Pandas库的使用教程,每个程序都配图,两万字保姆教学轻松学会
Pandas库的使用教程
大家好!我是未来村村长!就是那个“请你跟我这样做,我就跟你那样做!”的村长👨🌾!
import pandas as pd
一、Series的构造
series可以保存任何类型的数据的一维标记数组。
pandas.Series(data,index,dtype,copy)
① 默认构造
import pandas as pdS1 = pd.Series([1,2,3,4,5,6])
print(S1)
ps:
S1.index #表示获取索引值
② 指定索引
S2 = pd.Series([1,2,3],index=['A','B','C'])
③ 可根据索引切片访问
S3 = S2[1:2]
二、DataFrame的构造
pandas.DataFrame(data,index,columns,dtype,copy)
1、创建
① 使用数组创建
array = [[1,2,3],[3,4,5]]
df = pd.DataFrame(array)
print(df)
print(type(df))
② 使用字典创建
dict = {'name':["pl","zkt"],'age':[20,21]}
df = pd.DataFrame(dict)
print(df)
print(type(df))
ps:
df.head(3) #显示前三行数据
2、操作
① 指定列的顺序
dict = {'name':["pl","zkt"],'age':[20,21]}
df = pd.DataFrame(dict)
#===
df2 = pd.DataFrame(df,columns=['age','name','house'])
#===
print(df2)
不存在的列作缺失值补充
三、Series的基本功能
1、概览
参数 | 说明 |
---|---|
axes | 返回行轴标签列表 |
dtype | 返回对象的数据类型 |
empty | 如果系列为空,返回True |
ndim | 返回底层数据的维数,默认定义1 |
size | 返回基础数据中的元素数 |
values | 将系列作为ndarray返回 |
head | 返回前n行 |
tail | 返回最后n行 |
用numpy随机生成若干数据
import pandas as pd
import numpy as np
S1 = pd.Series(np.random.randn(5))
print(S1)
2、实例
① axes
S1.axes
查看行轴标签的列表
② dtype
S1.dtype
查看系列的数据类型
③ empty
S1.empty
查看系列是否为空
④ ndim
S1.ndim
返回系列的维度,此处返回1
⑤ size
S1.size
返回系列的长度,此处为5
⑥ values
S1.values
返回一个系列的实际数据,为数组类型
⑦ head
S1.head(3)
返回一个系列的前三行,可自定义行数,默认为5
⑧ tail
S1.tail(3)
返回一个系列的后三行,可自定义行数,默认为5
四、DataFrame的基本功能
1、总览
参数 | 说明 |
---|---|
axes | 返回一个列,行轴标签和列轴标签作为唯一成员 |
dtype | 返回对象的数据类型 |
empty | 如果数据完全为空,返回True |
ndim | 返回底层数据的维数 |
size | 返回基础数据中的元素个数 |
values | 将系列作为NumPy(矩阵)返回 |
head | 返回前n行 |
tail | 返回最后n行 |
T | 转置行和列 |
shape | 返回DataFrame的维度的元组 |
使用之前创建的DataFrame
dict = {'name':["pl","zkt","zc"],'age':[20,21,22]}
df = pd.DataFrame(dict)
2、实例
① axes
df.axes
查看DataFrame行轴和列轴标签的列表
② dtype
df.dtype
查看DataFrame的数据类型
③ empty
df.empty
查看DataFrame是否为空
④ ndim
df.ndim
返回DataFrame的维度,此处返回2
⑤ size
df.size
返回DataFrame的数据个数,此处为6
⑥ values
df.values
返回DataFrame的实际数据,为数组类型
⑦ head
df.head(2)
返回一个DataFrame的前三行,可自定义行数,默认为5
⑧ tail
df.tail(2)
返回一个DataFrame的后三行,可自定义行数,默认为5
⑨ T
df.T
⑩ shape实例
df.shape
返回数据有几行几列
3、增加列或行,删除列或行
① 增加新列
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
dateFrame = pd.Series(pd.date_range('2021/10/28',periods=9)).values
df['时间'] = dateFrame
print(df)
直接通过df[‘新增列属性名’]=[数组内容]进行新增
② 增加新行
#有两个表df1,df2
pd.concat([df1,df2]) #普通纵向合并
#通过设置ignore_index的值对合并的表生成新的索引
pd.concat([df1,df2],ignore_index = True)
#当两个表中有重叠的数据时,使用drop_duplicates()去除重复数据
pd.concat([df1,df2],ignore_index = True).drop_duplicates()
df1 = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
df2 = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息2.csv',header=0)
df3 = pd.concat([df1,df2])
print(df3)
df1 = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
df2 = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息2.csv',header=0)
#通过设置ignore_index的值对合并的表生成新的索引
df3 = pd.concat([df1,df2],ignore_index = True)
print(df3)
df1 = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
df2 = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息2.csv',header=0)
#当两个表中有重叠的数据时,使用drop_duplicates()去除重复数据
df3 = pd.concat([df1,df2],ignore_index = True).drop_duplicates()
print(df3)
③ 删除行或列
删除列:通过del或drop函数
df1 = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
print(df1)
del df1['地点']
df1.drop(['评论人数'],axis=1,inplace=True)
print(df1)
删除行:drop函数默认删除行,若要删除列则令参数axis=1
df1 = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
df1.drop([0,1,2,3],inplace=True)
print(df1)
④ 条件增加实例
def getlevel(score):if score < 60:return "bad"elif score < 80:return "mid"else:return "good"def test():data = {'name': ['lili', 'lucy', 'tracy', 'tony', 'mike'],'score': [85, 61, 75, 49, 90]}df = pd.DataFrame(data=data)# 两种方式都可以# df['level'] = df.apply(lambda x: getlevel(x['score']), axis=1)df['level'] = df.apply(lambda x: getlevel(x.score), axis=1)print(df)
五、数据的读取和写入
1、总览
① 读取
read_ + 文件格式
文件格式有excel、csv、hdf、sql、json、html等
② 写入
to_ + 文件格式
文件格式同上,有excel、csv、hdf、sql、json、html等
2、CSV格式读取操作
pd.read_csv(
filepath_or_buffer, #文件的存储路径,可以用r转义
encoding, #默认编码utf-8,可以指定,encoding=‘gbk’
sep, #指定分隔符形式,csv默认逗号,不用指定
header, #指定第一行是否为列名,header=0(表示第一行数据为列名),header=None表示数据无列名
names, #指定列名,当header=0,可以用names替换,当header=None,可用names增加,当header无参数时,用names增加,原文件数据第一行依然保留
usecols, #可以指定读取的列名
index_col, #指定那几列作为索引
skiprows, #需要忽略的行数
nrows, #需要读取的行数
)
① 基础实例
#coding=gbk
import pandas as pddata = pd.read_csv("C:/Users/官二的磊子/Desktop/总体信息.csv")
print(data)
② 增加属性列名
data = pd.read_csv("C:/Users/官二的磊子/Desktop/总体信息.csv",names=['店铺名称','评论分数','人均价格','口味评价','环境评价','服务评价'])
③ 替换属性列名
data = pd.read_csv("C:/Users/官二的磊子/Desktop/总体信息.csv",header=0,names=['店铺名称','评论分数','人均价格','口味评价','环境评价','服务评价'])
3、CSV格式写入操作
pd.read_csv(
filepath_or_buffer, #文件的写入路径,可以用r转义
mode=‘w’, #指定写入方式
encoding, #默认编码utf-8,可以指定,encoding=‘gbk’
na_rep, #缺失值表示字符串,默认为“ " ”
sep, #指定分隔符形式,csv默认逗号,不用指定
index=True, #是否写入行索引
header=True, #是否写入列属性名
columns=None, #要写入的字段
)
ps:mode=‘w’ 写入模式,默认为w
mode | 说明 |
---|---|
r | 只能读, 必须存在, 可在任意位置读取 |
w | 只能写, 可以不存在, 必会擦掉原有内容从头写 |
a | 只能写, 可以不存在, 必不能修改原有内容, 只能在结尾追加写, 文件指针无效 |
r+ | 可读可写, 必须存在, 可在任意位置读写, 读与写共用同一个指针 |
w+ | 可读可写, 可以不存在, 必会擦掉原有内容从头写 |
a+ | 可读可写, 可以不存在, 必不能修改原有内容, 只能在结尾追加写, 文件指针只对读有效 (写操作会将文件指针移动到文件尾) |
① 操作实例
#coding=gbk
import pandas as pddata = pd.read_csv("C:/Users/官二的磊子/Desktop/总体信息.csv",header=0,names=['店铺名称','评论分数','人均价格','口味评价','环境评价','服务评价'])
data.to_csv("C:/Users/官二的磊子/Desktop/总体信息修改版.csv",mode='a+',index=False,header=False,encoding='gbk',sep='|')
六、索引器
读取DataFrame后,有时候需要用Numpy进行处理,就会涉及用行列索引去取到对应取值。
1、总览
方法 | 说明 |
---|---|
df.loc() | 基于标签 |
df.iloc() | 基于整数 |
df.ix | 基于标签和整数 |
2、loc属性
df.loc[,]前者为选择的行,后者为选择的列,需指定标签
- loc[val]:通过标签从dataframe中选择单行或行子集
- loc[:,val]:通过标签选择列
- loc[val,val]:通过标签同时选择行和列
- df[val]
#coding=gbk
import pandas as pddata = pd.read_csv("C:/Users/官二的磊子/Desktop/总体信息.csv",header=0,names=['店铺名称','评论分数','人均价格','口味评价','环境评价','服务评价'])
print(data.loc[:,['口味评价','环境评价','服务评价']])
3、iloc属性
df.iloc[,]前者为选择的行,后者为选择的列,需指定数字
- iloc[where]
- iloc[:,where]
- iloc[where,where]
print(data.iloc[2:4,3:6])
4、ix属性
ix是前两者的混合
在python3已经弃用。。。
七、数据基础操作
1、数据合并
pd.merge(
left, #一个DataFrame对象
right, #另外一个DataFrame对象
on=None, #on用于连接列的名称,必须在左和右DataFrame对象中存在
left_on=None, #左侧DataFrame中的列索引用作其连接键,可以是列名或长度等于DataFrame长度的数组
right_on=None, #右侧DataFrame的列索引用作连接键,可以是列名或长度等于DataFrame长度的数组
left_index=Falese, #如果为True,则使用左侧DataFrame中的行索引(行标签)作为其连接键
right_index=False, #如果为True,则使用右侧DataFrame中的行索引(行标签)作为其连接键
how=‘inner’, #left、right、outer、inner是四个不同的连接方式
sort=True, #设置为False可以提高性能,默认对结果进行排序
)
Merge method | SQL Join Name | Description |
---|---|---|
left | LEFTOUTER JOIN | 左连接,在两张表进行连接查询时,会返回左表所有的行,即使右表没有可匹配的记录 |
right | RIGHT OUTER JOIN | 右连接,在两张表进行连接查询时,会返回右表所有的行,即使左表没有可匹配的记录 |
outer | FULL OUTER JOIN | 全连接,在两张表进行连接查询时,返回左表和右表中观察的所有行 |
inner | INNER JOIN | 内连接,在两张表进行连接查询时,只保留两表完全匹配的结果集 |
① 默认连接方式
import pandas as pddf1 = pd.DataFrame({'key':['a','b','c','d','a','b'],'var1':range(6)})
df2 = pd.DataFrame({'key':['a','b','d'],'var2':range(3)})
print(df1,'\n',df2)
df3 = pd.merge(df1,df2)
print(df3)
将左右两边都有的参数合在一起,若存在缺失值则将舍去改行
② 列名不同,指定列名保留合并
import pandas as pddf1 = pd.DataFrame({'lkey':['a','b','c','d','a','b'],'var1':range(6)})
df2 = pd.DataFrame({'rkey':['a','b','d'],'var2':range(3)})
df3 = pd.merge(df1,df2,left_on='lkey',right_on='rkey')
print(df3)
③ 左连接
import pandas as pddf1 = pd.DataFrame({'key':['a','b','c','d','a','b'],'var1':range(6)})
df2 = pd.DataFrame({'key':['a','b','d'],'var2':range(3)})
df3 = pd.merge(df1,df2,how="left")
print(df3)
④ 右连接
import pandas as pddf1 = pd.DataFrame({'key':['a','b','c','d','a','b'],'var1':range(6)})
df2 = pd.DataFrame({'key':['a','b','d'],'var2':range(3)})
df3 = pd.merge(df1,df2,how="right")
print(df3)
⑤ 全连接
import pandas as pddf1 = pd.DataFrame({'key':['a','b','c','d','a','b'],'var1':range(6)})
df2 = pd.DataFrame({'key':['a','b','d'],'var2':range(3)})
df3 = pd.merge(df1,df2,how="outer")
print(df3)
2、数据累计和分组
① 分组
按一个属性进行分组
df = pd.DataFrame({'key':['a','a','b','b','a','b'],'var1':range(6)})
df2 = df.groupby('key')
print(df2)#查看分组返回信息
print(df2.groups)#查看分组结果
按两个属性进行分组
df = pd.DataFrame({'key1':['a','a','b','b','a','b'],'var1':range(6),'key2':['c','c','f','f','a','b']})
df2 = df.groupby(['key1','key2'])
print(df2.groups)
将一个组取出来
df = pd.DataFrame({'key1':['a','a','b','b','a','b'],'var1':range(6),'key2':['c','c','f','f','a','b']})
df2 = df.groupby(['key1','key2'])
print(df2.get_group(('a','c')))
ps:注意此处是用()将多个属性组成的组组起来,要现分组才能取出组
3、数据聚合
可以对分组数据执行多个聚合操作
聚合函数总览如下:
函数 | 说明 |
---|---|
count | 分组中的总行数 |
sum | 非空值的和 |
mean | 非空值的算术平均数 |
median | 非空值的算数中位数 |
std | 无偏标准差和方差 |
min,max | 最值 |
prod | 非空值的积 |
first,last | 第一个和最后一个非空值 |
df['属性名'].agg(np.函数名)
df['环境'].函数名()
① 计算每组某一属性的均值
import pandas as pd
import numpy as npdf = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
print(df)
df2 = df.groupby('地点')
df3 = df2['评论分数'].agg(np.mean)
print('==========分组均值===========')
print(df3)
② 查看分组后数据大小情况
import pandas as pd
import numpy as npdf = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
df2 = df.groupby('地点')
df3 = df2.agg(np.size)
print('==========分组大小===========')
print(df3)
④ 和、均值、标准差
import pandas as pd
import numpy as npdf = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
df2 = df.groupby('地点')
df3 = df2[['人均价格','评论分数']].agg([np.sum,np.mean,np.std])
print('=========和、均值、标准差============')
print(df3)
⑤ describe函数
Pandas库为数据帧提供了describe方法,可以一次性计算出每一列上的若干常用统计值
print('===========整体描述==========')
df2 = df.describe()
print(df2)
print('===========分组描述==========')
df3 = df.groupby('地点').describe().T
print(df3)
print('=========分组指定列描述============')
df4 = df.groupby('地点')[['评论分数','人均价格']].describe().T
print(df4)
ps:这里指定列的时候要用[[‘xxx’,‘yyy’]]双中括号
4、时间序列处理
① 日期序列创建
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
df['时间'] = pd.date_range('2021/10/28',periods=9)
print(df)
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
df['时间'] = pd.period_range('2021/10/28',freq='M',periods=9)
print(df)
这个函数不加参数freq作用与date_range()相同,推荐使用,M表示月,Y表示年,默认为D表示日
还有各函数bdata_range默认频率为工作日,时间创建其实不常用,一般是要我们取处理已有的时间数据。
② 字符串与日期格式的转换
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
df['时间'] = ['20180501','20210601','20190701','20190901','20190101']
print(df)
df['时间'] = pd.to_datetime(df['时间'])
print(df)
③ 通过日期索引访问
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
df['时间'] = ['20180501','20210601','20190701','20190901','20190101']
df2 = pd.DataFrame(df.values,index=pd.to_datetime(df['时间']).values,columns=['店铺名称','评论分数','评论人数','人均价格','口味','环境','服务','地点','时间'])
print(df2)
print(df2.loc['2019'])
八、缺失数据处理
我们先制造一点缺失值。
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息2.csv',header=0)
print(df)
① 缺失值检查
df[:].isnull()
② 缺失值计算
在进行数据计算时,我们将NA视为0,如果数据全部是NA,则结果将是NA。
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息2.csv',header=0)
print(df['环境'].sum()/7)
print(df['环境'].mean())
由此可知,将Na作0处理,计算均值时分母将缺失行算入,所以缺失值处理较为重要
③ 缺失值填充
df2 = df.fillna({'评论分数':4.5,'地点': '贵州'})
df3 = df.fillna(0)
print(df2)
print('===============分割线==============')
print(df3)
④ 缺失值丢弃
DataFrame.dropna(axis=0, how=‘any’, thresh=None, subset=None, inplace=False)
函数作用:删除含有空值的行或列
-
axis:维度,axis=0表示index行,axis=1表示columns列,默认为0
-
how:"all"表示这一行或列中的元素全部缺失(为nan)才删除这一行或列,"any"表示这一行或列中只要有元素缺失,就删除这一行或列
-
thresh:一行或一列中至少出现了thresh个才删除。
-
subset:在某些列的子集中选择出现了缺失值的列删除,不在子集中的含有缺失值得列或行不会删除(有axis决定是行还是列)
-
inplace:刷选过缺失值得新数据是存为副本还是直接在原数据上进行修改。
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息2.csv',header=0)
print(df)
df2 = df.dropna(subset=['地点'])
print(df2)
九、统计函数
1、数值函数
① 变化百分比
将该列或行(axis=1)上的元素,两两比较给出变化值。
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
print(df['人均价格'].pct_change())
② 协方差
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0)
print(df['服务'].cov(df['口味']))
③ 相关系数
DataFrame.corr(method=‘pearson’, min_periods=1)
-
参数说明:
- method:可选值为{‘pearson’, ‘kendall’, ‘spearman’}
- pearson:Pearson相关系数来衡量两个数据集合是否在一条线上面,即针对线性数据的相关系数计算,针对非线性数据便会有误差。
- kendall:用于反映分类变量相关性的指标,即针对无序序列的相关系数,非正态分布的数据
- spearman:非线性的,非正态分析的数据的相关系数
- min_periods:样本最少的数据量
- method:可选值为{‘pearson’, ‘kendall’, ‘spearman’}
-
返回值:各类型之间的相关系数DataFrame表格。
print(df['人均价格'].corr(df['环境']))
print(df['人均价格'].corr(df['口味']))
print(df['人均价格'].corr(df['服务']))
print(df['评论分数'].corr(df['口味']))
print(df['评论分数'].corr(df['环境']))
print(df['评论分数'].corr(df['服务']))
由此可见,店铺评论分数和口味、服务关系较大,评分与环境的相关性较小。
人均价格和口味成负相关表示,越贵的东西可能期待越高,容易导致口味评分降低。
以上是随便说说。
2、字符串操作
最常用的替换示例
df = pd.read_csv(r'C:\Users\官二的磊子\Desktop\总体信息.csv',header=0,names=['店铺名称','评论分数','评论人数','人均价格','口味','环境','服务'])
for i in range(len(df['口味'])):df.loc[i,'口味'] = df['口味'][i].replace('口味:','')df.loc[i,'环境'] = df['环境'][i].replace('环境:', '')df.loc[i,'服务'] = df['服务'][i].replace('服务:', '')df.loc[i,'人均价格'] = df['人均价格'][i].replace('人均:','')df.loc[i,'人均价格'] = df['人均价格'][i].replace('元', '')
print(df)
df['口味'] = pd.to_numeric(df['口味'])
df['环境'] = pd.to_numeric(df['环境'])
df['服务'] = pd.to_numeric(df['服务'])
df['评论分数'] = pd.to_numeric(df['评论分数'])
df['人均价格'] = pd.to_numeric(df['人均价格'])
pandas推荐实用df.loc[行标签,列标签]去访问元素,否则会发出警告,但是像df[列标签][行标签]这样去取也可以。较为复杂的数据情况可用正则表达式取提取数值类型。最后要将str类型通过pd.to_numeric转换为int或float类型。
3、描述性统计
参数 | 说明 |
---|---|
mean | 平均值 |
median | 中位数 |
min,max | 最值 |
pct_change | 变化百分比 |
std | 样本标准差 |
sum | 和 |
var | 方差 |
abs | 绝对值 |
kurt | 样本峰度 |
mad | 与平均值的平均绝对偏差 |
prod | 数组元素乘积 |
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
- Excel VBA简单语法
摘要: 该文为想要学习VBA编程的会计和编程同学有使用VBA实现Excel自动化处理和一定的个性化定制Excel操作提供参考 第一篇为::VBA简单语法 第二篇为: Excel 编写第一个简单的VBA程序 第三篇为:Excel VBA简单需求实践,包含对Excel基本的读取,校验,复写操作 GitHub文件下载地址:点…...
2024/5/2 22:48:52 - 怎么把*.exe文件加到右键菜单中
Q1:怎么把*.exe文件加到右键菜单中?问:安全起见,有些文件我都要用文件粉碎器粉碎(一款绿色小软件),但每次都要先将粉碎器打开再拖曳,很麻烦。能否直接把粉碎器程序加到右键菜单中,这样只要右击就可以调用了?答:可在记事本中输入以下代码,并保存为install.reg注册表…...
2024/5/2 19:28:53 - Mybatis配置的settings详解
1. useActualParamName : sql语句多个参数没有添加param注解时,使用参数的形式 true:[arg0 - argn, param0 - paramn] false:[0 - n, param0 - paramn]...
2024/5/2 22:48:48 - 深圳龙华周边公司团建烧烤野炊的农家乐
农庄农场=自给自足,回归原始农耕,用最简单的工具最好的食材亲手做出最美味食物。农庄位于深圳宝安田中园有机农场,距离市区仅30分钟路程,离机场仅需十多分钟。农庄果园内常年绿树成荫、花香鸟语。行走果园,…...
2024/5/2 22:48:43 - 《算法零基础100讲》(第10讲) 因子分解和枚举(C语言题解)
今日题解1492. n 的第 k 个因子1362.最接近的因数1492. n 的第 k 个因子 说句实话,这道题好水呀,这种难度的题也被放在中等难度。 直接遍历,时间复杂度为O(n),遍历区间为[1,n],如果n % i 0,k–…...
2024/5/2 22:48:40 - B站黑马c++学习笔记 —— 通讯录案例
通讯录案例 1.1 add.h 1.2 add.cpp 1.3 通讯录.cpp 1.1 add.h #include<iostream> #include<string> using namespace std;struct person {string name;string sex;int age;string tele;string addr; };void title(); void print2(int a); void search(bool * …...
2024/5/2 22:48:36 - C++11并发与多线程笔记(3)线程传参详解,detach()大坑,成员函数做线程函数
文章目录1、传递临时参数作为线程参数1.1、要避免的陷阱(解释1)1.2、要避免的陷阱(解释2)1.3、总结2、临时对象作为线程参数的测试方法2.1 线程id2.2 临时对象构造时机抓捕3、传递类对象、智能指针作为线程参数3.1 传递类对象3.2 …...
2024/5/2 22:48:31 - 求今年过了多少天
题目描述: 求今年共过去多少天。 代码展示: #include<stdio.h>int sumday(int year, int month, int day);int main() {int year, month, day, days;scanf("%d/%d/%d", &year, &month, &day);days sumday(year, month, …...
2024/5/2 22:48:27 - C语言第二章 数据类型 运算符和表达式
...
2024/5/2 22:48:24 - web应用功能测试2——MOOCTEST
web应用功能测试2——MOOCTESTgirlbbs代码运行结果girlbbs http://114.215.176.95:60509/girl-bbs/index.jsp 代码 Example.java import org.openqa.selenium.chrome.ChromeDriver; import org.openqa.selenium.interactions.Actions; import org.openqa.selenium.WebDrive…...
2024/5/2 22:48:20 - CS和MRA算法
CS(component substitution,成分替换) 将MS分为空间分量和光谱分量,用PAN图像替换空间分量来增强变换的MS图像。PAN图像和被替换的分量之间的相关性越大,这种融合方法引入的失真越低。在替换发生之前,执行PAN图像与所…...
2024/5/2 22:48:15 - 《算法零基础》第10讲:因子分解和枚举(部分)
前言 原文章出处专栏为: 算法零基础100讲 若你也想学好算法与数据结构,请跟着他的脚步: 英雄哪里出来 目录前言LeetCode 1492. n的第k个因子分析代码LeetCode 1362. 最接近的因数分析代码LeetCode 1492. n的第k个因子 原题链接: 1492. n的…...
2024/5/2 22:48:13 - 监督学习与无监督学习
监督学习 用一个例子介绍什么是监督学习把正式的定义放在后面介绍。 假如说你想预测房价。前阵子,一个学生从波特兰俄勒冈州的研究所收集了一些房价的数据。你把这些数据画出来,看起来是这个样子: 横轴表示房子的面积,单位是平…...
2024/5/2 22:48:07 - Js设置动态的key指
可以在外面动态的设置key值 var data {}; data[key1] "哈哈哈"; var variable key2; data[variable] "嘿嘿嘿"; data.key3 "也行";console.log(data); //{key1: "哈哈哈",key2: "嘿嘿嘿",key3: "也行"}可以…...
2024/5/2 22:48:05 - 计算机网络知识点(一)
目录 第一章 引言 1.1 基本概念 1.2 网络分类 1.2.1 依据传输模式划分网络 1.2.2 依据网络尺度划分网络 1.3 服务、接口与协议 1.3.1 协议层次结构 1.3.2 服务和协议的关系 1.3.3 面向连接与无连接的服务 1.3.4 可靠和不可靠的服务 1.4 参考模型 1.4.1 OSI模型 1.…...
2024/5/2 22:48:00 - TPO 按主题刷题记录
生态学阅读 2021.10.28 TPO 2 -The Origins of Cetaceans 文章概要题,选项说太细就有问题 TPO 4 -Deer Populations of the Puget Sound 重新做题,总结题中词和题...
2024/5/2 22:47:55 - 推荐算法分类
1. 什么是推荐算法 推荐算法最早在1992年就提出来了,但是火起来实际上是最近这些年的事情,因为互联网的爆发,有了更大的数据量可以供我们使用,推荐算法才有了很大的用武之地。 最开始,所以我们在网上找资料ÿ…...
2024/5/2 22:47:52 - Synchronized和Lock有什么区别
1.原始构成 Synchronized是关键字属于JVM层面, monitorenter(底层是通过monitor对象来完成,其实wait/notify等方法也依赖montior对象只有在同步块或方法中才能调用wait/notify等方法) Lock是具体类(java.util.concurrent.locks.Lo…...
2024/5/2 22:47:47 - 孤尽班第二次课
孤尽班第二次课 数据库设计的规范 表 字段 命名 必须使用小写字母 或者数字禁止出现数字开头禁止两个下划线中间只出现数字不使用 建表强制规约 数据类型 – 小数类型为 decimal 货币数量使用最小货币单位, 数据类型为bigint字符串长度几乎相等 使用char 定长的数据类型为…...
2024/5/2 22:47:44 - Java-猜数字游戏
前言 90年代的同学一定看过香港节目,超级无敌奖门人,是否记得里面有个游戏是猜数字的,默认一个数字在1~100之间猜,每个人猜一个数字,没猜中就缩减数字范围,一直到猜中了头顶的气球就会爆开,是不…...
2024/5/2 22:47:40
最新文章
- WIFI/BT中蓝牙的硬件资源是如何调度的 UART和PCM接口传输的是什么信号
安卓或IOS手机中,wifi/bt中的蓝牙是如何调度硬件资源的,尤其是UART和PCM是如何分配的。M.2 wifi/bt模块或其他形式的模块中,蓝牙是如何调度硬件资源的,尤其是UART和PCM是如何分配的。今天我们就图文并茂的解决这个问题。 蓝牙文件…...
2024/5/3 11:14:41 - 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 - 【Java】假如把集合体系看作购物中心
购物中心入口:Java集合框架 “Java集合广场”的购物中心,这是一个集合了各种奇特商店的地方,每个商店都充满了不同的宝藏(数据结构)。 一楼:基础集合区 - Collection接口 一楼是基础集合区,这…...
2024/5/2 2:40:27 - 解析大语言模型训练三阶段
大语言模型的训练过程一般包括3个阶段:预训练(Pre-training)、SFT(有监督的微调,Supervised-Finetuning)以及RLHF(基于人类反馈的强化学习,Reinforcement Learning from Human Feedb…...
2024/5/2 22:48:30 - 【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