Python从入门到精通：光环大数据学员笔记全整理

python重点学习内容汇总光环大数据Python培训机构光环大数据Python培训了解到，虽然有时觉得Python简单得不像编程语言，知乎上也有人说，“requests好用的让人想哭”。

但当我们学习一门编程语言时，要学习哪些内容，怎么学习，还是很值得深入探究的。

先看一下Python官网上的说明：powerful,fast,easy,对，这就是赤果果的广告。

不过我用下来的感觉确是如此，最大的问题是在于它太强大了有太多的库，貌似没有一个地方可以集中查看所有库的文档（https:///pypi算吗？）。

那Python究竟能做些什么？还是先看一下官网上的说明：ThePythonPackageIndex(PyPI)hoststhousandsofthird-partymodulesforP ython.BothPython’sstandardlibraryandthecommunity-contributedmodulesa llowforendlesspossibilities.WebandInternetDevelopmentDatabaseAccessDesktopGUIsScientific&NumericEducationNetworkProgrammingSoftware&GameDevelopment再看一下知乎上的回答，大家都用Python做什么？做网站后台：有大量的成熟的框架，如django，flask，bottle，tornado 写网络爬虫：Python写爬虫很简单，库很健全科学计算：参加数学建模大赛，完全可以替代r语言和MATLAB数据挖掘：机器学习：Python的机器学习包很多数据科学：最近spark，Hadoop都开了Python的接口，所以使用Python做大数据的mapreduce也非常简单自动化运维：做系统部署，日常维护的脚本看到Python的功能强大了吧。

NumPy常用方法总结光环大数据Python培训班光环大数据Python培训了解到，NumPy是Python的一种开源的数值计算扩展。

这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nestedliststructure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。

NumPy（NumericPython）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。

专为进行严格的数字处理而产生。

多为很多大型金融公司使用，以及核心的科学计算组织如：LawrenceLivermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。

numpy中的数据类型，ndarray类型，和标准库中的array.array并不一样。

ndarray的创建>>>importnumpyasnp>>>a=np.array([2,3,4])>>>aarray([2,3,4])>>>a.dt ypedtype('int64')>>>b=np.array([1.2,3.5,5.1])>>>b.dtypedtype('float64 ')二维的数组>>>b=np.array([(1.5,2,3),(4,5,6)])>>>barray([[1.5,2.,3.],[4.,5.,6 .]])创建时指定类型>>>c=np.array([[1,2],[3,4]],dtype=complex)>>>carray([[1.+0.j,2.+0 .j],[3.+0.j,4.+0.j]])创建一些特殊的矩阵>>>np.zeros((3,4))array([[0.,0.,0.,0.],[0.,0.,0.,0.],[0.,0.,0.,0. ]])>>>np.ones((2,3,4),dtype=np.int16)#dtypecanalsobespecifiedarray([[ [1,1,1,1],[1,1,1,1],[1,1,1,1]],[[1,1,1,1],[1,1,1,1],[1,1,1,1]]],dtype =int16)>>>np.empty((2,3))#uninitialized,outputmayvaryarray([[3.736039 59e-262,6.02658058e-154,6.55490914e-260],[5.30498948e-313,3.14673309e -307,1.00000000e+000]])创建一些有特定规律的矩阵>>>np.arange(10,30,5)array([10,15,20,25])>>>np.arange(0,2,0.3)#it acceptsfloatargumentsarray([0.,0.3,0.6,0.9,1.2,1.5,1.8])>>>fromnumpyi mportpi>>>np.linspace(0,2,9)#9numbersfrom0to2array([0.,0.25,0.5,0.75, 1.,1.25,1.5,1.75,2.])>>>x=np.linspace(0,2*pi,100)#usefultoevaluatefun ctionatlotsofpoints>>>f=np.sin(x)一些基本的运算加减乘除三角函数逻辑运算>>>a=np.array([20,30,40,50])>>>b=np.arange(4)>>>barray([0,1,2,3]) >>>c=a-b>>>carray([20,29,38,47])>>>b**2array([0,1,4,9])>>>10*np.sin(a )array([9.12945251,-9.88031624,7.4511316,-2.62374854])>>>a<35array([T rue,True,False,False],dtype=bool)矩阵运算matlab中有.*,./等等但是在numpy中，如果使用+，-，×，/优先执行的是各个点之间的加减乘除法如果两个矩阵（方阵）可既以元素之间对于运算，又能执行矩阵运算会优先执行元素之间的运算>>>importnumpyasnp>>>A=np.arange(10,20)>>>B=np.arange(20,30)>>>A+ Barray([30,32,34,36,38,40,42,44,46,48])>>>A*Barray([200,231,264,299,3 36,375,416,459,504,551])>>>A/Barray([0,0,0,0,0,0,0,0,0,0])>>>B/Aarray ([2,1,1,1,1,1,1,1,1,1])如果需要执行矩阵运算，一般就是矩阵的乘法运算>>>A=np.array([1,1,1,1])>>>B=np.array([2,2,2,2])>>>A.reshape(2,2) array([[1,1],[1,1]])>>>B.reshape(2,2)array([[2,2],[2,2]])>>>A*Barray( [2,2,2,2])>>>np.dot(A,B)8>>>A.dot(B)8一些常用的全局函数>>>B=np.arange(3)>>>Barray([0,1,2])>>>np.exp(B)array([1.,2.71828183,7.3890561])>>>np.sqrt(B)array([0.,1.,1.41421356])>>>C=np.array([2. ,-1.,4.])>>>np.add(B,C)array([2.,0.,6.])矩阵的索引分片遍历>>>a=np.arange(10)**3>>>aarray([0,1,8,27,64,125,216,343,512,729]) >>>a[2]8>>>a[2:5]array([8,27,64])>>>a[:6:2]=-1000#equivalenttoa[0:6:2 ]=-1000;fromstarttoposition6,exclusive,setevery2ndelementto-1000>>>aa rray([-1000,1,-1000,27,-1000,125,216,343,512,729])>>>a[::-1]#reversed aarray([729,512,343,216,125,-1000,27,-1000,1,-1000])>>>foriina:...pri nt(i**(1/3.))...nan1.0nan3.0nan5.06.07.08.09.0矩阵的遍历>>>importnumpyasnp>>>b=np.arange(16).reshape(4,4)>>>forrowinb:... print(row)...[0123][4567][891011][12131415]>>>fornodeinb.flat:...prin t(node) (0123456789101112131415)矩阵的特殊运算改变矩阵形状--reshape>>>a=np.floor(10*np.random.random((3,4)))>>>aarray([[6.,5.,1.,5.] ,[5.,5.,8.,9.],[5.,5.,9.,7.]])>>>a.ravel()array([6.,5.,1.,5.,5.,5.,8. ,9.,5.,5.,9.,7.])>>>aarray([[6.,5.,1.,5.],[5.,5.,8.,9.],[5.,5.,9.,7.] ])resize和reshape的区别resize会改变原来的矩阵，reshape并不会>>>aarray([[6.,5.,1.,5.],[5.,5.,8.,9.],[5.,5.,9.,7.]])>>>a.reshap e(2,-1)array([[6.,5.,1.,5.,5.,5.],[8.,9.,5.,5.,9.,7.]])>>>aarray([[6. ,5.,1.,5.],[5.,5.,8.,9.],[5.,5.,9.,7.]])>>>a.resize(2,6)>>>aarray([[6 .,5.,1.,5.,5.,5.],[8.,9.,5.,5.,9.,7.]])矩阵的合并>>>a=np.floor(10*np.random.random((2,2)))>>>aarray([[8.,8.]为什么大家选择光环大数据！大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请专业的大数据领域知名讲师，确保教学的整体质量与教学水准。

Python大数据分析从入门到精通第一章：Python大数据分析的基本概念与原理Python大数据分析是指利用Python编程语言来处理和分析大规模数据集的过程。

在当今信息爆炸的时代，大量不断增长的数据为我们提供了巨大的机遇。

然而，这些数据通常是庞杂、复杂且分散的，因此需要借助强大的分析工具和技术来提取其中有价值的信息。

在Python大数据分析中，最核心的概念是数据清洗和数据切片。

数据清洗是指通过删除重复项、填充缺失值、处理异常值等方法，将原始数据转化为可用于分析的干净数据。

数据切片是指根据需要，将大规模数据集按照不同的维度进行划分和筛选，以便进行进一步的分析和挖掘。

此外，Python大数据分析还涉及到数据可视化、统计分析、机器学习等技术。

数据可视化是指利用图表、地图、动画等方式将大数据转化为直观、易懂的形式，以便于观察和分析。

统计分析是指利用统计学方法对大数据进行描述、推断和预测，通过得出统计规律来揭示数据背后的信息。

机器学习则是利用算法模型和训练数据，使计算机能够自动学习、理解和预测数据。

第二章：Python大数据分析的基本工具和技术Python大数据分析有许多强大的工具和技术可供使用。

其中，最重要的工具之一是NumPy库，它提供了丰富的多维数组对象和相应的数学函数，能够高效地处理大规模数据。

另一个重要的工具是Pandas库，它建立在NumPy的基础之上，提供了更高级的数据结构和数据分析功能，方便进行数据清洗、切片和聚合操作。

此外，Matplotlib和Seaborn是常用的用于数据可视化的工具库，它们能够绘制出各种类型的静态和动态图表。

对于统计分析和机器学习，Scikit-learn是一个非常流行和强大的工具库，它包含了大量的算法模型和评估方法，能够满足各种复杂的分析需求。

此外，Python还有一些其他的库和工具，如SciPy用于科学计算、NetworkX用于网络分析、Natural Language Toolkit（NLTK）用于自然语言处理等，这些工具和技术的综合运用使得Python成为了大数据分析的首选编程语言。

python学霸笔记Python学霸笔记是一份综合性的学习指南，旨在帮助学习者全面掌握Python编程语言。

下面我将从多个角度对Python学霸笔记进行全面完整的回答。

首先，Python学霸笔记可以包括以下内容：1. Python基础知识，介绍Python的基本语法、数据类型、变量、运算符、条件语句、循环语句等。

这些知识是学习Python的基础，对于掌握后续更高级的概念和技术非常重要。

2. 函数和模块，介绍如何定义和使用函数，包括参数传递、返回值等。

同时，还会介绍Python的模块化编程，如何导入和使用不同的模块，以及常用的内置模块和第三方库。

3. 面向对象编程，详细介绍Python的面向对象编程（OOP）概念，包括类、对象、继承、多态等。

学习OOP可以让代码更加结构化和可扩展。

4. 文件操作和异常处理，讲解如何读写文件、处理文件路径，以及如何处理异常，使程序更加健壮和可靠。

5. 数据结构和算法，介绍Python中常用的数据结构，如列表、元组、字典和集合，以及常见的算法，如排序和搜索算法。

这些知识对于解决实际问题和优化代码非常重要。

6. 数据库操作，介绍如何使用Python连接和操作关系型数据库，如MySQL、SQLite等。

学会与数据库交互可以方便地进行数据存储和查询。

7. 网络编程，介绍如何使用Python进行网络编程，包括socket编程、HTTP请求等。

这对于开发网络应用和爬虫非常有用。

8. Web开发，介绍使用Python进行Web开发的框架，如Django和Flask。

学会使用这些框架可以快速构建功能强大的Web应用。

除了以上内容，Python学霸笔记还可以包括一些实例和练习题，帮助学习者巩固所学知识，并提供一些实践经验。

总结起来，Python学霸笔记是一份全面的学习指南，涵盖了Python的基础知识、函数和模块、面向对象编程、文件操作和异常处理、数据结构和算法、数据库操作、网络编程以及Web开发等方面的内容。

从零开始学Python_光环大数据分析培训使用numpy构建矩阵数组的创建可以使用numpy模块中的array函数实现，一维数组只需要给array函数传入一个列表或元组，二维数组则是传入嵌套的列表或元组。

具体举例可知：arr1和arr2为一维数组，arr3为二维数组，返回一个数组的行数和列数可使用shape方法，即元素的获取使用索引的方式，查询一维数组和二维数组的元素。

一维数组的索引与列表、元组的索引完全一致，这里就不在赘述；二维数组的索引就稍微有点复杂，我们可以通过例子来说明：print函数中的‘/n’，目的用来换行，使打印出来的结果不显得那么拥挤。

咦？报告，你最后一个返回的结果错了，你不是要返回由第一行、第三行、第三列和第四列组成的2×2矩阵吗？为什么是一个1×2的一维数组？如果像上面红框中使用索引的话，将获取【0,2】和【2,3】对应的两个值。

那该如何返回想要的2×2的矩阵呢？我们可以这样写：数学函数# 取绝对值np.absnp.fabs# 算术平方根np.sqrt# 平方np.square# 指数np.exp# 对数np.log2np.log10np.log(x,base)# 符号函数（大于0的数返回1、小于0的数返回-1、0返回0值）np.sign # 向上取整np.cell# 向下取整np.floor# 返回最近的整数np.rint# 判断是否缺失np.isnan# 判断是否有限np.isfinite# 判断是否无限np.isinf# 幂运算np.power # 余数np.mod统计函数# 最大值np.max# 浮点型的最大值np.fmax# 最小值np.mim# 浮点型的最小值np.fmin# 求和np.sum# 均值np.mean# 标准差np.std# 方差np.var# 中位数np.median映射函数apply_along_axisapply_along_axis函数与R语言中的apply函数用法一致，可以针对某个轴的方向进行函数操作，同样，而且在pandas模块中的DataFrmae对象中，可以使用apply函数达到相同的效果。

Python完全新手教程_光环大数据分析培训运行环境可以是linux或者是windows：1、linuxredhat的linux安装上去之后一定会有python的（必须的组件），在命令行中输入python回车。

这样就可以进入一个>>>的提示符2、windows安装好了python之后，在开始菜单里面找到Python2.3->IDLE，运行也会进入一个有>>>提示符的窗口开始尝试Python1、输入：welcome = “Hello!”回车然后又回到了>>>2、输入：print welcome回车然后就可以看到你自己输入的问候了。

Lesson 2 搞定环境之后的前行Python有一个交互式的命令行，大家已经看到了吧。

所以可以比较方便的学习和尝试，不用“新建－存档－编译－调试”，非常适合快速的尝试。

一开始从变量开始（其实说变量，更准确的是对象，Python中什么都可以理解为对象）。

变量welcome = “hello!”welcome就是变量名，字符串就是变量的类型，hello!就是变量的内容，””表示这个变量是字符串，””中间的是字符串的内容。

熟悉其他语言的人，特别是编译类型的语言，觉得没有变量的声明很奇怪。

在python中用赋值来表示我要这么一个变量，即使你不知道要放什么内容，只是要先弄一个地方来放你的东西，也要这么写：store = “”不过这个还是说明了store是字符串，因为””的缘故。

have a try代码:[复制到剪贴板]tmp_storage = “”welcome = “hello!”tmp_storage = welcomeprint tmp_storage你会发现同样的问候出现了。

字符串字符串是用””标记的，但是用”也可以（不要说你看不出一个是双引号，一个是单引号），两者之间是有一丁点区别，不过你可以不用理会。

其实是差不多的。

Python机器学习入门资料梳理_光环大数据python培训在python基本语法入门之后，就要准备选一个研究方向了。

Web是自己比较感兴趣的方向，可是，导师这边的数据处理肯定不能由我做主了。

paper、peper、paper……真的挺愁人的马上就要进行春季实习招聘了，加油！总结一下python机器学习方面的资料吧。

1、数据处理1.1 综合ScipySciPy is a Python-based ecosystem of open-source software for mathematics, science, and engineering. In particular, these are some of the core packages这里集合着python科学计算的几乎所有核心库，也是一个导航。

Scipy Lecture Notes极力推荐的一个学习笔记！Scipy Tutorialscientific-python-lectures Jupyter1.2 NumpyNumpy TutorialIndex Numpy遇到Numpy陌生函数，查询用法，推荐！1.3 Pandaspandas主页pandas主页，可以进入它的相关文档教程 pandas documentspandas史上最强参考文档集合10 Minutes to pandas十分钟搞定pandas翻译版API ReferenceIndex Pandas遇到陌生函数，查询用法，推荐！pandas教程-百度经验1.4 MatplotlibMatplotlib Gallery提供一些图像例子Matplotlib Tutorial(译)翻译原文matplotlib – 2D and 3D plotting in Python2、数据可视化2.1SeabornSeaborn is a Python data visualization library with an emphasis on statistical plots. The library is an excellent resource for common regression and distribution plots2.2Plotly Python Library印刷品质的图片质量啊！3、机器算法3.1综合用python做科学计算五星推荐的中文学习资料！！！scikit-learn3.2 Cluster-聚类算法Comparing Python Clustering Algorithms3.3 GA(Genetic Algorithm)Pyevolve documentation为什么大家选择光环大数据！大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请大数据领域具有多年经验的讲师，提高教学的整体质量与教学水准。

python笔记整理Python是一种高级的编程语言，其简洁易读的语法、强大的功能和广泛的应用，使得其成为业内所热衷的编程语言之一。

在学习Python的过程中，通过合理的笔记整理，可以使得你更快速高效地掌握Python的知识和技能。

因此，在这篇文章中，我们将会介绍Python笔记整理的步骤。

1. 大纲规划不同于书写文稿，笔记的目的是为了快速回顾知识点。

因此，在开始笔记整理之前，首先需要进行大纲规划。

大纲规划主要包括按照知识点顺序进行分类，并标注重要性和难度，这样可以方便我们更好的思考和复习。

2. 笔记的内容与技巧在进行笔记整理的同时，也需要注意笔记的内容和技巧。

由于我们的目标是快速回顾知识点，因此，需要尽可能用简单清晰的语言记录笔记，避免冗长复杂的句子和文字叙述。

同时，笔记也需要标注关键词和注释。

这样可以方便回想和掌握重点概念，也有利于理解和记忆。

3. 笔记的形式与展示Python笔记形式多种多样，可以按照知识点分类，也可以按照操作步骤进行整理。

在进行整理前需要考虑笔记的实用性，根据自己的个人情况来制定笔记的形式。

在标注之前的准备阶段完成后，需要用清晰易懂的排版方式来展示Python笔记。

可以使用加粗、颜色、引用等方式突出重点，提高笔记的可读性。

4. 补充实践案例与总结Python笔记整理是一个漫长的过程，不断的积累、记录与复习是很有必要的。

因此，我们可以在每段知识点后面记录实践案例，这样可以帮助我们更好地理解和应用Python编程。

同时，整理完Python笔记后，需要进行一次总结，复习所有的知识点，坚固知识点和难点，并进行思考。

以上就是Python笔记整理的步骤，并不是一成不变的，可以根据个人情况灵活调整。

Python笔记整理是一个很重要的学习环节，它能帮我们整理知识点、梳理思路、加强理解并巩固所学。

Python数据分析之路如何走_光环大数据python培训光环大数据Python培训了解到，数据分析准备工作1.数据分析工具工欲善其事，必先利其器，网上有很多关于数据剖析的文章，置信大家一定听过R言语和Python之争，而且各有所长，R言语在学术界更盛行,但是在做项目上面我个人比拟喜欢Python,Python更通用，更简约，文档也很多,而且有大量的库特别是Google,Facebook都开源了很多功用强大的库，十分不错.所以言语我们选Python.开发工具的话，建议大家用Anaconda,是一个强大的科学计算的Python发行版，首推数据分析开发工具.支持Linux,Mac,Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。

推荐使用里面的spyder和JupyterNotebook非常不错,界面美观而且调试方便2.数据分析的库Python数据分析这么流行，其中跟两个第三方的库非常相关，一个是Numpy,一个是Pandas，这两个库如果你要做数据分析，必须要熟练掌握使用~~ Numpy偏数组多一点，特别是多维数组，矩阵,非常灵活方便.内置了大量的矩阵的操作，对于科学计算来说简直就是神器.Pandas偏series多一点，而且跟时序相关，内置了大量库和一些标准的数据模型，特别是对于大型的数据的处理，非常的高效和快捷.比如对于一个1000万行的CVS数据的处理，用字典去处理大概需要60几秒，而pandas只需要4秒，而且代码行更少.以后我们会用实战例子去证明这一点当然上面都是一些入门必学技能，继续修炼的话需要了解大数据的处理,以及一些机器学习的库sk-learn和深度学习的一些框架Python数据分析之路如何走？初探numpy3.什么是NumPy1).Numpy全称叫NumericPython，听名字就知道跟数值有关，没错numpy,提供了许多高级的数值编程工具，如：矩阵运算、多维数组，矢量运算,线性代数，随机数的生成，均方差等这些科学计算操作非常方便.2).Ndarray对象Numpy里面有一个最最有名的Ndarray对象,几乎所有的操作都围绕这个Ndarray来，也叫多维数组.数组是主流语言的标配数据结构,Python中的列表其实也是这样的一种数据结构，但是列表跟数组不一样;比如列表的元素可以是任意的类型,列表需要保存每个对象的指针和对象,很浪费内存空间，而且不支持多维数组Ndarray会支持多维数组，而且数组之间的转换非常方面，内置了很多高效的内建函数，都是用C写的，有利于节省内存和提高CPU的计算时间.比如需要计算一百万数据的正弦函数用numpy比python里的标准函数要快近10倍~~4.Ndarray和Pythonlist的相似之处importnumpyn1=numpy.array([‘AA’,’BB’,’CC’,’DD’,’EE’])list1=[‘AA’,’BB’,’CC’,’DD’,’EE’]a).都可以通过下标去访问printn1[0]>>’AA’printlist1[0]>>’AA’b).都可以切片去访问n1=numpy.array([‘AA’,’BB’,’CC’,’DD’,’EE’])list1=[‘AA’,’BB’,’CC’,’DD’,’EE’]printn1[1:3]>>[‘BB’‘CC’]printlist1[1:3]>>[‘BB’,‘CC’]c).都可以用循环处理n1=numpy.array([1,2,3,4])forninn1:printn>>12345.Ndarray和Pythonlist的不同之处a).Ndarray里面的元素必须是同一种类型(int,float,string_,bool,…)要么都是int,要么都是float,要么都是字符串n1=np.array([‘a’,’b’,’c’,100])>>[‘a’‘b’‘c’‘100’]因为ndarray要求所以的类型必须一样，你会发现100变成了字符串’100′b).矢量运算比如相加a1=np.array([1,2,3])a2=np.array([4,5,6])printa1+a2>>[5,7,9]而类似的加操作在list中list1=[1,2,3]list2=[4,5,6]printlist1+list2>>[1,2,3,4,5,6]比如相乘a1=np.array([1,2,3])printa1*3>>[3,6,9]而类似的操作在list中a1=[1,2,3]printa1*3>>[1,2,3,1,2,3,1,2,3]比如乘方先产生3*3矩阵，每个数字都是0-9之间arr1=np.random.randint(0,10,(3,3))printarr1>>[[675][960][559]]arr2=arr1**2printarr2>>[[364925][81360][252581]]c).内置了一些通用(ufunc)函数比如max(),min(),argmax(),argmin(),mean()计算中位数,std()计算均方差等函数Python数据分析之路如何走？留一个思考题题目一：a=np.array([1,2,3,4,5])b=aa+=np.array([1,1,1,1,1])printb题目二：a=np.array([1,2,3,4,5])b=aa=a+np.array([1,1,1,1,1])printb看看题目一和题目二的printb的结果是什么，会一样吗?用Python数据分析起航篇就讲到这里，是不是觉得numpy蛮强大的～～这只是开始，今天的文章希望能给初学者一些启发。

Python培训_ Python切片操作全解析_光环大数据培训Python有一些特有的语言特性，能够帮助我们在日常编程中快速高效的完成任务。

能不能掌握这些特性，会直接影响Python工程师的效率。

Python语言中的切片操作就是这样的特性。

切片在编程中是十分常见的操作，使用频率也很高，今天光环大数据教育Python知识点就为大家解析一下切片操作的魔法。

【Python入门每日一个知识点第71期】Python切片操作全解析取一个list或tuple的部分元素是非常常见的操作。

比如，一个list如下：<spanclass="prompt">&gt;&gt;&gt;</span>L=[<spanclass="string">'Mi chael'</span>,<spanclass="string">'Sarah'</span>,<spanclass="string"> 'Tracy'</span>,<spanclass="string">'Bob'</span>,<spanclass="string">' Jack'</span>]取前3个元素，应该怎么做？笨办法：&gt;&gt;&gt;<spanclass="attr_selector">[L[0]</span>,<spanclass="t ag">L</span><spanclass="attr_selector">[1]</span>,<spanclass="tag">L< /span><spanclass="attr_selector">[2]</span>]<spanclass="attr_selector">['Michael','Sarah','Tracy']</span>之所以是笨办法是因为扩展一下，取前N个元素就没辙了。