cv2.idft(ishift) iimg = cv2.magnitude(iimg[:,:,0],iimg[:,:,1]) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("inverse") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过opencv实现低通滤波,模糊一副图像
-
在python机器学习中,classification_report函数用于输出模型评估报告,其中查全率的定义公式被包含
-
python定义函数参数类型 python 函数参数定义
-
python宏定义函数名 python定义宏变量
-
c语言:函数及函数参数的简单介绍与用法浅析-2.函数的定义及其调用
-
玩转C语言基础:轻松掌握函数的定义、声明、调用和参数
-
如何在Python中轻松创建、调用和理解def函数,以及参数传递的实际操作与示例代码
-
玩转Python排序:深入理解sort与sorted函数的高级key参数用法
-
从零开始学 Python:第三课 - 条件语句(if)与函数定义(def)
-
用Python Matplotlib快速绘制函数图像与自定义线条样式(RC参数详解)