Каково использование оператора тильды в Python?
Одна вещь, о которой я могу думать, это сделать что-то с обеих сторон строки или списка, например, проверить, является ли строка палиндромной или нет:
def is_palindromic(s):
return all(s[i] == s[~i] for i in range(len(s) / 2))
Любое другое хорошее использование?
~, реализованный специальным методом __invert__, не связан с оператором not, который логически отрицает значение, возвращаемое __bool__ (или __nonzero__ в 2.x). Это также не связано с унарным оператором отрицания -, реализованным __neg__. Например, ~True == -2, что не является False или ложным, и -False == 0, которое по-прежнему является ложным. 29.11.2011 -False==0). Это сбивает с толку, поскольку вы говорили о ~ и ~False == -1, что не является ложью. 06.12.2018 __neg__). Вероятно, мне следовало продолжать использовать True, например. -True == -1, которое не является -2 или Falseили ложным, что более четко связывает его с результатом ~True, а также что арифметическое отрицание bool отличается от его логического отрицания. Я не пытался быть глубоким. Я просто выделил 3 операции и лежащие в их основе специальные методы, которые иногда путаются. 06.12.2018 Это унарный оператор (с одним аргументом), заимствованный из C, где все типы данных — это просто разные способы интерпретации байтов. Это операция «инвертирования» или «дополнения», при которой все биты входных данных меняются местами.
В Python для целых чисел биты представления с двойным дополнением целого числа меняются местами. (как в b <- b XOR 1 для каждого отдельного бита), и результат снова интерпретируется как целое число с дополнением до двух. Таким образом, для целых чисел ~x эквивалентно (-x) - 1.
Овеществленная форма оператора ~ предоставляется как operator.invert. Чтобы поддерживать этот оператор в своем собственном классе, дайте ему метод __invert__(self).
>>> import operator
>>> class Foo:
... def __invert__(self):
... print 'invert'
...
>>> x = Foo()
>>> operator.invert(x)
invert
>>> ~x
invert
Любой класс, в котором имеет смысл иметь «дополнение» или «инверсию» экземпляра, который также является экземпляром того же класса, является возможным кандидатом для инвертирующего оператора. Однако перегрузка операторов может привести к путанице при неправильном использовании, поэтому убедитесь, что это действительно имеет смысл, прежде чем предоставлять метод __invert__ вашему классу. (Обратите внимание, что строки байтов [пример: '\xff'] не поддерживают этот оператор, хотя имеет смысл инвертировать все биты строки байтов.)
~ — это оператор побитового дополнения в python, который, по сути, вычисляет -x - 1
Таким образом, таблица будет выглядеть
i ~i
0 -1
1 -2
2 -3
3 -4
4 -5
5 -6
Таким образом, для i = 0 будет сравниваться s[0] с s[len(s) - 1], для i = 1, s[1] с s[len(s) - 2].
Что касается вашего другого вопроса, это может быть полезно для ряда побитовых взломов.
Помимо того, что ~ является оператором побитового дополнения, он также может помочь восстановить логическое значение, хотя здесь это не обычный тип bool, скорее вам следует использовать numpy.bool_.
Это объясняется в,
import numpy as np
assert ~np.True_ == np.False_
Иногда может быть полезно инвертировать логическое значение, например, ниже оператор ~ используется для очистки вашего набора данных и возврата вам столбца без NaN.
from numpy import NaN
import pandas as pd
matrix = pd.DataFrame([1,2,3,4,NaN], columns=['Number'], dtype='float64')
# Remove NaN in column 'Number'
matrix['Number'][~matrix['Number'].isnull()]
numpy.NaN кажется определяется как numpy.float. Если я попробую ~numpy.NaN, python жалуется, что унарный оператор ~ не определен для типа numpy.float. 14.06.2017 ~True приводит к -2, а для логических значений numpy ~np.True_ приводит к False. 14.12.2017 Следует отметить, что в случае индексации массива array[~i] равняется reversed_array[i]. Это можно рассматривать как индексацию, начиная с конца массива:
[0, 1, 2, 3, 4, 5, 6, 7, 8]
^ ^
i ~i
~i (т.е. отрицательное значение), действует как отправная точка для индекса массива, который python с радостью принимает, заставляя индекс обертываться и выбирать сзади. 08.06.2019 Единственный раз, когда я когда-либо использовал это на практике, с numpy/pandas. Например, с помощью .isin() метода кадра данных.
В документах они показывают этот базовый пример
>>> df.isin([0, 2])
num_legs num_wings
falcon True True
dog False True
Но что, если вместо этого вы хотите, чтобы все строки были не в [0, 2]?
>>> ~df.isin([0, 2])
num_legs num_wings
falcon False False
dog True False
Я решал эту проблему с литкодом и наткнулся на этот прекрасное решение пользователя с именем Ванг Цзытао.
Задача выглядит следующим образом: для каждого элемента в заданном массиве найти произведение всех оставшихся чисел без использования деления и за O(n) время
Стандартное решение:
Pass 1: For all elements compute product of all the elements to the left of it
Pass 2: For all elements compute product of all the elements to the right of it
and then multiplying them for the final answer
В его решении используется только один цикл for. Он вычисляет левое и правое произведение на лету, используя ~
def productExceptSelf(self, nums):
res = [1]*len(nums)
lprod = 1
rprod = 1
for i in range(len(nums)):
res[i] *= lprod
lprod *= nums[i]
res[~i] *= rprod
rprod *= nums[~i]
return res
Это второстепенное использование - тильда...
def split_train_test_by_id(data, test_ratio, id_column):
ids = data[id_column]
in_test_set = ids.apply(lambda id_: test_set_check(id_, test_ratio))
return data.loc[~in_test_set], data.loc[in_test_set]
приведенный выше код взят из "Практического машинного обучения"
вы используете тильду (знак ~) в качестве альтернативы маркеру индекса знака -
точно так же, как вы используете минус - для целочисленного индекса
ex)
array = [1,2,3,4,5,6]
print(array[-1])
это то же самое, что
print(array[~1])
