Python中的tilde操作符
Python中tilde操作符的用法是什么 我可以考虑的一件事是在字符串或列表的两侧做一些事情，例如检查字符串是否为回文：Python中的tilde操作符,python,operators,Python,Operators,Python中tilde操作符的用法是什么 我可以考虑的一件事是在字符串或列表的两侧做一些事情，例如检查字符串是否为回文： def is_palindromic(s): return all(s[i] == s[~i] for i in range(len(s) / 2)) 还有什么好的用法吗？~是python中基本上计算-x-1 所以一张桌子看起来像 i ~i 0 -1 1 -2 2 -3 3 -4 4 -5 5 -6 因此，对于i=0，它将s[0]与s[l
def is_palindromic(s):
return all(s[i] == s[~i] for i in range(len(s) / 2))
~-x-1i ~i
0 -1
1 -2
2 -3
3 -4
4 -5
5 -6
i=0s[0]s[len（s）-1]i=1s[1]s[len（s）-2]~-x-1i ~i
0 -1
1 -2
2 -3
3 -4
4 -5
5 -6
i=0s[0]s[len（s）-1]i=1s[1]s[len（s）-2]b中），它是一个从C借用的一元运算符（取一个参数），其中所有数据类型只是解释字节的不同方式。它是“反转”或“补码”运算，其中输入数据的所有位都被反转
在Python中，对于整数，整数的位是反向的（如b中所示，~
除了是一个按位补码运算符外，还可以帮助还原布尔值，尽管这不是传统的bool
类型，而是您应该使用numpy.bool
这在
import numpy as np
assert ~np.True_ == np.False_
有时，反转逻辑值可能很有用，例如，below~
运算符用于清理数据集并返回不带NaN的列
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()]
除了是位补码运算符之外，~
还可以帮助还原布尔值，尽管它不是这里传统的bool
类型，而是应该使用numpy.bool
这在
import numpy as np
assert ~np.True_ == np.False_
有时，反转逻辑值可能很有用，例如，below~
运算符用于清理数据集并返回不带NaN的列
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()]
这是一个次要的用法是平铺
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]
上面的代码来自“动手机器学习”
您可以使用波浪号（~sign）作为-sign索引标记的替代
就像你用减号表示整数索引一样
ex）
这和我的一样吗
打印（数组[~1]）
这是一个很小的用法是平铺
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]
上面的代码来自“动手机器学习”
您可以使用波浪号（~sign）作为-sign索引标记的替代
就像你用减号表示整数索引一样
ex）
这和我的一样吗
print（array[~1]）
应该注意，在数组索引的情况下，array[~i]
相当于reversed\u array[i]
。可以将其视为从数组末尾开始的索引：
[0, 1, 2, 3, 4, 5, 6, 7, 8]
^ ^
i ~i
应该注意的是，在数组索引的情况下，array[~i]
相当于reversed\u array[i]
。可以将其视为从数组末尾开始的索引：
[0, 1, 2, 3, 4, 5, 6, 7, 8]
^ ^
i ~i
我正在解决这个问题，我遇到了一个名为的用户
对于给定数组中的每个元素，问题是这样的：在不使用除数的情况下，在O（n）
time中找到所有剩余数字的乘积
标准溶液为：
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
他的解决方案仅使用一个for循环，即利用。他使用~
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
我正在解决这个问题，我遇到了一个名为的用户
对于给定数组中的每个元素，问题是这样的：在不使用除数的情况下，在O（n）
time中找到所有剩余数字的乘积
标准溶液为：
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
他的解决方案仅使用一个for循环，即利用。他使用~
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
我唯一一次在实践中使用它是在numpy/pandas
中。例如，使用.isin（）
在文档中，他们展示了这个基本示例
>>> df.isin([0, 2])
num_legs num_wings
falcon True True
dog False True
但是，如果您希望所有行不在[0，2]中，该怎么办
>>> ~df.isin([0, 2])
num_legs num_wings
falcon False False
dog True False
我唯一一次在实践中使用它是在numpy/pandas
中。例如，使用.isin（）
在文档中，他们展示了这个基本示例
>>> df.isin([0, 2])
num_legs num_wings
falcon True True
dog False True
但是，如果您希望所有行不在[0，2]中，该怎么办
>>> ~df.isin([0, 2])
num_legs num_wings
falcon False False
dog True False
请注意，由特殊方法\uuuuu invert\uuuu
实现的一元补码运算符~
与not
运算符无关，后者在逻辑上对2.x中的\uuuuu bool\uuuu
返回的值求反。它也与-
一元求反运算符无关，由\uuuu neg\uuuu
实现。例如，~True==-2
，这不是假
或假，-False==0
，这仍然是假。@eryksun，虽然你说的是对的（-False==0
），但它令人困惑，因为你说的是~
，而~False==1
这不是假。@Hermedelazari，第二个例子是比较算术否定（\uuuu neg\uuuu
）。可能我应该继续使用True
，例如-True==-1
，它不是-2或False
或False，这会更清楚地将它链接回~True
结果，而且bool
的算术求反与其逻辑求不同。我不想深陷其中。我只是强调了3个操作和底层规范