首页 > 编程语言 >10.25Python_pandas_函数(1)

10.25Python_pandas_函数(1)

时间：2024-10-25 21:16:10浏览次数：7  
标签：index 10.25 索引 Python DataFrame df pd print pandas

二、函数

1、常用的统计学函数

函数名称描述说明
count()统计某个非空值的数量
sum()求和
mean()求均值
median()求中位数
std()求标准差
min()求最小值
max()求最大值
abs()求绝对值
prod()求所有数值的乘积

案例：

# 创建一个示例 DataFrame
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [10, 20, 30, 40, 50],
    'C': [100, 200, 300, 400, 500]
}
df = pd.DataFrame(data)

# 计算每列的均值
mean_values = df.mean()
print(mean_values)

# 计算每列的中位数
median_values = df.median()
print(median_values)

#计算每列的方差
var_values = df.var()
print(var_values)

# 计算每列的标准差
std_values = df.std()
print(std_values)

# 计算每列的最小值
min_values = df.min()
print("最小值:")
print(min_values)

# 计算每列的最大值
max_values = df.max()
print("最大值:")
print(max_values)

# 计算每列的总和
sum_values = df.sum()
print(sum_values)

# 计算每列的非空值数量
count_values = df.count()
print(count_values)

注意：numpy的方差默认为总体方差，pandas默认为样本方差

总体方差：
σ 2 = 1 N ∑ i = 1 N ( X i − μ ) 2 σ^2=\dfrac{1}{N}∑_{i=1}^N(X_i−μ)^2 σ2=N1​i=1∑N​(Xi​−μ)2
样本方差：
s 2 = 1 N − 1 ∑ i = 1 N ( X i − X ‾ ) 2 s^2=\dfrac{1}{N-1}∑_{i=1}^N(X_i−\overline X)^2 s2=N−11​i=1∑N​(Xi​−X)2
分母为n-1的样本方差的期望等于总体的方差，因此样本方差是总体方差的无偏估计。

2、重置索引

​ 重置索引（reindex）可以更改原 DataFrame 的行标签或列标签，并使更改后的行、列标签与 DataFrame 中的数据逐一匹配。通过重置索引操作，您可以完成对现有数据的重新排序。如果重置的索引标签在原 DataFrame 中不存在，那么该标签对应的元素值将全部填充为 NaN。

2.1 reindex

reindex() 方法用于重新索引 DataFrame 或 Series 对象。重新索引意味着根据新的索引标签重新排列数据，并填充缺失值。如果重置的索引标签在原 DataFrame 中不存在，那么该标签对应的元素值将全部填充为 NaN。

语法：

DataFrame.reindex(labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=np.nan, limit=None, tolerance=None)

参数：

  1. labels：
    • 类型：数组或列表，默认为 None。
    • 描述：新的索引标签。
  2. index：
    • 类型：数组或列表，默认为 None。
    • 描述：新的行索引标签。
  3. columns：
    • 类型：数组或列表，默认为 None。
    • 描述：新的列索引标签。
  4. axis：
    • 类型：整数或字符串，默认为 None。
    • 描述：指定重新索引的轴。0 或 ‘index’ 表示行，1 或 ‘columns’ 表示列。
  5. method：
    • 类型：字符串，默认为 None。
    • 描述：用于填充缺失值的方法。可选值包括 ‘ffill’（前向填充）、‘bfill’（后向填充）等。
  6. copy：
    • 类型：布尔值，默认为 True。
    • 描述：是否返回新的 DataFrame 或 Series。
  7. level：
    • 类型：整数或级别名称，默认为 None。
    • 描述：用于多级索引（MultiIndex），指定要重新索引的级别。
  8. fill_value：
    • 类型：标量，默认为 np.nan。
    • 描述：用于填充缺失值的值。
  9. limit：
    • 类型：整数，默认为 None。
    • 描述：指定连续填充的最大数量。
  10. tolerance：
    • 类型：标量或字典，默认为 None。
    • 描述：指定重新索引时的容差。

案例：

# 创建一个示例 DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
}
df = pd.DataFrame(data, index=['a', 'b', 'c'])

# 重新索引行
new_index = ['a', 'b', 'c', 'd']
df_reindexed = df.reindex(new_index)
print(df_reindexed)

# 重新索引列
new_columns = ['A', 'B', 'C', 'D']
df_reindexed = df.reindex(columns=new_columns)
print(df_reindexed)

# 重新索引行，并使用前向填充
# 新的行索引 ['a', 'b', 'c', 'd'] 包含了原索引中不存在的标签 'd'，使用 method='ffill' 进行前向填充，因此 'd' 对应的行填充了前一行的值。
new_index = ['a', 'b', 'c', 'd']
df_reindexed = df.reindex(new_index, method='ffill')
print(df_reindexed)

# 重新索引行，并使用指定的值填充缺失值
new_index = ['a', 'b', 'c', 'd']
df_reindexed = df.reindex(new_index, fill_value=0)
print(df_reindexed)

2.2 reindex_like

reindex_like 方法用于将一个 DataFrame 或 Series 的索引重新排列，使其与另一个 DataFrame 或 Series 的索引相匹配。如果在重新索引的过程中，新的索引与原始索引不完全匹配，那么不匹配的位置将会被填充为 NaN 值。

语法：

DataFrame.reindex_like(other, method=None, copy=True, limit=None, tolerance=None)

参数：

  1. other：
    • 类型：DataFrame 或 Series。
    • 描述：用于对齐索引和列的参考对象。
  2. method：
    • 类型：字符串，默认为 None。
    • 描述：用于填充缺失值的方法。可选值包括 ‘ffill’（前向填充）、‘bfill’（后向填充）等。
  3. copy：
    • 类型：布尔值，默认为 True。
    • 描述：是否返回新的 DataFrame 或 Series。
  4. limit：
    • 类型：整数，默认为 None。
    • 描述：指定连续填充的最大数量。
  5. tolerance：
    • 类型：标量或字典，默认为 None。
    • 描述：指定重新索引时的容差。

**案例1：**对齐行索引

import pandas as pd

# 创建两个示例 DataFrame
df1 = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6]
}, index=['a', 'b', 'c'])

df2 = pd.DataFrame({
    'A': [7, 8, 9],
    'B': [10, 11, 12]
}, index=['b', 'c', 'd'])

# 使用 reindex_like 对齐 df1 的行索引到 df2
# df1 的行索引被重新索引为 df2 的行索引，因此 df1 中不存在的行索引 'd' 对应的行填充了 NaN。
df1_reindexed = df1.reindex_like(df2)
print(df1_reindexed)

案例2：对齐列索引

# 创建两个示例 DataFrame
df1 = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6]
}, index=['a', 'b', 'c'])

df2 = pd.DataFrame({
    'B': [7, 8, 9],
    'C': [10, 11, 12]
}, index=['a', 'b', 'c'])

# 使用 reindex_like 对齐 df1 的列索引到 df2
df1_reindexed = df1.reindex_like(df2)

print(df1_reindexed)

3、遍历

对于 Series 而言，您可以把它当做一维数组进行遍历操作；而像 DataFrame 这种二维数据表结构，则类似于遍历 Python 字典

Series 可直接获取相应的 value，而 DataFrame 则会获取列标签

案例：

import pandas as pd

series_data = pd.Series(['a','b','c','d','e','f',None])

print('Series：')
for item in series_data:
    print(item, end=' ')

3.1 Series遍历

使用 items()

import pandas as pd

# 创建一个示例 Series
series = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
for index, value in series.items():
    print(f"Index: {index}, Value: {value}")

使用 index 属性

import pandas as pd

# 创建一个示例 Series
series = pd.Series([1, 2, 3], index=['a', 'b', 'c'])

# 遍历索引
for index in series.index:
    print(f"Index: {index}, Value: {series[index]}")

使用 values 属性

import pandas as pd

# 创建一个示例 Series
series = pd.Series([1, 2, 3], index=['a', 'b', 'c'])

# 遍历值
for value in series.values:
    print(f"Value: {value}")

3.2 DataFrame 遍历

dataFrame_data = pd.DataFrame({
    'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']),
    'two': pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
})
# 遍历dataframe得到的是列标签
print('DataFrame：')
for item in dataFrame_data:
    print(item, end=' ')

迭代器返回的是原数据的副本

遍历行

iterrows() 方法用于遍历 DataFrame 的行，返回一个包含索引和行的迭代器。

案例：

import pandas as pd

# 创建一个示例 DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
}
df = pd.DataFrame(data, index=['a', 'b', 'c'])

# 使用 iterrows() 遍历行
for index, row in df.iterrows():
    print(f"Index: {index}, Row: {row}")

itertuples() 方法用于遍历 DataFrame 的行，返回一个包含行数据的命名元组。

案例：

import pandas as pd

# 创建一个示例 DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
}
df = pd.DataFrame(data, index=['a', 'b', 'c'])

# 使用 itertuples() 遍历行
for row in df.itertuples():
    print(row)
    # 获取列名
    columns = row._fields
    
    # 遍历每一行的元素值
    for col in columns:
        # getattr:获取row对象中的col属性
        print(f"{col}: {getattr(row, col)}")

当处理大型数据集时，应尽量避免使用 iterrows()，因为它的性能相对较差。

itertuples() 是遍历 DataFrame 的推荐方法，因为它在速度和内存使用上都更高效。

遍历列

items() 方法用于遍历 DataFrame 的列，返回一个包含列名和列数据的迭代器。

案例：

import pandas as pd

# 创建一个示例 DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
}
df = pd.DataFrame(data, index=['a', 'b', 'c'])

# 使用 items() 遍历列
for column_name, column_data in df.items():
    print(f"Column Name: {column_name}, Column Data: {column_data}")

使用属性遍历

loc 和 iloc 方法可以用于按索引或位置遍历 DataFrame 的行和列。

import pandas as pd

# 创建一个示例 DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
}
df = pd.DataFrame(data, index=['a', 'b', 'c'])

# 使用 loc 遍历行和列
for index in df.index:
    for column in df.columns:
        print(f"Index: {index}, Column: {column}, Value: {df.loc[index, column]}")

4、排序

4.1 sort_index

sort_index 方法用于对 DataFrame 或 Series 的索引进行排序。

语法：

DataFrame.sort_index(axis=0, ascending=True, inplace=False)
Series.sort_index(axis=0, ascending=True, inplace=False)

参数：

  • axis：指定要排序的轴。默认为 0，表示按行索引排序。如果设置为 1，将按列索引排序。
  • ascending：布尔值，指定是升序排序（True）还是降序排序（False）。
  • inplace：布尔值，指定是否在原地修改数据。如果为 True，则会修改原始数据；如果为 False，则返回一个新的排序后的对象。

案例：

import pandas as pd

# 创建一个示例 DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
}
df = pd.DataFrame(data, index=['b', 'c', 'a'])

# 按行索引排序
df_sorted = df.sort_index()

print(df_sorted)

4.2 sort_values

sort_values 方法用于根据一个或多个列的值对 DataFrame 进行排序。

语法：

DataFrame.sort_values(by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last')

参数：

  • by：列的标签或列的标签列表。指定要排序的列。
  • axis：指定沿着哪个轴排序。默认为 0，表示按列排序。如果设置为 1，将按行排序。
  • ascending：布尔值或布尔值列表，指定是升序排序（True）还是降序排序（False）。可以为每个列指定不同的排序方向。
  • inplace：布尔值，指定是否在原地修改数据。如果为 True，则会修改原始数据；如果为 False，则返回一个新的排序后的对象。
  • kind：排序算法。默认为 ‘quicksort’，也可以选择 ‘mergesort’ 或 ‘heapsort’。
  • na_position：指定缺失值（NaN）的位置。可以是 ‘first’ 或 ‘last’。

案例：

import pandas as pd

# 创建一个示例 DataFrame
data = {
    'A': [3, 2, 1],
    'B': [6, 5, 4],
    'C': [9, 8, 7]
}
df = pd.DataFrame(data, index=['b', 'c', 'a'])

# 按列 'A' 排序
df_sorted = df.sort_values(by='A')
print(df_sorted)

# 按列 'A' 和 'B' 排序
df_sorted = df.sort_values(by=['A', 'B'])
print(df_sorted)

# 按列 'A' 降序排序
df_sorted = df.sort_values(by='A', ascending=False)
print(df_sorted)

5、去重

drop_duplicates 方法用于删除 DataFrame 或 Series 中的重复行或元素。

语法：

drop_duplicates(by=None, subset=None, keep='first', inplace=False)
Series.drop_duplicates(keep='first', inplace=False)

参数：

  • by：用于标识重复项的列名或列名列表。如果未指定，则使用所有列。

  • subset：与 by 类似，但用于指定列的子集。

  • keep：指定如何处理重复项。可以是：

    • ‘first’：保留第一个出现的重复项（默认值）。
    • ‘last’：保留最后一个出现的重复项。
    • False：删除所有重复项。

  • inplace：布尔值，指定是否在原地修改数据。如果为 True，则会修改原始数据；如果为 False，则返回一个新的删除重复项后的对象。

案例：

import pandas as pd

# 创建一个示例 DataFrame
data = {
    'A': [1, 2, 2, 3],
    'B': [4, 5, 5, 6],
    'C': [7, 8, 8, 9]
}
df = pd.DataFrame(data)

# 删除所有列的重复行，默认保留第一个出现的重复项
df_unique = df.drop_duplicates()
print(df_unique)

# 删除重复行，保留最后一个出现的重复项
df_unique = df.drop_duplicates(keep='last')
print(df_unique)

6、分组

6.1 groupby

groupby 方法用于对数据进行分组操作，这是数据分析中非常常见的一个步骤。通过 groupby，你可以将数据集按照某个列（或多个列）的值分组，然后对每个组应用聚合函数，比如求和、平均值、最大值等。

语法：

DataFrame.groupby(by, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, observed=False, **kwargs)

参数：

  • by：用于分组的列名或列名列表。
  • axis：指定沿着哪个轴进行分组。默认为 0，表示按行分组。
  • level：用于分组的 MultiIndex 的级别。
  • as_index：布尔值，指定分组后索引是否保留。如果为 True，则分组列将成为结果的索引；如果为 False，则返回一个列包含分组信息的 DataFrame。
  • sort：布尔值，指定在分组操作中是否对数据进行排序。默认为 True。
  • group_keys：布尔值，指定是否在结果中添加组键。
  • squeeze：布尔值，如果为 True，并且分组结果返回一个元素，则返回该元素而不是单列 DataFrame。
  • observed：布尔值，如果为 True，则只考虑数据中出现的标签。
import pandas as pd

# 创建一个示例 DataFrame
    data = {
        'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'],
        'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
        'C': [1, 2, 3, 4, 5, 6, 7, 8],
        'D': [10, 20, 30, 40, 50, 60, 70, 80]
    }
    df = pd.DataFrame(data)

    # 按列 'A' 分组
    grouped = df.groupby('A')

    # 查看分组结果
    for name, group in grouped:
        print(f"Group: {name}")
        print(group)
        print()

    # 在分组内根据C列求平均值
    # transform用于在分组操作中对每个组内的数据进行转换，并将结果合并回原始 DataFrame。
    mean = grouped['C'].transform(lambda x: x.mean())
    df['C_mean'] = mean
    print(df)

    # 在分组内根据C列求标准差
    std = grouped['C'].transform(np.std)
    df['C_std'] = std
    print(df)

    # 在分组内根据C列进行正太分布标准化
    norm = grouped['C'].transform(lambda x: (x - x.mean()) / x.std())
    df['C_normal'] = norm
    print(df)

6.2 filter

​ 通过 filter() 函数可以实现数据的筛选，该函数根据定义的条件过滤数据并返回一个新的数据集

import pandas as pd

# 创建一个示例 DataFrame
    data = {
        'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar', 'foo', 'foo'],
        'B': ['one', 'one', 'two', 'three', 'two', 'two', 'one', 'three'],
        'C': [1, 2, 3, 4, 5, 6, 7, 8],
        'D': [10, 20, 30, 40, 50, 60, 70, 80]
    }
    df = pd.DataFrame(data)

# 按列 'A' 分组，并过滤掉列 'C' 的平均值小于 4 的组
filtered = df.groupby('A').filter(lambda x: x['C'].mean() >= 4)

print(filtered)

7、合并

merge 函数用于将两个 DataFrame 对象根据一个或多个键进行合并，类似于 SQL 中的 JOIN 操作。这个方法非常适合用来基于某些共同字段将不同数据源的数据组合在一起，最后拼接成一个新的 DataFrame 数据表。

函数：

pandas.merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None)

参数：

  • left：左侧的 DataFrame 对象。

  • right：右侧的 DataFrame 对象。

  • how

    ：合并方式，可以是 ‘inner’、‘outer’、‘left’ 或 ‘right’。默认为 ‘inner’。

    • ‘inner’：内连接，返回两个 DataFrame 共有的键。
    • ‘outer’：外连接，返回两个 DataFrame 的所有键。
    • ‘left’：左连接，返回左侧 DataFrame 的所有键，以及右侧 DataFrame 匹配的键。
    • ‘right’：右连接，返回右侧 DataFrame 的所有键，以及左侧 DataFrame 匹配的键。

  • on：用于连接的列名。如果未指定，则使用两个 DataFrame 中相同的列名。

  • left_on 和 right_on：分别指定左侧和右侧 DataFrame 的连接列名。

  • left_index 和 right_index：布尔值，指定是否使用索引作为连接键。

  • sort：布尔值，指定是否在合并后对结果进行排序。

  • suffixes：一个元组，指定当列名冲突时，右侧和左侧 DataFrame 的后缀。

  • copy：布尔值，指定是否返回一个新的 DataFrame。如果为 False，则可能修改原始 DataFrame。

  • indicator：布尔值，如果为 True，则在结果中添加一个名为 __merge 的列，指示每行是如何合并的。

  • validate：验证合并是否符合特定的模式。

案例1：内连接

import pandas as pd

# 创建两个示例 DataFrame
left = pd.DataFrame({
    'key': ['K0', 'K1', 'K2', 'K3'],
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
})

right = pd.DataFrame({
    'key': ['K0', 'K1', 'K2', 'K4'],
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3']
})

# 内连接
result = pd.merge(left, right, on='key')

print(result)

案例2：左连接

import pandas as pd

# 创建两个示例 DataFrame
left = pd.DataFrame({
    'key': ['K0', 'K1', 'K2', 'K3'],
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
})

right = pd.DataFrame({
    'key': ['K0', 'K1', 'K2', 'K4'],
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3']
})

# 左连接
result = pd.merge(left, right, on='key', how='left')

print(result)

标签：index,10.25,索引,Python,DataFrame,df,pd,print,pandas
From： https://blog.csdn.net/gs1we1/article/details/143238072

相关文章

  • 用python绘图-散点图/直方图/概率密度图
    项目用到的文件：一、代码解释：drawing01.pyimportdash#Dash是用于构建分析型Web应用的Python框架，由Plotly开发fromdashimportdccfromdashimporthtmlfromdash.dependenciesimportInput,Outputimportpandasaspd#尤其适用于表格数据和时间序列数......
  • python+flask框架的基于微信小程序的非法集资案件登记平台前台8(开题+程序+论文) 计算
    本系统（程序+源码+数据库+调试部署+开发环境）带论文文档1万字以上，文末可获取，系统界面在最后面。系统程序文件列表开题报告内容选题背景随着互联网技术的飞速发展，微信小程序作为一种轻量级的应用形式，已广泛应用于各行各业。在打击非法集资案件的过程中，传统的登记方式存在效率......
  • python+flask框架的基于微信小程序的高校实验室考勤管理系统的设计与实现前端8(开题+
    本系统（程序+源码+数据库+调试部署+开发环境）带论文文档1万字以上，文末可获取，系统界面在最后面。系统程序文件列表开题报告内容选题背景关于高校实验室考勤管理问题的研究，现有研究主要集中在传统考勤系统的设计与实现上，如基于RFID、指纹识别等技术。然而，随着移动互联网技术的......
  • python+flask框架的基于微信小程序的高校食堂在线预约点餐系统的设计服务端视频8(开题
    本系统（程序+源码+数据库+调试部署+开发环境）带论文文档1万字以上，文末可获取，系统界面在最后面。系统程序文件列表开题报告内容选题背景随着移动互联网技术的迅猛发展，高校学生的生活方式和学习模式正发生着深刻变化。特别是在餐饮消费方面，学生群体对便捷性、个性化和高效性的......
  • 【Python中的字符串处理】正则表达式与常用字符串操作技巧！
    Python中的字符串处理：正则表达式与常用字符串操作技巧Python在字符串处理方面提供了丰富的内置功能和模块，能够帮助开发者处理各种复杂的文本操作。无论是简单的字符串拼接、替换，还是借助正则表达式（re模块）实现的模式匹配，Python都有强大的工具可以让我们高效处理文本数据......
  • 【Python中的内置函数】max、map、zip等函数的实用技巧！
    Python中的内置函数：max、map、zip等函数的实用技巧Python提供了丰富的内置函数，帮助开发者高效编写简洁的代码。在这篇文章中，我们将详细探讨几个常用的内置函数，如max、map和zip，并展示如何在实际项目中灵活运用这些函数。本篇将结合代码示例，深入探讨它们的使用技巧，帮助你......
  • python+flask框架的基于微信小程序的电影推荐系统前台mp48(开题+程序+论文) 计算机毕
    本系统（程序+源码+数据库+调试部署+开发环境）带论文文档1万字以上，文末可获取，系统界面在最后面。系统程序文件列表开题报告内容选题背景随着互联网技术的飞速发展，在线电影观看已成为人们休闲娱乐的重要方式之一。微信作为中国最大的社交平台之一，其小程序平台凭借其轻量级、即......
  • python+flask框架的基于微信小程序的电影推荐系统后台8(开题+程序+论文) 计算机毕业设
    本系统（程序+源码+数据库+调试部署+开发环境）带论文文档1万字以上，文末可获取，系统界面在最后面。系统程序文件列表开题报告内容选题背景随着移动互联网技术的飞速发展，智能手机已成为人们日常生活中不可或缺的一部分。微信小程序作为微信生态系统中的重要组成部分，凭借其无需下......
  • python+flask框架的基于微信小程序的电子借条APP系统的设计与实现(开题+程序+论文) 计
    本系统（程序+源码+数据库+调试部署+开发环境）带论文文档1万字以上，文末可获取，系统界面在最后面。系统程序文件列表开题报告内容选题背景随着移动互联网技术的飞速发展，微信小程序作为一种轻量级的应用形式，因其无需下载安装、即用即走的特性，迅速成为用户日常生活中不可或缺的一......
  • python将输入的一个正整数分解质因数（map）
    利用map函数#coding=utf-8#输入一个正整数x=int(input())#请在此添加代码，将输入的一个正整数分解质因数##########Begin##########N=xn=xk=2result=[]while(k<=x):#初值k为2,x为输入的数字,在程序执行的过程中k渐渐变大(k++),x渐渐变小(x/k)if(k==x......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99