我想强制终结者在屏幕左上角打开。当我保存布局时,我的窗口位置正确。然而,每当我在计算机重新启动时打开终结者时,窗口都位于顶部附近,距左侧约 1.5 英寸。
我一直在摆弄配置文件,但无法弄清楚“位置”参数。例如,在[[[child0]]]
:
position = 36:32
Run Code Online (Sandbox Code Playgroud)
并在下面[[[child1]]]
:
position = 834
Run Code Online (Sandbox Code Playgroud)
谁能解释一下如何自定义这些参数?
系统信息:
终止符/配置:
[global_config]
always_split_with_profile = True
suppress_multiple_term_dialog = True
title_transmit_bg_color = "#8ae234"
[keybindings]
[layouts]
[[default]]
[[[child0]]]
fullscreen = False
last_active_term = a69b1a79-eb9d-4c15-ac27-0502efc4c4f7
last_active_window = True
maximised = False
order = 0
parent = ""
position = 36:32
size = 808, 1014
title = bp@bpenner: ~
type = Window
[[[child1]]]
order = 0
parent = child0 …
Run Code Online (Sandbox Code Playgroud) 我正在研究Exercism.io gigasecond问题:
"计算一个人活了10 ^ 9秒的时刻."
我的方法是将日期时间输入转换为时间戳,添加10**9,然后转换回来.我的答案非常接近,但测试套件(由Exercism提供)失败了,因为小时arg关闭了一个.所有其他args都是正确的.
经过一番搜索,我找到了一个使用timedelta的答案; 答案的结构几乎与我的相同,但它产生了完整正确的答案.
我的问题是,为什么这两种方法的输出有差异?如下所示,只有当小时的输入arg为默认值0时,才会出现问题.
码:
def add_gigasecond(birth_date):
gigadate = birth_date.timestamp() + 10**9
print(datetime.fromtimestamp(gigadate).__repr__())
gigadate = birth_date + timedelta(seconds=10**9)
print(gigadate.__repr__())
Run Code Online (Sandbox Code Playgroud)
输入:
tests = [datetime(2011, 4, 25),
datetime(1977, 6, 13),
datetime(1959, 7, 19),
datetime(2015, 1, 24, 22, 0, 0),
datetime(2015, 1, 24, 23, 59, 59),]
Run Code Online (Sandbox Code Playgroud)
结果:
test 1
datetime.datetime(2043, 1, 1, 0, 46, 40)
datetime.datetime(2043, 1, 1, 1, 46, 40)
test 2
datetime.datetime(2009, 2, 19, 0, 46, 40)
datetime.datetime(2009, 2, 19, 1, 46, 40)
test 3
datetime.datetime(1991, …
Run Code Online (Sandbox Code Playgroud) 我有两个列表,都包含表示为字符串的整数。large_list
很大,最多可达数十个数千个元素。small_list
更小,最多可达数百个元素。我正在用较小的过滤掉较大的。我很想知道哪个更有效率:
(A)
for element in small_list:
if element in large_list:
(do something)
Run Code Online (Sandbox Code Playgroud)
(二)
for element in large_list:
if element in small_list:
(do something)
Run Code Online (Sandbox Code Playgroud)
对于选项 (a),迭代计数受 的长度限制small_list
,但对于每一个,都必须在完整的 上执行搜索large_list
。对于选项 (b),迭代会遍历整个过程large_list
,但每次搜索都会在 上执行small_list
。
我知道集合是散列的,所以这里最好的选择应该是采用large_set = set(large_list)
,迭代small_list
,并在 上进行每次搜索large_set
。但如果我们从方程中去掉集合,是选项(a)更有效,还是选项(b)更有效?