python 删除数组元素
### 删除 Python 数组或列表中的元素
在 Python 中，`list` 是一种常见的动态数组结构，支持多种操作来删除其中的元素。以下是几种常见的方式：
#### 使用 `remove()` 方法
通过调用列表对象的内置方法 `remove(value)` 可以移除列表中第一个匹配指定值的元素[^1]。如果该值不存在，则会抛出 `ValueError` 异常。
```python
nums = [3, 2, 2, 3]
val = 3
while val in nums:
nums.remove(val)
print(nums) # 输出: [2, 2]
```
此方式适用于需要按值删除的情况，但如果目标值多次出现于列表中，则需循环调用 `remove()` 或其他替代方案。
#### 使用列表推导式过滤不需要的元素
另一种高效的方法是利用列表推导式创建一个新的不包含特定值的新列表[^2]。
```python
nums = [3, 2, 2, 3]
val = 3
nums = [x for x in nums if x != val]
print(nums) # 输出: [2, 2]
```
这种方法不会修改原始列表而是返回新的列表副本，因此适合不可变场景下的应用。
#### 遍历并覆盖原列表
对于更复杂的逻辑或者性能敏感的应用场合，可以采用遍历加索引调整的方式来实现去重或条件性剔除功能[^3]^。
```python
class Solution(object):
def removeDuplicates(self, nums):
length = len(nums)
if length == 0:
return 0
internal = 0
for i in range(1, len(nums)):
if nums[i - 1] == nums[i]:
internal += 1
else:
nums[i - internal] = nums[i]
return length - internal
solution_instance = Solution()
result_length = solution_instance.removeDuplicates([1, 1, 2])
print(result_length) # 输出: 2
print(nums[:result_length]) # 输出: [1, 2]
```
上述代码片段展示了如何处理已排序数组去除重复项的同时保持相对顺序不变的过程。
#### 对比 `list` 和 `array.array`
尽管两者都可以存储序列化的项目集合，但是它们之间存在显著差异。标准库模块 `array` 提供了一个轻量级版本的数据容器用于保存单一类型的数值型数据集[^4]。然而，在大多数情况下，人们倾向于优先选用灵活性更高的 `list` 类型除非有特殊需求比如节省内存空间等考虑因素。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Python内容推荐
python中删除数组中的某个元素几种方法
python中删除数组中的某个元素几种方法
035.Python列表_元素删除的三种方式_删除本质是数组元素拷贝.mp4
035.Python列表_元素删除的三种方式_删除本质是数组元素拷贝.mp4
Python 数组的遍历与元素删除
上代码 #!/usr/bin/env python # coding=utf-8 # 2020-03-11 16:39:19 def main(): # 删除列表中的奇数 list1 = [1,3,5,7,9,2,4,6,8,10] print(list1) for item in list1: print('item:',item) if item%2 == 1: list1.remove(item) print(list1) if __name__ == '__main__': main
Python实现删除排序数组中重复项的两种方法示例
主要介绍了Python实现删除排序数组中重复项的两种方法,涉及Python数组元素的遍历、判断、删除等相关操作技巧,需要的朋友可以参考下
Python3删除排序数组中重复项的方法分析
本文实例讲述了Python3删除排序数组中重复项的方法。分享给大家供大家参考，具体如下： 给定一个排序数组，你需要在[原地]删除重复出现的元素，使得每个元素只出现一次，返回移除后数组的新长度。 不要使用额外的数组空间，你必须在[原地]修改输入数组并在使用 O(1) 额外空间的条件下完成。 示例 1: 给定数组 nums = [1,1,2], 函数应该返回新的长度 2, 并且原数组 nums 的前两个元素被修改为 1, 2。 你不需要考虑数组中超出新长度后面的元素。 示例 2: 给定 nums = [0,0,1,1,1,2,2,3,3,4], 函数应该返回新的长度 5, 并且原数组 nums
Python之数组Python之数组
python数组
简单了解python数组的基本操作
主要介绍了简单了解python数组的基本操作,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
Python3实现从排序数组中删除重复项算法分析
主要介绍了Python3实现从排序数组中删除重复项算法,结合3个完整实例形式分析了Python3针对排序数组的遍历、去重、长度计算等相关操作技巧,需要的朋友可以参考下
python实现给数组按片赋值的方法
主要介绍了python实现给数组按片赋值的方法,实例分析了Python在指定位置进行赋值的相关技巧,需要的朋友可以参考下
Python 实现数组相减示例
今天小编就为大家分享一篇Python 实现数组相减示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Python list列表中删除多个重复元素操作示例
主要介绍了Python list列表中删除多个重复元素操作,结合实例形式分析了Python删除list列表重复元素的相关操作技巧与注意事项,需要的朋友可以参考下
python数组
python数组方法
python数组 python数组方法
Python3.4学习笔记之列表、数组操作示例
主要介绍了Python3.4列表、数组操作,结合实例形式分析了Python3.4列表的创建、元素追加、删除、排序等相关操作技巧,需要的朋友可以参考下
Python如何实现动态数组
主要介绍了Python如何实现动态数组,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
【Python】Python中的数组、列表、元组、Numpy数组、Numpy矩阵
前言 面试中特别重视对于数据结构的考查（某次面试被问及Python中列表和数组的区别，回答的不好，痛定思痛，扎实的基础决定面试的成败！） 本节简要总结Python中数组、列表、元组、Numpy数组、Numpy矩阵的概念与联系。 1. 数组 Python没有数组！！！ 2. 列表 python内置类型，即动态数组，C++标准库的vector，但可含不同类型的元素于一个list中。 下标：按下标读写，就当作数组处理，以0开始，有负下标的使用 list的常用方法 L.append(var) #追加元素 L.insert(index,var) L.pop(var) #返回最后一个元素，并从
python 实现数组list 添加、修改、删除的方法
下面小编就为大家分享一篇python 实现数组list 添加、修改、删除的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
python算法笔记——数组
概述 数据是最基本，最简单也是最常见的数据结构，属于线性结构的一种。在python中实现数组非常容易。比如，我们创建一个数组并进行一些基本操作： 数组的插入 my_list = [1,2,3,4,5,4,3,2,1] print(my_list) #打印数组 my_list[0] = 0 # 将第一个位置更新为0 my_list.append(6) # 在最后一个位置添加元素6 my_list.insert(3,7) #在索引为3的位置插入7 但是，从算法的角度而言，我们要考虑每个操作的时间复杂度和空间复杂度。所以我们来自己实现一段插入操作的代码： class MyArray: de
Python中列表list以及list与数组array的相互转换实现方法
主要介绍了Python中list以及list与array的相互转换实现方法,简单分析了Python中list的功能、使用方法及list与array相互转换实现技巧,需要的朋友可以参考下
python算法-数组和链表 数组和链表.pdf
python算法-数组和链表 数组和链表.pdf
Python实现列表删除重复元素的三种常用方法分析
主要介绍了Python实现列表删除重复元素的三种常用方法,结合实例形式对比分析了Python针对列表元素的遍历、判断、转换等相关操作技巧,需要的朋友可以参考下
热门内容
热门代码资源
最新推荐
粒子群优化BP-PID、传统PID控制、神经网络BP-PID三种算法效果仿真对比
内容概要：本文系统性地对比了粒子群优化BP-PID、传统PID控制以及神经网络BP-PID三种控制算法在多种复杂系统中的仿真性能，依托MATLAB/Simulink平台，重点分析各算法在动态响应速度、稳定性、抗干扰能力及控制精度方面的差异。研究涵盖典型非线性、强耦合系统如倒立摆、电力系统、三电平逆变器、微电网等，并扩展至LQR、模糊PID、虚拟同步发电机（VSG）、下垂控制、模型预测控制（MPC）、孤岛检测、中点电位平衡、虚拟阻抗等多种先进控制策略。配套提供完整的仿真模型、参考文献、程序代码与说明文档，构建了一个面向科研实践的技术支持体系。;
适合人群：自动化、电气工程、控制科学与工程等领域具备一定MATLAB/Simulink基础的研究生、科研人员及从事控制系统开发的工程师；;
使用场景及目标：① 深入理解并对比不同PID控制算法在复杂系统中的适用性与性能边界；② 快速搭建高保真仿真环境，验证新控制算法的有效性与鲁棒性；③ 支撑学术论文撰写、科研项目攻关与工程原型开发；;
阅读建议：建议按照资源目录顺序循序渐进学习，结合百度网盘提供的完整资源包（含仿真模型、代码、文献）进行实操演练，重点关注算法实现逻辑、参数整定方法与仿真结果分析，以提升科研创新能力与工程实践水平。
基于小波分析的小电流接地系统单相接地故障选线仿真【仿真+说明文档+说明PPT】
内容概要：本文介绍了一个基于小波分析的小电流接地系统单相接地故障选线仿真项目，配套提供Simulink仿真模型、详细说明文档及讲解PPT，系统阐述了小电流接地系统在发生单相接地故障时的故障特征提取与选线判别方法。项目核心在于利用小波变换对暂态零序电流进行多尺度分解，有效捕捉故障初始时刻的高频突变分量，结合幅值比较、极性判别等判据实现故障线路的精准识别。仿真平台完整构建了从故障信号采集、小波分解与重构、特征量提取到选线决策的全流程，充分验证了小波分析在微弱故障信号处理中的优越性，兼具理论深度与工程应用价值。;
适合人群：电气工程及其自动化、智能电网等相关专业的本科生、研究生，以及从事配电网继电保护、故障诊断算法研究的科研人员和现场工程技术人员。;
使用场景及目标：①深入掌握小波分析在电力系统暂态信号处理中的具体应用技巧；②理解小电流接地系统单相接地故障的物理特性与现有选线方法的实现逻辑；③通过动手仿真验证不同小波基、分解层数等参数对选线结果的影响，支持学术论文写作、科研课题验证及高校课程设计与实验教学。;
阅读建议：建议结合Simulink模型与说明文档同步学习，重点关注小波变换模块的参数配置、故障特征提取的时序逻辑以及最终选线判据的数学表达，可在基础模型上进一步加入高阻接地、噪声干扰、多回路并行等复杂工况以提升算法鲁棒性研究深度。
产业园区运营负责人如何利用平台实现创新资源的精准配置？.docx
科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。
特权访问管理策略ISO∕IEC 27001全套文件.pdf
特权访问管理策略ISO∕IEC 27001全套文件.pdf
德瓦达达娃空对空达瓦达瓦
德瓦达达娃空对空达瓦达瓦
Go语言高并发云原生数据库实战：覆盖时序、图、文档、关系型及区块链数据库
数据库系列课程中“Go语言高并发与云原生项目实战资源”这一标题，实质上指向当前企业级数据基础设施演进的核心交汇点：以Go语言为开发底座，深度融合高并发处理能力、云原生架构范式与多模态数据库技术体系的工程化实践路径。其描述中“New SQL OLAP”并非泛指传统OLAP（联机分析处理）系统，而是特指新一代基于SQL接口、面向实时/近实时分析场景、具备弹性伸缩、存算分离、多租户隔离、流批一体能力的现代化分析型数据库范式——它既继承了SQL易用性、标准兼容性与成熟生态优势，又突破了传统MPP架构在动态扩缩容、混合负载支持、低延迟响应（亚秒级）、高吞吐写入（百万TPS级）及云环境适配性等方面的固有瓶颈。该范式典型代表包括ClickHouse（列式存储+向量化执行+异步复制）、Doris（MySQL协议兼容+物化视图+Rollup预聚合）、StarRocks（全新C++内核+智能物化视图+统一实时分析）、Trino（联邦查询引擎+插件化连接器+无状态协调节点）以及由Go语言主导构建的新兴系统如QuestDB（专为时序优化的SQL OLAP，支持毫秒级时间分区、内存映射IO、SIMD加速）、Materialize（基于Timely Dataflow实现的增量物化视图引擎，支持SQL流式持续查询）等。
从压缩包内子文件名列表可深度解构其知识体系全景：首先，“时序数据库”模块聚焦IoT、监控、金融行情等高频写入、按时间窗口聚合、降采样、异常检测等典型场景，涵盖InfluxDB（TSM引擎+Flux查询语言）、Prometheus（本地TSDB+Pull模型+Recording Rules）、TDengine（单机亿级写入+超级表建模+内置计算函数）及QuestDB（Go+Rust混合编写，支持SQL JOIN时序对齐、LIVE QUERY实时订阅）等，强调时间戳主键设计、倒排索引优化、无锁写入队列、LSM-Tree与Delta Encoding压缩策略；“关系型数据库”部分不仅覆盖MySQL（InnoDB事务隔离级别实现、Buffer Pool管理、Redo/Undo日志机制、主从GTID复制）、PostgreSQL（MVCC快照原理、WAL日志归档、逻辑复制、扩展PL/pgSQL与FDW外部数据包装器），更深入探讨其在云原生下的演进形态——如Citus（PG分布式扩展）、CockroachDB（Spanner-inspired强一致分布式SQL，Raft共识+Multi-Raft Group分片）、YugabyteDB（DocDB存储层+YSQL兼容层，支持自动分片与跨区域复制）；“文档型数据库”解析MongoDB（WiredTiger引擎的LSM+Copy-on-Write、Change Streams实时监听、Aggregation Pipeline阶段优化）、Elasticsearch（倒排索引+Doc Values列存+Query DSL语法树编译、Hot-Warm-Cold冷热分层架构）及其与Go生态集成（mongo-go-driver异步操作、elastic/v7客户端批量写入优化）；“图数据库”涵盖Neo4j（Cypher查询语言+原生存储+图算法库）、Nebula Graph（Shared-Nothing架构+Storage-Compute分离+gQL查询语言）、Dgraph（Raft分片+GraphQL+-like查询+增量同步），重点剖析属性图模型、Gremlin/Cypher图遍历算法复杂度、索引组织（如Label Index、Property Index、Composite Index）及Go客户端驱动的连接池管理与事务控制；“数据仓库与大数据”模块横跨Lambda/Kappa架构对比、Iceberg/Hudi/Delta Lake三大开源表格式（ACID事务保证、Schema演化、Time Travel、隐藏分区、Z-Order聚类）、Flink SQL实时ETL、Spark SQL离线数仓构建，并强调Go语言在数据管道编排（如通过Airflow Go SDK或自研轻量调度器）、元数据服务（Atlas Go Client）、数据质量校验（custom Go validator集成Great Expectations）中的独特价值；“区块链”子项并非孤立技术，而是作为可信数据源接入层，解析Hyperledger Fabric（Channel隔离+Chaincode链码+Private Data Collection）、Ethereum（Solidity合约+Web3.go SDK交互+事件日志解析）如何与OLAP系统联动，实现链上数据可信导入、溯源分析与合规审计；“图数据库”与“区块链”的并列暗示了知识图谱与链上地址关系挖掘、反洗钱图谱构建等交叉应用场景。
整个课程体系以Go语言为贯穿主线：利用其goroutine轻量级协程与channel通信机制实现高并发数据采集Agent（如Kafka Consumer Group自动再平衡、Prometheus Exporter指标暴露）；借助net/http与fasthttp构建低延迟API网关，对接多数据库后端并实现熔断限流（go-zero微服务框架集成Sentinel）；运用Go Module依赖管理与CGO调用C/C++高性能库（如ClickHouse C++ client、OpenSSL加密）；结合Docker+Kubernetes Operator模式封装数据库StatefulSet部署（如etcd-operator、postgres-operator），实现自动化备份恢复（Velero+Restic）、配置热更新（Consul KV+watch）、健康探针定制（livenessProbe执行SQL心跳检测）。尤为关键的是，课程将“云原生”具象为可观测性（OpenTelemetry Go SDK埋点+Jaeger链路追踪+Prometheus指标采集）、声明式API（CRD定义数据库实例规格）、服务网格集成（Istio mTLS加密数据库连接）、GitOps交付（Argo CD同步Helm Chart部署Doris集群）等可落地实践。最终，所有技术模块均服务于构建一个具备毫秒级实时分析、PB级数据规模、跨地域高可用、多源异构数据联邦、安全合规审计能力的新一代SQL OLAP平台——这不仅是技术选型的集合，更是面向未来十年数据密集型应用的系统性工程方法论。
OpenStock：中小企业可用的开源库存管理系统
## 1. OpenStock 是什么：一个面向中小企业的开源库存管理系统，不是玩具项目
OpenStock 这个名字乍一听像某个云服务的子产品，但实际它是一个完全面向真实业务场景打磨出来的开源库存管理平台。我第一次在 GitHub 上看到它时，第一反应是“又一个 React + MongoDB 的练手项目”，点开 README 后才意识到——这东西真能用，而且已经在三家本地五金店、两家烘焙工坊和一家小型医疗器械经销商那里跑了一年多。它不追求炫酷的 3D 仓库可视化，也不堆砌微服务架构，核心就干一件事：让老板、仓管员、采购员三类角色，在同一套数据底座上，用最顺手的方式完成“入库→上架→出库→
深度学习里常听说的‘内积层’到底指什么？它和全连接层是什么关系？
### 关于内积层的理解
在深度学习领域，并不存在名为“内积层”的标准术语。然而，在某些情况下，“内积”这一概念可能被提及来描述特定类型的运算或者变换过程。
#### 内积的概念解释
内积是指两个相同维度向量之间的乘积累加操作，即对应位置元素相乘后再求和的结果。这种计算方式广泛应用于各种机器学习算法之中[^1]。当提到“内积层”，可能是指涉及此类运算的一个抽象层次或者是对某一具体实现方法的形象称呼。
#### 类似功能的层——全连接层
实际上，在卷积神经网络架构里承担类似角色的是全连接层(Fully Connected Layer)，该层负责接收来自前面各层提取到的空间局部特征并将其
MATLAB 2019实现多波形同坐标绘图及示波器数据导出至Excel和Origin
在MATLAB中实现“多波形同坐标”绘制，是信号处理、控制系统仿真、通信系统建模、电力电子分析以及各类工程科研实验数据可视化中的核心技能之一。该技术的本质在于：将多个具有相同横轴物理意义（如时间、频率、采样点索引等）但不同纵轴响应特征（如电压、电流、相位、幅值、误差、状态变量等）的波形信号，在同一组坐标系（即同一个axes对象）中叠加显示，从而实现直观对比、趋势分析、时序对齐、误差评估与动态演化观察等关键科学目的。其重要性远超简单的绘图操作，而是一种融合了数据采集逻辑、内存管理策略、图形句柄控制、色彩语义设计、图例标注规范及跨平台数据互通能力的系统性工程实践。
首先，从数据来源维度看，“多波形”的生成途径高度多样化：既可来自Simulink模型中多个Scope模块的实时仿真输出，也可源于MATLAB脚本中通过算法生成的多组理论波形（如正弦+方波+锯齿波混合信号），还可导入外部测量设备（如示波器、DAQ卡、网络分析仪）采集的实测数据（.csv/.mat/.tdms格式）。尤其在Simulink环境中，新版MATLAB（R2019a及以后）对Scope模块进行了深度重构——引入了“Logging to Workspace”机制，取代了旧版中依赖To Workspace模块或手动右键导出的低效方式。用户只需在Scope界面点击齿轮图标→进入Configuration Properties→勾选“Log data to workspace”，并指定变量名（如waveData）、保存格式（推荐Array或Timeseries）及采样率/缓冲区大小，即可在仿真结束后自动将全部通道数据以结构化数组形式载入Base Workspace。此过程确保了时间轴严格同步、采样点一一对应，为后续多波形精准叠加奠定数据一致性基础。
其次，在绘图实现层面，“同坐标”并非简单调用多次plot命令即可达成。必须深入理解MATLAB图形系统的底层架构：每个figure包含一个或多个axes容器，而每个axes可容纳任意数量的line对象。标准做法是使用hold on指令锁定当前axes，再依次plot多组x-y数据；更优方案则是采用向量化语法——如plot(x1,y1,x2,y2,x3,y3,...)，MATLAB会自动为每条曲线分配不同颜色与线型，并共享同一坐标轴范围。针对不同量纲波形（如电压V与温度℃），需启用yyaxis left/right双Y轴；若需多X轴（如时间与频率映射），则需借助twinx或自定义坐标变换。此外，必须配套执行xlabel、ylabel、title、legend、grid on、box on等指令完善图表语义，其中legend应明确标注各波形物理含义（如'PWM驱动信号'、'电机转速反馈'、'PID输出误差'），避免歧义。对于高频采样大数据（如100万点），应启用plot(...,'-','Marker','none')禁用标记点以提升渲染效率，并考虑使用xlim/ylim限定视图区域防止坐标轴过度拉伸。
再者，跨软件协同是该技术落地的关键延伸。描述中提及导出至Excel与Origin，这要求掌握MATLAB的数据导出范式：对已加载的waveData数组，可用writematrix(waveData,'output.xlsx')直接写入表格，或用xlswrite（旧版）、writematrix+writematrix组合导出多列；对于Origin，则推荐生成符合其支持格式的.dat文件（空格/制表符分隔），或通过COM接口调用OriginLab自动化引擎实现无缝对接。值得注意的是，导出前务必验证数据维度——Array格式默认为M×N矩阵，第1列为时间轴，其余列为各通道波形；若为Structure格式，则需先提取waveData.time与waveData.signals.values字段重组为二维数组，否则易导致坐标错位。
最后，工程实践中需规避若干典型陷阱：一是未清空工作区导致变量名冲突；二是忽略采样率不一致引发的时间轴偏移（如两路信号采样率分别为1kHz与10kHz，须先重采样对齐）；三是legend顺序与plot调用顺序不匹配造成标签错位；四是未设置FontSize、LineWidth等属性致使论文插图不符合出版规范（IEEE/Elsevier通常要求字号≥8pt，线宽≥1.5pt）。综上，“matlab多波形同坐标”绝非孤立命令技巧，而是贯通建模仿真、数据采集、图形编程、结果验证与学术表达的全链条能力，其掌握程度直接反映工程师在复杂系统分析中的专业深度与工程严谨性。
OpenStock：开源A股行情数据抓取与自动化选股策略工具
如果你盯盘一天只能看两三次，如果你复盘时总想搞清楚“今天到底哪些票资金在进、哪些在出”，又不想每天打开行情软件被广告和荐股弹窗轰炸，那“OpenStock”这个开源项目可能会刚好踩中你的需求。
OpenStock是一套面向个人投资者的开源行情数据抓取与分析工具，核心理念很简单：把A股每日的行情快照、涨跌停数据、板块资金流向、技术指标信号全部自动拉到本地，集中清洗入库，再用一套可扩展的选股策略引擎做二次筛选，最终输出你真正关心的“可以复盘、可以跟踪、可以留档”的数据结果。它适合三类人：一是没有编程基础但想用现成脚本做常用数据留档的交易者，二是刚入门量化、想用真实行情数据练手策略的开发者，三是已