13518219792
1.1 例如：print(hex(2))案例
鄂托克ssl适用于网站、小程序/APP、API接口等需要进行数据传输应用场景，ssl证书未来市场广阔！成为成都创新互联的ssl证书销售渠道，可以享受市场价格4-6折优惠！如果有意向欢迎电话联系或者加微信：028-86922220（备注：SSL证书合作）期待与您的合作！
1.2 输出函数：print(hex(2))
1.3 输出结果：0x2
1.4 解析说明：返回16进制的数。
2.1 例如：print(chr(10))案例
2.2 输出函数：print(chr(10))
2.3 输出结果：0o12
2.4 解析说明：返回当前整数对应的ASCll码
3.1 例如：print(ord("b"))案例
3.2 输出函数：print(ord("b"))
3.3 输出结果：98
3.4 解析说明：返回当前ASCll码的10进制数
4.1 例如：print(chr(97))
4.2 输出函数：print(chr(97))
4.3 输出结果：b
4.4 解析说明：返回当前ASCll码的10进制数。
案例一：给你一个字符串,s = 'hello kitty'
1.1 输出函数：print(s.capitalize())
1.2 输出结果：0x2
1.3 解析说明：返回16进制的数。
2.1输出函数：print(s.replace('kitty','kuang'))
2.2 输出结果：hello kuang
2.3 解析说明：替换功能，将kitty换成kuang。
2.4 输出函数：print(s.replace('4','KK'))
2.5 输出结果：12KK12KK
2.6 解析说明：所有的4都替换成KK
2.7 输出函数：print(s.replace('4','KK'))
2.8 输出结果：12KK12KK124
2.9 解析说明：将前两个的4替换成go
案例一：给你一个字符串，ip = '192.168.1.1'
3.1 输出函数：print(ip.split(','))
3.2 输出结果：['192.168.1.1']
3.3 解析说明：将字符串分割成列表
案例一：给你一个字符串，ip = '192.168.1.1'
3.3 输出函数：print(ip.split(',',2))
3.4 输出结果：['192.168.1.1']
3.5 解析说明：从第二个开始分割成列表
arange函数用于创建等差数组，使用频率非常高，arange非常类似range函数，会python的人肯定经常用range函数，比如在for循环中，几乎都用到了range，下面我们通过range来学习一下arange，两者的区别仅仅是arange返回的是一个数据，而range返回的是list。
arrange
函数说明：arange([start,] stop[, step,], dtype=None)根据start与stop指定的范围以及step设定的步长，生成一个 ndarray。
dtype : dtype
先引入numpy。arange和range的另一个区别就是使用arange前先引入，range不需要。
使用一个参数，看看range和arange有什么表现。range返回从0到4的5个数构成的list，而arange返回一个array对象。不过他们的元素都是一样的。
输入两个参数试试，第一个参数是起始点，第二个参数是终止点。
我们换一个起始点试试。
假如我们输入三个参数呢，第三个参数就成了步长。
python学习网，免费的在线学习python平台，欢迎关注！
之前用 Python 写过一个脚本，用来处理上千万用户的一些数据，其中有一个需求是统计用户的某一数据的去重数量。为了加快程序的速度，我启用了多进程。但不幸的是，程序跑了近一个星期，还没处理完。这时，我感觉到了不对，于是开始查看程序的性能瓶颈。
对于统计去重数，我是将用户的数据放到一个列表中，然后用 len(set(data)) 去统计去重数量。刚开始我以为这的数据量并不大，每个用户的数据不会过百，我并没有注意到有的用户会有上万条的数据，因此消耗了大量的时间（其实我的脚本消耗时间最大的地方是因为从远程 redis 中取大量数据时发生长时间的阻塞，甚至连接超时，最后我采用的方式分而治之，每次取少量的数据，这样大大的提高了性能）。
为了做优化，我开始寻求高效的方法。我发现，有大量的人认为采用字典效率会更高，即：
data_unique = {}.fromkeys(data).keys() len(data_unique)
于是，我做了下测试：
In [1]: import random In [2]: data = [random.randint(0, 1000) for _ in xrange(1000000)] In [3]: %timeit len(set(data)) 10 loops, best of 3: 39.7 ms per loop In [4]: %timeit len({}.fromkeys(data).keys()) 10 loops, best of 3: 43.5 ms per loop
由此可见，采用字典和采用集合的性能是差不多的，甚至可能还要慢些。
在 Python 中其实有很多高效的库，例如用 numpy、pandas 来处理数据，其性能接近于 C 语言。那么，我们就用 numpy 和 pandas 来解决这个问题，这里我还比较了获取去重数据的性能，代码如下：
import collections import random as py_random import timeit import numpy.random as np_random import pandas as pd DATA_SIZE = 10000000 def py_cal_len(): data = [py_random.randint(0, 1000) for _ in xrange(DATA_SIZE)] len(set(data)) def pd_cal_len(): data = np_random.randint(1000, size=DATA_SIZE) data = pd.Series(data) data_unique = data.value_counts() data_unique.size def py_count(): data = [py_random.randint(0, 1000) for _ in xrange(DATA_SIZE)] collections.Counter(data) def pd_count(): data = np_random.randint(1000, size=DATA_SIZE) data = pd.Series(data) data.value_counts() # Script starts from here if __name__ == "__main__": t1 = timeit.Timer("py_cal_len()", setup="from __main__ import py_cal_len") t2 = timeit.Timer("pd_cal_len()", setup="from __main__ import pd_cal_len") t3 = timeit.Timer("py_count()", setup="from __main__ import py_count") t4 = timeit.Timer("pd_count()", setup="from __main__ import pd_count") print t1.timeit(number=1) print t2.timeit(number=1) print t3.timeit(number=1) print t4.timeit(number=1)
运行结果：
12.438587904 0.435907125473 14.6431810856 0.258564949036
利用 pandas 统计数据的去重数和去重数据，其性能是 Python 原生函数的 10 倍以上。
