好玩又有趣的Python实例小游戏代码，我能在电脑上琢磨一天

前⾔

本⽂的⽂字及图⽚来源于⽹络,仅供学习、交流使⽤,不具有任何商业⽤途,如有问题请及时联系我们以作处理。PS：如有需要Python学习资料的⼩伙伴可以点击下⽅链接⾃⾏获取

⼏个简单的Python实例，好玩有趣，基础语法。

turtle库开始⾃⼰的绘画

写⼀个属于⾃⼰的⽂本进度条蒙特卡洛⽅法计算π

分形⼏何，Koch雪花曲线

输⼊⼀组数据，进⾏简单的统计

⼩说词频统计，统计三国演义中谁出场率最⾼轻松抓住⽂本主旨：⽂本词云⽣成

drawing with turtle

好玩有趣，⼊门级绘图库turtle，。⽂档中的实例：太阳花

from turtle import *color('red', 'yellow')begin_fill()while True: forward(200) left(170)

if abs(pos()) < 1: breakend_fill()done()

画⼀个六芒星：

import turtle as t

# size传⼊最⼤的圆的半径def draw_Star(size): t.setup(1200, 1000) t.speed(11) t.pensize(2)

t.pencolor('grey')

for r, pen_size in [(size//7, 3), (size*6//7, 4), (size, 4)]: t.penup() t.goto(0, -r) t.pendown()

t.pensize(pen_size) t.circle(r) t.penup() t.goto(0, 0) r = size * 5.5 // 7 for i in range(6): t.pendown() t.pensize(3)

t.seth(i * 60 + 30) t.fd(r)

t.goto(0, 0) t.goto(0, r) t.seth(-150) t.pensize(5) for i in range(6): t.fd(r) t.left(60) r = r - size // 50 t.goto(0, r) t.pensize(10) t.seth(-120)

t.pencolor('orange') for i in range(3): t.fd(r * (3**0.5)) t.left(120) t.penup()

t.goto(0, 0) t.seth(30) t.fd(r)

t.seth(-180) t.pendown() for i in range(3): t.fd(r * (3 ** 0.5)) t.left(120) t.hideturtle() t.done()draw_Star(400)

⽂本进度条

不停向下打印的版本：

import time

def bar(scale):

print('===========执⾏开始============') for i in range(scale + 1): a = '*' * i

b = '.' * (scale - i) c = (i / scale) * 100

print('\\r{:^3.0f}%[{}->{}]'.format(c, a, b), end = '') time.sleep(0.05)

print('\\n===========执⾏结束============')

单⾏刷新版本：

import time

def pro_bar(scale):

print('执⾏开始'.center(scale // 2, '=')) start = time.perf_counter() for i in range(scale + 1): a = '*' * i

b = '.' * (scale - i) c = (i / scale) * 100

dur = time.perf_counter() - start

print('\\r{:^3.0f}%[{}->{}] {:.2f}s'.format(c, a, b, dur), end = '') time.sleep(0.05)

print('\\n' + '执⾏结束'.center(scale // 2, '='))pro_bar(50)

单⾏刷新效果在cmd窗⼝中运⾏才有效，IDLE禁\\r转义字符。

蒙特卡洛⽅法计算π

随机数⽣成使⽤random库，。思路即是随机⽣成点，落在正⽅形内。计算正⽅形内的圆内落点与正⽅形内落点之⽐，近似为⾯积之⽐，随机数越随机，数量越⼤越准确。

from random import randomfrom time import perf_counterdef calPI(N = 100): hits = 0

start = perf_counter() for i in range(1, N*N+1):

x, y = random(), random() dist = pow(x ** 2 + y ** 2, 0.5) if dist <= 1.0: hits += 1

pi = (hits * 4) / (N * N)

use_time = perf_counter() - start return pi, use_time

PI, use_time = calPI(1000)

print('\\nuse Monte Carlo method to calculate PI: {}'.format(PI))print('use time: {} s'.format(use_time))

递归绘制Koch雪花曲线

是中的⼀个经典曲线。

使⽤turtle库，简单的递归即可绘制。

import turtle

def koch(size, n): if n == 0:

turtle.fd(size) else:

for angle in [0, 60, -120, 60]: turtle.left(angle) koch(size/3, n-1)

def main():

turtle.setup(1200, 1000) turtle.speed(11) turtle.penup()

turtle.goto(-300, 200) turtle.pendown() turtle.pensize(2) level = 4

koch(600, level) # 3阶科赫曲线 turtle.right(120) koch(600, level) turtle.right(120) koch(600, level) turtle.hideturtle() turtle.done()main()

简单统计

输⼊⼀组数据，计算均值，⽅差，中位数，绝对相对误差。

# -*- coding: utf-8 -*-# 输⼊数据def getNum(): nums = []

iNumStr = input('please input a sequence of numbers (enter to exit): ') while iNumStr != '':

nums.append(eval(iNumStr))

iNumStr = input('please input a sequence of numbers (enter to exit): ') return nums

# 平均数

def average(numbers):

return sum(numbers) / len(numbers)# 标准差

def dev(numbers, average): sdev = 0.0

for num in numbers:

sdev += (num - average) ** 2 return pow(sdev / len(numbers), 0.5)

# 中位数

def median(numbers): sorted(numbers) size = len(numbers) if size % 2 == 0:

return (numbers[size//2-1] + numbers[size//2]) / 2 else:

return numbers[size//2]

# 绝对与相对误差

def rel_dev(numbers, average):

_max = max(abs(max(numbers) - average), abs(min(numbers) - average)) return _max, _max / average

def main():

nums = getNum() if len(nums) == 0: print('no data') else:

ave = average(nums)

devs = rel_dev(nums, ave)

print('和:{:.4f},平均数:{:.4f},中位数:{:.4f},⽅差:{:.4f},绝对误差:{:4f},相对误差:{:.4f}' \\ .format(sum(nums), ave, median(nums), dev(nums, ave), devs[0], devs[1]))if __name__ == '__main__': main()

⼩说词频统计

策略：

中⽂⼩说：使⽤第三⽅库jieba切分，统计

英⽂⼩说：去掉特殊⼲扰字符，直接切分为单词，遍历统计统计莎⼠⽐亚经典名著：Hamlet。统计最⾼出现单词。

def getText():

txt = open('novels/hamlet.txt', 'r').read() txt = txt.lower() # 去掉⼤⼩写⼲扰 # 去掉特殊符号⼲扰

for ch in '!\"#$%&()*+,-./:;<=>?@[\\\\]^_`{|}~\\'': txt = txt.replace(ch, ' ') return txt

hamletTxt = getText()words = hamletTxt.split()counts = {}

for word in words:

counts[word] = counts.get(word, 0) + 1items = list(counts.items())

# 将其按照词出现数量按照降序排列

items.sort(key = lambda x : x[1], reverse = True)for i in range(20):

word, count = items[i]

print('{:^10}{:^10}'.format(word, count))

统计名著三国演义中⼈物名字出现次数：

其中⼀个jieba库是⼀个对中⽂⽂本依照汉字间关联概率进⾏词组划分的第三⽅库，使⽤简单，且⾮常好⽤，。

import jieba

def getWords():

txt = open('novels/threekingdoms.txt', 'r', encoding = 'utf-8').read() words = jieba.lcut(txt) counts = {}

for word in words: if len(word) == 1: continue else:

counts[word] = counts.get(word, 0) + 1 word_list = list(counts.items())

word_list.sort(key = lambda x : x[1], reverse = True) return word_list

进⾏⼈⾁优化，去掉不是⼈名的词语，并将⼀些指同⼀个⼈物的词合并到⼀个⼈物下。

import jieba

def countWords(excludes, merges):

txt = open('novels/threekingdoms.txt', 'r', encoding = 'utf-8').read() words = jieba.lcut(txt) counts = {}

# 取出长度为⼀的词和符号以及excludes中的词 for word in words:

if len(word) == 1 or word in excludes: continue else:

counts[word] = counts.get(word, 0) + 1 # 合并名称相同的⼈名 for merge in merges: for name in merge[1]:

counts[merge[0]] += counts.get(name, 0) del counts[name]

word_list = list(counts.items())

word_list.sort(key = lambda x : x[1], reverse = True) return word_list

excludes = {'却说','⼆⼈','不可','主公','陛下','汉中','只见','众将','后主','蜀兵','上马','⼤叫','太守','此⼈','夫⼈', '先主','后⼈','背后','城中','天⼦','⼀⾯','何不','⼤军','忽报','先⽣','百姓','何故','不能','如此','如何', '然后','先锋','不如','赶来','原来','令⼈','江东','下马','喊声','正是','徐州','忽然','荆州','左右','军马', '因此','成都','不见','未知','⼤败','⼤事','之后','⼀军','引军','起兵','军中','接应','引兵','次⽇','⼤喜', '进兵','⼤惊','可以','以为','⼤怒','不得','⼼中','下⽂','⼀声','追赶','粮草','天下','东吴','于是','都督', '曹兵','⼀齐','分解','回报','分付','只得','出马','三千','⼤将','许都','随后','报知','今⽇','不敢','魏兵', '前⾯','之兵','且说','众官','洛阳','领兵','商议','军⼠','星夜','精兵','城上','之计','不肯','相见','其⾔', '⼀⽇','⽽⾏','⽂武','襄阳','准备','若何','出战','亲⾃','必有','⼀⼈','⼈马','不知','何⼈','此事','之中',

'伏兵','祁⼭','乘势','忽见','⼤笑','樊城','兄弟','⾸级','⽴于','西川','传令','当先','五百','⼀彪','坚守', '此时','之间','投降','五千','埋伏','长安','三路','遣使','将军','关兴','军师','朝廷','三军','⼤王','回见', '⼤将军','必然','将⼠','是夜','⼩路' }

merges = [ ('刘备',('⽞德','⽞德⽈','⽞德问','刘⽞德','⽞德⼤','⽞德⾃','⽞德闻','皇叔','刘皇叔')), ('关⽻',('关公','云长','关云长')),

('孔明',('诸葛亮','孔明⽈','孔明笑','孔明之','孔明⾃')), ('曹操',('丞相','孟德','曹公','曹孟德')), ('张飞',('翼德','张翼德')) ]

word_list = countWords(excludes, merges)for i in range(30):

word, count = word_list[i]

print('{0:^10}{1:{3}^10}{2:^15}'.format(i+1, word, count, chr(12288))) # chr(12288)为中⽂空格

结果如下，当然其中类似将军、英雄、主公、⼤哥、君这种词语⽆法判断指的是谁，这⾥仅统计能够判断的，所以这⾥只能做⼀个相对的参考。

1 　　　　刘备　　　　 2 　　　　曹操　　　　 3 　　　　孔明　　　　 4 　　　　关⽻　　　　 5 　　　　张飞　　　　 6 　　　　吕布　　　　 7 　　　　赵云　　　　 8 　　　　孙权　　　　 9 　　　 司马懿　　　　 10 　　　　周瑜　　　　 11 　　　　袁绍　　　　 12 　　　　马超　　　　 13 　　　　魏延　　　　 14 　　　　黄忠　　　　 15 　　　　姜维　　　　 16 　　　　马岱　　　　 17 　　　　庞德　　　　 18 　　　　孟获　　　　 19 　　　　刘表　　　　 20 　　　 夏侯惇　　　　 21 　　　　董卓　　　　 22 　　　　孙策　　　　 23 　　　　鲁肃　　　　 24 　　　　徐晃　　　　 25 　　 　司马昭　　　　 26 　　 　夏侯渊　　　　 27 　　　　王平　　　　 28 　　　　刘璋　　　　 29 　　　　袁术　　　　 30 　　　　吕蒙　　　　 221 116 89 88 1578 1485 1485 820 393 300 278 264 217 191 185 180 168 151 127 122 122 120 114 108 107 97 88 85 84 83