新闻详情

新闻详情

首页 / 资讯中心 / 详情

16:Python语法-字符串str

发布时间:2026/11/14 12:10:01来源:尧图网络
16:Python语法-字符串str
一、字符串1、一个字符串可以存放任意数量的字符。如hello cwc vwerv。2、字符串是有序的每个字符都有其对应的下标与列表一致。3、字符串不可变、有序、可遍历。二、字符串切片与列表切片类似1、语法结构序列对象[开始索引:结束索引:步长] 注意1步长为间隔几个元素取用。 2截取出的元素包含开始索引不包含结束索引。 3开始索引不指定的话默认为0结束索引默认列表长度步长默认为1 4步长为-1表示从后向前截取s[-1:-7:-1]2、示例shello-word #获取 print(s[2]) #切片 print(s[1:5:2])结果三、字符串常用方法1、常用方法find()在字符串中查找子串返回第一次出现的索引位置找不到返回-1s.find(hello)count()统计子串在字符串中出现的次数s.count(h)upper()将字符串中的所有字母转换为大写s.upper()lower()将字符串中的所有字母转换为小写s.lower()split()将字符串按指定分隔符分割成列表s.split( )strip()去除字符串两端的空白字符或指定字符s.strip() / s.strip(*)replace()将字符串中指定子串替换为新的子串s.replace(H,C)startswith()检查字符串是否以指定子串开头返回布尔值s.startswith(p)endswith()检查字符串是否以指定子串结尾返回布尔值s.endswith(d)2、示例shello-word s1DECK s2 abc print(s.find(l)) #找到返回下标 print(s.find(f)) #没找到返回-1 print(s.count(o)) #统计o出现的次数 print(s.upper()) #转大写 print(s1.lower()) #转小写 print(s.split(-)) #字符串切割 print(s2.strip()) #去除字符串两端空格 print(s.strip(d)) #去除指定字符 print(s.replace(h,H)) #替换 print(s.startswith(h)) #判断字符串是否以h开头 print(s.endswith(d)) #判断字符串是否以d结尾结果3、判断指定的子字符串是否出现在字符串中用 in 。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉