| Автор | Как в Питоне посчитать, что в списке, все данные одного типа? |
|---|
| Спасибо, вспомнил про allSatisfy |
| Сравниваем с первым элементом все остальные. |
get_type а возвращает какой-то res
Соррян за это |
| Но вы оценили, что я лучше вас всех? |
для Йопсель:
Да |
Но вы оценили, что я лучше вас всех?
Да
правильно, лучше согласиться и пусть думает что всё так и есть
https://www.youtube.com/watch?v=jN6_rO2rYA8 |
| )) |
| На вход функции подаётся int, необходимо вернуть все простые числа |
| от 0 до int |
Творческий вопрос. За счёт чего, на ваш взгляд, библиотека Numpy в Python ускоряет вычисления? В ответе нужно указать фундаментальную сущность механизма ускорения, а не просто название механизма.
Сразу скажу, что ответ из интернета - это не то. |
для Все люди плохие:
За счёт использования более низкоуровневых скомпилированных операций, интринсиков и неиспользования объектов cpython
Достаточно фундаментально? |
для Neurone:
почти, но не всё. |
для Neurone:
ответ на самом деле довольно простой, зачем в такие дебри лезть?) Интринсики и распараллеливание в целом нужно использовать в самую последнюю очередь при ускорении. А про самое первое забыли. |
для Все люди плохие:
Тогда потому что написана на Си |
для Все люди плохие:
И скомпилированна... |
для Neurone:
Всё вокруг да около, а конкретики нет. А ответ простой, который знают все студенты, проходившие C++. Потому что при работе с массивами numpy зачастую лишнего копирования в памяти не происходит. В отличие, если просто перебирать циклом. Это фактически фундамент высокоуровневой оптимизации. |
array = [1, 2, 3, 'hello']
for i in range(len(array) - 1):
if type(array[i]) != type(array[i + 1]):
print('no')
break
else:
print('yes') |
