sample_dict = {'a': 100, 'b': 200, 'c': 300} in_dict(sample_dict, 100) -> True in_dict(sample_dict, 110) -> False

以下是判断字典中是否存在某个值的代码：

def in_dict(d, value):
    return value in d.values()

使用示例：

sample_dict = {'a': 100, 'b': 200, 'c': 300}
print(in_dict(sample_dict, 100))  # 输出 True
print(in_dict(sample_dict, 110))  # 输出 False

相关问题

class Dn_datasets(Dataset): def __init__(self, data_root, data_dict, transform, load_all=False, to_gray=False, s_factor=1, repeat_crop=1): self.data_root = data_root self.transform = transform self.load_all = load_all self.to_gray = to_gray self.repeat_crop = repeat_crop if self.load_all is False: self.data_dict = data_dict else: self.data_dict = [] for sample_info in data_dict: sample_data = Image.open('/'.join((self.data_root, sample_info['path']))).copy() if sample_data.mode in ['RGBA']: sample_data = sample_data.convert('RGB') width = sample_info['width'] height = sample_info['height'] sample = { 'data': sample_data, 'width': width, 'height': height } self.data_dict.append(sample) def __len__(self): return len(self.data_dict) def __getitem__(self, idx): sample_info = self.data_dict[idx] if self.load_all is False: sample_data = Image.open('/'.join((self.data_root, sample_info['path']))) if sample_data.mode in ['RGBA']: sample_data = sample_data.convert('RGB') else: sample_data = sample_info['data'] if self.to_gray: sample_data = sample_data.convert('L') # crop (w_start, h_start, w_end, h_end) image = sample_data target = sample_data sample = {'image': image, 'target': target} if self.repeat_crop != 1: image_stacks = [] target_stacks = [] for i in range(self.repeat_crop): sample_patch = self.transform(sample) image_stacks.append(sample_patch['image']) target_stacks.append(sample_patch['target']) return torch.stack(image_stacks), torch.stack(target_stacks) else: sample = self.transform(sample) return sample['image'], sample['target']

这段代码是用来创建一个自定义的 PyTorch 数据集类，名为 Dn_datasets。它的构造函数接受四个参数：data_root，data_dict，transform 和 load_all。其中，data_root 是数据集的根目录，data_dict 是一个字典，包含了数据集中每个样本的路径、宽度和高度等信息，transform 是一个用于数据增强的 torchvision.transforms 实例，load_all 是一个布尔值，指示是否将整个数据集加载到内存中。

在 __init__ 函数中，如果 load_all 是 False，那么 self.data_dict 直接赋值为传入的 data_dict；否则，它会遍历 data_dict 中的每个样本，将其加载到内存中，并将其图像数据、宽度和高度信息封装为一个字典，并将其存储到 self.data_dict 中。

__len__ 函数返回数据集的样本数量，__getitem__ 函数接受一个索引 idx，返回该索引对应的样本。如果 load_all 是 False，那么它会从磁盘上读取该样本的图像数据；否则，它会从 self.data_dict 中读取该样本的图像数据。如果 to_gray 是 True，那么它会将图像转换为灰度图。最后，如果 repeat_crop 大于 1，那么它会对该样本进行多次裁剪，并返回多个图像和目标对作为一个元组；否则，它会对该样本进行单次裁剪，并返回一个图像和目标对作为一个元组。

def split_dot(words): dots=[',','.','!','?'] str_data = [] for w in words: ##*****——请在下方补充代码——***** ##*****——请在上方补充代码——***** return(str_data) def get_eng_dicts(datas): w_all_dict = {} for sample in datas: for token in sample.split(" "): ##*****——请在下方补充代码——***** ##*****——请在上方补充代码——***** sort_w_list = sorted(w_all_dict.items(), key=lambda d: d[1], reverse=True) w_keys = [x for x,_ in sort_w_list[:7000-2]] w_keys.insert(0,"<PAD>") w_keys.insert(0,"<UNK>") w_dict = { x:i for i,x in enumerate(w_keys) } i_dict = { i:x for i,x in enumerate(w_keys) } return w_dict,i_dict

在第一个函数的注释中，我们可以看到需要将输入的words字符串列表中的句子分割成单词，并将其中的标点符号去除。我们可以使用Python的内置方法split()来分割字符串，并使用字符串的replace()方法来去除标点符号。

下面是修改后的代码：

def split_dot(words):
    dots=[',','.','!','?']
    str_data = []
    for w in words:
        w = w.replace(".", "").replace(",", "").replace("!", "").replace("?", "") # 去除标点符号
        str_data += w.split(" ") # 分割字符串
    return(str_data)

在第二个函数的注释中，我们可以看到需要将datas中的所有单词统计出现次数，并根据出现次数从多到少排序，然后选取出现次数最多的前7000个单词作为词典。我们可以使用Python的collections模块中的Counter类来统计单词出现次数，并使用sorted()函数来排序。

下面是修改后的代码：

from collections import Counter

def get_eng_dicts(datas):
    w_all_dict = Counter()
    for sample in datas:
        words = sample.split(" ")
        # 统计单词出现次数
        w_all_dict.update(words)
    # 按照出现次数从多到少排序
    sort_w_list = sorted(w_all_dict.items(),  key=lambda d: d[1], reverse=True)
    # 选取出现次数最多的前7000个单词作为词典
    w_keys = [x for x,_ in sort_w_list[:7000-2]]
    w_keys.insert(0,"<PAD>")
    w_keys.insert(0,"<UNK>")
    w_dict = { x:i for i,x in enumerate(w_keys) }
    i_dict = { i:x for i,x in enumerate(w_keys) }
    return w_dict,i_dict