自定義函數實現根據年齡推薦合理的睡眠時間。 Python？

沒有什么合理的睡眠時間，參數都是死的，你能讓電腦知道你今天想吃什么嗎？這些都是靠大數據推算出來的。如果是作業的話也沒這么難

創新互聯網絡公司擁有10多年的成都網站開發建設經驗，上1000家客戶的共同信賴。提供網站設計制作、成都網站制作、網站開發、網站定制、外鏈、建網站、網站搭建、響應式網站建設、網頁設計師打造企業風格，提供周到的售前咨詢和貼心的售后服務

def sleep(age):

if age10:

return '8個小時'

else:

return '6個小時'

要多少睡眠時間都是由編寫者決定的

python初學求解答

a = int (raw_input('totally second is:'))

hour = a/3600

minutes = (a%3600)/60

sc = a - hour - minutes #hour有3600秒，minutes有60秒，hour和minute應轉換成秒計算

print hour,minutes,sc

s = int ( raw_input('totally second is:') )

h = s/3600

m = ( s - h * 3600 ) / 60

ss = s - h * 3600 - m * 60

print str ( h )+' '+str ( m )+' 'str ( ss ) # ' 'str(ss)最后的單引號和str(ss)中間應有個加號，沒加號肯定出錯，不可能不出錯

Python簡單問題？

階梯型的計算規則。

根據算法200度以下是一個算法，[200,500)是一個算法，[500,∞)是另一種算法。但是都是使用函數e_check(n)來計算的。

所以是帶入不同月份的電量的度數來計算的。

書中題目解析的部分應該是出版校驗錯誤了，300度和600度寫錯了，根據多的那一項來看，應該是第三個月600度。

用python怎么求元角分

符號積分：通過integrate功能facility，SymPy對基本和特殊函數定與不定積分有卓越的支持，該功能使用有力的擴展Risch-Norman算法，啟發算法和模式匹配，這樣就可以求出元角分來。以下是具體方法，輸入以下指令from sympy import integrate, exp, sin, log, oo, pi,symbols，然后再通過x, y = symbols('x,y')#定義符號變量x,y，再輸入元角分的指令后通過integrate6*x**5, x以及integrate(log(x), x就可以求出。

引入剛剛的數學符號庫from sympy import *定義一個符號變量x = symbols('x') 現在求x在區間[1,2]的定積分。

獲取最小值

if x y，smaller = y

else，smaller = xfor i in range(1,smaller + 1)，if((x % i == 0) and (y % i == 0)，hcf = i

return hcf

# 用戶輸入兩個數字num1 = int(input("輸入第一個數字: "))num2 = int(input("輸入第二個數字，這樣就完成了求元角分的方法了。

數字圖像處理Python實現圖像灰度變換、直方圖均衡、均值濾波

import CV2

import copy

import numpy as np

import random

使用的是pycharm

因為最近看了《銀翼殺手2049》，里面Joi實在是太好看了所以原圖像就用Joi了

要求是灰度圖像，所以第一步先把圖像轉化成灰度圖像

# 讀入原始圖像

img = CV2.imread('joi.jpg')

# 灰度化處理

gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)

CV2.imwrite('img.png', gray)

第一個任務是利用分段函數增強灰度對比，我自己隨便寫了個函數大致是這樣的

def chng(a):

if a 255/3:

b = a/2

elif a 255/3*2:

b = (a-255/3)*2 + 255/6

else:

b = (a-255/3*2)/2 + 255/6 +255/3*2

return b

rows = img.shape[0]

cols = img.shape[1]

cover = copy.deepcopy(gray)

for i in range(rows):

for j in range(cols):

cover[i][j] = chng(cover[i][j])

CV2.imwrite('cover.png', cover)

下一步是直方圖均衡化

# histogram equalization

def hist_equal(img, z_max=255):

H, W = img.shape

# S is the total of pixels

S = H * W * 1.

out = img.copy()

sum_h = 0.

for i in range(1, 255):

ind = np.where(img == i)

sum_h += len(img[ind])

z_prime = z_max / S * sum_h

out[ind] = z_prime

out = out.astype(np.uint8)

return out

covereq = hist_equal(cover)

CV2.imwrite('covereq.png', covereq)

在實現濾波之前先添加高斯噪聲和椒鹽噪聲（代碼來源于網絡）

不知道這個椒鹽噪聲的名字是誰起的感覺隔壁小孩都饞哭了

用到了random.gauss()

percentage是噪聲占比

def GaussianNoise(src,means,sigma,percetage):

NoiseImg=src

NoiseNum=int(percetage*src.shape[0]*src.shape[1])

for i in range(NoiseNum):

randX=random.randint(0,src.shape[0]-1)

randY=random.randint(0,src.shape[1]-1)

NoiseImg[randX, randY]=NoiseImg[randX,randY]+random.gauss(means,sigma)

if NoiseImg[randX, randY] 0:

NoiseImg[randX, randY]=0

elif NoiseImg[randX, randY]255:

NoiseImg[randX, randY]=255

return NoiseImg

def PepperandSalt(src,percetage):

NoiseImg=src

NoiseNum=int(percetage*src.shape[0]*src.shape[1])

for i in range(NoiseNum):

randX=random.randint(0,src.shape[0]-1)

randY=random.randint(0,src.shape[1]-1)

if random.randint(0,1)=0.5:

NoiseImg[randX,randY]=0

else:

NoiseImg[randX,randY]=255

return NoiseImg

covereqg = GaussianNoise(covereq, 2, 4, 0.8)

CV2.imwrite('covereqg.png', covereqg)

covereqps = PepperandSalt(covereq, 0.05)

CV2.imwrite('covereqps.png', covereqps)

下面開始均值濾波和中值濾波了

就以n x n為例，均值濾波就是用這n x n個像素點灰度值的平均值代替中心點，而中值就是中位數代替中心點，邊界點周圍補0；前兩個函數的作用是算出這個點的灰度值，后兩個是對整張圖片進行

#均值濾波模板

def mean_filter(x, y, step, img):

sum_s = 0

for k in range(x-int(step/2), x+int(step/2)+1):

for m in range(y-int(step/2), y+int(step/2)+1):

if k-int(step/2) 0 or k+int(step/2)+1 img.shape[0]

or m-int(step/2) 0 or m+int(step/2)+1 img.shape[1]:

sum_s += 0

else:

sum_s += img[k][m] / (step*step)

return sum_s

#中值濾波模板

def median_filter(x, y, step, img):

sum_s=[]

for k in range(x-int(step/2), x+int(step/2)+1):

for m in range(y-int(step/2), y+int(step/2)+1):

if k-int(step/2) 0 or k+int(step/2)+1 img.shape[0]

or m-int(step/2) 0 or m+int(step/2)+1 img.shape[1]:

sum_s.append(0)

else:

sum_s.append(img[k][m])

sum_s.sort()

return sum_s[(int(step*step/2)+1)]

def median_filter_go(img, n):

img1 = copy.deepcopy(img)

for i in range(img.shape[0]):

for j in range(img.shape[1]):

img1[i][j] = median_filter(i, j, n, img)

return img1

def mean_filter_go(img, n):

img1 = copy.deepcopy(img)

for i in range(img.shape[0]):

for j in range(img.shape[1]):

img1[i][j] = mean_filter(i, j, n, img)

return img1

完整main代碼如下：

if __name__ == "__main__":

# 讀入原始圖像

img = CV2.imread('joi.jpg')

# 灰度化處理

gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)

CV2.imwrite('img.png', gray)

rows = img.shape[0]

cols = img.shape[1]

cover = copy.deepcopy(gray)

for i in range(rows):

for j in range(cols):

cover[i][j] = chng(cover[i][j])

CV2.imwrite('cover.png', cover)

covereq = hist_equal(cover)

CV2.imwrite('covereq.png', covereq)

covereqg = GaussianNoise(covereq, 2, 4, 0.8)

CV2.imwrite('covereqg.png', covereqg)

covereqps = PepperandSalt(covereq, 0.05)

CV2.imwrite('covereqps.png', covereqps)

meanimg3 = mean_filter_go(covereqps, 3)

CV2.imwrite('medimg3.png', meanimg3)

meanimg5 = mean_filter_go(covereqps, 5)

CV2.imwrite('meanimg5.png', meanimg5)

meanimg7 = mean_filter_go(covereqps, 7)

CV2.imwrite('meanimg7.png', meanimg7)

medimg3 = median_filter_go(covereqg, 3)

CV2.imwrite('medimg3.png', medimg3)

medimg5 = median_filter_go(covereqg, 5)

CV2.imwrite('medimg5.png', medimg5)

medimg7 = median_filter_go(covereqg, 7)

CV2.imwrite('medimg7.png', medimg7)

medimg4 = median_filter_go(covereqps, 7)

CV2.imwrite('medimg4.png', medimg4)