Python- 索引处的百分比出现
在本文中，用户将了解列表索引处的百分比出现。确定列表或数组中给定索引处特定值的百分比重复是数据分析或处理中的常见任务。这种计算可以提供有关数据分布和趋势的深刻信息。在本文中，我们将研究两种不同的解决该问题的策略，讨论它们的算法，给出获得所需结果的代码片段，然后比较这些策略。
例如 -
给定列表:[4, 2, 3, 1, 5, 6, 7]
值 3 的百分比出现出现在索引 2 处，在这种情况下的百分比出现率为 14.29%，因为它只出现一次。
方法
要使用 Python 查找索引处的百分比出现率，我们可以遵循以下两种方法 -
利用朴素迭代。
利用列表理解。
让让我们研究一下这两种方法 -
利用简单迭代
初始策略采用简单的迭代过程。列表中的每个条目都将被迭代，与目标索引处的元素进行比较，并跟踪出现的次数。然后通过将计数除以整个列表的长度来确定百分比发生率。
算法
使用 Python 查找索引处百分比发生率的算法如下 -
步骤 1 - 创建一个以值和索引为参数的函数。
步骤 2 - 采用变量计数来保存指定索引处值的出现值。
步骤 3 - 创建一个遍历所有值的循环。
步骤 4 - 检查值，如果值与指定索引处的值匹配，则增加计数值。
步骤 5 - 通过将计数除以总数来计算百分比发生率值。
步骤 6 - 返回百分比出现次数。
步骤 7 - 通过传递值并显示结果来调用函数。
示例
# 创建一个以值和索引为参数的函数
def percentage_occurence_compute(value, index):
# 使用变量 count 来存储指定索引处值的出现次数
count = 0
# 对值中的所有项目运行循环
for item in value:
# 如果该值与指定索引处的值匹配
# 则增加计数值
if item == value[index]:
count += 1
percentage_occurrence = (count / len(value)) * 100
return percentage_occurrence
# 创建值的实例
value = [4, 2, 3, 1, 5, 6, 7]
index = 2
percentage = percentage_occurence_compute(value, index)
print(f"索引 {index} 处 {value[index]} 的百分比出现率为 {percentage}%.")
输出
索引 2 处 3 的百分比出现率为 14.285714285714285%。
利用列表推导
利用 Python 的列表推导功能是后续方法。使用列表推导过滤原始列表，以生成仅包含与目标索引处的值匹配的项目的新列表。然后将过滤后的列表的长度除以原始列表的整个长度，以确定百分比出现。
算法
使用 Python 查找索引处百分比出现次数的算法如下所示 -
步骤 1 - 创建一个以值和索引作为参数的函数。
步骤 2 - 通过仅提供指定索引处的项目来过滤列表。
步骤 3 - 计算过滤后的列表和给定值的百分比。
步骤 4 - 调整图像大小并在 skimage 的帮助下计算 psnr。返回 psnr 的值。
步骤 5 - 调用上述函数并传递两个图像路径。
步骤 6 - 显示 psnr 值。
示例
#创建一个以值和索引作为参数的函数
def percentage_occurence_compute(value, index):
# 通过查找任何指定索引处给出的项目来过滤列表
filtered_list = [item for item in value if item == value[index]]
# 计算过滤列表和给定值的百分比
percentage_occurrence = (len(filtered_list) / len(value)) * 100
# 返回计算值
return percentage_occurrence
# 创建列表示例
value = [4, 2, 3, 1, 5, 6, 7]
index = 2
# 调用上述函数
percentage = percentage_occurence_compute(value, index)
# 显示结果
print(f"索引 {index} 处 {value[index]} 的百分比出现率为 {percentage}%.")
输出
索引 2 处 3 的百分比出现率为 14.285714285714285%。
结论
在本文中，我们研究了两种计算 Python PSNR(峰值信噪比)的方法。在图像和视频处理中，PSNR 是评估数字数据质量的关键统计数据。可以使用均方误差 (MSE) 方法或 skimage 库确定精确的 PSNR 分数并评估数字信号的质量。
相关文章
有用资源
python 参考教程 - 该教程包含有关 python 的更多信息:https://www.cainiaomax.com/python/
