【数据分析面试】25.求字母序数位置总和(Python:ord函数)

2024-04-20 14:20

本文主要是介绍【数据分析面试】25.求字母序数位置总和(Python:ord函数),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述

题目

给定一个由字母az组成的字符串列表,创建一个名为sum_alphabet的函数,该函数返回字符串中每个单词的字母和列表。

字母和是字符串中每个字母在标准英语字母顺序中的序数位置的总和。因此,字母a的值为1z的值为26,依此类推。

例如,字符串sport字母和为19 + 16 + 15 + 18 + 20 = 88。

示例:

输入:

words = ["sport" , "good" , "bad"]

输出:

def sum_alphabet(words) -> [88 , 41 , 7]

提示:可以考虑使用ord函数将字母转换为其ASCII值。

答案

解题思路

为了计算字符串中每个单词的字母和,我们需要遍历字符串中的每个字母,并将其转换为相应的序数位置,然后将这些值相加。我们可以通过遍历字符串的每个字符,并使用ord函数将其转换为ASCII值,然后减去ord('a')来获取相应字母的序数位置。然后我们将这些序数位置相加,得到字母和

答案代码

def sum_alphabet(words):# 创建一个空列表来存储每个单词的字母和alphabet_sums = []# 遍历输入的字符串列表中的每个单词for word in words:# 初始化当前单词的字母和为0word_sum = 0# 遍历当前单词中的每个字母for letter in word:# 计算当前字母在字母表中的序数位置,并加上1letter_value = ord(letter) - ord('a') + 1# 将当前字母的序数位置加到当前单词的字母和中word_sum += letter_value# 将当前单词的字母和添加到结果列表中alphabet_sums.append(word_sum)# 返回包含每个单词字母和的列表return alphabet_sums

ord()函数介绍

Unicode是一种字符集,为世界上几乎所有的字符编写了唯一的数字标识。每个字符在Unicode字符集中都有一个唯一的码点(Unicode码值)。ASCII是Unicode的一个子集,这意味着ASCII编码的字符在Unicode中有相同的编码。

ord()函数是Python内置函数之一,用于获取单个字符的Unicode码点(Unicode码值)。

例如,ord('a')返回97,因为小写字母’a’在Unicode字符集中的码点是97。同样地,ord('z')返回122,因为小写字母’z’在Unicode字符集中的码点是122。

在这道题目中,我们使用ord()函数将每个字母转换为其对应的Unicode码点,然后减去ord('a')以得到字母在英语字母顺序中的序数位置。

更多详细答案可关注公众号查阅。
在这里插入图片描述

这篇关于【数据分析面试】25.求字母序数位置总和(Python:ord函数)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/920488

相关文章

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

字节面试 | 如何测试RocketMQ、RocketMQ?

字节面试:RocketMQ是怎么测试的呢? 答: 首先保证消息的消费正确、设计逆向用例,在验证消息内容为空等情况时的消费正确性; 推送大批量MQ,通过Admin控制台查看MQ消费的情况,是否出现消费假死、TPS是否正常等等问题。(上述都是临场发挥,但是RocketMQ真正的测试点,还真的需要探讨) 01 先了解RocketMQ 作为测试也是要简单了解RocketMQ。简单来说,就是一个分

hdu1171(母函数或多重背包)

题意:把物品分成两份,使得价值最接近 可以用背包,或者是母函数来解,母函数(1 + x^v+x^2v+.....+x^num*v)(1 + x^v+x^2v+.....+x^num*v)(1 + x^v+x^2v+.....+x^num*v) 其中指数为价值,每一项的数目为(该物品数+1)个 代码如下: #include<iostream>#include<algorithm>

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

usaco 1.2 Name That Number(数字字母转化)

巧妙的利用code[b[0]-'A'] 将字符ABC...Z转换为数字 需要注意的是重新开一个数组 c [ ] 存储字符串 应人为的在末尾附上 ‘ \ 0 ’ 详见代码: /*ID: who jayLANG: C++TASK: namenum*/#include<stdio.h>#include<string.h>int main(){FILE *fin = fopen (

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

POJ1269 判断2条直线的位置关系

题目大意:给两个点能够确定一条直线,题目给出两条直线(由4个点确定),要求判断出这两条直线的关系:平行,同线,相交。如果相交还要求出交点坐标。 解题思路: 先判断两条直线p1p2, q1q2是否共线, 如果不是,再判断 直线 是否平行, 如果还不是, 则两直线相交。  判断共线:  p1p2q1 共线 且 p1p2q2 共线 ,共线用叉乘为 0  来判断,  判断 平行:  p1p