python（北京理工大学慕课）第八-十章

第8章 程序设计方法学

8.1 实例13: 体育竞技分析

8.1.1自顶向上和自低向上的设置方法

• 自顶向下（设计）： 解决复杂问题的有效方法

　　　　将一个总问题表达为若干个小问题组成的形式 

　　　　使用同样方法进一步分解小问题

　　　　直至，小问题可以用计算机简单明了的解决

 

 

• 自底向上(执行)--逐步组建复杂系统的有效测试方法

　　　　分单元测试，逐步组装 

　　　　按照自顶向下相反的路径操作

　　　　直至，系统各部分以组装的思路都经过测试和验证

 

 

 

 

8.1.2体育竞技问题分析

• 问题分析--体育竞技分析

　　　　需求：毫厘是多少？如何科学分析体育竞技比赛？

　　　　输入：球员的水平

　　　　输出：可预测的比赛成绩

　　　　计算思维：抽象 + 自动化

　　　　模拟：抽象比赛过程 + 自动化执行N场比赛 

　　　　 当N越大时，比赛结果分析会越科学

• 比赛规则

　　　　双人击球比赛：A & B，回合制，5局3胜 ；开始时一方先发球，直至判分，接下来胜者发球 ；球员只能在发球局得分，15分胜一局

 

8.1.3"体育竞技分析"实例讲解

步骤1：打印程序的介绍性信息   - printInfo()

步骤2：获得程序运行参数：proA, proB, n  - getInputs()

步骤3：利用球员A和B的能力值，模拟n局比赛  -simNGames()

步骤4：输出球员A和B获胜比赛的场次及概率  - printSummary(）

 

第一阶段：程序总体框架及步骤

 

 

def main():
    printIntro()
    probA, probB, n = getInputs()  //输入函数
    winsA, winsB = simNGames(n, probA, probB)  //比赛函数
    printSummary(winsA, winsB)

 介绍性内容，提高用户体验：

def printIntro():
    print("这个程序模拟两个选手A和B的某种竞技比赛")
    print("程序运行需要A和B的能力值(以0到1之间的小数表示)")

 

def getInputs():
    a = eval(input("请输入选手A的能力值(0-1): "))
    b = eval(input("请输入选手B的能力值(0-1): "))
    n = eval(input("模拟比赛的场次: "))
    return a, b, n

 

def printSummary(winsA, winsB):
    n = winsA + winsB
    print("竞技分析开始，共模拟{}场比赛".format(n))
    print("选手A获胜{}场比赛，占比{:0.1%}".format(winsA, winsA/n))
    print("选手B获胜{}场比赛，占比{:0.1%}".format(winsB, winsB/n))    

 

第二阶段：步骤3 模拟N局比赛

 

 

 

 

def simNGames(n, probA, probB):
    winsA, winsB = 0, 0
    for i in range(n):
        scoreA, scoreB = simOneGame(probA, probB)
        if scoreA > scoreB:
            winsA += 1
        else:
            winsB += 1
    return winsA, winsB                

 

第三阶段 根据分数判断局的结束

 

def simOneGame(probA, probB):
    scoreA, scoreB = 0, 0
    serving = "A"  #发球方
    while not gameOver(scoreA, scoreB):
        if serving == "A":   #发球时才能得分
            if random() < probA:
                scoreA += 1
            else:
                serving="B"  #输这另一方发球
        else:
            if random() < probB:
                scoreB += 1
            else:
                serving="A"
    return scoreA, scoreB

def gameOver(a,b): 
    return a==15 or b==15

 

 

8.1.4 总结

• 理解自顶向下的设计思维：分而治之
• 理解自底向上的执行思维：模块化集成
• 自顶向下是“系统”思维的简化

 

8.2 Python程序设计思维

8.2.1计算思维与程序设计

• 第3种人类思维特征

　　　　逻辑思维：推理和演绎，数学为代表，A->B B->C A->C 

　　　　实证思维：实验和验证，物理为代表，引力波<-实验

　　　　计算思维：设计和构造，计算机为代表，汉诺塔递归  （抽象和自动化）。抽象问题的计算过程，利用计算机自动化求解，计算思维是基于计算机的思维方式。

 

 

8.2.2计算生态与Python语言

• python计算生态

　　　　开源思想深入演化和发展，形成了计算生态

　　　　计算生态以开源项目为组织形式，充分利 用“共识原则”和“社会利他”组织人员，在竞争发展、相互依存和迅速更迭中完成信息技术的更新换代，

　　　　形成了技术的自我演化路径。

　　　　没有顶层设计、以功能为单位、具备三个特点：竞争发展 、相互依存 、 迅速更迭

• 计算生态的价值：-创新：跟随创新、集成创新、原始创新

　　　　加速科技类应用创新的重要支撑

　　　　发展科技产品商业价值的重要模式

　　　　国家科技体系安全和稳固的基础

 

• 计算生态的运用：--刀耕火种 -> 站在巨人的肩膀上

 　　　  编程的起点不是算法而是系统

　　　　编程如同搭积木，利用计算生态为主要模式

　　　　编程的目标是快速解决问题

 

 

 

8.2.3用户体验与软件产品

1）用户体验  （实现功能 -> 关注体验）

• 用户体验指用户对产品建立的主观感受和认识
• 关心功能实现，更要关心用户体验，才能做出好产品 
• 编程只是手段，不是目的，程序最终为人类服务

2）提高用户体验的方法

方法1：进度展示

• 如果程序需要计算时间，可能产生等待，请增加进度展示
• 如果程序有若干步骤，需要提示用户，请增加进度展示
• 如果程序可能存在大量次数的循环，请增加进度展示

方法2：异常处理

• 当获得用户输入，对合规性需要检查，需要异常处理
• 当读写文件时，对结果进行判断，需要异常处理
• 当进行输入输出时，对运算结果进行判断，需要异常处理

其他类方法

• 打印输出：特定位置，输出程序运行的过程信息
• 日志文件：对程序异常及用户使用进行定期记录
• 帮助信息：给用户多种方式提供帮助信息

 

软件程序 -> 软件产品；用户体验是程序到产品的关键环节

 

 

8.2.4基本的程序设计模式

I：Input 输入，程序的输入

P：Process 处理，程序的主要逻辑 

O：Output 输出，程序的输出

 

确定IPO：明确计算部分及功能边界

编写程序：将计算求解的设计变成现实

调试程序：确保程序按照正确逻辑能够正确运行

 

1）自顶向下-（分而治之）

 

通过函数或对象封装将程序划分为模块及模块间的表达，具体包括：主程序、子程序和子程序间关系

分而治之：一种分而治之、分层抽象、体系化的设计思想

2）自底向上--（模块化设计）

紧耦合：两个部分之间交流很多，无法独立存在

松耦合：两个部分之间交流较少，可以独立存在

模块内部紧耦合、模块之间松耦合

 

3）配置化设计

 

 

引擎+配置：程序执行和配置分离，将可选参数配置化

将程序开发变成配置文件编写，扩展功能而不修改程序

关键在于接口设计，清晰明了、灵活可扩展

 

 

8.2.5应用开发的四个步骤

从应用需求到软件产品

 

 

1 产品定义：对应用需求充分理解和明确定义产品定义，而不仅是功能定义，要考虑商业模式 

2 系统架构：以系统方式思考产品的技术实现 系统架构，关注数据流、模块化、体系架构

3 设计与实现：结合架构完成关键设计及系统实现 结合可扩展性、灵活性等进行设计优化 

4 用户体验：从用户角度思考应用效果 用户至上，体验优先，以用户为中心

 

8.3 Python第三方库安装

8.3.1看见更大的Python世界

python第三方库社区网站： https://pypi.org/

 

 

8.3.2第三方库的pip安装方法

方法1(主要方法): 使用pip命令

适合Windows、Mac和Linux等操作系统 ；获取第三方库的方式，目前的主要方式 ；适合99%以上情况，需要联网安装

 

 

 

• D:\>pip install <第三方库名> ---安装指定的第三方
• D:\>pip install –U <第三方库名> - --使用-U标签更新已安装的指定第三方库
• D:\>pip uninstall <第三方库名> - 卸载指定的第三方库
• D:\>pip download <第三方库名> - 下载但不安装指定的第三方库
• D:\>pip show <第三方库名> - 列出某个指定第三方库的详细信息
• D:\>pip search <关键词> - 根据关键词在名称和介绍中搜索第三方库
• D:\>pip list - 列出当前系统已经安装的第三方库

 

 

 

方法2: 集成安装方法 

集成安装：结合特定Python开发工具的批量安装

 

方法3: 文件安装方法

某些第三方库pip下载后，需要编译再安装 ；如果操作系统没有编译环境，则能下载但不能安装 

可以直接下载编译后的版本用于安装吗？

能，通过Archived: Python Extension Packages for Windows - Christoph Gohlke (uci.edu)可找到编译后的版本安装。

实例：安装wordcloud

　　步骤1：在UCI页面上搜索wordcloud

　　步骤2：下载对应版本的文件

　　步骤3：使用pip install <文件名>安装

8.4 模块7: os库的基本使用

os库提供通用的、基本的操作系统交互功能

基本介绍：os库是Python标准库，包含几百个函数 ；常用路径操作、进程管理、环境参数等几类

• 路径操作：os.path子库，处理文件路径及信息
• 进程管理：启动系统中其他程序
• 环境参数：获得系统软硬件信息等环境参数

 

1）路径操作

os.path子库以path为入口，用于操作和处理文件路径

import os.path  or   import os.path as op  导入包

 

 

 

 

 

 

 

 

 

 

 

2）进程管理

os.system(command)

执行程序或命令command ;在Windows系统中，返回值为cmd的调用返回信息

import os
os.system("C:\\Windows\\System32\\calc.exe")

 

 

3）环境参数

获取或改变系统环境信息

 

 

 

 

 

8.5 实例14: 第三方库自动安装脚本

问题分析：第三方库自动安装脚本

需求：批量安装第三方库需要人工干预，能否自动安装？ - 自动执行pip逐一根据安装需求安装

如何自动执行一个程序？例如：pip？

• 常见的库介绍：

 

 

 

 

 

• 代码

import os
libs = {"numpy","matplotlib","pillow","sklearn","requests",\
        "jieba","beautifulsoup4","wheel","networkx","sympy",\
        "pyinstaller","django","flask","werobot","pyqt5",\
        "pandas","pyopengl","pypdf2","docopt","pygame"}
try:
    for lib in libs:
        os.system("pip install " + lib)
    print("Successful") 
except:
　　print("Failed Somehow")

 

 

第9章 Python计算生态概览

9.1 从数据处理到人工智能

从数据处理到人工智能：

数据表示->数据清洗->数据统计->数据可视化->数据挖掘->人工智能

• 数据表示：采用合适方式用程序表达数据
• 数据清理：数据归一化、数据转换、异常值处理
• 数据统计：数据的概要理解，数量、分布、中位数等
• 数据可视化：直观展示数据内涵的方式
• 数据挖掘：从数据分析获得知识，产生数据外的价值
• 人工智能：数据/语言/图像/视觉等方面深度分析与决策

 

9.1.1Python库之数据分析

1）Numpy: 表达N维数组的最基础库

•  Python接口使用，C语言实现，计算速度优异
• Python数据分析及科学计算的基础库，支撑Pandas等
• 提供直接的矩阵运算、广播函数、线性代数等功能

 

 

 

2） Pandas: Python数据分析高层次应用库

 

• 提供了简单易用的数据结构和数据分析工具 
• 理解数据类型与索引的关系，操作索引即操作数据
• Python最主要的数据分析功能库，基于Numpy开发

 

Series = 索引 + 一维数据

DataFrame = 行列索引 + 二维数据

 

3）SciPy: 数学、科学和工程计算功能库

• 提供了一批数学算法及工程数据运算功能
• 类似Matlab，可用于如傅里叶变换、信号处理等应用
• Python最主要的科学计算功能库，基于Numpy开发

 

 

 

 

 

9.1.2Python库之数据可视化

1）Matplotlib: 高质量的二维数据可视化功能库

• 提供了超过100种数据可视化展示效果
• 通过matplotlib.pyplot子库调用各可视化效果 
• Python最主要的数据可视化功能库，基于Numpy开发

 

 

2）Seaborn: 统计类数据可视化功能库

• 提供了一批高层次的统计类数据可视化展示效果
• 主要展示数据间分布、分类和线性关系等内容
• 基于Matplotlib开发，支持Numpy和Pandas

 

3） Mayavi：三维科学数据可视化功能库

•  提供了一批简单易用的3D科学计算数据可视化展示效果
• 目前版本是Mayavi2，三维可视化最主要的第三方库
• 支持Numpy、TVTK、Traits、Envisage等第三方库

 

 

9.1.3Python库之文本处理

 1）PyPDF2：用来处理pdf文件的工具集

•  提供了一批处理PDF文件的计算功能
• 支持获取信息、分隔/整合文件、加密解密等
• 完全Python语言实现，不需要额外依赖，功能稳定

案例:

from PyPDF2 import PdfFileReader, PdfFileMerger
merger = PdfFileMerger()
input1 = open("document1.pdf", "rb")
input2 = open("document2.pdf", "rb")
merger.append(fileobj = input1, pages = (0,3))
merger.merge(position = 2, fileobj = input2, pages = (0,1))
output = open("document-output.pdf", "wb")
merger.write(output)

 

2）NLTK：自然语言文本处理第三方库

• 提供了一批简单易用的自然语言文本处理功能
• 支持语言文本分类、标记、语法句法、语义分析等
• 最优秀的Python自然语言处理库

案例：

from nltk.corpus import treebank
t = treebank.parsed_sents('wsj_0001.mrg')[0]
t.draw()

 

3）Python-docx：创建或更新Microsoft Word文件的第三方库

• 提供创建或更新.doc .docx等文件的计算功能
• 增加并配置段落、图片、表格、文字等，功能全面

from docx import Document
document = Document()
document.add_heading('Document Title', 0)
p = document.add_paragraph('A plain paragraph having some ')
document.add_page_break()
document.save('demo.docx')

 

9.1.4Python库之机器学习

 1)Scikit-learn：机器学习方法工具集

• 提供一批统一化的机器学习方法功能接口
• 提供聚类、分类、回归、强化学习等计算功能
• 机器学习最基本且最优秀的Python第三方库

 2)TensorFlow：AlphaGo背后的机器学习计算框架

• 谷歌公司推动的开源机器学习框架 
• 将数据流图作为基础，图节点代表运算，边代表张量
• 应用机器学习方法的一种方式，支撑谷歌人工智能应用

import tensorflow as tf
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
res = sess.run(result)
print('result:', res)

 

3)MXNet：基于神经网络的深度学习计算框架

• 提供可扩展的神经网络及深度学习计算功能
• 可用于自动驾驶、机器翻译、语音识别等众多领域
• Python最重要的深度学习计算框架

 

9.2 实例15: 霍兰德人格分析雷达图

 雷达图 Radar Chart——是多特性直观展示的重要方式

 

 问题分析：

1)什么是霍兰德人格分析?

• 霍兰德认为：人格兴趣与职业之间应有一种内在的对应关系
• 人格分类：研究型、艺术型、社会型、企业型、传统型、现实性
• 职业：工程师、实验员、艺术家、推销员、记事员、社会工作者

2)霍兰德人格分析雷达图

• 需求：雷达图方式验证霍兰德人格分析
• 输入：各职业人群结合兴趣的调研数据
• 输出：雷达
• 通用雷达图绘制：matplotlib库
• 专业的多维数据表示：numpy库

 

#HollandRadarDraw
import kwargs as kwargs
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.family']='SimHei'
matplotlib.rcParams['font.sans-serif']='SimHei'
radar_labels = np.array(['研究型(I)','艺术型(A)','社会型(S)','企业型(E)','常规型(C)','现实型(R)']) #雷达标签
nAttr = 6
data = np.array([[0.40, 0.32, 0.35, 0.30, 0.30, 0.88],
                 [0.85, 0.35, 0.30, 0.40, 0.40, 0.30],
                 [0.43, 0.89, 0.30, 0.28, 0.22, 0.30],
                 [0.30, 0.25, 0.48, 0.85, 0.45, 0.40],
                 [0.20, 0.38, 0.87, 0.45, 0.32, 0.28],
                 [0.34, 0.31, 0.38, 0.40, 0.92, 0.28]]) #数据值
data_labels = ('艺术家', '实验员', '工程师', '推销员', '社会工作者','记事员')
angles = np.linspace(0, 2*np.pi, nAttr, endpoint=False)
data = np.concatenate((data, [data[0]]))
angles = np.concatenate((angles, [angles[0]]))
radar_labels = np.concatenate((radar_labels, [radar_labels[0]]))
fig = plt.figure(facecolor="white")
plt.subplot(111, polar=True)
#plt.plot(angles,data,'bo-',color='gray', linewidth=1, alpha=0.2)
plt.plot(angles,data,'o-', linewidth=1.5, alpha=0.2)
plt.fill(angles,data, alpha=0.25)
plt.thetagrids(angles*180/np.pi, radar_labels)
plt.figtext(0.52, 0.95, '霍兰德人格分析', ha='center', size=20)
legend = plt.legend(data_labels, loc=(0.94, 0.80), labelspacing=0.1)
plt.setp(legend.get_texts(), fontsize='large')
plt.grid(True)
plt.savefig('holland_radar.jpg')
plt.show()

 

 

 

9.3 从Web解析到网络空间

9.3.1Python库之网络爬虫

Requests: 最友好的网络爬虫功能库

• 提供了简单易用的类HTTP协议网络爬虫功能
• 支持连接池、SSL、Cookies、HTTP(S)代理等
• Python最主要的页面级网络爬虫功能库

 

Scrapy: 优秀的网络爬虫框架

• 提供了构建网络爬虫系统的框架功能，功能半成品
• 支持批量和定时网页爬取、提供数据处理流程等
• Python最主要且最专业的网络爬虫框架

pyspider: 强大的Web页面爬取系统

• 提供了完整的网页爬取系统构建功能
• 支持数据库后端、消息队列、优先级、分布式架构等
• Python重要的网络爬虫类第三方库

 

 

 

9.3.2Python库之Web信息提取

Beautiful Soup: HTML和XML的解析库

• 提供了解析HTML和XML等Web信息的功能
• 又名beautifulsoup4或bs4，可以加载多种解析引擎
• 常与网络爬虫库搭配使用，如Scrapy、requests等

 

 

Re: 正则表达式解析和处理功能库

• 提供了定义和解析正则表达式的一批通用功能
• 可用于各类场景，包括定点的Web信息提取 
• Python最主要的标准库之一，无需安装

 

Python-Goose: 提取文章类型Web页面的功能库 

• 提供了对Web页面中文章信息/视频等元数据的提取功能
• 针对特定类型Web页面，应用覆盖面较广
• Python最主要的Web信息提取库

from goose import Goose
url='http://www.elmundo.es/elmundo/2012/10/28/espana/1351388909.html'
g = Goose({'use_meta_language': False, 'target_language':'es'})
article = g.extract(url=url)
article.cleaned_text[:150]

 

 

9.3.3Python库之Web网站开发

Django: 最流行的Web应用框架

• 提供了构建Web系统的基本应用框架
• MTV模式：模型(model)、模板(Template)、视图(Views)
• Python最重要的Web应用框架，略微复杂的应用框架

 

 

Pyramid: 规模适中的Web应用框架

• 提供了简单方便构建Web系统的应用框架
• 不大不小，规模适中，适合快速构建并适度扩展类应用
• Python产品级Web应用框架，起步简单可扩展性好

 

Flask: Web应用开发微框架

• 提供了最简单构建Web系统的应用框架
• 特点是：简单、规模小、快速
• Django > Pyramid > Flask

 

 

9.3.4Python库之网络应用开发

 WeRoBot: 微信公众号开发框架

• 提供了解析微信服务器消息及反馈消息的功能
• 建立微信机器人的重要技术手段

 

aip: 百度AI开放平台接口

• 提供了访问百度AI服务的Python功能接口
• 语音、人脸、OCR、NLP、知识图谱、图像搜索等领域 
• Python百度AI应用的最主要方式

 

 

 

MyQR: 二维码生成第三方库

• 提供了生成二维码的系列功能
• 基本二维码、艺术二维码和动态二维码

 

 

9.4 从人机交互到艺术设计

9.4.1 Python库之图形用户界面 

PyQt5: Qt开发框架的Python接口

• 提供了创建Qt5程序的Python API接口
• Qt是非常成熟的跨平台桌面应用开发系统，完备GUI
• 推荐的Python GUI开发第三方库

 

wxPython: 跨平台GUI开发框架

• 提供了专用于Python的跨平台GUI开发框架
• 理解数据类型与索引的关系，操作索引即操作数据
• Python最主要的数据分析功能库，基于Numpy开发

 

PyGObject: 使用GTK+开发GUI的功能库

• 提供了整合GTK+、WebKitGTK+等库的功能
• GTK+：跨平台的一种用户图形界面GUI框架
• 实例：Anaconda采用该库构建GUI

 

 

9.4.2Python库之游戏开发

PyGame: 简单的游戏开发功能库

• 提供了基于SDL的简单游戏开发功能及实现引擎
• 理解游戏对外部输入的响应机制及角色构建和交互机制
• Python游戏入门最主要的第三方库

 

Panda3D: 开源、跨平台的3D渲染和游戏开发库

• 一个3D游戏引擎，提供Python和C++两种接口
• 支持很多先进特性：法线贴图、光泽贴图、卡通渲染等
• 由迪士尼和卡尼基梅隆大学共同开发

 

cocos2d: 构建2D游戏和图形界面交互式应用的框架

• 提供了基于OpenGL的游戏开发图形渲染功能
• 支持GPU加速，采用树形结构分层管理游戏对象类型
• 适用于2D专业级游戏开发

9.4.3Python库之虚拟现实

VR Zero: 在树莓派上开发VR应用的Python库

• 提供大量与VR开发相关的功能
• 针对树莓派的VR开发库，支持设备小型化，配置简单化
• 非常适合初学者实践VR开发及应用

 

pyovr: Oculus Rift的Python开发接口

• 针对Oculus VR设备的Python开发库
• 基于成熟的VR设备，提供全套文档，工业级应用设备
• Python+虚拟现实领域探索的一种思路

 

Vizard: 基于Python的通用VR开发引擎 

• 专业的企业级虚拟现实开发引擎
• 提供详细的官方文档
• 支持多种主流的VR硬件设备，具有一定通用性

 

9.4.4Python库之图形艺术

Quads: 迭代的艺术

• 对图片进行四分迭代，形成像素风
• 可以生成动图或静图图像
• 简单易用，具有很高展示度

ascii_art: ASCII艺术库

• 将普通图片转为ASCII艺术风格
• 输出可以是纯文本或彩色文本
• 可采用图片格式输出

 

 

9.5 实例16: 玫瑰花绘制

 

import turtle as t
# 定义一个曲线绘制函数
def DegreeCurve(n, r, d=1):
    for i in range(n):
        t.left(d)
        t.circle(r, abs(d))
# 初始位置设定
s = 0.2 # size
t.setup(450*5*s, 750*5*s)
t.pencolor("black")
t.fillcolor("red")
t.speed(100)
t.penup()
t.goto(0, 900*s)
t.pendown()
# 绘制花朵形状
t.begin_fill()
t.circle(200*s,30)
DegreeCurve(60, 50*s)
t.circle(200*s,30)
DegreeCurve(4, 100*s)
t.circle(200*s,50)
DegreeCurve(50, 50*s)
t.circle(350*s,65)
DegreeCurve(40, 70*s)
t.circle(150*s,50)
DegreeCurve(20, 50*s, -1)
t.circle(400*s,60)
DegreeCurve(18, 50*s)
t.fd(250*s)
t.right(150)
t.circle(-500*s,12)
t.left(140)
t.circle(550*s,110)
t.left(27)
t.circle(650*s,100)
t.left(130)
t.circle(-300*s,20)
t.right(123)
t.circle(220*s,57)
t.end_fill()
# 绘制花枝形状
t.left(120)
t.fd(280*s)
t.left(115)
t.circle(300*s,33)
t.left(180)
t.circle(-300*s,33)
DegreeCurve(70, 225*s, -1)
t.circle(350*s,104)
t.left(90)
t.circle(200*s,105)
t.circle(-500*s,63)
t.penup()
t.goto(170*s,-30*s)
t.pendown()
t.left(160)
DegreeCurve(20, 2500*s)
DegreeCurve(220, 250*s, -1)
# 绘制一个绿色叶子
t.fillcolor('green')
t.penup()
t.goto(670*s,-180*s)
t.pendown()
t.right(140)
t.begin_fill()
t.circle(300*s,120)
t.left(60)
t.circle(300*s,120)
t.end_fill()
t.penup()
t.goto(180*s,-550*s)
t.pendown()
t.right(85)
t.circle(600*s,40)
# 绘制另一个绿色叶子
t.penup()
t.goto(-150*s,-1000*s)
t.pendown()
t.begin_fill()
t.rt(120)
t.circle(300*s,115)
t.left(75)
t.circle(300*s,100)
t.end_fill()
t.penup()
t.goto(430*s,-1070*s)
t.pendown()
t.right(30)
t.circle(-600*s,35)
t.done()