Python的三元操作 - 封碎 - ITeye技术网站
博客分类：
我写程序很喜欢用三元运算符，但是在python中居然不支持，有点郁闷，查了下资料，发现还是有解决方案的。
比如，一个这样的函数：
function trans(v) {
return (v==0)?1:v;
啧啧，三元运算符看着就是漂亮，不知道python为什么不支持。
下面看一下python的解决方案一：
def trans(v):
return 1 if v==0 else v
也就是if else语句的简写形式，意思一看就明白，看起来还不错。
下面是解决方案二：
def trans(v):
return v==0 and 1 or v
用到了与或运算符的特性。
解释一下：如果v等于0为true，则跟1做与运算，为true，则不进行后面的或运算，直接返回1；如果v等于0为false，则跟1做与运算，为false，继续进行或运算，返回v。
浏览: 394973 次
来自: 深圳
不实用，得不到当前activity实例。。
加上就解决问题了，谢谢总结
&div class=&quote_title ...
打开是黑屏啊
好，很实用。python解非线性方程组（3个）,为什么只有一组解?应该有2组解啊,def f(x):x,y,z =x.tolist()return [math.sqrt((x-15.34)**2+(y-51.59)**2+(z-57.55)**2)-4.59,math.sqrt((x-18.92)**2+(y-49.03)**2+(z-53.91)**2)-6.33,math.sqrt((x-16.46)**2+_百度作业帮
python解非线性方程组（3个）,为什么只有一组解?应该有2组解啊,def f(x):x,y,z =x.tolist()return [math.sqrt((x-15.34)**2+(y-51.59)**2+(z-57.55)**2)-4.59,math.sqrt((x-18.92)**2+(y-49.03)**2+(z-53.91)**2)-6.33,math.sqrt((x-16.46)**2+
python解非线性方程组（3个）,为什么只有一组解?应该有2组解啊,def f(x):x,y,z =x.tolist()return [math.sqrt((x-15.34)**2+(y-51.59)**2+(z-57.55)**2)-4.59,math.sqrt((x-18.92)**2+(y-49.03)**2+(z-53.91)**2)-6.33,math.sqrt((x-16.46)**2+(y-55.25)**2+(z-58.49)**2)-5.32]result1=fsolve(f,[1,1,1])print result1
这是我按照你的方法得到的结果&&&&import&math&&&&def&f(list):...&&&&&x,y,z=list//注意这里是list的解包&不过如果你不传入list而是别的&比如字符串&就需要用到&tolist了...&&&&&return[math.sqrt((x-15.34)**2+(y-51.59)**2+(z-57.55)**2)-4.59,&&&&&&&&&&&&&&&math.sqrt((x-18.92)**2+(y-49.03)**2+(z-53.91)**2)-6.33,&&&&&&&&&&&&&&&math.sqrt((x-16.46)**2+(y-55.25)**2+(z-58.49)**2)-5.32]...&&&&f([9,8,7])[62.696,&56.275,&64.43]&&&&f([1,1,1])[72.31,&67.97,&75.08]&&&&是三个结果没错啊我猜你的 fsolve的方法内容是这样的吧def &fsolve(method,list):&&&&&&&&return method(list)或者你在fsolve里面对 f(list)返回的结果又做了一些操作,发一下你的 fsolve方法吧 要不然找不到问题所在 &目前来看 你的f方法是正确的
你验证一下你算出来的三个值，带入方程x，y，z中，是不对的。fsolve我是直接调用的scipy和numpy包，没有修改。SciPy-数值计算库 & 用Python做科学计算
Navigation
SciPy-数值计算库
SciPy函数库在NumPy库的基础上增加了众多的数学、科学以及工程计算中常用的库函数。例如线性代数、常微分方程数值求解、信号处理、图像处理、稀疏矩阵等等。由于其涉及的领域众多、本书没有能力对其一一的进行介绍。作为入门介绍，让我们看看如何用SciPy进行插值处理、信号滤波以及用C语言加速计算。
最小二乘拟合
假设有一组实验数据(x[i], y[i])，我们知道它们之间的函数关系:y = f(x)，通过这些已知信息，需要确定函数中的一些参数项。例如，如果f是一个线型函数f(x) = k*x+b，那么参数k和b就是我们需要确定的值。如果将这些参数用 p 表示的话，那么我们就是要找到一组 p 值使得如下公式中的S函数最小：
这种算法被称之为最小二乘拟合(Least-square fitting)。
scipy中的子函数库optimize已经提供了实现最小二乘拟合算法的函数leastsq。下面是用leastsq进行数据拟合的一个例子：
39# -*- coding: utf-8 -*-
import numpy as np
from scipy.optimize import leastsq
import pylab as pl
def func(x, p):
数据拟合所用的函数: A*sin(2*pi*k*x + theta)
A, k, theta = p
return A*np.sin(2*np.pi*k*x+theta)
def residuals(p, y, x):
实验数据x, y和拟合函数之间的差，p为拟合需要找到的系数
return y - func(x, p)
x = np.linspace(0, -2*np.pi, 100)
A, k, theta = 10, 0.34, np.pi/6 # 真实数据的函数参数
y0 = func(x, [A, k, theta]) # 真实数据
y1 = y0 + 2 * np.random.randn(len(x)) # 加入噪声之后的实验数据
p0 = [7, 0.2, 0] # 第一次猜测的函数拟合参数
# 调用leastsq进行数据拟合
# residuals为计算误差的函数
# p0为拟合参数的初始值
# args为需要拟合的实验数据
plsq = leastsq(residuals, p0, args=(y1, x))
print u&真实参数:&, [A, k, theta]
print u&拟合参数&, plsq[0] # 实验数据拟合后的参数
pl.plot(x, y0, label=u&真实数据&)
pl.plot(x, y1, label=u&带噪声的实验数据&)
pl.plot(x, func(x, plsq[0]), label=u&拟合数据&)
pl.legend()
这个例子中我们要拟合的函数是一个正弦波函数，它有三个参数 A, k, theta ，分别对应振幅、频率、相角。假设我们的实验数据是一组包含噪声的数据 x, y1，其中y1是在真实数据y0的基础上加入噪声的到了。
通过leastsq函数对带噪声的实验数据x, y1进行数据拟合，可以找到x和真实数据y0之间的正弦关系的三个参数： A, k, theta。下面是程序的输出：
&&& 真实参数: [10, 0.082]
&&& 拟合参数 [-9...]
调用leastsq函数对噪声正弦波数据进行曲线拟合
我们看到拟合参数虽然和真实参数完全不同，但是由于正弦函数具有周期性，实际上拟合参数得到的函数和真实参数对应的函数是一致的。
函数最小值
optimize库提供了几个求函数最小值的算法：fmin, fmin_powell, fmin_cg, fmin_bfgs。下面的程序通过求解卷积的逆运算演示fmin的功能。
对于一个离散的线性时不变系统h, 如果它的输入是x，那么其输出y可以用x和h的卷积表示：
现在的问题是如果已知系统的输入x和输出y，如何计算系统的传递函数h；或者如果已知系统的传递函数h和系统的输出y，如何计算系统的输入x。这种运算被称为反卷积运算，是十分困难的，特别是在实际的运用中，测量系统的输出总是存在误差的。
下面用fmin计算反卷积，这种方法只能用在很小规模的数列之上，因此没有很大的实用价值，不过用来评价fmin函数的性能还是不错的。
48# -*- coding: utf-8 -*-
# 本程序用各种fmin函数求卷积的逆运算
import scipy.optimize as opt
import numpy as np
def test_fmin_convolve(fminfunc, x, h, y, yn, x0):
x (*) h = y, (*)表示卷积
yn为在y的基础上添加一些干扰噪声的结果
x0为求解x的初始值
def convolve_func(h):
计算 yn - x (*) h 的power
fmin将通过计算使得此power最小
return np.sum((yn - np.convolve(x, h))**2)
# 调用fmin函数，以x0为初始值
h0 = fminfunc(convolve_func, x0)
print fminfunc.__name__
print &---------------------&
# 输出 x (*) h0 和 y 之间的相对误差
print &error of y:&, np.sum((np.convolve(x, h0)-y)**2)/np.sum(y**2)
# 输出 h0 和 h 之间的相对误差
print &error of h:&, np.sum((h0-h)**2)/np.sum(h**2)
def test_n(m, n, nscale):
随机产生x, h, y, yn, x0等数列，调用各种fmin函数求解b
m为x的长度, n为h的长度, nscale为干扰的强度
x = np.random.rand(m)
h = np.random.rand(n)
y = np.convolve(x, h)
yn = y + np.random.rand(len(y)) * nscale
x0 = np.random.rand(n)
test_fmin_convolve(opt.fmin, x, h, y, yn, x0)
test_fmin_convolve(opt.fmin_powell, x, h, y, yn, x0)
test_fmin_convolve(opt.fmin_cg, x, h, y, yn, x0)
test_fmin_convolve(opt.fmin_bfgs, x, h, y, yn, x0)
if __name__ == &__main__&:
test_n(200, 20, 0.1)
下面是程序的输出：
ーーーーーーーーーーー
error of y: 0.07
error of h: 0.
fmin_powell
ーーーーーーーーーーー
error of y: 0.857
error of h: 0.009
ーーーーーーーーーーー
error of y: 0.615
error of h: 0.439
ーーーーーーーーーーー
error of y: 0.551
error of h: 0.529
非线性方程组求解
optimize库中的fsolve函数可以用来对非线性方程组进行求解。它的基本调用形式如下：
fsolve(func, x0)
func(x)是计算方程组误差的函数，它的参数x是一个矢量，表示方程组的各个未知数的一组可能解，func返回将x代入方程组之后得到的误差；x0为未知数矢量的初始值。如果要对如下方程组进行求解的话：
f1(u1,u2,u3) = 0
f2(u1,u2,u3) = 0
f3(u1,u2,u3) = 0
那么func可以如下定义：
def func(x):
u1,u2,u3 = x
return [f1(u1,u2,u3), f2(u1,u2,u3), f3(u1,u2,u3)]
下面是一个实际的例子，求解如下方程组的解：
5*x1 + 3 = 0
4*x0*x0 - 2*sin(x1*x2) = 0
x1*x2 - 1.5 = 0
程序如下：
17from scipy.optimize import fsolve
from math import sin,cos
x0 = float(x[0])
x1 = float(x[1])
x2 = float(x[2])
4*x0*x0 - 2*sin(x1*x2),
x1*x2 - 1.5
result = fsolve(f, [1,1,1])
print result
print f(result)
[0.0, -9.7868e-14, 5.7514e-15]
由于fsolve函数在调用函数f时，传递的参数为数组，因此如果直接使用数组中的元素计算的话，计算速度将会有所降低，因此这里先用float函数将数组中的元素转换为Python中的标准浮点数，然后调用标准math库中的函数进行运算。
在对方程组进行求解时，fsolve会自动计算方程组的雅可比矩阵，如果方程组中的未知数很多，而与每个方程有关的未知数较少时，即雅可比矩阵比较稀疏时，传递一个计算雅可比矩阵的函数将能大幅度提高运算速度。笔者在一个模拟计算的程序中需要大量求解近有50个未知数的非线性方程组的解。每个方程平均与6个未知数相关，通过传递雅可比矩阵的计算函数使计算速度提高了4倍。
雅可比矩阵
雅可比矩阵是一阶偏导数以一定方式排列的矩阵，它给出了可微分方程与给定点的最优线性逼近，因此类似于多元函数的导数。例如前面的函数f1,f2,f3和未知数u1,u2,u3的雅可比矩阵如下：
使用雅可比矩阵的fsolve实例如下，计算雅可比矩阵的函数j通过fprime参数传递给fsolve，函数j和函数f一样，有一个未知数的解矢量参数x，函数j计算非线性方程组在矢量x点上的雅可比矩阵。由于这个例子中未知数很少，因此程序计算雅可比矩阵并不能带来计算速度的提升。
26# -*- coding: utf-8 -*-
from scipy.optimize import fsolve
from math import sin,cos
x0 = float(x[0])
x1 = float(x[1])
x2 = float(x[2])
4*x0*x0 - 2*sin(x1*x2),
x1*x2 - 1.5
x0 = float(x[0])
x1 = float(x[1])
x2 = float(x[2])
[0, 5, 0],
[8*x0, -2*x2*cos(x1*x2), -2*x1*cos(x1*x2)],
[0, x2, x1]
result = fsolve(f, [1,1,1], fprime=j)
print result
print f(result)
B-Spline样条曲线
interpolate库提供了许多对数据进行插值运算的函数。下面是使用直线和B-Spline对正弦波上的点进行插值的例子。
18# -*- coding: utf-8 -*-
import numpy as np
import pylab as pl
from scipy import interpolate
x = np.linspace(0, 2*np.pi+np.pi/4, 10)
y = np.sin(x)
x_new = np.linspace(0, 2*np.pi+np.pi/4, 100)
f_linear = interpolate.interp1d(x, y)
tck = interpolate.splrep(x, y)
y_bspline = interpolate.splev(x_new, tck)
pl.plot(x, y, &o&,
label=u&原始数据&)
pl.plot(x_new, f_linear(x_new), label=u&线性插值&)
pl.plot(x_new, y_bspline, label=u&B-spline插值&)
pl.legend()
使用interpolate库对正弦波数据进行线性插值和B-Spline插值
在这段程序中，通过interp1d函数直接得到一个新的线性插值函数。而B-Spline插值运算需要先使用splrep函数计算出B-Spline曲线的参数，然后将参数传递给splev函数计算出各个取样点的插值结果。
数值积分是对定积分的数值求解，例如可以利用数值积分计算某个形状的面积。下面让我们来考虑一下如何计算半径为1的半圆的面积，根据圆的面积公式，其面积应该等于PI/2。单位半圆曲线可以用下面的函数表示：
def half_circle(x):
return (1-x**2)**0.5
下面的程序使用经典的分小矩形计算面积总和的方式，计算出单位半圆的面积：
&&& N = 10000
&&& x = np.linspace(-1, 1, N)
&&& dx = 2.0/N
&&& y = half_circle(x)
&&& dx * np.sum(y[:-1] + y[1:]) # 面积的两倍
利用上述方式计算出的圆上一系列点的坐标，还可以用numpy.trapz进行数值积分：
&&& import numpy as np
&&& np.trapz(y, x) * 2 # 面积的两倍
此函数计算的是以x,y为顶点坐标的折线与X轴所夹的面积。同样的分割点数，trapz函数的结果更加接近精确值一些。
如果我们调用scipy.integrate库中的quad函数的话，将会得到非常精确的结果：
&&& from scipy import integrate
&&& pi_half, err = integrate.quad(half_circle, -1, 1)
&&& pi_half*2
多重定积分的求值可以通过多次调用quad函数实现，为了调用方便，integrate库提供了dblquad函数进行二重定积分，tplquad函数进行三重定积分。下面以计算单位半球体积为例说明dblquad函数的用法。
单位半球上的点(x,y,z)符合如下方程：
因此可以如下定义通过(x,y)坐标计算球面上点的z值的函数：
def half_sphere(x, y):
return (1-x**2-y**2)**0.5
X-Y轴平面与此球体的交线为一个单位圆，因此积分区间为此单位圆，可以考虑为X轴坐标从-1到1进行积分，而Y轴从 -half_circle(x) 到 half_circle(x) 进行积分，于是可以调用dblquad函数：
&&& integrate.dblquad(half_sphere, -1, 1,
lambda x:-half_circle(x),
lambda x:half_circle(x))
&&& (2.1988, 2.0915e-14)
&&& np.pi*4/3/2 # 通过球体体积公式计算的半球体积
dblquad函数的调用方式为：
dblquad(func2d, a, b, gfun, hfun)
对于func2d(x,y)函数进行二重积分，其中a,b为变量x的积分区间，而gfun(x)到hfun(x)为变量y的积分区间。
半球体积的积分的示意图如下：
半球体积的双重定积分示意图
X轴的积分区间为-1.0到1.0，对于X=x0时，通过对Y轴的积分计算出切面的面积，因此Y轴的积分区间如图中红色点线所示。
解常微分方程组
scipy.integrate库提供了数值积分和常微分方程组求解算法odeint。下面让我们来看看如何用odeint计算洛仑兹吸引子的轨迹。洛仑兹吸引子由下面的三个微分方程定义：
洛仑兹吸引子的详细介绍:
这三个方程定义了三维空间中各个坐标点上的速度矢量。从某个坐标开始沿着速度矢量进行积分，就可以计算出无质量点在此空间中的运动轨迹。其中 , ,
为三个常数，不同的参数可以计算出不同的运动轨迹： x(t), y(t), z(t)。 当参数为某些值时，轨迹出现馄饨现象：即微小的初值差别也会显著地影响运动轨迹。下面是洛仑兹吸引子的轨迹计算和绘制程序：
25# -*- coding: utf-8 -*-
from scipy.integrate import odeint
import numpy as np
def lorenz(w, t, p, r, b):
# 给出位置矢量w，和三个参数p, r, b计算出
# dx/dt, dy/dt, dz/dt的值
x, y, z = w
# 直接与lorenz的计算公式对应
return np.array([p*(y-x), x*(r-z)-y, x*y-b*z])
t = np.arange(0, 30, 0.01) # 创建时间点
# 调用ode对lorenz进行求解, 用两个不同的初始值
track1 = odeint(lorenz, (0.0, 1.00, 0.0), t, args=(10.0, 28.0, 3.0))
track2 = odeint(lorenz, (0.0, 1.01, 0.0), t, args=(10.0, 28.0, 3.0))
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
fig = plt.figure()
ax = Axes3D(fig)
ax.plot(track1[:,0], track1[:,1], track1[:,2])
ax.plot(track2[:,0], track2[:,1], track2[:,2])
plt.show()
用odeint函数对洛仑兹吸引子微分方程进行数值求解所得到的运动轨迹
我们看到即使初始值只相差0.01，两条运动轨迹也是完全不同的。
在程序中先定义一个lorenz函数，它的任务是计算出某个位置的各个方向的微分值，这个计算直接根据洛仑兹吸引子的公式得出。然后调用odeint，对微分方程求解，odeint有许多参数，这里用到的四个参数分别为：
lorenz， 它是计算某个位移上的各个方向的速度(位移的微分)
(0.0, 1.0, 0.0)，位移初始值。计算常微分方程所需的各个变量的初始值
t， 表示时间的数组，odeint对于此数组中的每个时间点进行求解，得出所有时间点的位置
args， 这些参数直接传递给lorenz函数，因此它们都是常量
滤波器设计
scipy.signal库提供了许多信号处理方面的函数。在这一节，让我们来看看如何利用signal库设计滤波器，查看滤波器的频率响应，以及如何使用滤波器对信号进行滤波。
假设如下导入signal库:
&&& import scipy.signal as signal
下面的程序设计一个带通IIR滤波器：
&&& b, a = signal.iirdesign([0.2, 0.5], [0.1, 0.6], 2, 40)
这个滤波器的通带为0.2*f0到0.5*f0，阻带为小于0.1*f0和大于0.6*f0，其中f0为1/2的信号取样频率，如果取样频率为8kHz的话，那么这个带通滤波器的通带为800Hz到2kHz。通带的最大增益衰减为2dB，阻带的最小增益衰减为40dB，即通带的增益浮动在2dB之内，阻带至少有40dB的衰减。
iirdesgin返回的两个数组b和a， 它们分别是IIR滤波器的分子和分母部分的系数。其中a[0]恒等于1。
下面通过调用freqz计算所得到的滤波器的频率响应：
&&& w, h = signal.freqz(b, a)
freqz返回两个数组w和h，其中w是圆频率数组，通过w/pi*f0可以计算出其对应的实际频率。h是w中的对应频率点的响应，它是一个复数数组，其幅值为滤波器的增益，相角为滤波器的相位特性。
下面计算h的增益特性，并转换为dB度量。由于h中存在幅值几乎为0的值，因此先用clip函数对其裁剪之后，再调用对数函数，避免计算出错。
&&& power = 20*np.log10(np.clip(np.abs(h), 1e-8, 1e100))
通过下面的语句可以绘制出滤波器的增益特性图，这里假设取样频率为8kHz：
&&& pl.plot(w/np.pi*4000, power)
在实际运用中为了测量未知系统的频率特性，经常将频率扫描波输入到系统中，观察系统的输出，从而计算其频率特性。下面让我们来模拟这一过程。
为了调用chirp函数以产生频率扫描波形的数据，首先需要产生一个等差数组代表取样时间，下面的语句产生2秒钟取样频率为8kHz的取样时间数组：
&&& t = np.arange(0, 2, 1/8000.0)
然后调用chirp得到2秒钟的频率扫描波形的数据：
&&& sweep = signal.chirp(t, f0=0, t1 = 2, f1=4000.0)
频率扫描波的开始频率f0为0Hz，结束频率f1为4kHz，到达4kHz的时间为2秒，使用数组t作为取样时间点。
下面通过调用lfilter函数计算sweep波形经过带通滤波器之后的结果：
&&& out = signal.lfilter(b, a, sweep)
lfilter内部通过如下算式计算IIR滤波器的输出：
通过如下算式可以计算输入为x时的滤波器的输出，其中数组x代表输入信号，y代表输出信号：
为了和系统的增益特性图进行比较，需要获取输出波形的包络，因此下面先将输出波形数据转换为能量值：
&&& out = 20*np.log10(np.abs(out))
为了计算包络，找到所有能量大于前后两个取样点(局部最大点)的下标：
&&& index = np.where(np.logical_and(out[1:-1] & out[:-2], out[1:-1] & out[2:]))[0] + 1
最后将时间转换为对应的频率，绘制所有局部最大点的能量值：
&&& pl.plot(t[index]/2.0*4000, out[index] )
下图显示freqz计算的频谱和频率扫描波得到的频率特性，我们看到其结果是一致的。
带通IIR滤波器的频率响应和频率扫描波计算的结果比较
计算此图的完整源程序请查看附录中的
用Weave嵌入C语言
Python作为动态语言其功能虽然强大，但是在数值计算方面有一个最大的缺点：速度不够快。在Python级别的循环和计算的速度只有C语言程序的百分之一。因此才有了NumPy, SciPy这样的函数库，将高度优化的C、Fortran的函数库进行包装，以供Python程序调用。如果这些高度优化的函数库无法实现我们的算法，必须从头开始写循环、计算的话，那么用Python来做显然是不合适的。因此SciPy提供了快速调用C++语言程序的方法-- Weave。下面是对NumPy的数组求和的例子：
42# -*- coding: utf-8 -*-
import scipy.weave as weave
import numpy as np
import time
def my_sum(a):
n=int(len(a))
counter =0;
for(i=0;i&n;i++){
counter=counter+a(i);
return_val=
err=weave.inline(
code,['a','n'],
type_converters=weave.converters.blitz,
compiler=&gcc&
return err
a = np.arange(0, , 1.0)
# 先调用一次my_sum，weave会自动对C语言进行编译，此后直接运行编译之后的代码
start = time.clock()
for i in xrange(100):
# 直接运行编译之后的代码
print &my_sum:&, (time.clock() - start) / 100.0
start = time.clock()
for i in xrange(100):
np.sum( a ) # numpy中的sum，其实现也是C语言级别
print &np.sum:&, (time.clock() - start) / 100.0
start = time.clock()
print sum(a) # Python内部函数sum通过数组a的迭代接口访问其每个元素，因此速度很慢
print &sum:&, time.clock() - start
此例子在我的电脑上的运行结果为：
my_sum: 0.6
np.sum: 0.8
可以看到用Weave编译的C语言程序比numpy自带的sum函数还要快。而Python的内部函数sum使用数组的迭代器接口进行运算，因此速度是Python语言级别的，只有Weave版本的1/300。
weave.inline函数的第一个参数为需要执行的C++语言代码，第二个参数是一个列表，它告诉weave要把Python中的两个变量a和n传递给C++程序，注意我们用字符串表示变量名。converters.blitz是一个类型转换器，将numpy的数组类型转换为C++的blitz类。C++程序中的变量a不是一个数组，而是blitz类的实例，因此它使用a(i)获得其各个元素的值，而不是用a[i]。最后我们通过compiler参数告诉weave要采用gcc为C++编译器。如果你安装的是python(x,y)的话，gcc(mingw32)也一起安装好了，否则你可能需要手工安装gcc编译器或者微软的Visual C++。
在我的电脑上，虽然安装了Visual C++ 2008 Express，但仍然提示找不到合适的Visual C++编译器。似乎必须使用编译Python的编译器版本。因此还是用gcc来的方便。
本书的进阶部分还会对weave进行详细介绍。这段程序先给了我们一个定心丸：你再也不必担心Python的计算速度不够快了。
Navigation当前访客身份：游客 [
当前位置：
发布于 日 16时,
& &Java、C#、C、C++、PHP等等高级语言中都内置了对三元运算符的支持，但Python却没有提供对他的支持，原因是可以通过其他方式实现相同的效果。
代码片段(1)
1.&[代码]三元运算符模拟实现&&&&
正常的三元运算符是这么使用的
布尔表达式 ? A : B
如果布尔表达式为true，则返回A，否则返回B，比如下面：
String a = 1==1 ? "true" : "false";
Python下有两种方式模拟。
第一种：布尔表达式 and A or B
比如 print( (1==1) and 'true' or 'false' )
但是注意如果A为''时，始终返回B。所以这种方法是有缺陷的。
第二种：A if 布尔表达式 else B
比如print( 'true' if (1==1) else 'false' )
这种是正确方案。
另外Python是动态强类型语言，所以A和B的类型不一定要相同，比如：
var result = 'a' if (1==1) else 2
开源中国-程序员在线工具：
&但Python却没有提供这个函数&三元运算符也是函数吗？
2楼：FuniK 发表于
2.5后已经加入类似的语法
可以这么写&
1==1 if 'true' else 'false'
3楼：优雅先生 发表于
引用来自“习总”的评论&但Python却没有提供这个函数&三元运算符也是函数吗？
已更正，谢谢提醒
4楼：优雅先生 发表于
引用来自“Brian_Zhu”的评论2.5后已经加入类似的语法
可以这么写&
1==1 if 'true' else 'false' 你这样不行吧
5楼：FuniK 发表于
引用来自“七色鱼”的评论引用来自“Brian_Zhu”的评论2.5后已经加入类似的语法
可以这么写&
1==1 if 'true' else 'false' 你这样不行吧哈哈,回过头来看,确实不行,2了... 理解错了,就是第二种~
开源从代码分享开始
优雅先生的其他代码python学习解三元方程式
& & 只不过了一会，各路大神的答案开始喷涌出来，下面贴下各种答案：
& &1: for i in {111..999..111}
& &4: & & & & for j in {1..9..1}
& &5: & & & & do
& &6: & & & & c=`expr $i / $j`
& &8: & & & & pd=`echo &$i $j $c`
& &9: & & & & sz=`echo $pd | awk '{print $0 ,substr($3,1,1)} '`
& 10: & & & & v_1=`echo $sz | awk '{print $2}'`
& 11: & & & & v_2=`echo &$sz | awk '{print $4}'`&
& 13: & & & & v_length=`echo $c | awk '{print length($1)}'`
& 14: & & & & if [ $v_length -eq 2 ];then
& 15: & & & & & & & & if [ $v_1 -eq $v_2 ];then
& 16: & & & & & & & & echo &$i $j $c
& 17: & & & & & & & & fi
& 18: & & & & #echo $v_1 $v_2
& 19: & & & & fi
& 20: & & & & done
上面是shell的第一个版本
下面再来一个shell的版本：
& &1: #!/bin/bash
& &2: for ((i=1;i&=9;i++));do
& &3: & & & & for ((y=0;y&=9;y++));do
& &4: & & & & & & & & a=$i$y
& &5: & & & & & & & & b=$i
& &6: & & & & & & & & c=$(($a*$b))
& &8: & & & & & & & & len=`expr length $c`
& &9: & & & & & & & & if [ &$len = &3& -a `echo $c | cut -b 1` = `echo $c | cut -b 2` ];then
& 10: & & & & & & & & & & & & if [ `echo $c | cut -b 2` = `echo $c | cut -b 3` ];then
& 11: & & & & & & & & & & & & & & & & echo &$a*$b=$c
& 13: & & & & & & & & & & & & fi
& 14: & & & & & & & & fi
& 16: & & & & done
& 17: done
再来一个perl的版本：
& &1: while(1){
& &2: & & my $x = 1+int rand(9);
& &3: & & my $y = 1+int rand(9);
& &4: & & my $n = 1+int rand(9);
& &5: & & my $m = $x.$y;
& &6: & & my $z =$n.$n.$n;
& &7: & & print &$x,$y,$z&,&\n& and last &if($m*$x==$z);
居然还有人用php写了个答案：
& &1: &?php
& &4: set_time_limit(0);&
& &5: $a=array(1,2,3,4,5,6,7,8,9);
& &6: $num=array();
& &7: for($i=0;$i&1000000;$i++){
& &8: shuffle($a);
& &9: $x=$a[0].$a[1];
& 10: $y=$a[0];
& 11: $z=$a[3].$a[3].$a[3];
& 12: //echo $x.'|'.$y.'|'.$z;
& 13: & if(($x*$y)==$z){
& 14: & $num[]=$x.'*'.$y.'='.$z;
& 18: & $new=array_unique($num);
& 19: & &print_r($new);
& 最后隆重献上python的解题方法，哈哈：
& &1: #!/usr/bin/env python
& &2: for x in range(1,10):
& &3: & & & & for y in range(1,10):
& &4: & & & & & & & & for z in range(1,10):
& &5: & & & & & & & & & & & & if &(x*10+y)*x == z*100+z*10+z :
& &6: & & & & & & & & & & & & & & & & print &x is :&, x
& &7: & & & & & & & & & & & & & & & & print &y is :& ,y
& &8: & & & & & & & & & & & & & & & & print &z is :&, z
嘿嘿，后来想起推导列表，于是写了个单行命令，可惜，对于推导列表不熟悉，求助于高手之后，才写了个华而不实的python单行命令来解决这个题目：
& &1: print [(x,y,z) for x in range(1,10) for y in range(1,10) for z in range(1,10) if (x*10+y)*x == z*100+z*10+z ]}