京公网安备 11010802034615号
经营许可证编号:京B2-20210330
利用python求相邻数的方法示例
本文主要给大家介绍了关于利用python求相邻数的相关内容,分享出来供大家参考学习,下面话不多说了,来一起看看详细的介绍:
什么是相邻数?
比如5,相邻数为4和6,和5相差1的数,连续相差为1的一组数
需求:
遍历inputList 所有数字,取出所有数字,判断是否有相邻数, 不相邻数字 和 相邻数字 都以 “数组”形式 添加到 outputList 中, 并且 每个“数组” 里 第一位 递减 补全两位数,末位 递增 补全两位数, 每一个数不能小于0, 不能大于 400
( 提示: 在inputList 中 "12,13" 是相邻的数字,视为一组, 需要以[10, 11, 12, 13, 14, 15] 数组形式添加到outputList 中,而 “3”没有相邻的数,也视为一组,需要以[1, 2, 3, 4, 5]数组形式添加到outputList中 )

输入:
inputList = [0, 3, 5, 6, 7, 9, 12, 13, 15, 16, 17, 19, 20, 21, 22, 25, 27, 29, 30, 32, 33, 36, 39, 40, 43, 44, 46, 47, 48, 53, 54, 57, 58, 60, 62, 64, 65, 66, 67, 72, 74, 75, 76, 77, 78, 80, 82, 84, 85, 86, 89, 95, 96, 97, 98, 103, 104, 107, 108, 110, 111, 114, 116, 117, 118, 120, 121, 122, 124, 127, 132, 135, 137, 138, 139, 140, 145, 146, 148, 149, 150, 151, 155, 156, 160, 161, 166, 167, 170, 171, 172, 175, 178, 179, 180, 181, 182, 183, 184, 186, 188, 189, 190, 193, 195, 196, 198, 202, 205, 208, 210, 211, 213, 214, 215, 217, 221, 226, 227, 228, 233, 234, 235, 240, 241, 246, 247, 249, 255, 257, 258, 261, 262, 263, 267, 268, 269, 270, 271, 272, 275, 278, 280, 282, 283, 284, 286, 287, 289, 291, 292, 295, 296, 298, 300, 302, 303, 304, 305, 306, 310, 315, 317, 319, 320, 321, 322, 323, 324, 325, 326, 328, 331, 336, 339, 341, 342, 344, 346, 349, 354, 355, 356, 362, 363, 365, 366, 367, 368, 371, 374, 376, 378, 382, 383, 388, 390, 393, 396, 399]
输出 :
outputList = [[0, 1, 2] , [1, 2, 3, 4, 5], [3, 4, 5, 6, 7, 8, 9], [7, 8, 9, 10, 11],[10, 11, 12, 13, 14, 15] , ........此处省略]
那,如何解决这个问题?
1. 设置一个值,指向index=0, start_index = 0
2. 初始化一个中间列表median = [ ] , 一个保存结果列表 result_l = [ ]
3. for循环开始, start_index 指向每一个相邻数的开头
4. 通过索引指向的值和索引后指向的值进行差值比较,步长不为1的,start_index移动到这个值上
5. 循环往复,获得相邻列表
6. 通过map函数,对每一个相邻列表进行前后各插入两个相邻数
7. 通过列表解析, 剔除不满足条件的相邻数
示例代码
#!/usr/bin/python3
__author__ = 'beimenchuixue'
__blog__ = 'http://www.cnblogs.com/2bjiujiu/'
def go_cha_ru(new_l):
"""往列表中前后个插入两个相邻数,通过列表解析去除小于0的和大于400的数"""
new_l.insert(0, new_l[0] - 1)
new_l.insert(0, new_l[0] - 1)
new_l.append(new_l[len(new_l) - 1] + 1)
new_l.append(new_l[len(new_l) - 1] + 1)
return [i for i in new_l if 0 <= i <= 400]
def go_xiang_lin(raw_l):
"""获取相邻数"""
start_index = 0
result_l = []
median = []
# 索引从start_index起,到最后
for raw_index in range(len(raw_l)):
# 判断是否for循环到指定位置
if start_index == raw_index:
# 初始移动位置参数
index = 0
while True:
# 指针指向的起始值
start_value = raw_l[start_index]
# 如果指针指向最后一个位置,开始值=最后一个值
if start_index == len(raw_l)-1:
end_value = start_value
else:
# 最后一个值 = 初始值 + 位置参数值
end_value = raw_l[start_index + index]
# 通过初始值 + 位置参数值 是否等于 最后一个值,判断是否为相邻数,如果是,添加到中间列表
if start_value + index == end_value:
median.append(end_value)
# 位置参数 + 1
index += 1
else:
# 如果不是,初始指针指向 移动位置参数个单位
start_index += index
# 把每主相邻数添加到结果列表
result_l.append(median)
median = []
break
# 通过高阶函数,对结果集中每个相邻数列表进行插值操作
return map(go_cha_ru, result_l)
if __name__ == '__main__':
input_list = [0, 3, 5, 6, 7, 9,
12, 13, 15, 16, 17, 19, 20, 21, 22, 25,
27, 29, 30, 32, 33, 36, 39, 40, 43, 44, 46, 47, 48, 53, 54,
57, 58, 60, 62, 64, 65, 66, 67, 72, 74, 75, 76, 77, 78, 80, 82,
84, 85, 86, 89, 95, 96, 97, 98, 103, 104, 107, 108, 110, 111, 114,
116, 117, 118, 120, 121, 122, 124, 127, 132, 135, 137, 138, 139, 140,
145, 146, 148, 149, 150, 151, 155, 156, 160, 161, 166, 167, 170, 171,
172, 175, 178, 179, 180, 181, 182, 183, 184, 186, 188, 189, 190, 193,
195, 196, 198, 202, 205, 208, 210, 211, 213, 214, 215, 217, 221, 226,
227, 228, 233, 234, 235, 240, 241, 246, 247, 249, 255, 257, 258, 261,
262, 263, 267, 268, 269, 270, 271, 272, 275, 278, 280, 282, 283, 284,
286, 287, 289, 291, 292, 295, 296, 298, 300, 302, 303, 304, 305, 306,
310, 315, 317, 319, 320, 321, 322, 323, 324, 325, 326, 328, 331, 336,
339, 341, 342, 344, 346, 349, 354, 355, 356, 362, 363, 365, 366, 367,
368, 371, 374, 376, 378, 382, 383, 388, 390, 393, 396, 399]
# 结果
output_list = list(go_xiang_lin(input_list))
print(output_list)
总结
以上就是这篇文章的全部内容了.
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27