9.Pandas练习:美国个州的统计数据
Pandas练习:美国各州的统计数据
前面讲解了那么多Pandas中的内容,下面将结合真实的数据集来进行Pandas数据分析练习,
我们这个练习只进行最简单的分析,目的是找出人口密度最高和最稀疏的州
数据集为美国各州的统计数据,包括每个州的缩写,人口信息和面积
数据集原地址为原书作者的github地址(https://github.com/jakevdp/data-USstates/)
这里给出一个链接(按住Ctrl
鼠标左键单击访问)
我也提供了一个百度网盘下载地址(链接:百度网盘下载地址 ,提取码:6666)
文件存放地址根据个人喜好而定,我是放在当前python文件下得同一文件夹内
准备部分
准备部分非常简单,就是导入需要用的库和加载需要处理的文件
import numpy as np
import pandas as pd
import matplotlib.pyplot as pltpopulation=pd.read_csv('./data-USstates-master/state-population.csv')
areas=pd.read_csv('./data-USstates-master/state-areas.csv')
abbreviation=pd.read_csv('./data-USstates-master/state-abbrevs.csv')
了解数据集
通常进行数据分析时,上手的第一步不是直接对数据集进行操作,而是首先了解我们需要处理的数据集,包括数据集的类型,数据集中数据的多少,读取到数据集的形状,数据集大致的内容等等
所以我们分成两个维度进行,数据集的内容和数据集的附属信息.类似于Linux中文件除了本身的内容外还具有归属,权限,创建时间等等附属信息
print('---------------数据集内容---------------\n')
print(abbreviation.head())
print(areas.head())
print(population.head())print('---------------数据集信息---------------\n')print(type(abbreviation),'\t\t\t\t\t',abbreviation.shape)
print(abbreviation.columns)
print(abbreviation.index,'\n')print(type(areas),'\t\t\t\t\t',areas.shape)
print(areas.columns)
print(areas.index,'\n')print(type(population),'\t\t\t\t\t',population.shape)
print(population.columns)
print(population.index)>>>---------------数据集内容---------------state abbreviation
0 Alabama AL
1 Alaska AK
2 Arizona AZ
3 Arkansas AR
4 California CAstate area (sq. mi)
0 Alabama 52423
1 Alaska 656425
2 Arizona 114006
3 Arkansas 53182
4 California 163707state/region ages year population
0 AL under18 2012 1117489.0
1 AL total 2012 4817528.0
2 AL under18 2010 1130966.0
3 AL total 2010 4785570.0
4 AL under18 2011 1125763.0
---------------数据集信息---------------<class 'pandas.core.frame.DataFrame'> (51, 2)
Index(['state', 'abbreviation'], dtype='object')
RangeIndex(start=0, stop=51, step=1) <class 'pandas.core.frame.DataFrame'> (52, 2)
Index(['state', 'area (sq. mi)'], dtype='object')
RangeIndex(start=0, stop=52, step=1) <class 'pandas.core.frame.DataFrame'> (2544, 4)
Index(['state/region', 'ages', 'year', 'population'], dtype='object')
RangeIndex(start=0, stop=2544, step=1)
从上面的结果中,我们能够得知
-
读取到的三个数据表都被转化成了DataFrame对象,
-
abbreviation表中储存的是美国各个州的全程与对应的缩写,
areas表中储存的是美国各州的面积
population表中储存的美国各州若干年份的未成年人和成年人数据
问题一
表一中有51个州,但是表二却有52列,那么到底是哪里不同?
可以借助外连接之后不是两个表共有的值会以NaN填充
所以我们可以查找NaN值来首先看看那一列具有缺失值,然后再在缺失的列中进行查找
关键在于逐步减小缺失值的范围
whichstate=pd.merge(abbreviation,areas,on='state',how='outer')
print(whichstate.isnull().any())>>>state False
abbreviation True
area (sq. mi) False
dtype: bool
大显示abbreviation这一列中有缺失值,那么我们接下来直接答应出这一列中缺失值的
whichstate=pd.merge(abbreviation,areas,on='state',how='outer')
print(whichstate[whichstate['abbreviation'].isnull()])
>>>state abbreviation area (sq. mi)
51 Puerto Rico NaN 3515
发现是Puerto Rico这个州缺失了缩写,百度一下这个名字,发现是波多黎各
再进一步了解得知,波多黎各之前是美国的一个自治区,2017年全民公投希望成为美国的第51个州,所以这里没有缩写
再验证一下,发现果然如此
print('Puerto Rico' in abbreviation['state'])
>>>
False
我们实际上只是对数据集进行了初步的了解就已经获得了在背后的隐藏信息
问题二
算上波多戈里,美国一共有51个州,但是在population表中,却有2544行,那么population这个表的构造到底是什么样的呢?
为此我们可以首先挑出阿拉巴马州(Alabama)来看看population中一个州有多少个年份
print(population.set_index('state/region'))
print(population.set_index('state/region').T['AL'].shape[1])
>>>ages year population
state/region
AL under18 2012 1117489.0
AL total 2012 4817528.0
AL under18 2010 1130966.0
AL total 2010 4785570.0
AL under18 2011 1125763.0
... ... ... ...
USA total 2010 309326295.0
USA under18 2011 73902222.0
USA total 2011 311582564.0
USA under18 2012 73708179.0
USA total 2012 313873685.0[2544 rows x 3 columns]
48
这里我们查询一个州有多少个年份的时候首先对原DataFrame进行转置,这是因为我们只能对列索引(columns)进行查找取值
此外,由于每年的数据包括未成年和总体,所以实际上一共有24年
然后我们继续查看一共记录了多少个州
print(population.shape[0]/48)
>>>
53.0
发现一共有罗列了53个周
这显然和前面的50 / 51个州对不上,因此我们需要继续查看是哪里不对,到底多了哪些内容
问题三
根据前面的论述,发现在population中具有多的"州",我们下面就要找出多的"周"
同样,结合前面查找波多黎各的例子,我们依旧是使用pd.merge拼接population和abbreviation,然后查找NaN在哪
首先确定合并的列,而用于合并的列关键在于具有相同的值,所以首先看看那一列的值相同
print(population.head())
print(abbreviation.head())
>>>state/region ages year population
0 AL under18 2012 1117489.0
1 AL total 2012 4817528.0
2 AL under18 2010 1130966.0
3 AL total 2010 4785570.0
4 AL under18 2011 1125763.0state abbreviation
0 Alabama AL
1 Alaska AK
2 Arizona AZ
3 Arkansas AR
4 California CA
所以我们可以指定合并的列为’state/region’和’state’,然后查找具有缺失的列
whichstat_1=pd.merge(abbreviation,population,left_on='abbreviation',right_on='state/region',how='outer')
print(whichstat_1.isnull().any())
>>>
state True
abbreviation True
state/region False
ages False
year False
population True
dtype: bool
所以我们查找state中的缺失值即可
whichstat_1=pd.merge(abbreviation,population,left_on='abbreviation',right_on='state/region',how='outer')
print(population['state/region'][whichstat_1['state'].isnull()])
print(population['state/region'][whichstat_1['state'].isnull()].size)
>>>
2448 PR
2449 PR
2450 PR
2451 PR
2452 PR...
2539 USA
2540 USA
2541 USA
2542 USA
2543 USA
Name: state/region, Length: 96, dtype: object
96
所以刚好多了PR和USA这两个’州’
结合前面所讲,population相比与abbreviation多了波多黎各和全美国的人口信息
接下来同理,转置之后查看PR和USA分别具体的内容
print(population.set_index('state/region').T['PR'].T)
print(population.set_index('state/region').T['USA'].T)
>>>ages year population
state/region
PR under18 1990 NaN
PR total 1990 NaN
PR total 1991 NaN
PR under18 1991 NaN
PR total 1993 NaN
PR under18 1993 NaN
PR under18 1992 NaN
PR total 1992 NaN
PR under18 1994 NaN
PR total 1994 NaN
PR total 1995 NaN
PR under18 1995 NaN
PR under18 1996 NaN
PR total 1996 NaN
PR under18 1998 NaN
PR total 1998 NaN
PR total 1997 NaN
PR under18 1997 NaN
PR total 1999 NaN
PR under18 1999 NaN
PR total 2000 3.81060e+06
PR under18 2000 1.08906e+06
PR total 2001 3.81877e+06
PR under18 2001 1.07757e+06
PR total 2002 3.8237e+06
PR under18 2002 1.06505e+06
PR total 2004 3.82688e+06
PR under18 2004 1.03592e+06
PR total 2003 3.8261e+06
PR under18 2003 1.05062e+06
PR total 2005 3.82136e+06
PR under18 2005 1.01945e+06
PR total 2006 3.80521e+06
PR under18 2006 998543
PR total 2007 3.783e+06
PR under18 2007 973613
PR total 2008 3.76087e+06
PR under18 2008 945705
PR under18 2013 814068
PR total 2013 3.61509e+06
PR total 2009 3.74041e+06
PR under18 2009 920794
PR total 2010 3.72121e+06
PR under18 2010 896945
PR under18 2011 869327
PR total 2011 3.68658e+06
PR under18 2012 841740
PR total 2012 3.65154e+06ages year population
state/region
USA under18 1990 6.42185e+07
USA total 1990 2.49623e+08
USA total 1991 2.52981e+08
USA under18 1991 6.5313e+07
USA under18 1992 6.65092e+07
USA total 1992 2.56514e+08
USA total 1993 2.59919e+08
USA under18 1993 6.75949e+07
USA under18 1994 6.86409e+07
USA total 1994 2.63126e+08
USA under18 1995 6.94731e+07
USA under18 1996 7.02335e+07
USA total 1995 2.66278e+08
USA total 1996 2.69394e+08
USA total 1997 2.72647e+08
USA under18 1997 7.09207e+07
USA under18 1998 7.14314e+07
USA total 1998 2.75854e+08
USA under18 1999 7.19461e+07
USA total 2000 2.82162e+08
USA under18 2000 7.23762e+07
USA total 1999 2.7904e+08
USA total 2001 2.84969e+08
USA under18 2001 7.26712e+07
USA total 2002 2.87625e+08
USA under18 2002 7.29365e+07
USA total 2003 2.90108e+08
USA under18 2003 7.31008e+07
USA total 2004 2.92805e+08
USA under18 2004 7.32977e+07
USA total 2005 2.95517e+08
USA under18 2005 7.35237e+07
USA total 2006 2.9838e+08
USA under18 2006 7.37577e+07
USA total 2007 3.01231e+08
USA under18 2007 7.40194e+07
USA total 2008 3.04094e+08
USA under18 2008 7.41046e+07
USA under18 2013 7.35859e+07
USA total 2013 3.16129e+08
USA total 2009 3.06772e+08
USA under18 2009 7.41342e+07
USA under18 2010 7.41196e+07
USA total 2010 3.09326e+08
USA under18 2011 7.39022e+07
USA total 2011 3.11583e+08
USA under18 2012 7.37082e+07
USA total 2012 3.13874e+08
至此我们已经初步了解了我们即将需要处理的数据集。
解决问题
我们的目标就是找出人口密度最大和最低的州,为此我们就需要让各州的历年的人口除以各州的面积,然后调用reduce类方法来获取即可
但是从我们前面的讲解中我们知道我们即将处理的数据集具有缺失值,是比较“脏”的,所以我们首先要进行数据预处理,去除缺失值和极端值等
数据预处理
这里我们的操作上面已经说过了,所以为了确保我们能够相处得到正确的结果,我们首先需要排除掉各州人口和面积中的缺失值
print(areas['area (sq. mi)'].isnull().sum(),'\n')
print(population['population'].isnull().sum())
>>>
0 20
发现各州的面积没有缺失值,但是各州历年的人口中有缺失值,那么我们首先找出来所有的缺失值在哪,然后用0来填充
print(population['population'].isnull())
print(population[population['population'].isnull()])
>>>
0 False
1 False
2 False
3 False
4 False...
2539 False
2540 False
2541 False
2542 False
2543 False
Name: population, Length: 2544, dtype: boolstate/region ages year population
2448 PR under18 1990 NaN
2449 PR total 1990 NaN
2450 PR total 1991 NaN
2451 PR under18 1991 NaN
2452 PR total 1993 NaN
2453 PR under18 1993 NaN
2454 PR under18 1992 NaN
2455 PR total 1992 NaN
2456 PR under18 1994 NaN
2457 PR total 1994 NaN
2458 PR total 1995 NaN
2459 PR under18 1995 NaN
2460 PR under18 1996 NaN
2461 PR total 1996 NaN
2462 PR under18 1998 NaN
2463 PR total 1998 NaN
2464 PR total 1997 NaN
2465 PR under18 1997 NaN
2466 PR total 1999 NaN
2467 PR under18 1999 NaN
这里我们发现,我们对population的population这一列查找缺失值,得到的是一个只有一列的布尔DataFrame
但是我们依旧能够以这个布尔DataFrame来作为花哨的索引,这是因为进行了广播
接下来我们用0来填充然后检查填充后的population是否存在缺失值
population['population']=population['population'].fillna(0)
print(population['population'].isnull().sum())
>>>
0
数据处理
由于population中只有各州的缩写,而areas中只有各州的全写,所以我们首先把abbreviation和areas按照全写合并起来,接下来再让abbreviation与areas的合并DataFrame对象与population合并
我们对数据集的了解得知,population中具有areas不具有的USA以及缺少波多黎各州的缩写,所以在合并abbreviation与areas的合并DataFrame与popultion前,需要去掉所有含USA的行并且补充波多黎各的缩写
population['population']=population['population'].fillna(0)
population=population.set_index('state/region').T.drop('USA',axis=1).T
merged_half=pd.merge(abbreviation,areas,left_on='state',right_on='state',how='outer')
merged_half['abbreviation'].values[-1]='PR'
merged_all=pd.merge(population,merged_half,left_on='state/region',right_on='abbreviation',how='outer')
merged_all['density']=merged_all['population']/merged_all['area (sq. mi)']
merged_all.sort_values(ascending=False,inplace=True,by='density')
print(merged_all)
>>>ages year population state abbreviation area (sq. mi) density
391 total 2013 646449 District of Columbia DC 68 9506.6
385 total 2012 633427 District of Columbia DC 68 9315.1
387 total 2011 619624 District of Columbia DC 68 9112.12
431 total 1990 605321 District of Columbia DC 68 8901.78
389 total 2010 605125 District of Columbia DC 68 8898.9
... ... ... ... ... ... ... ...
2461 total 1996 0 Puerto Rico PR 3515 0
2462 under18 1998 0 Puerto Rico PR 3515 0
2463 total 1998 0 Puerto Rico PR 3515 0
2465 under18 1997 0 Puerto Rico PR 3515 0
2448 under18 1990 0 Puerto Rico PR 3515 0[2496 rows x 7 columns]
上面我们最后调用了sort_values方法来指定按照density的大小排序,并且将排序后的结果覆盖原数组
获取结果
我们上面已经成功的进行了排序,我们下面将使用后面会讲到的query方法来获取特定的值
print(merged_all.query("year==2010 & ages == 'total'").head())
>>>ages year population state abbreviation area (sq. mi) density
389 total 2010 605125 District of Columbia DC 68 8898.9
2490 total 2010 3.72121e+06 Puerto Rico PR 3515 1058.67
1445 total 2010 8.80271e+06 New Jersey NJ 8722 1009.25
1914 total 2010 1.05267e+06 Rhode Island RI 1545 681.339
293 total 2010 3.57921e+06 Connecticut CT 5544 645.601
这里我们指定查询2010年各州所有年龄的人口密度,显示出前几个即人口密度前几的地方
发现2010年全美人工密度最高的是华盛顿特区的哥伦比亚区,各州中人口密度最高的是新泽西州
我们再看看人口密度最少的州
print(merged_all.query("year==2010 & ages == 'total'").tail())
>>>ages year population state abbreviation area (sq. mi) density
2010 total 2010 816211 South Dakota SD 77121 10.5835
1637 total 2010 674344 North Dakota ND 70704 9.53757
1253 total 2010 990527 Montana MT 147046 6.73617
2405 total 2010 564222 Wyoming WY 97818 5.76808
91 total 2010 713868 Alaska AK 656425 1.08751
发现人口密度最低的州是阿拉斯加州,人口刚过1万人每平方公里
至此,我们已经成功实现了我们的目的,最后重构下代码,添加查询和绘图功能
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt'''
API说明:
FindAns(state,year, age)
state是需要查询的州,只有state参数时会输出查询州的所有人口信息
year是要查询的年份,只有year参数是会输出查询年份的所有人口信息
age是指定查询的对象,可选total或under18,只有year参数会输出指定所有州所有年份指定对象的人口信息
三个参数可以任意搭配
当指定state参数和age参数时会绘制该州指定人口历年的人口图像示例:
FindAns(age='total')
FindAns(year=2010)
FindAns(state='AK')
FindAns(state='WI',age='total',year=2010)
FindAns(state='CA',age='total')
FindAns(age='total',year=1998)
'''global population,areas,abbreviation
population=pd.read_csv('./data-USstates-master/state-population.csv')
areas=pd.read_csv('./data-USstates-master/state-areas.csv')
abbreviation=pd.read_csv('./data-USstates-master/state-abbrevs.csv')global All_sorted,All_unsorted,Ans_sorted,Ans_unsorteddef Description():print('---------------数据集内容---------------\n')print(abbreviation.head())print('\n\n')print(areas.head())print('\n\n')print(population.head())print('\n\n\n')print('---------------数据集信息---------------\n')print('abbreviation:')print('\t',type(abbreviation), '\t\t\t\t\t', abbreviation.shape)print('\t',abbreviation.columns)print('\t',abbreviation.index,'\n') print('\n\n')print('areas:')print('\t',type(areas),'\t\t\t\t\t',areas.shape)print('\t',areas.columns)print('\t',areas.index,'\n') print('population:')print('\t',type(population),'\t\t\t\t\t',population.shape)print('\t',population.columns)print('\t',population.index) print('\n\n\n')def GetAll():global All_sorted,population,All_unsortedpopulation['population'].fillna(0)population['population']=population['population'].fillna(0)population=population.set_index('state/region').T.drop('USA',axis=1).Tmerged_half=pd.merge(abbreviation,areas,left_on='state',right_on='state',how='outer')merged_half['abbreviation'].values[-1]='PR'merged_all=pd.merge(population,merged_half,left_on='state/region',right_on='abbreviation',how='outer')merged_all['density']=merged_all['population']/merged_all['area (sq. mi)']All_unsorted=merged_all.sort_values(ascending=True,by='year')All_sorted=merged_all.sort_values(ascending=False,by='density')def FindAns(age=0,state=0,year=0):global Ans_sorted,Ans_unsorted,All_sorted,All_unsortedif age==0 and state==0 and year==0:print('Error value, you must indicate at least one parameter in year,state,age')return 0elif age!=0 and state!=0 and year==0:str_find='ages== \''+str(age)+'\' & '+'abbreviation== \''+str(state)+'\''elif age!=0 and state==0 and year!=0:str_find='ages==\''+str(age)+'\' & '+'year=='+str(year)elif age==0 and state!=0 and year!=0:str_find='abbreviation==\''+str(state)+'\' & '+'year=='+str(year)elif age!=0 and state==0 and year==0:str_find='ages==\''+str(age)+'\''elif age==0 and state!=0 and year==0:str_find='abbreviation==\''+str(state)+'\''elif age==0 and state==0 and year!=0:str_find='year=='+str(year)elif age!=0 and state!=0 and year!=0:str_find='ages==\''+str(age)+'\' & '+'abbreviation==\''+str(state)+'\' & '+'year=='+str(year)Ans_sorted=All_sorted.query(str_find)Ans_unsorted=All_unsorted.query(str_find)print(Ans_unsorted)if age!=0 and state!=0 and year==0:PlotState()def PlotState():global Ans_sorted,Ans_unsortedplt.plot(Ans_unsorted['year'],Ans_unsorted['density'])plt.xlabel('Year')plt.ylabel('Population Density')plt.title('Population Density of '+str(Ans_unsorted.iloc[0,3]))plt.show()Description()
GetAll()
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- 简述RAKsmart香港服务器的的优势
当今,我们处于互联网无处不在的时代,企业的发展更是少不了互联网的帮助,那么互联网之所以能够稳定的运行供我们使用其根本原因是因为有强大的服务器作为支撑。现在很多中小型企业以及外贸企业建站都会选择一些主机商进行服务器租用或者托管,其中RAKsmart香港服务器受到很多…...
2024/5/9 14:23:18 - 这4款Python开发工具,帮你快速提升工作效率!
“工欲善其事,必先利其器”,如果说编程是程序员的手艺,那么IDE就是程序员的吃饭家伙了。一个好的工具能让起到事半功倍的效果!但IDE并非功能越多越好,因为更多的功能往往意味着更大的复杂度,这不但会分散程序员本来的精力,而且还可能带来更多的错误。只要基本功能满足需…...
2024/5/2 17:16:51 - 高德智慧景区随身听播放器框架设计与实现
简介:我们开发选型并没有采用传统的TTS技术(由文本内容生成机器语音),而是采用了更加通用音频格式(比如mp3),作为讲解的音频输入源,方便讲解者进行二次创作。本文将简单回顾高德智慧景区随身听播放器的框架设计与实现。一、背景“远看山有色,近听水‘有’声”,景区语音…...
2024/5/9 16:23:56 - 学习笔记(3):软件设计是怎样炼成的?-优秀设计从分析需求开始
立即学习:https://edu.csdn.net/course/play/1058/15636?utm_source=blogtoedu需求分析考虑点:1.什么人会使用这个系统2.不同的人将会使用这个系统的什么功能3.还有哪些不确定或不具体的需求点4.哪些需求对技术提出了怎样的需求【需求和技术怎么关联起来】...
2024/4/30 9:45:52 - python 爬虫爬取中国新闻网
中国新闻网的新闻种类较多、而且新闻比较丰富,如果需要获取大量新闻的话,中国新闻网是个不错的选择。 界面是这样的:从url不难发现,改变日期就能获取不同日期的新闻那么,正文开始。。。 1、获取某一个链接的新闻详情页信息 import requests from bs4 import BeautifulSoup…...
2024/5/9 18:23:34 - 哈尔滨工业大学计算学院保研预推免
哈尔滨工业大学计算机学院预推免整体流程逻辑面试科技创新与项目经验专业课知识沟通能力总结 又到了一年一度的保研的时间,自己参加了一些夏令营和预推免,在这里记录一下哈工大计算机学院的预推免流程以及一些经验,分享给需要的人,希望可以帮到你。 整体流程 在2019年7月份…...
2024/4/20 0:09:23 - 黑马程序员Java 全课程目录【999集】
看过视频中的高级部分,老师讲的不错 。 视频链接 : https://www.bilibili.com/video/BV1uJ411k7wy下面是 999集全课程目录,tips : [ ctrl +f ]序号 视频名称1 01_Java语言发展史2 02_计算机进制转换3 03_计算机存储单元4 04_命令提示符_基本介绍5 05_命令提示符_常用命令…...
2024/5/9 17:38:33 - 数据结构与算法之美:18 | 哈希算法(上):如何防止数据库中的用户信息被脱库?
文章目录什么是哈希算法?应用一:安全加密应用二:唯一标识应用三:数据校验应用四:散列函数解答开篇课后思考 什么是哈希算法? 哈希算法的定义和原理非常简单,基本上一句话就可以概括:将任意长度的二进制值串映射为固定长度的二进制值串,这个映射的规则就是哈希算法,而…...
2024/5/9 12:41:06 - Oracle 又裁员,传 N+6 补偿
整理 | 伍杏玲出品 | 程序人生(ID:coder_life)近日,某社交平台有甲骨文(Oracle)的员工爆料,正在裁员中,N+6 补偿。其实从去年开始,Oracle一直在北京裁员:去年5月7日,甲骨文确认中国区首批裁员900余人,其中超500人来自北京研发中心。而上述N+6的补偿方案也可能是真…...
2024/5/9 16:36:53 - zookeeper的简单介绍
1.功能 2.特点 3.结构数据 4.简单使用 5.选举机制 6.监听器原理 7.client像zookeeper写数据流程一 功能 1:文件系统,存储数据 2:通知,当数据发生变化,zookeeper集群会通知订阅的单位 二 特点 1:角色:leader和follower 2:leader进行投票,更新系统状态 3:follower接收客…...
2024/5/9 17:39:03 - elementui获取未来的年月,表格可编辑
1.生产日期点击是处理是elementui组件的日期框,根据选中的日期和选择的有效期来计算生产日期后面对应的有效期的时间,生产日期点击不可编辑是因为禁用的,这个是根据生产日期计算的,话不多说,上全部代码。 里面有计算未来时间的日期,也有表格可编辑。根据自己的需求找到需…...
2024/5/9 19:25:33 - 程序员如何快速提升编程能力?
俗话说得好,不想进大厂的程序员不是一个好程序员。那么作为即将步入程序员大军的小萌新/程序员界的老司机,你们都是如何备战大厂的呢?是否面对网络上纷繁复杂的资料茫然无从下手?抑或是坐在电脑旁埋头敲着代码却找不到一丝存在感?不用怕!今天我就来带大家一起解锁一款程序…...
2024/5/9 11:47:47 - 云开发校园合伙人招募令|阿里实习生直通面试名额等你来PICK!
简介:长假漫漫,宅家宅到压力山大。云开发平台喊你出道啦!首批云开发校园大使将面向所有对Serverless和云开发感兴趣的在校大学生进行招募。蜕变是青春必修课,别再犹豫,不负青春,乘风破浪。成为校园KOL,C位出道,带领Serverless云开发校园爱好者玩转云开发。一飞冲天吧,…...
2024/5/9 12:38:08 - 【折腾系列—All In One主机】4、 iKuai软路由安装及配置
iKuai软路由安装及配置1、开启虚拟机安装iKuai系统2、配置iKuai的相关设置3、iKuai设置动态域名4、iKuai设置端口映射 1、开启虚拟机安装iKuai系统2、配置iKuai的相关设置3、iKuai设置动态域名4、iKuai设置端口映射至此,关于iKuai 的系统安装及简单配置完成了,如果还想进行iK…...
2024/5/9 13:31:15 - 分库分表基础
分库分表简介 常规未进行分库分表的情况,随着时间的推移,表中的数据越来越多,表越来越庞大,那随之而来的影响就是:一台服务器的资源有限 数据库中的数据量不可控 库中的表会越来越多 表中的数据量也会越来越大 增删改查的开销会越来越大如何优化 分区表 根据所使用的不同分…...
2024/4/17 3:53:06 - form- item 下拉 返显示
下拉的返显示return [{ itemType: input, prop: creditNum, label: 信用额度 },{ itemType: select, prop: wayFlag, label: 了解途径, list: this.$store.getters.getSelectData(2043) || [] },{ itemType: select, prop: persionName, label: 介绍人, list: this.$store.gett…...
2024/4/15 20:08:56 - NoClassDefFoundError解决思路
标题canal监听器发送activeMQ消息失败原因分析 1、没有打印更详细的错误信息,只是打印出一句:2020-07-23 09:25:05.201 ERROR 15936 --- [pool-2-thread-1] .s.c.c.a.AbstractBasicMessageTransponder : pool-2-thread-1: 委托 canal 监听器发生错误!错误信息太少,不利于分析…...
2024/4/9 1:55:39 - OUTLOOK切换邮件内容时,总是出现“正在联系//pic3.com/common...”等提示框,然后整个OUTLOOK卡死
邮件查看过程中,有时会出现切换邮件过程中,出现“正在联系//pic3.iqxxx.com/common...”等提示框,然后整个outlook会卡死,要么等待很久恢复正常,要么需要杀死进程重启outlook,但是下次切换到同一邮件时仍会出现此问题。原因:邮件内容中的有部分信息为如下样式:<a hr…...
2024/4/26 19:09:22 - 文件断点续传 RandomAccessFile
文件断点续传 最近因为开发任务,涉及到一个文件断点续传,看了一下重点就是RandomAccessFile类 RandomAccessFile :随机存取文件。一个随机访问文件的行为就像一个大的存储在文件系统中的字节数组。有一种光标,或索引进入隐含数组,称为文件指针;输入操作从文件指针开始读取…...
2024/4/12 6:11:35 - Android studio 中找不到 GsonFormat 插件了
最近换了新电脑,重新装了一遍AndroidStudio 发现GsonFormat插件在AS中找不到了。没办法只能下载jar包手动导入了。下载地址:https://plugins.jetbrains.com/plugin/7654-gsonformat/versions。注意:切换成AS中使用的版本。之后按照File--Setting--Plugins--install plugin f…...
2024/4/9 1:55:36
最新文章
- JavaScript map对象/set对象详解
文章目录 一、map对象二、map对象应用场景1. 数组元素转换2. 对象数组的属性提取或转换3. 数组元素的复杂转换4. 与其他数组方法结合使用5. 与异步操作结合(使用 Promise)6. 生成新的数据结构7. 数学和统计计算 三、set对象1. 基本使用2. 特性3. 注意事项…...
2024/5/9 19:43:06 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/5/7 10:36:02 - 第十二届蓝桥杯省赛真题(C/C++大学B组)
目录 #A 空间 #B 卡片 #C 直线 #D 货物摆放 #E 路径 #F 时间显示 #G 砝码称重 #H 杨辉三角形 #I 双向排序 #J 括号序列 #A 空间 #include <bits/stdc.h> using namespace std;int main() {cout<<256 * 1024 * 1024 / 4<<endl;return 0; } #B 卡片…...
2024/5/9 16:06:05 - 自我介绍的HTML 页面(入门)
一.前情提要 1.主要是代码示例,具体内容需自己填充 2.代码后是详解 二.代码实例和解析 代码 <!DOCTYPE html> <html lang"zh-CN"> <head> <meta charset"UTF-8"> <title>自我介绍页面</title>…...
2024/5/9 6:27:14 - 416. 分割等和子集问题(动态规划)
题目 题解 class Solution:def canPartition(self, nums: List[int]) -> bool:# badcaseif not nums:return True# 不能被2整除if sum(nums) % 2 ! 0:return False# 状态定义:dp[i][j]表示当背包容量为j,用前i个物品是否正好可以将背包填满ÿ…...
2024/5/8 19:32:33 - 【Java】ExcelWriter自适应宽度工具类(支持中文)
工具类 import org.apache.poi.ss.usermodel.Cell; import org.apache.poi.ss.usermodel.CellType; import org.apache.poi.ss.usermodel.Row; import org.apache.poi.ss.usermodel.Sheet;/*** Excel工具类** author xiaoming* date 2023/11/17 10:40*/ public class ExcelUti…...
2024/5/9 7:40:42 - Spring cloud负载均衡@LoadBalanced LoadBalancerClient
LoadBalance vs Ribbon 由于Spring cloud2020之后移除了Ribbon,直接使用Spring Cloud LoadBalancer作为客户端负载均衡组件,我们讨论Spring负载均衡以Spring Cloud2020之后版本为主,学习Spring Cloud LoadBalance,暂不讨论Ribbon…...
2024/5/9 2:44:26 - TSINGSEE青犀AI智能分析+视频监控工业园区周界安全防范方案
一、背景需求分析 在工业产业园、化工园或生产制造园区中,周界防范意义重大,对园区的安全起到重要的作用。常规的安防方式是采用人员巡查,人力投入成本大而且效率低。周界一旦被破坏或入侵,会影响园区人员和资产安全,…...
2024/5/8 20:33:13 - VB.net WebBrowser网页元素抓取分析方法
在用WebBrowser编程实现网页操作自动化时,常要分析网页Html,例如网页在加载数据时,常会显示“系统处理中,请稍候..”,我们需要在数据加载完成后才能继续下一步操作,如何抓取这个信息的网页html元素变化&…...
2024/5/9 3:15:57 - 【Objective-C】Objective-C汇总
方法定义 参考:https://www.yiibai.com/objective_c/objective_c_functions.html Objective-C编程语言中方法定义的一般形式如下 - (return_type) method_name:( argumentType1 )argumentName1 joiningArgument2:( argumentType2 )argumentName2 ... joiningArgu…...
2024/5/9 5:40:03 - 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】
👨💻博客主页:花无缺 欢迎 点赞👍 收藏⭐ 留言📝 加关注✅! 本文由 花无缺 原创 收录于专栏 【洛谷算法题】 文章目录 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】🌏题目描述🌏输入格…...
2024/5/9 7:40:40 - 【ES6.0】- 扩展运算符(...)
【ES6.0】- 扩展运算符... 文章目录 【ES6.0】- 扩展运算符...一、概述二、拷贝数组对象三、合并操作四、参数传递五、数组去重六、字符串转字符数组七、NodeList转数组八、解构变量九、打印日志十、总结 一、概述 **扩展运算符(...)**允许一个表达式在期望多个参数࿰…...
2024/5/8 20:58:56 - 摩根看好的前智能硬件头部品牌双11交易数据极度异常!——是模式创新还是饮鸩止渴?
文 | 螳螂观察 作者 | 李燃 双11狂欢已落下帷幕,各大品牌纷纷晒出优异的成绩单,摩根士丹利投资的智能硬件头部品牌凯迪仕也不例外。然而有爆料称,在自媒体平台发布霸榜各大榜单喜讯的凯迪仕智能锁,多个平台数据都表现出极度异常…...
2024/5/9 1:35:21 - Go语言常用命令详解(二)
文章目录 前言常用命令go bug示例参数说明 go doc示例参数说明 go env示例 go fix示例 go fmt示例 go generate示例 总结写在最后 前言 接着上一篇继续介绍Go语言的常用命令 常用命令 以下是一些常用的Go命令,这些命令可以帮助您在Go开发中进行编译、测试、运行和…...
2024/5/9 4:12:16 - 用欧拉路径判断图同构推出reverse合法性:1116T4
http://cplusoj.com/d/senior/p/SS231116D 假设我们要把 a a a 变成 b b b,我们在 a i a_i ai 和 a i 1 a_{i1} ai1 之间连边, b b b 同理,则 a a a 能变成 b b b 的充要条件是两图 A , B A,B A,B 同构。 必要性显然࿰…...
2024/5/9 7:40:35 - 【NGINX--1】基础知识
1、在 Debian/Ubuntu 上安装 NGINX 在 Debian 或 Ubuntu 机器上安装 NGINX 开源版。 更新已配置源的软件包信息,并安装一些有助于配置官方 NGINX 软件包仓库的软件包: apt-get update apt install -y curl gnupg2 ca-certificates lsb-release debian-…...
2024/5/8 18:06:50 - Hive默认分割符、存储格式与数据压缩
目录 1、Hive默认分割符2、Hive存储格式3、Hive数据压缩 1、Hive默认分割符 Hive创建表时指定的行受限(ROW FORMAT)配置标准HQL为: ... ROW FORMAT DELIMITED FIELDS TERMINATED BY \u0001 COLLECTION ITEMS TERMINATED BY , MAP KEYS TERMI…...
2024/5/9 7:40:34 - 【论文阅读】MAG:一种用于航天器遥测数据中有效异常检测的新方法
文章目录 摘要1 引言2 问题描述3 拟议框架4 所提出方法的细节A.数据预处理B.变量相关分析C.MAG模型D.异常分数 5 实验A.数据集和性能指标B.实验设置与平台C.结果和比较 6 结论 摘要 异常检测是保证航天器稳定性的关键。在航天器运行过程中,传感器和控制器产生大量周…...
2024/5/9 1:42:21 - --max-old-space-size=8192报错
vue项目运行时,如果经常运行慢,崩溃停止服务,报如下错误 FATAL ERROR: CALL_AND_RETRY_LAST Allocation failed - JavaScript heap out of memory 因为在 Node 中,通过JavaScript使用内存时只能使用部分内存(64位系统&…...
2024/5/9 5:02:59 - 基于深度学习的恶意软件检测
恶意软件是指恶意软件犯罪者用来感染个人计算机或整个组织的网络的软件。 它利用目标系统漏洞,例如可以被劫持的合法软件(例如浏览器或 Web 应用程序插件)中的错误。 恶意软件渗透可能会造成灾难性的后果,包括数据被盗、勒索或网…...
2024/5/9 4:31:45 - JS原型对象prototype
让我简单的为大家介绍一下原型对象prototype吧! 使用原型实现方法共享 1.构造函数通过原型分配的函数是所有对象所 共享的。 2.JavaScript 规定,每一个构造函数都有一个 prototype 属性,指向另一个对象,所以我们也称为原型对象…...
2024/5/9 16:54:42 - C++中只能有一个实例的单例类
C中只能有一个实例的单例类 前面讨论的 President 类很不错,但存在一个缺陷:无法禁止通过实例化多个对象来创建多名总统: President One, Two, Three; 由于复制构造函数是私有的,其中每个对象都是不可复制的,但您的目…...
2024/5/8 9:51:44 - python django 小程序图书借阅源码
开发工具: PyCharm,mysql5.7,微信开发者工具 技术说明: python django html 小程序 功能介绍: 用户端: 登录注册(含授权登录) 首页显示搜索图书,轮播图࿰…...
2024/5/9 6:36:49 - 电子学会C/C++编程等级考试2022年03月(一级)真题解析
C/C++等级考试(1~8级)全部真题・点这里 第1题:双精度浮点数的输入输出 输入一个双精度浮点数,保留8位小数,输出这个浮点数。 时间限制:1000 内存限制:65536输入 只有一行,一个双精度浮点数。输出 一行,保留8位小数的浮点数。样例输入 3.1415926535798932样例输出 3.1…...
2024/5/9 4:33:29 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57