Pandas速查笔记（一）：pandas基本操作、数据加载及存储、基本统计功能

文章目录

1. Pandas基本操作

1.1 Series创建及应用
1.2 DataFrame创建及应用

2. 数据加载及存储
3. 基本统计功能

3.1 描述性统计
3.2 函数应用
3.3 数据运算

1. Pandas基本操作

1.1 Series创建及应用

Series是能够保存任何类型数据的一维标记数组。
（一）Series创建

（1）使用列表、字典、数组等数据类型来构建Series

In [1]: import pandas as pdIn [2]: import numpy as npIn [3]: s1 = pd.Series([1,2,3])  # 使用列表方式构建SeriesIn [4]: s1
Out[4]:
0    1
1    2
2    3
dtype: int64In [5]: s2 = pd.Series({'a':1,'b':2,'c':3})  # 使用字典方式构建SeriesIn [6]: s2
Out[6]:
a    1
b    2
c    3
dtype: int64In [7]: array1 = np.array([4,5,6])In [8]: s3 = pd.Series(array1)  # 使用数组方式构建SeriesIn [9]: s3
Out[9]:
0    4
1    5
2    6
dtype: int32

（2）构建Series时，可使用index设置各个数据点的标记索引

In [10]: s4 = pd.Series([7,8,9],index=['a','b','c'])In [11]: s4
Out[11]:
a    7
b    8
c    9
dtype: int64

（二）访问数据

（1）基于位置的访问方式

In [12]: s = pd.Series([1,2,3,4,5],index=['a','b','c','d','e'])In [13]: s[0]   # 检索第一个元素
Out[13]: 1In [14]: s[:3]  # 检索前三个元素
Out[14]:
a    1
b    2
c    3
dtype: int64In [15]: s[-3:]  # 检索最后三个元素
Out[15]:
c    3
d    4
e    5
dtype: int64

（2）基于标签的访问方式

In [16]: s['a']   # 检索标签为a的数据
Out[16]: 1In [17]: s[['a','b','c']]  # 检索多个数据
Out[17]:
a    1
b    2
c    3
dtype: int64

（三）Series属性及方法

属性或方法	描述
dtype	返回对象的数据类型
axes	返回行轴标签列表
empty	如果系列为空，则返回True
ndim	返回数据的维数
size	返回Series中的元素个数
values	将系列作为ndarray返回
head()	返回前n行
tail()	返回最后n行

In [19]: s.axes
Out[19]: [Index(['a', 'b', 'c', 'd', 'e'], dtype='object')]In [20]: s.dtype
Out[20]: dtype('int64')In [21]: s.empty
Out[21]: FalseIn [22]: s.ndim
Out[22]: 1In [23]: s.size
Out[23]: 5In [24]: s.values
Out[24]: array([1, 2, 3, 4, 5], dtype=int64)In [25]: s.head(2)
Out[25]:
a    1
b    2
dtype: int64In [26]: s.tail(2)
Out[26]:
d    4
e    5
dtype: int64

1.2 DataFrame创建及应用

（一）DataFrame创建

（1）可使用列表、字典、Series、数组作为创建DataFrame的输入

In [29]: pd.DataFrame([1,2,3,4])  # 使用列表方式创建
Out[29]:0
0  1
1  2
2  3
3  4In [30]: pd.DataFrame([['a',10],['b',12],['c',14]])  # 可传入多个列表
Out[30]:0   1
0  a  10
1  b  12
2  c  14In [31]: pd.DataFrame({'a':[1,2,3],'b':[4,5,6]})  # 以字典形式来创建
Out[31]:a  b
0  1  4
1  2  5
2  3  6In [32]: pd.DataFrame([{'a':1,'b':2},{'a':5,'b':10,'c':20}])  # 传入多个字典的形式
Out[32]:a   b     c
0  1   2   NaN
1  5  10  20.0In [34]: pd.DataFrame({'one':pd.Series([1,2,3],index=['a','b','c']),'two':pd.Series([1,2,3,4],index=['a','b','c','d'])})  # 以Series形式进行构建
Out[34]:one  two
a  1.0    1
b  2.0    2
c  3.0    3
d  NaN    4

（2）可以使用index以及columns来分别指定行标签和列标签

In [47]: df = pd.DataFrame(np.random.randn(4,3),index=['a','b','c','d'],columns=['A','B','C'])In [48]: df
Out[48]:A         B         C
a -1.544940 -1.506533 -2.759904
b -1.331401 -1.413746  2.307479
c -0.216526  0.428145 -0.504648
d -1.680741 -0.675376 -0.997532

（二）索引使用

（1）基于标签的索引方式：loc

In [47]: df = pd.DataFrame(np.random.randn(4,3),index=['a','b','c','d'],columns=['A','B','C'])In [48]: df
Out[48]:A         B         C
a -1.544940 -1.506533 -2.759904
b -1.331401 -1.413746  2.307479
c -0.216526  0.428145 -0.504648
d -1.680741 -0.675376 -0.997532In [49]: df.loc[:,'A']  # 查询所有行的'A'列
Out[49]:
a   -1.544940
b   -1.331401
c   -0.216526
d   -1.680741
Name: A, dtype: float64In [50]: df.loc[:,['A','C']]  # 查询多列
Out[50]:A         C
a -1.544940 -2.759904
b -1.331401  2.307479
c -0.216526 -0.504648
d -1.680741 -0.997532In [51]: df.loc[['a','b'],['A','C']]  # 根据标签查询对应的行和列
Out[51]:A         C
a -1.544940 -2.759904
b -1.331401  2.307479In [52]: df.loc['a':'c']  # 查询a行到c行
Out[52]:A         B         C
a -1.544940 -1.506533 -2.759904
b -1.331401 -1.413746  2.307479
c -0.216526  0.428145 -0.504648

（2）基于位置索引：iloc

In [53]: df = pd.DataFrame(np.random.randn(4,3),index=['a','b','c','d'],columns=['A','B','C'])In [54]: df
Out[54]:A         B         C
a  0.893007  1.152273 -0.430556
b -0.681215 -0.682669 -0.241504
c  0.729667  1.096616  0.230158
d -0.483658 -0.179216  0.999880In [55]: df.iloc[:2]  # 查询前两行
Out[55]:A         B         C
a  0.893007  1.152273 -0.430556
b -0.681215 -0.682669 -0.241504In [56]: df.iloc[1:3,1:2]  # 查询第2-3行,第2列
Out[56]:B
b -0.682669
c  1.096616In [57]: df.iloc[[0,2],[1,2]]  # 查询第1,3行,第2,3列
Out[57]:B         C
a  1.152273 -0.430556
c  1.096616  0.230158

（三）DataFrame属性与方法

属性或方法	描述
T	装置行和列
dtype	返回对象的数据类型
axes	返回行轴标签和列轴标签列表
empty	如果DF为空，则返回True
ndim	返回数据的维数
size	返回DF中的元素个数
values	将DF作为ndarray返回
head()	返回前n行
tail()	返回最后n行

In [35]: df = pd.DataFrame({'a':[1,2,3],'b':['h1','h2','h3'],'c':[6,8,9]})In [36]: df
Out[36]:a   b  c
0  1  h1  6
1  2  h2  8
2  3  h3  9In [37]: df.T
Out[37]:0   1   2
a   1   2   3
b  h1  h2  h3
c   6   8   9In [38]: df.axes
Out[38]: [RangeIndex(start=0, stop=3, step=1), Index(['a', 'b', 'c'], dtype='object')]In [39]: df.dtypes
Out[39]:
a     int64
b    object
c     int64
dtype: objectIn [40]: df.empty
Out[40]: FalseIn [41]: df.ndim
Out[41]: 2In [42]: df.shape
Out[42]: (3, 3)In [43]: df.size
Out[43]: 9In [44]: df.values
Out[44]:
array([[1, 'h1', 6],[2, 'h2', 8],[3, 'h3', 9]], dtype=object)In [45]: df.head()
Out[45]:a   b  c
0  1  h1  6
1  2  h2  8
2  3  h3  9In [46]: df.tail(2)
Out[46]:a   b  c
1  2  h2  8
2  3  h3  9

2. 数据加载及存储

（一）数据加载
此处只列举实际工作中比较常用的数据读取方法
（1）read_excel

In [4]: data = pd.read_excel('C:/Users/lenovo/Desktop/test.xlsx')In [5]: data
Out[5]:A1  A2  A3  A4
0   6   1   4   7
1   7   2   5   8
2   8   3   6   9In [6]: data = pd.read_excel('C:/Users/lenovo/Desktop/test.xlsx',header=None)  # 将第一行当做数据In [7]: data
Out[7]:0   1   2   3
0  A1  A2  A3  A4
1   6   1   4   7
2   7   2   5   8
3   8   3   6   9In [8]: data = pd.read_excel('C:/Users/lenovo/Desktop/test.xlsx',index_col='A1')  # 将某一列设置为indexIn [9]: data
Out[9]:A2  A3  A4
A1
6    1   4   7
7    2   5   8
8    3   6   9In [10]: data = pd.read_excel('C:/Users/lenovo/Desktop/test.xlsx',names=['C1','C2','C3','C4'])  # 设置每一列的列名In [11]: data
Out[11]:C1  C2  C3  C4
0   6   1   4   7
1   7   2   5   8
2   8   3   6   9

（2）read_csv

read_csv同样具有header、names、index_col的参数设置，使用方式与read_excel相同，此处不再重复列举

In [12]: data = pd.read_csv('C:/Users/lenovo/Desktop/test2.csv')In [13]: data
Out[13]:C1  C2  C3
0   1   2   3
1   4   5   6
2   7   8   9

（3）read_html

read_html方法可快速准确地抓取表格数据，以地表水水质数据公开网站为例，该网站所公布的数据如下图所示：在这里插入图片描述
由于这些数据都是存储在table标签下，因此我们可以使用read_html对这种类型的数据进行爬取

In [16]: url = 'http://ditu.92cha.com/shuizhi.php'In [17]: data = pd.read_html(url)[0]  # 0表示爬取该页面中第1个table标签下的数据In [18]: data.head(5)
Out[18]:断面名称              测量时间    pH    溶解氧    氨氮 高锰酸盐指数 水质类别    断面属性  站点情况
0     北京古北口  2018-09-17 16:05   7.7  10.38  0.19    2.1   II  密云水库入口  通讯故障
1  北京门头沟沿河城  2018-10-24 19:12    --     --    --     --   --  官厅水库出口  通讯故障
2     天津果河桥  2020-05-25 12:00  8.51      9  0.05   2.22   II  于桥水库入口    正常
3  河北张家口八号桥  2018-09-20 08:10  8.91   8.85  0.32   3.24   II  官厅水库入口  通讯故障
4   山西忻州万家寨  2020-05-25 12:00    --     --    --     --   --      库体  采水故障

（二）数据存储

（1）to_excel

In [23]: a = pd.DataFrame({'a':[1,2,3,4],'b':['e','f','g','h']})In [24]: a.to_excel('C:/Users/lenovo/Desktop/test3.xlsx') # 默认保存的数据包含index和columnsIn [25]: a.to_excel('C:/Users/lenovo/Desktop/test3.xlsx',index=False)  # 不保存indexIn [26]: a.to_excel('C:/Users/lenovo/Desktop/test3.xlsx',header=False)  # 不保存列名

（2）to_csv

使用方法与to_excel类似，不再赘述

In [27]: a.to_csv('C:/Users/lenovo/Desktop/test3.csv')

3. 基本统计功能

3.1 描述性统计

（一）Pandas描述性统计

Pandas中描述性统计信息的函数如下：

函数	说明
count()	统计每一列的非空观察数量
sum()	求和
mean()	求均值
median()	求中位数
mode()	取模
std()	标准差
min()	求最小值
max()	求最大值
abs()	绝对值
prod()	数值元素的乘积
cumsum()	累计求和
cumprod()	累计乘积

In [28]: df = pd.DataFrame({'A':[20.5,10.3,23.6,55.4],'B':[10.9,44.6,28.6,19.7]})In [29]: df
Out[29]:A     B
0  20.5  10.9
1  10.3  44.6
2  23.6  28.6
3  55.4  19.7In [30]: df.count()
Out[30]:
A    4
B    4
dtype: int64In [31]: df.sum()  # 对每一列求和
Out[31]:
A    109.8
B    103.8
dtype: float64In [32]: df.sum(axis=1)  # 若要对行进行统计，可将axis设置为1
Out[32]:
0    31.4
1    54.9
2    52.2
3    75.1
dtype: float64In [33]: df.mean()
Out[33]:
A    27.45
B    25.95
dtype: float64In [34]: df.prod()
Out[34]:
A    276065.9560
B    273900.9988
dtype: float64In [35]: df.cumsum()
Out[35]:A      B
0   20.5   10.9
1   30.8   55.5
2   54.4   84.1
3  109.8  103.8In [36]: df.cumprod()
Out[36]:A            B
0      20.500      10.9000
1     211.150     486.1400
2    4983.140   13903.6040
3  276065.956  273900.9988

3.2 函数应用

（1）pct_change()函数，将每个元素与其前一个元素进行比较，并计算变化百分比

In [37]: a = pd.Series([2,4,6,10])In [38]: a.pct_change()
Out[38]:
0         NaN
1    1.000000
2    0.500000
3    0.666667
dtype: float64

（2）cov()函数，计算协方差

In [39]: df = pd.DataFrame({'A':[2.0,4.3,6.8,9.6],'B':[1.6,8.9,4.7,6.6],'C':[8.6,4.9,7.8,10.5]})In [40]: df
Out[40]:A    B     C
0  2.0  1.6   8.6
1  4.3  8.9   4.9
2  6.8  4.7   7.8
3  9.6  6.6  10.5In [41]: df.cov()
Out[41]:A         B         C
A  10.689167  4.358333  3.881667
B   4.358333  9.536667 -3.326667
C   3.881667 -3.326667  5.416667

（3）corr()函数，计算相关性

In [42]: df.corr()  # 默认使用pearson方法
Out[42]:A         B         C
A  1.000000  0.431668  0.510129
B  0.431668  1.000000 -0.462855
C  0.510129 -0.462855  1.000000In [43]: df.corr(method='spearman')  # spearman
Out[43]:A    B    C
A  1.0  0.4  0.4
B  0.4  1.0 -0.4
C  0.4 -0.4  1.0In [44]: df.corr(method='kendall')  # kendall
Out[44]:A         B         C
A  1.000000  0.333333  0.333333
B  0.333333  1.000000 -0.333333
C  0.333333 -0.333333  1.000000

（4）rank()函数，生成每个数据的排名。该函数有四种排序方式，具体如下：

In [59]: df
Out[59]:A    B     C
0  2.0  1.6   8.6
1  4.3  8.9   4.9
2  6.8  4.7   7.8
3  9.6  6.6  10.5
3  9.6  6.6  10.5In [60]: df.rank() # 默认使用average的排序方式
Out[60]:A    B    C
0  1.0  1.0  3.0
1  2.0  5.0  1.0
2  3.0  2.0  2.0
3  4.5  3.5  4.5
3  4.5  3.5  4.5In [61]: df.rank(method='min')
Out[61]:A    B    C
0  1.0  1.0  3.0
1  2.0  5.0  1.0
2  3.0  2.0  2.0
3  4.0  3.0  4.0
3  4.0  3.0  4.0In [62]: df.rank(method='max')
Out[62]:A    B    C
0  1.0  1.0  3.0
1  2.0  5.0  1.0
2  3.0  2.0  2.0
3  5.0  4.0  5.0
3  5.0  4.0  5.0In [63]: df.rank(method='first')
Out[63]:A    B    C
0  1.0  1.0  3.0
1  2.0  5.0  1.0
2  3.0  2.0  2.0
3  4.0  3.0  4.0
3  5.0  4.0  5.0

（6）sort_values()函数，对数据进行排序，类似于数据库中的order by

In [70]: df = pd.DataFrame({'A':[2.0,4.3,6.8,9.6],'B':[1.6,8.9,4.7,4.7],'C':[8.6,4.9,20.6,10.5]})In [71]: df.sort_values(by='B')  # 根据某一列进行排序
Out[71]:A    B     C
0  2.0  1.6   8.6
2  6.8  4.7  20.6
3  9.6  4.7  10.5
1  4.3  8.9   4.9In [72]: df.sort_values(by=['B','C'])  # 根据多列进行排序
Out[72]:A    B     C
0  2.0  1.6   8.6
3  9.6  4.7  10.5
2  6.8  4.7  20.6
1  4.3  8.9   4.9

（5）map()函数，把对应的数据逐个当作参数传入到字典或函数中，得到映射后的值。一般的，我只会在以下需求时才会使用map

In [75]: df
Out[75]:A     B
0  1  10.6
1  0  10.5
2  0  10.4
3  2  10.3
4  2  10.8In [76]: d = {0:'a',1:'b',2:'c'}In [77]: df['A'] = df['A'].map(d)In [78]: df
Out[78]:A     B
0  b  10.6
1  a  10.5
2  a  10.4
3  c  10.3
4  c  10.8

（6）apply()函数，apply方法的作用原理和map方法类似，区别在于apply能够传入功能更为复杂的函数

In [82]: df
Out[82]:A     B    C
0  1  10.6  2.6
1  0  10.5  4.9
2  0  10.4  8.6
3  2  10.3  1.3
4  2  10.8  5.5In [83]: df.apply(lambda x:np.max(x),axis=0) # 对列进行操作
Out[83]:
A     2.0
B    10.8
C     8.6
dtype: float64In [84]: df.apply(lambda x:np.max(x),axis=1)  # 对行进行操作
Out[84]:
0    10.6
1    10.5
2    10.4
3    10.3
4    10.8
dtype: float64In [89]: def t1(series):...:     return series[0]+series[1]In [90]: df.apply(t1,axis=1)
Out[90]:
0    11.6
1    10.5
2    10.4
3    12.3
4    12.8
dtype: float64

（7）applymap()函数，对DataFrame中的每个元素执行指定的函数操作

In [91]: df = pd.DataFrame({'A':np.random.randn(5),'B':np.random.randn(5),'C':np.random.randn(5)})In [92]: df
Out[92]:A         B         C
0  1.085963 -0.049214  1.537505
1  1.440422  0.345212  0.314791
2 -0.838936  0.296809  2.172585
3  1.414727 -0.162203  0.203368
4  0.524518  0.537109 -0.487405In [93]: df.applymap(lambda x:round(x,2))
Out[93]:A     B     C
0  1.09 -0.05  1.54
1  1.44  0.35  0.31
2 -0.84  0.30  2.17
3  1.41 -0.16  0.20
4  0.52  0.54 -0.49

3.3 数据运算

（一）Series之间的运算

sereis相加会自动进行数据对齐操作，在不重叠的索引处会使用NA(NaN)值进行填充。其余操作类似。

In [94]: m = pd.Series([1,2,3,4],index=['a','b','c','d'])In [95]: n = pd.Series([1,-1,3,-7,-2],index=['a','e','c','f','g'])In [96]: m+n 
Out[96]:
a    2.0
b    NaN
c    6.0
d    NaN
e    NaN
f    NaN
g    NaN
dtype: float64In [97]: m-n
Out[97]:
a    0.0
b    NaN
c    0.0
d    NaN
e    NaN
f    NaN
g    NaN
dtype: float64In [98]: m*n
Out[98]:
a    1.0
b    NaN
c    9.0
d    NaN
e    NaN
f    NaN
g    NaN
dtype: float64In [99]: m/n
Out[99]:
a    1.0
b    NaN
c    1.0
d    NaN
e    NaN
f    NaN
g    NaN
dtype: float64

（二）DataFrame之间的运算

dataFrame相加时，对齐操作需要行和列的索引都重叠的时候才会相加，否则会使用NA值进行填充。其他操作类似

In [100]: data1 = pd.DataFrame(np.arange(9).reshape(3,3),index=["a","b","c"],columns=["one","two","three"])In [101]: data2 = pd.DataFrame(np.arange(9).reshape(3,3),index=["a","b","e"],columns=["one","two","four"])In [102]: data1+data2
Out[102]:four  one  three  two
a   NaN  0.0    NaN  2.0
b   NaN  6.0    NaN  8.0
c   NaN  NaN    NaN  NaN
e   NaN  NaN    NaN  NaNIn [103]: data1-data2
Out[103]:four  one  three  two
a   NaN  0.0    NaN  0.0
b   NaN  0.0    NaN  0.0
c   NaN  NaN    NaN  NaN
e   NaN  NaN    NaN  NaNIn [104]: data1*data2
Out[104]:four  one  three   two
a   NaN  0.0    NaN   1.0
b   NaN  9.0    NaN  16.0
c   NaN  NaN    NaN   NaN
e   NaN  NaN    NaN   NaNIn [105]: data1/data2
Out[105]:four  one  three  two
a   NaN  NaN    NaN  1.0
b   NaN  1.0    NaN  1.0
c   NaN  NaN    NaN  NaN
e   NaN  NaN    NaN  NaN

（三）DataFrame与Series的混合运算

In [114]: a = pd.Series([2,4,6])In [115]: b = pd.DataFrame(np.arange(9).reshape(3,3))In [116]: b+a  # b中的每一行都与a相加,其余操作类似
Out[116]:0   1   2
0  2   5   8
1  5   8  11
2  8  11  14In [117]: b-a
Out[117]:0  1  2
0 -2 -3 -4
1  1  0 -1
2  4  3  2

查看全文
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！

积攒数月！Java全面的脑图知识点！
制作不易，求求各位点个赞+收藏吧，心情好的爸爸们还望GitHub点个星星，求求你们了GitHub仓库地址 https://github.com/Jirath-Liu/JavaKnowledgeMind...
2024/4/24 9:10:26
2020-05-30
在VS中用vb语言连接了Sql之后执行时弹出未经处理的异常提醒我System.Data.SqlClient.SqlException 用户登录失败这是什么原因啊？？？...
2024/4/24 9:10:24
Qt开发自学7_倒计时和动画显示
20200530实现目标：LCD倒计时完毕后，全屏播放动画布局：TextLabel、LCDNumber，Ctrl+G 栅格布局（二分天下）后，把任何一个隐藏，另一个就全屏头文件中定义：（1）槽函数，（2）倒计时数字 index，（3）计时器 QTimer *myTimer;，（4）动画全局变量 QMovie *movie;，（5）初…...
2024/4/24 9:10:26
TCP 服务器程序突然中断由于send函数导致
最近在写tcp 客户端服务器操作设置服务器为单线程多个客户端连入。开发过程中出现服务器代码运行过程中在send处突然中断情况。通过GDB调试发现send函数报错提示打开文件错误由于测试过程纵单节点反复连入客户端。在client socket关闭情况下调用send函数此时socketfd已被…...
2024/4/24 9:10:25
序列化和反序列化
序列化 ObjectOutStream 对象序列化流把对象以流的方式写入到文件中保存构造方法ObjectOutputStream（OutputStream out） OutputStream out ：自己输出流特有成员方法：writeObjcet（Objcet obj）将指定对象写入ObjcetOutputStream 步骤：创建ObjcetOutputStream对象构造方…...
2024/5/2 23:30:51
【LeetCode】【动规】49. 丑数
丑数 1 题目地址 https://leetcode-cn.com/problems/chou-shu-lcof/2 题目描述我们把只包含因子 2、3 和 5 的数称作丑数（Ugly Number）。求按从小到大的顺序的第 n 个丑数。示例: 输入: n = 10 输出: 12 解释: 1, 2, 3, 4, 5, 6, 8, 9, 10, 12 是前 10 个丑数。说明: 1 是丑…...
2024/4/15 6:22:50
无效的发行版本9.0.1
编译报错，无效的发行版本 https://blog.csdn.net/xiaoliuxiix/article/details/106208314...
2024/4/16 12:24:19
David Silver-强化学习笔记【1.强化学习简介】
David Silver-强化学习笔记【1.强化学习介绍】1.1 强化学习特点1.2 RL相关术语1.2.1 reward1.2.2 environment1.2.3 state 1.1 强化学习特点不存在监督者，训练过程就是试错的过程，根据奖励信号指导行为，不需要提前知道环境的信息（比如不需要提前知道游戏的信息，通过试错知…...
2024/4/16 12:24:49
来学习react创建项目01
起步创建项目： npx create-react-app my-app 打开项目： cd my-app 启动项目： npm start 暴露配置项：npm run ejectcra文件结构 ├── README.md 文档 ├── public 静态资源 ├── src 源码 ├── App.css ├── App.js …...
2024/4/16 12:24:34
分享：nuxt个性化特定页面的 Meta 标签
个性化特定页面的 Meta 标签关于个性化特定页面的 Meta 标签，请参考页面头部配置API。注意: 为了避免子组件中的meta标签不能正确覆盖父组件中相同的标签而产生重复的现象，建议利用 hid 键为meta标签配一个唯一的标识编号。请阅读关于 vue-meta 的更多信息。 ——————…...
2024/4/18 10:35:32
关于Cerr与Cout的区别以及使用场景
在学习使用PCL的过程中注意到，在输出信息时示例代码中没有使用cout，而是使用的Cerr 查阅了相关的信息，但是仍然不是很懂，记录一下后续回来填坑简单总结一下能理解的地方：cerr输出时不经过缓冲，一般用于快速输出标准错误信息 std::cerr(Console Error)，是ISO C++标准错…...
2024/4/16 12:24:44
leetcode429.N叉树的层序遍历
题目大意给定一个 N 叉树，返回其节点值的层序遍历。 (即从左到右，逐层遍历)。例如，给定一个 3叉树 :返回其层序遍历: [[1],[3,2,4],[5,6] ]说明:树的深度不会超过 1000。树的节点总数不会超过 5000。解题思路队列，没了。 class Solution { public:vector<vector<…...
2024/4/19 16:57:22
flutter强制横屏竖屏设置
import package:flutter/services.dart; void main(){// 强制横屏SystemChrome.setPreferredOrientations([DeviceOrientation.landscapeLeft,DeviceOrientation.landscapeRight]);runApp(new MyApp()); }void main(){// 强制竖屏SystemChrome.setPreferredOrientations([Devic…...
2024/4/24 9:10:21
JAVA编写简单日历
JAVA编写简单日历近期了解了一下Date类、DateFormat类和Calendar类的关系以及作用，我就练习着写了一个日历程序。该程序没有什么难点，主要是体会字符串、时间对象、日期对象相互转换的关系。 1，代码 import java.text.DateFormat; import java.text.ParseException; import…...
2024/4/24 9:10:20
虚拟机安装数据库
1、下载虚拟机上要安装的数据库2、打开虚拟机，将下载好的安装包上传到你要安装的路径下此处为了方便，我自己创建了一个文件夹，将安装包传在了自己的文件夹中mkdir /usr/local/src/mysql3、解压安装包的压缩文件tar -xvf Percona-Server-5.6.24-72.2-r8d0f85b-el6-x86_64-…...
2024/4/24 9:10:19
《存储过程》
《存储过程》存储过程也可以看成是函数的一种，而且存储过程中的过程如果放到了开发系统的D层的时候执行效果也是相同的。存储过程是存储在数据库中的一个程序块，里面包含了自己定义的一段程序来实现相应的功能，比如要选择数据库的表里面的记录，就可以使用下面的存储过程的…...
2024/4/24 9:10:18
Android Auto （AA）手机软件安装总结
1. 安装环境软件环境：谷歌服务，谷歌paly商店，推荐直接使用google pixel系列手机。网络环境：可以连接谷歌服务的网络环境。账户环境：开通AA服务地区的google id(美国日本台湾等，注意没有香港)。 2. 软件环境 2.1. 海外原生系统 Google手机自带服务，无需额外操作。 2.2…...
2024/4/24 9:10:17
CSS选择器及选择器优先级总结
（1）元素选择器：选择器是元素，例如：p{属性名:属性值;… } （2）类(class)选择器：.class属性名{属性名:属性值;…}，可有重复，一个元素可有多个class值，用空格隔开。（3）id选择器：#id属性名{属性名:属性值;…}，不能有重复名字（4）复合选择器（交集选择器），可选中…...
2024/4/24 9:10:16
易语言-红绿灯项目教程展示
.版本 2 .支持库 iext.程序集窗口程序集_启动窗口.子程序 _红灯_被选择外形框1.填充颜色＝ #红色外形框2.填充颜色＝ #灰色外形框3.填充颜色＝ #灰色.子程序 _黄灯_被选择外形框1.填充颜色＝ #灰色外形框2.填充颜色＝ #灰色外形框3.填充颜色＝ #黄色.子程序 _绿灯_被…...
2024/4/24 9:10:15
数据结构与算法－链式队列
链式式队列是用链表表示的队列，它是限制仅在表头删除和表尾插入的单链表。显然仅有单链表的头指针不便于在表尾做插入操作，为此再增加一个尾指针，指向链表的最后一个结点。头指针front：指向表头结点，队头元素结点为front->next 。尾指针 rear：指向链表的最后一个结点…...
2024/4/24 9:10:14