# 处理多个条件语句
conditions = [
    size == "lg",
    color == "blue",
    price < 100,
]
if all(conditions):	# if any(conditions):
    print("Yes, I want to but the product.")
# 找到list中重复最多的元素
lst = [1, 2, 3, 4, 3, 4, 4, 5, 6, 3, 1, 6, 7, 9, 4, 0]
most_repeated_item = max(lst, key=lst.count)
print(most_repeated_item)
# 使用*args传递多个参数
def sum_of_squares(*args):
    return sum([item**2 for item in args])
print(sum_of_squares(2, 3, 4))
print(sum_of_squares(2, 3, 4, 5, 6))
# 将两个字典进行合并
d1 = {"v1": 22, "v2": 33}
d2 = {"v2": 44, "v3": 55}
d3 = {**d1, **d2}
print(d3)	# {'v1': 22, 'v2': 44, 'v3': 55}
# 通过两个list生成一个字典
keys = ['a', 'b', 'c']
vals = [1, 2, 3]
zipped = dict(zip(keys, vals))
# 字典按照value进行排序
d = {
    "v1": 80,
    "v2": 20,
    "v3": 40,
    "v4": 20,
    "v5": 10,
}
sorted_d = dict(sorted(d.items(), key=lambda item: item[1], reverse=True))
print(sorted_d)
# one-hot独热编码keras版
from keras.preprocessing.text import Tokenizer

samples = ['大烩菜 的 定义 应该 是 路边摊 吧 ？ 我 记得 他 师父 好像 就是 路边摊 。 谁 吃 个 烩菜 还 上 三 楼 呀',
  '这 应该 不 可能 ， 毕竟 得 办 营业执照 ， 应该 能 跟 小 火锅 一样 挺 一段时间 吧 ， 坚持 不 了 两周 [ 捂脸 ] [ 捂脸 ] [ 捂脸 ] [ 捂脸 ] ， 大 烩饭 便宜 才会 多 人 吃',
  '半个月 就 关门 了 ， 赌 一把 卫龙 辣条',
  '超市 呢 不交待 了',
  '农村 三人行 开始 搞 起 “ 大烩菜 ” 了 ！ 大家 猜 猜 这次 能够 坚持 多久 啊 ！ \n “ 三人行 ” 创业 经历 了 太多 坎坷 ， 屡 败 屡 战 啊 ！ \n 1 、 横店 群演 ， 失败 \n2 、 美团i外卖 ， 失败 \n 3 、 火锅 店 ， 失败 \n4 、 学 大车 ， 失败 \n5 、 开 超市 ， 失败\n6 、 卖 椰子 ， 跑路\n7 、 进 厂 打工 ， 失败 \n 这 三人 真是 “ 屡 败 屡 战 ” 的 典范 啊 ！ 但是 现在 市场 的 萧条 大 环境 下 ， 真 不 看好 他们 的 这次 创业 ！ \n大胆 预测 ： 坚持 不 了 一年 ！',
  '这样 的 门面 一般 不能 做 餐饮 ， 做 的 话 要 变更 商业 用房 用途 ， 还要 有 餐饮 许可证',
  '个人 觉得 烩菜 需要 吃 个 热闹 的 氛围 ， 一群人 在 大堂 里 吃吃吃 ， 看着 就 人气 很 旺 很好吃 。 你 这 楼上 楼下 ， 还要 自己 烫手 地端 来 端 去 ， 很 不 方便 啊 [ 黑线 ]',
  '下 集 预告 ： 兄弟们 ， 大烩菜 太难 做 了 ， 我们 决定 开 一家 海底捞',
  '这个 烩菜 很 累 的 ， 后厨 要 弄 得 干净 很麻烦 ， 进 菜 洗 菜 切菜 炒菜 打饭 收拾 卫生 ， 很 累 的',
  '首先 我 来 分析 一下 ， 目前 郑州 是 封城 状况 ， 大部分 人 都 居家 办公 ， 而且 至少 要 持续 半个月 ， 而 他们 这 半个月 不会 有 任何 收入 ， 再者 即便 解封 了 他们 的 技术 也 不到家 ， 没有 竞争 能力 ， 租 了 这么 大 的 店面 ， 卖 绘菜 根本 支撑 不 起 ， 这条路 明显 是 剧本 ， 他们 压 根 都 没有 考虑到 客流量 和 口味 方面 就 盲目 跟风 开店 ， 统一 右上 角',
  '有 阿峰 ， 农村 三人行 必 败']
# num_words：分词器只保留出现频率最高的前1000个词  
# filters：过滤掉文本列表samples中常见的中英文特殊字符，可以自行定义  
tokenizer = Tokenizer(num_words=1000, filters='！!“”"#￥$%&（(）)*+，,-。.、/：:；;《<=》>？?@【[\\】]……·^——_`{|}~\t\n')
tokenizer.fit_on_texts(samples)
sequences = tokenizer.texts_to_sequences(samples)
one_hot_results = tokenizer.texts_to_matrix(samples, mode='binary')
word_index = tokenizer.word_index
word_index