博客
关于我
[转]Python中format( )用法
阅读量:580 次
发布时间:2019-03-07

本文共 1294 字,大约阅读时间需要 4 分钟。

Python 的字符串格式化功能自 2.6 版本后引入了更强大的语法,取代了传统的 % 格式符,通过 {}: 来实现更灵活的格式化需求。本文将详细介绍如何利用这些语法特性提升代码的可读性和效率。

1. 基本语法

Python 的字符串格式化使用 format 方法,接受任意数量的参数,可通过位置、关键字或对象属性指定替换位置。这种机制打破了传统的按顺序传递参数的局限性。

通过位置

'In [1]: ${0},{1}'.format('kzc', 18)'Out[1]: kzc,18'
'In [2]: ${},{='.format('kzc', 18)'Out[3]: kzc,18'
'In [3]: '{1},{0},{1}'.format('kzc', 18)'Out[3]: 18,kzc,18'

通过关键字参数

'In [5]: '{name},{age}'.format(age=18, name='kzc')'Out[5]: kzc,18'

通过对象属性

class Person:    def __init__(self, name, age):        self.name = name        self.age = age    def __str__(self):        return 'This guy is {self.name},is {self.age} old'.format(self=self)
'In [2]: str(Person('kzc', 18))'Out[2]: This guy is kzc, is 18 old'

通过下标

p = ['kzc', 18]'In [7]: '{0[0]},{0[1]}'.format(p)'Out[7]: kzc,18'

这些"映射"方式赋予了开发者更多的灵活性,尤其是在处理列表、元组和字典时,能够以更加简洁的方式传递数据。

2. 格式限定符

格式化字符串可以使用特殊字符来定制输出格式。这些字符通常以 : 符号后跟填充字符和对齐方式。

填充与对齐

  • 填充字符可以是任意单个字符,默认为空格。
  • 对齐方式包括:
    • ^:居中对齐
    • <:左对齐
    • >:右对齐
    • :0:左对齐并且用空格填充至指定宽度

示例

'In [15]: '{: >8}'.format('189')'Out[15]:   189'
'In [16]: '{:0>8}'.format('189')'Out[16]: 00000189'
'In [17]: '{:a>8}'.format('189')'Out[17]: aaaaa189'

精度与类型

  • 使用 . 后跟格式字符,可以指定精度和类型。
  • 常用类型:
    • f:浮点数
    • d:整数
    • o:八进制
    • b:二进制
    • x:十六进制

金额格式化

'In [47]: '{:,}'.format(1234567890)'Out[47]: 1,234,567,890'

Python 的这种灵活性不仅适用于字符串格式化,还可以用于数值输出,能够显著提升代码的可维护性和阅读性。

转载地址:http://ycejz.baihongyu.com/

你可能感兴趣的文章
NISP一级,NISP二级报考说明,零基础入门到精通,收藏这篇就够了
查看>>
NISP国家信息安全水平考试,收藏这一篇就够了
查看>>
NIS服务器的配置过程
查看>>
Nitrux 3.8 发布!性能全面提升,带来非凡体验
查看>>
NiuShop开源商城系统 SQL注入漏洞复现
查看>>
NI笔试——大数加法
查看>>
NLog 自定义字段 写入 oracle
查看>>
NLog类库使用探索——详解配置
查看>>
NLP 基于kashgari和BERT实现中文命名实体识别(NER)
查看>>
NLP 模型中的偏差和公平性检测
查看>>
Vue3.0 性能提升主要是通过哪几方面体现的?
查看>>
NLP 项目:维基百科文章爬虫和分类【01】 - 语料库阅读器
查看>>
NLP_什么是统计语言模型_条件概率的链式法则_n元统计语言模型_马尔科夫链_数据稀疏(出现了词库中没有的词)_统计语言模型的平滑策略---人工智能工作笔记0035
查看>>
NLP三大特征抽取器:CNN、RNN与Transformer全面解析
查看>>
NLP学习笔记:使用 Python 进行NLTK
查看>>
NLP度量指标BELU真的完美么?
查看>>
NLP的不同研究领域和最新发展的概述
查看>>
NLP的神经网络训练的新模式
查看>>
NLP采用Bert进行简单文本情感分类
查看>>
NLP问答系统:使用 Deepset SQUAD 和 SQuAD v2 度量评估
查看>>