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:
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
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
- 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
最新文章
- 结合创新!频域+时间序列,预测误差降低64.7%
频域时间序列不仅能提供更丰富的信息,还能提高模型性能和预测准确性。对于论文er来说,是个可发挥空间大、可挖掘创新点多的研究方向。 具体来说: 通过将复杂的时间序列数据转换成简单的频率成分,我们可以更容易地捕捉到数据的周期…...
2024/5/3 0:51:49 - 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…...
2024/3/20 10:50:27 - Linux nsenter命令全面解析
Linux nsenter命令是一个强大的工具🛠️,用于进入到已存在的命名空间(Namespace)中执行命令。由于Linux的命名空间技术是构建容器技术的基础,nsenter因此成为了容器管理和调试中不可或缺的工具🐳。本文将从…...
2024/4/30 2:51:34 - 算法四十天-删除排序链表中的重复元素
删除排序链表中的重复元素 题目要求 解题思路 一次遍历 由于给定的链表是排好序的,因此重复的元素在链表中的出现的位置是连续的,因此我们只需要对链表进行一次遍历,就可以删除重复的元素。 具体地,我们从指针cur指向链表的头节…...
2024/5/1 13:07:13 - ps教程谁教的好
在Photoshop(PS)教程方面,有多位老师被推荐为教学水平较高。以下是一些被提及的老师: 敬伟:被认为是很多人的PS启蒙老师,提供基本功能介绍与高级效果案例,教学风格被认为是免费且不拖沓的。1…...
2024/5/1 10:02:52 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/1 17:30:59 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/5/2 16:16:39 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/4/29 2:29:43 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/5/2 9:28:15 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/4/27 17:58:04 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/4/27 14:22:49 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/4/28 1:28:33 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/4/30 9:43:09 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/4/27 17:59:30 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/5/2 15:04:34 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/4/28 1:34:08 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/4/26 19:03:37 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/4/29 20:46:55 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/4/30 22:21:04 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/1 4:32:01 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/4/27 23:24:42 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/4/28 5:48:52 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/4/30 9:42:22 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/5/2 9:07:46 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/4/30 9:42:49 - 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