python實用教程

① python入門教程(非常詳細)

新手入門教程如下：
1、編程環境的安裝與使用。比如Python的學習一般推薦軟體自帶的IDLE，簡單好用。

示例

6、選擇結構，這是讓計算機具有一定的選擇、判斷能力的基礎。比如我們常見的登錄，VIP就要用到選擇結構。
7、循環結構，這是讓計算機具有重復的能力。前提是事件要具有一定的規律性，比如1，3，5，7，9……
8、文件的讀取和寫入，這個主要是針對大量的數據處理而言的。

一般來說，掌握以上內容就是入門了。

② 如何學python

如何學python

你是想讓我們當場給你寫本書出來么

:imooc./course/list?c=python

:tutorialspoint./python/index.htm

上面的兩個網站的python教程挺不錯的

女生如何學python

你好，如果要學python的話，建議報個培訓班，這樣能讓自己少走些彎路。如果要自學的話，可以買些入門方面的書，多練代碼，能力自然就上去了。

新手該如何學python怎麼學好python？

我建議初學者，不要下載具有IDE功能的集成開發環境，比如Eclipse插件等。2）下載完畢後，就可以開始學習了。學習過程中，我建議可以下載一些python的學習文檔，比如《dive into python》，《OReilly - Learning Python》等等。通過學習語法，掌握python中的關鍵字語法，函數語法，數學表達式等等3）學完了基本語法後，就可以進行互動式學習了。python具備很好的交互學習模式，對於書本上的例子我們可以通過交互平明差前台進行操練，通過練習加深印象，達到學習掌握的目的。4）通過以上三個步驟的學習後，我們大致掌握了python的常用方法、關鍵字用法以及函數語法等。接下去的學習上，我們就可以著手學習常用模 塊的使用， 比如os,os.path,sys,string模塊等。我們可以在交互環境中先熟悉使用其中的函數，如果遇到函數的使用上的問題，可以參考python 安裝後的自帶chm幫助文件。5）為了更好得掌握python，我們的學習不能只是停留在學習一些語法或者api階段。在此階段中，我們可以嘗試用python解決我們項目 中遇到的一 些問題，如果項目不是用python開發的，那我們可以想想能不能用python製作一些項目組可以使用的一些工具（utility），通過這些工具簡化 項目組成員的任務，提高我們的工作效率。如果沒有項目，我們也可以自己找些題目來自己練習練習。6）經過以上鍛煉後，我們的python知識水平肯定是越來越高。接下去的學習，我們就要更上一層樓。為了學以致用，真正能應用於項目開發或產 品開發，我 們還必須學習企業應用開發中必須要掌握的網路和資料庫知識。在此的學習就不光是python語言本身的學習了，慶橡如果之前沒有學習和掌握很網路和資料庫知 識，在此階段我們可以藉此機會補習一把。7）在此，我想我們對python的使用以及信手拈來了，即使忘了api的用法，我們也可以在短時間內通過查看文檔來使用api。那麼接下去， 我們要學習 什麼呢?那就是設計能力，在學習設計能力的過程中，如果對類等面向對象的概念不清楚激清的，在此階段也可以學習或加以鞏固。就像飛機設計師設計飛機通過學習模 型來設計一樣，我們也可以通過學習書上的經典例子來學習設計。等有了設計的基本概念後，我們就可以著手設計我們的程序了。在此階段中，我們重要的是學習抽 象的思想，通過隔離變化點來設計我們的模塊。8）到此階段，我們已經是真正入門了。在接下去的工作中，就是要快速地通過我們的所學來服務項目了。在此階段，我們除了掌握python自帶的 模塊外，我 們最好在掌握一些業界廣泛使用的開源框架，比如isted、peak、django、xml等。通過熟練使用它們，達到閃電開發，大大節省項目寶貴時 間。9）你已經是個python行家了，在此階段，我們在工作中會遇到一些深層次的、具體的困難問題。面對這些問題，我們已經有自己的思考方向和思 路了。

如何學好python

熟悉語法很容易，要真正做點東西還是要課題和練習。我也初學，感覺練習比較少。

練習練習練習
學好什麼語言都這樣
然後看書練習看書練習
能找份工作或者弄個什麼項目最好
完了

如何學習Python爬蟲

建議先學習原生爬蟲，再使用爬蟲框架，推薦資料與學習過程可在該頁面查看：
:zhuanlan.hu./p/21479334

如何學習Python GUI編程

個人推薦用PyQt
有一本很好的教材
英文的 網上搜一下就知道了
多寫多練多調試

選一個GUI，從他的官方網站上看指南，一步一步來，做python GUI有市場嗎？建議用QT的python版本

我始終認為，對一個初學者來說，IT界的技術風潮是不可以追趕的，而且也沒有能力去追趕。我時常看見自己的DDMM們把課本扔了，去賣些價格不菲的諸如C#, VB.Net 這樣的大部頭，這讓我感到非常痛心。而許多搞不清指針是咋回事的BBS站友眉飛色舞的討論C#裡面可以不用指針等等則讓我覺得好笑。C#就象當年的ASP一樣，「忽如一夜春風來，千樹萬樹梨花開」，結果許多學校的信息學院成了「Web 學院」。96,97級的不少大學生都去做Web 了。當然我沒有任何歧視某一行業的意識。我只是覺得如果他們把追趕這些時髦技術的時間多花一點在基礎的課程上應該是可以走得更遠的。 幾個誤區 初學者對C#風潮的追趕其實也只是學習過程中經常遇到的幾個誤區之一。我將用一些實際的例子來說明這些現象，你可以按部就班的看看自己是不是屬於其中的一種或者幾種： 認為計算機技術等於編程技術: 有些人即使沒有這個想法，在潛意識中也有這樣的沖動。讓我奇怪的是，許多信息學院的學生也有這樣的念頭。認為計算機專業就是編程專業，與編程無關的，或者不太相關的課程他統統都不管，極端的學生只要書上沒帶「編程」兩個字他就不看。 其實編程只是計算機技術應用過程中一種復雜性最低的勞動，這就是為什麼IT業最底層的人是程序員（CODER）。計算機技術包括了多媒體，計算機網路，人工智慧，模式識別，管理信息系統等等這些方面。編程工作只是在這些具體技術在理論研究或者工程實踐的過程中表達演算法的過程。編程的人不一定對計算機技術的了解就一定很高。而一個有趣的現象是，不少大師級的計算機技術研究者是不懂編程的。網上的炒作和現實中良好的工作待遇把編程這種勞動神秘化了。其實每一個程序員心裡都明白，自己這些東西，學的時候並不比其它專業難，所以自然也不會高檔到哪裡去。 咬文嚼字的孔已己作風: 我見過一本女生的《計算機網路原理》教材，這個女生象小學生一樣在書上劃滿了橫杠杠，筆記做得滿滿的，列印出來一定比教材還厚。我不明白的是，象計算機網路原理這樣的課程有必要做筆記？我們的應試教育的確害了不少學生，在上《原理》這一類課程的時候許多學生象學《馬列原理》一樣逐字背誦記憶。這乃是我見過的最愚蠢的行為。所謂《原理》，即是需要掌握它為什麼這樣做，學習why，而不是how（怎樣做）。極端認真的學生背下乙太網的網線最大長度，數據幀的長度，每個欄位的意義，IP報頭的格式等等，但是忘了路由的原則，忘了TCP/IP協議設計的宗旨。總之許多人花了大量的時間把書背得滾瓜爛熟卻等於什麼也沒學。 在學習編程的時候這些學生也是這樣，他們確切的記得C++語法的各個細節。看完了C++教程後看《Thinking in C++》（確實是好書），《Inside C++》，《C++ reference》，this C++, that C++……，然後是網上各種各樣的關於C++語法的奇聞逸事，然後發現自己又忘了C++的一些語法，最後回頭繼續惡補…。有個師弟就跟我說：「C++ 太難了，學了這里忘了那裡，學了繼承忘了模板。」我的回答道：「你不去學就容易了」。我並沒有教壞他，只是告訴他，死摳C++的語法就和孔已己炫耀茴香豆的茴字有幾種寫法一樣毫無意義。你根本不需要對的C++語法太關心，動手編程就是了，有不記得的地方一查MSDN就立馬搞定。我有個結論就是，實際的開發過程中對程序語法的了解是最微不足道的知識。這是為什麼我在為同學用Basic（我以前從沒有學過它）寫一個小程序的時候，只花了半個小時看了看語法，然後再用半個小時完成了程序，而一個小時後我又完全忘記了Basic 的所有關鍵字。 不顧基礎，盲目追趕時髦技術： ; 終於點到題目上來了。大多數的人都希望自己的東西能夠馬上跑起來，變成錢。這種想法對一個已經進入職業領域的程序員或者項目經理來說是合理的，而且IT技術進步是如此的快，不跟進就是失業。但是對於初學者來說（尤其是時間充裕的大中專在校生），這種想法是另人費解的。一個並未進入到行業競爭中來的初學者最大的資本便是他有足夠的時間沉下心來學習基礎性的東西，學習why 而不是how。時髦的技術往往容易掌握，而且越來越容易掌握，這是商業利益的驅使，為了最大化的降低軟體開發的成本。但在IT領域內的現實就是這樣，越容易掌握的東西，學習的人越多，而且淘汰得越快。每一次新的技術出來，都有許多初學者跟進，這些初學者由於缺乏必要的基礎而使得自己在跟進的過程中花費大量的時間，而等他學會了，這種技術也快淘汰了。基礎的課程，比方數據結構，*作系統原理等等雖然不能讓你立馬就實現一個linux（這是許多人嘲笑理論課程無用的原因），但它們能夠顯著的減少你在學習新技術時學習曲線的坡度。而且對於許多關鍵的技術（比方Win32 SDK 程序的設計，DDK的編程）來說甚至是不可或缺的。 一個活生生的例子是我和我的一個同學，在大一時我還找不到開機按紐，他已經會寫些簡單的匯編程序了。我把大二的所有時間花在了匯編，計算機體系結構，數據結構，*作系統原理等等這些課程的學習上，而他則開始學習HTML和VB，並追趕ASP的潮流。大三的時候我開始學習Windows *作系統原理，學習SDK編程，時間是漫長的，這時我才能夠用VC開發出象模象樣的應用程序。我曾一度因為同學的程序已經能夠運行而自己還在學習如何創建對話框而懊惱不已，但臨到畢業才發現自己的選擇是何等的正確。和我談判的公司開出的薪水是他的兩倍還多。下面有一個不很恰當的比方：假設學習VB編程需要4個月，學習基礎課程和VC的程序設計需要1年。那麼如果你先學VB，再來學習後者，時間不會減少，還是1年，而反過來，如果先學習後者，再來學VB，也許你只需要1個星期就能學得非常熟練。 幾個重要的基礎課程 如果你是學生，或者如果你有充足的時間。我建議你仔細的掌握下面的知識。我的建議是針對那些希望在IT技術上有所成就的初學者。同時我還列出了一些書目，這些書應該都還可以在書店買到。說實在的，我在讀其他人的文章時最大的心願就是希望作者列出一個書單。 大學英語－不要覺得好笑。我極力推薦這門課程是因為沒有專業文檔的閱讀能力是不可想像的。中文的翻譯往往在猴年馬月才會出來，而現在的許多出版社乾脆就直接把E文印刷上去。學習的方法是強迫自己看原版的教材，開始會看不懂，用多了自然熟練。吃得苦下得狠心絕對是任何行業都需要的品質。 計算機體系結構和匯編語言－關於體系結構的書遍地都是，而且也大同小異，倒是匯編有一本非常好的書。《80x86匯編語言程序設計教程》（清華大學出版社，黑色封面，楊季文著）。你需要著重學習386後保護模式的程序設計。否則你在學習現代*作系統底層的一些東西的時候會覺得是在看天書。 計算機*作系統原理－我們的開發總是在特定的*作系統上進行，如果不是，只有一種可能：你在自己實現一個*作系統。無論如何，*作系統原理是必讀的。這就象我們為一個晶元製作外圍設備時，晶元基本的工作時序是必需了解的。這一類書也很多，我沒有發現哪一本書非常出眾。只是覺得在看完了這些書後如果有空就應該看看《Inside Windows 2000》(微軟出版社，我看的是E文版的，中文的書名想必是Windows 2000 技術內幕之類吧)。關於學習它的必要性，ZDNET上的另一篇文章已經有過論述。 數據結構和演算法－這門課程能夠決定一個人程序設計水平的高低，是一門核心課程。我首選的是清華版的（朱戰立，劉天時）。很多人喜歡買C++版的，但我覺得沒有必要。C++的語法讓演算法實現過程變得復雜多了，而且許多老師喜歡用模塊這一東西讓演算法變得更復雜。倒是在學完了C版的書以後再來瀏覽一下C++的版的書是最好的。 軟體工程－這門課程是越到後來就越發現它的重要，雖然剛開始看時就象看馬哲一樣不知所雲。我的建議是看《實用軟體工程》（黃色，清華）。不要花太多的時間去記條條框框，看不懂就跳過去。在每次自己完成了一個軟體設計任務（不管是練習還是工作）以後再來回顧回顧，每次都會有收獲。 Windows 程序設計－《北京大學出版社，Petzold著》我建議任何企圖設計Windows 程序的人在學習VC以前仔細的學完它。而且前面的那本《Inside Windows 2000》也最好放到這本書的後面讀。在這本書中，沒有C++，沒有GUI，沒有控制項。有的就是如何用原始的C語言來完成Windows 程序設計。在學完了它以後，你才會發現VC其實是很容易學的。千萬不要在沒有看完這本書以前提前學習VC，你最好碰都不要碰。我知道的許多名校甚至都已經用它作為教材進行授課。可見其重要。 上面的幾門課程我認為是必學的重要課程（如果你想做Windows 程序員）。 對於其它的課程有這樣簡單的選擇方法：如果你是計算機系的，請學好你所有的專業基礎課。如果不是，請參照計算機系的課程表。如果你發現自己看一本書時無法看下去了，請翻到書的最後，看看它的參考文獻，找到它們並學習它們，再回頭看這本書。如果一本書的書名中帶有「原理」兩個字，你一定不要去記憶它其中的細節，你應該以一天至少50頁的速度掌握其要領。盡可能多的在計算機上實踐一種理論或者演算法。 你還可以在CSDN上閱讀到許多書評。這些書評能夠幫助你決定讀什麼樣的書。 日三省乎己 每天讀的書太多，容易讓人迷失方向。一定要在每天晚上想想自己學了些什麼，還有些什麼相關的東西需要掌握，自己對什麼最感興趣，在一本書上花的時間太長還是不夠等等。同時也應該多想想未來最有可能出現的應用，這樣能夠讓你不是追趕技術潮流而是引領技術潮流。同時，努力使用現在已經掌握的技術和理論去製作具有一定新意的東西。堅持這樣做能夠讓你真正成為一個軟體「研發者」而不僅僅是一個CODER。 把最多的時間花在學習上 這是對初學者最後的忠告。把每個星期玩SC或者CS的時間壓縮到最少，不玩它們是最好的。同時，如果你的ASP技術已經能夠來錢，甚至有公司請你 *** 的話，這就證明你的天份能夠保證你在努力的學習之後取得更好的收益，你應該去做更復雜的東西。眼光放長遠一些，這無論是對誰都是適用的。 相信你已經能夠決定是否學習C＃或者什麼時候去學它了。

③ 學習python有什麼好的視頻教程

找Python好視頻，一方面要找有名氣的Python培訓機構，另一方面要看一下課程體系是否滿足自己需求，兩相對比就能選出適合自己的視頻教程了！
階段一：Python開發基礎
Python全棧開發與人工智慧之Python開發基礎知識學習內容包括：Python基礎語法、數據類型、字元編碼、文件操作、函數、裝飾器、迭代器、內置方法、常用模塊等。
階段二：Python高級編程和資料庫開發
Python全棧開發與人工智慧之Python高級編程和資料庫開發知識學習內容包括：面向對象開發、Socket網路編程、線程、進程、隊列、IO多路模型、Mysql資料庫開發等。
階段三：前端開發
Python全棧開發與人工智慧之前端開發知識學習內容包括：Html、CSS、JavaScript開發、Jquery&bootstrap開發、前端框架VUE開發等。
階段四：WEB框架開發
Python全棧開發與人工智慧之WEB框架開發學習內容包括：Django框架基礎、Django框架進階、BBS+Blog實戰項目開發、緩存和隊列中間件、Flask框架學習、Tornado框架學習、Restful API等。
階段五：爬蟲開發
Python全棧開發與人工智慧之爬蟲開發學習內容包括：爬蟲開發實戰。
階段六：全棧項目實戰
Python全棧開發與人工智慧之全棧項目實戰學習內容包括：企業應用工具學習、CRM客戶關系管理系統開發、路飛學城在線教育平台開發等。
階段七：數據分析
Python全棧開發與人工智慧之數據分析學習內容包括：金融量化分析。
階段八：人工智慧
Python全棧開發與人工智慧之人工智慧學習內容包括：機器學習、圖形識別、無人機開發、無人駕駛等。
階段九：自動化運維&開發
Python全棧開發與人工智慧之自動化運維&開發學習內容包括：CMDB資產管理系統開發、IT審計+主機管理系統開發、分布式主機監控系統開發等。
階段十：高並發語言GO開發
Python全棧開發與人工智慧之高並發語言GO開發學習內容包括：GO語言基礎、數據類型與文件IO操作、函數和面向對象、並發編程等。

④ 萬字教你如何用 Python 實現線性規劃

想像一下，您有一個線性方程組和不等式系統。這樣的系統通常有許多可能的解決方案。線性規劃是一組數學和計算工具，可讓您找到該系統的特定解，該解對應於某些其他線性函數的最大值或最小值。

混合整數線性規劃是 線性規劃 的擴展。它處理至少一個變數採用離散整數而不是連續值的問題。盡管乍一看混合整數問題與連續變數問題相似，但它們在靈活性和精度方面具有顯著優勢。

整數變數對於正確表示自然用整數表示的數量很重要，例如生產的飛機數量或服務的客戶數量。

一種特別重要的整數變數是 二進制變數 。它只能取 零 或 一 的值，在做出是或否的決定時很有用，例如是否應該建造工廠或者是否應該打開或關閉機器。您還可以使用它們來模擬邏輯約束。

線性規劃是一種基本的優化技術，已在科學和數學密集型領域使用了數十年。它精確、相對快速，適用於一系列實際應用。

混合整數線性規劃允許您克服線性規劃的許多限制。您可以使用分段線性函數近似非線性函數、使用半連續變數、模型邏輯約束等。它是一種計算密集型工具，但計算機硬體和軟體的進步使其每天都更加適用。

通常，當人們試圖制定和解決優化問題時，第一個問題是他們是否可以應用線性規劃或混合整數線性規劃。

以下文章說明了線性規劃和混合整數線性規劃的一些用例：

隨著計算機能力的增強、演算法的改進以及更多用戶友好的軟體解決方案的出現，線性規劃，尤其是混合整數線性規劃的重要性隨著時間的推移而增加。

解決線性規劃問題的基本方法稱為，它有多種變體。另一種流行的方法是。

混合整數線性規劃問題可以通過更復雜且計算量更大的方法來解決，例如，它在幕後使用線性規劃。這種方法的一些變體是，它涉及使用 切割平面 ，以及。

有幾種適用於線性規劃和混合整數線性規劃的合適且眾所周知的 Python 工具。其中一些是開源的，而另一些是專有的。您是否需要免費或付費工具取決於問題的規模和復雜性，以及對速度和靈活性的需求。

值得一提的是，幾乎所有廣泛使用的線性規劃和混合整數線性規劃庫都是以 Fortran 或 C 或 C++ 原生和編寫的。這是因為線性規劃需要對（通常很大）矩陣進行計算密集型工作。此類庫稱為求解器。Python 工具只是求解器的包裝器。

Python 適合圍繞本機庫構建包裝器，因為它可以很好地與 C/C++ 配合使用。對於本教程，您不需要任何 C/C++（或 Fortran），但如果您想了解有關此酷功能的更多信息，請查看以下資源：

基本上，當您定義和求解模型時，您使用 Python 函數或方法調用低級庫，該庫執行實際優化工作並將解決方案返回給您的 Python 對象。

幾個免費的 Python 庫專門用於與線性或混合整數線性規劃求解器交互：

在本教程中，您將使用SciPy和PuLP來定義和解決線性規劃問題。

在本節中，您將看到線性規劃問題的兩個示例：

您將在下一節中使用 Python 來解決這兩個問題。

考慮以下線性規劃問題：

你需要找到X和Ÿ使得紅色，藍色和黃色的不平等，以及不平等X 0和ÿ 0，是滿意的。同時，您的解決方案必須對應於z的最大可能值。

您需要找到的自變數（在本例中為 x 和 y ）稱為 決策變數 。要最大化或最小化的決策變數的函數（在本例中為 z） 稱為 目標函數 、 成本函數 或僅稱為 目標 。您需要滿足的 不等式 稱為 不等式約束 。您還可以在稱為 等式約束 的約束中使用方程。

這是您如何可視化問題的方法：

紅線代表的功能2 X + Ý = 20，和它上面的紅色區域示出了紅色不等式不滿足。同樣，藍線是函數 4 x + 5 y = 10，藍色區域被禁止，因為它違反了藍色不等式。黃線是 x + 2 y = 2，其下方的黃色區域是黃色不等式無效的地方。

如果您忽略紅色、藍色和黃色區域，則僅保留灰色區域。灰色區域的每個點都滿足所有約束，是問題的潛在解決方案。該區域稱為 可行域 ，其點為 可行解 。在這種情況下，有無數可行的解決方案。

您想最大化z。對應於最大z的可行解是 最優解 。如果您嘗試最小化目標函數，那麼最佳解決方案將對應於其可行的最小值。

請注意，z是線性的。你可以把它想像成一個三維空間中的平面。這就是為什麼最優解必須在可行區域的 頂點 或角上的原因。在這種情況下，最佳解決方案是紅線和藍線相交的點，稍後您將看到。

有時，可行區域的整個邊緣，甚至整個區域，都可以對應相同的z值。在這種情況下，您有許多最佳解決方案。

您現在已准備好使用綠色顯示的附加等式約束來擴展問題：

方程式 x + 5 y = 15，以綠色書寫，是新的。這是一個等式約束。您可以通過向上一張圖像添加相應的綠線來將其可視化：

現在的解決方案必須滿足綠色等式，因此可行區域不再是整個灰色區域。它是綠線從與藍線的交點到與紅線的交點穿過灰色區域的部分。後一點是解決方案。

如果插入x的所有值都必須是整數的要求，那麼就會得到一個混合整數線性規劃問題，可行解的集合又會發生變化：

您不再有綠線，只有沿線的x值為整數的點。可行解是灰色背景上的綠點，此時最優解離紅線最近。

這三個例子說明了 可行的線性規劃問題 ，因為它們具有有界可行區域和有限解。

如果沒有解，線性規劃問題是 不可行的 。當沒有解決方案可以同時滿足所有約束時，通常會發生這種情況。

例如，考慮如果添加約束x + y 1會發生什麼。那麼至少有一個決策變數（x或y）必須是負數。這與給定的約束x 0 和y 0相沖突。這樣的系統沒有可行的解決方案，因此稱為不可行的。

另一個示例是添加與綠線平行的第二個等式約束。這兩行沒有共同點，因此不會有滿足這兩個約束的解決方案。

一個線性規劃問題是 無界的 ，如果它的可行區域是無界，將溶液不是有限。這意味著您的變數中至少有一個不受約束，可以達到正無窮大或負無窮大，從而使目標也無限大。

例如，假設您採用上面的初始問題並刪除紅色和黃色約束。從問題中刪除約束稱為 放鬆 問題。在這種情況下，x和y不會在正側有界。您可以將它們增加到正無窮大，從而產生無限大的z值。

在前面的部分中，您研究了一個與任何實際應用程序無關的抽象線性規劃問題。在本小節中，您將找到與製造業資源分配相關的更具體和實用的優化問題。

假設一家工廠生產四種不同的產品，第一種產品的日產量為x ₁，第二種產品的產量為x 2，依此類推。目標是確定每種產品的利潤最大化日產量，同時牢記以下條件：

數學模型可以這樣定義：

目標函數（利潤）在條件 1 中定義。人力約束遵循條件 2。對原材料 A 和 B 的約束可以從條件 3 和條件 4 中通過對每種產品的原材料需求求和得出。

最後，產品數量不能為負，因此所有決策變數必須大於或等於零。

與前面的示例不同，您無法方便地將其可視化，因為它有四個決策變數。但是，無論問題的維度如何，原理都是相同的。

在本教程中，您將使用兩個Python 包來解決上述線性規劃問題：

SciPy 設置起來很簡單。安裝後，您將擁有開始所需的一切。它的子包 scipy.optimize 可用於線性和非線性優化。

PuLP 允許您選擇求解器並以更自然的方式表述問題。PuLP 使用的默認求解器是COIN-OR Branch and Cut Solver (CBC)。它連接到用於線性鬆弛的COIN-OR 線性規劃求解器 (CLP)和用於切割生成的COIN-OR 切割生成器庫 (CGL)。

另一個偉大的開源求解器是GNU 線性規劃工具包 (GLPK)。一些著名且非常強大的商業和專有解決方案是Gurobi、CPLEX和XPRESS。

除了在定義問題時提供靈活性和運行各種求解器的能力外，PuLP 使用起來不如 Pyomo 或 CVXOPT 等替代方案復雜，後者需要更多的時間和精力來掌握。

要學習本教程，您需要安裝 SciPy 和 PuLP。下面的示例使用 SciPy 1.4.1 版和 PuLP 2.1 版。

您可以使用pip以下方法安裝兩者：

您可能需要運行pulptest或sudo pulptest啟用 PuLP 的默認求解器，尤其是在您使用 Linux 或 Mac 時：

或者，您可以下載、安裝和使用 GLPK。它是免費和開源的，適用於 Windows、MacOS 和 Linux。在本教程的後面部分，您將看到如何將 GLPK（除了 CBC）與 PuLP 一起使用。

在 Windows 上，您可以下載檔案並運行安裝文件。

在 MacOS 上，您可以使用 Homebrew：

在 Debian 和 Ubuntu 上，使用apt來安裝glpk和glpk-utils：

在Fedora，使用dnf具有glpk-utils：

您可能還會發現conda對安裝 GLPK 很有用：

安裝完成後，可以查看GLPK的版本：

有關詳細信息，請參閱 GLPK 關於使用Windows 可執行文件和Linux 軟體包進行安裝的教程。

在本節中，您將學習如何使用 SciPy優化和求根庫進行線性規劃。

要使用 SciPy 定義和解決優化問題，您需要導入scipy.optimize.linprog()：

現在您已經linprog()導入，您可以開始優化。

讓我們首先解決上面的線性規劃問題：

linprog()僅解決最小化（而非最大化）問題，並且不允許具有大於或等於符號 ( ) 的不等式約束。要解決這些問題，您需要在開始優化之前修改您的問題：

引入這些更改後，您將獲得一個新系統：

該系統與原始系統等效，並且將具有相同的解決方案。應用這些更改的唯一原因是克服 SciPy 與問題表述相關的局限性。

下一步是定義輸入值：

您將上述系統中的值放入適當的列表、元組或NumPy 數組中：

注意：請注意行和列的順序！

約束左側和右側的行順序必須相同。每一行代表一個約束。

來自目標函數和約束左側的系數的順序必須匹配。每列對應一個決策變數。

下一步是以與系數相同的順序定義每個變數的界限。在這種情況下，它們都在零和正無窮大之間：

此語句是多餘的，因為linprog()默認情況下採用這些邊界（零到正無窮大）。

註：相反的float("inf")，你可以使用math.inf，numpy.inf或scipy.inf。

最後，是時候優化和解決您感興趣的問題了。你可以這樣做linprog()：

參數c是指來自目標函數的系數。A_ub和b_ub分別與不等式約束左邊和右邊的系數有關。同樣，A_eq並b_eq參考等式約束。您可以使用bounds提供決策變數的下限和上限。

您可以使用該參數method來定義要使用的線性規劃方法。有以下三種選擇：

linprog() 返回具有以下屬性的數據結構：

您可以分別訪問這些值：

這就是您獲得優化結果的方式。您還可以以圖形方式顯示它們：

如前所述，線性規劃問題的最優解位於可行區域的頂點。在這種情況下，可行區域只是藍線和紅線之間的綠線部分。最優解是代表綠線和紅線交點的綠色方塊。

如果要排除相等（綠色）約束，只需刪除參數A_eq並b_eq從linprog()調用中刪除：

解決方案與前一種情況不同。你可以在圖表上看到：

在這個例子中，最優解是紅色和藍色約束相交的可行（灰色）區域的紫色頂點。其他頂點，如黃色頂點，具有更高的目標函數值。

您可以使用 SciPy 來解決前面部分所述的資源分配問題：

和前面的例子一樣，你需要從上面的問題中提取必要的向量和矩陣，將它們作為參數傳遞給.linprog()，然後得到結果：

結果告訴您最大利潤是1900並且對應於x ₁ = 5 和x ₃ = 45。在給定條件下生產第二和第四個產品是沒有利潤的。您可以在這里得出幾個有趣的結論：

opt.statusis0和opt.successis True，說明優化問題成功求解，最優可行解。

SciPy 的線性規劃功能主要用於較小的問題。對於更大和更復雜的問題，您可能會發現其他庫更適合，原因如下：

幸運的是，Python 生態系統為線性編程提供了幾種替代解決方案，這些解決方案對於更大的問題非常有用。其中之一是 PuLP，您將在下一節中看到它的實際應用。

PuLP 具有比 SciPy 更方便的線性編程 API。您不必在數學上修改您的問題或使用向量和矩陣。一切都更干凈，更不容易出錯。

像往常一樣，您首先導入您需要的內容：

現在您已經導入了 PuLP，您可以解決您的問題。

您現在將使用 PuLP 解決此系統：

第一步是初始化一個實例LpProblem來表示你的模型：

您可以使用該sense參數來選擇是執行最小化（LpMinimize或1，這是默認值）還是最大化（LpMaximize或-1）。這個選擇會影響你的問題的結果。

一旦有了模型，就可以將決策變數定義為LpVariable類的實例：

您需要提供下限，lowBound=0因為默認值為負無窮大。該參數upBound定義了上限，但您可以在此處省略它，因為它默認為正無窮大。

可選參數cat定義決策變數的類別。如果您使用的是連續變數，則可以使用默認值"Continuous"。

您可以使用變數x和y創建表示線性表達式和約束的其他 PuLP 對象：

當您將決策變數與標量相乘或構建多個決策變數的線性組合時，您會得到一個pulp.LpAffineExpression代表線性表達式的實例。

注意：您可以增加或減少變數或表達式，你可以乘他們常數，因為紙漿類實現一些Python的特殊方法，即模擬數字類型一樣__add__()，__sub__()和__mul__()。這些方法用於像定製運營商的行為+，-和*。

類似地，您可以將線性表達式、變數和標量與運算符 ==、=以獲取表示模型線性約束的紙漿.LpConstraint實例。

註：也有可能與豐富的比較方法來構建的約束.__eq__()，.__le__()以及.__ge__()定義了運營商的行為==，=。

考慮到這一點，下一步是創建約束和目標函數並將它們分配給您的模型。您不需要創建列表或矩陣。只需編寫 Python 表達式並使用+=運算符將它們附加到模型中：

在上面的代碼中，您定義了包含約束及其名稱的元組。LpProblem允許您通過將約束指定為元組來向模型添加約束。第一個元素是一個LpConstraint實例。第二個元素是該約束的可讀名稱。

設置目標函數非常相似：

或者，您可以使用更短的符號：

現在您已經添加了目標函數並定義了模型。

注意：您可以使用運算符將 約束或目標附加到模型中，+=因為它的類LpProblem實現了特殊方法.__iadd__()，該方法用於指定 的行為+=。

對於較大的問題，lpSum()與列表或其他序列一起使用通常比重復+運算符更方便。例如，您可以使用以下語句將目標函數添加到模型中：

它產生與前一條語句相同的結果。

您現在可以看到此模型的完整定義：

模型的字元串表示包含所有相關數據：變數、約束、目標及其名稱。

注意：字元串表示是通過定義特殊方法構建的.__repr__()。有關 的更多詳細信息.__repr__()，請查看Pythonic OOP 字元串轉換：__repr__vs__str__ .

最後，您已准備好解決問題。你可以通過調用.solve()你的模型對象來做到這一點。如果要使用默認求解器 (CBC)，則不需要傳遞任何參數：

.solve()調用底層求解器，修改model對象，並返回解決方案的整數狀態，1如果找到了最優解。有關其餘狀態代碼，請參閱LpStatus[]。

你可以得到優化結果作為 的屬性model。該函數value()和相應的方法.value()返回屬性的實際值：

model.objective持有目標函數model.constraints的值，包含鬆弛變數的值，以及對象x和y具有決策變數的最優值。model.variables()返回一個包含決策變數的列表：

如您所見，此列表包含使用 的構造函數創建的確切對象LpVariable。

結果與您使用 SciPy 獲得的結果大致相同。

注意：注意這個方法.solve()——它會改變對象的狀態，x並且y！

您可以通過調用查看使用了哪個求解器.solver：

輸出通知您求解器是 CBC。您沒有指定求解器，因此 PuLP 調用了默認求解器。

如果要運行不同的求解器，則可以將其指定為 的參數.solve()。例如，如果您想使用 GLPK 並且已經安裝了它，那麼您可以solver=GLPK(msg=False)在最後一行使用。請記住，您還需要導入它：

現在你已經導入了 GLPK，你可以在裡面使用它.solve()：

該msg參數用於顯示來自求解器的信息。msg=False禁用顯示此信息。如果要包含信息，則只需省略msg或設置msg=True。

您的模型已定義並求解，因此您可以按照與前一種情況相同的方式檢查結果：

使用 GLPK 得到的結果與使用 SciPy 和 CBC 得到的結果幾乎相同。

一起來看看這次用的是哪個求解器：

正如您在上面用突出顯示的語句定義的那樣model.solve(solver=GLPK(msg=False))，求解器是 GLPK。

您還可以使用 PuLP 來解決混合整數線性規劃問題。要定義整數或二進制變數，只需傳遞cat="Integer"或cat="Binary"到LpVariable。其他一切都保持不變：

在本例中，您有一個整數變數並獲得與之前不同的結果：

Nowx是一個整數，如模型中所指定。（從技術上講，它保存一個小數點後為零的浮點值。）這一事實改變了整個解決方案。讓我們在圖表上展示這一點：

如您所見，最佳解決方案是灰色背景上最右邊的綠點。這是兩者的最大價值的可行的解決方案x和y，給它的最大目標函數值。

GLPK 也能夠解決此類問題。

現在你可以使用 PuLP 來解決上面的資源分配問題：

定義和解決問題的方法與前面的示例相同：

在這種情況下，您使用字典 x來存儲所有決策變數。這種方法很方便，因為字典可以將決策變數的名稱或索引存儲為鍵，將相應的LpVariable對象存儲為值。列表或元組的LpVariable實例可以是有用的。

上面的代碼產生以下結果：

如您所見，該解決方案與使用 SciPy 獲得的解決方案一致。最有利可圖的解決方案是每天生產5.0第一件產品和45.0第三件產品。

讓我們把這個問題變得更復雜和有趣。假設由於機器問題，工廠無法同時生產第一種和第三種產品。在這種情況下，最有利可圖的解決方案是什麼？

現在您有另一個邏輯約束：如果x ₁ 為正數，則x ₃ 必須為零，反之亦然。這是二元決策變數非常有用的地方。您將使用兩個二元決策變數y ₁ 和y ₃，它們將表示是否生成了第一個或第三個產品：

除了突出顯示的行之外，代碼與前面的示例非常相似。以下是差異：

這是解決方案：

事實證明，最佳方法是排除第一種產品而只生產第三種產品。

就像有許多資源可以幫助您學習線性規劃和混合整數線性規劃一樣，還有許多具有 Python 包裝器的求解器可用。這是部分列表：

其中一些庫，如 Gurobi，包括他們自己的 Python 包裝器。其他人使用外部包裝器。例如，您看到可以使用 PuLP 訪問 CBC 和 GLPK。

您現在知道什麼是線性規劃以及如何使用 Python 解決線性規劃問題。您還了解到 Python 線性編程庫只是本機求解器的包裝器。當求解器完成其工作時，包裝器返回解決方案狀態、決策變數值、鬆弛變數、目標函數等。

⑤ Python列表的常用操作- 查找方法【詳細講解】

列表的作用是一次性存儲多個數據，程序員可以對這些數據進行的操作有：增、刪、改、查。

下面講解的是對列表的查找操作，可以分為兩種方法，一種是根據下標來進行查找，另外一種是根據查找函數來操作。

回憶一下知識點，之前講過字元串的時候有說到下標，下標是計算機內存分配的從0開始的編號，目的是根據下標可以找到針對性的數據。列表也可以根據下標來找到數據，後面學習的元組同樣也可以。

語法：

注意：如果以後都是用下標來查找數據，語法無非就是：序列名[下標]

快速體驗：

列印結果如圖：

語法：

快速體驗：

執行結果如圖：

注意：

語法：

快速體驗：

注意 ：

-- 2. 如果書寫了開始和結束位置的下標，則在這個范圍內查找，存在則返回開始位置的下標，如果查找的數據不存在則返回0；

語法：

注意： len()方法是一個公共的方法，無論是字元串、列表還是元組都可以使用

快速體驗：

以上就是列表的4種查找方法，每個方法有自己的語法和作用，這個知識點屬於 Python基礎教程 范疇，所以學起來還是比較輕松地，大家主要多多練習記住函數以及使用方法即可。