时间日期处理-pandas
上一篇:时间日期处理-mysql
文章目录
- 1.日期时间类型
- 2. Date times介绍
- 2.1 时间点的创建
- 2.1.1 to_datetime()
- 2.1.1.1 参数及返回形式
- 2.1.1.2 精度及范围限制
- 2.2 Timestamp&DatetimeIndex
- 2.3 date_range()
- 2.2 索引及属性
- 2.2.1索引切片
- 2.2.2 属性
- 3. Time deltas及Data offsets介绍
- 4. resample重采样
- 5. 窗口函数
- 5.1 rolling函数
- 5.2 expanding函数
- 6. 其他常用函数
1.日期时间类型
名称 | 描述 | 元素类型 | 数组类型 | 创建方式 |
---|---|---|---|---|
Date times | 描述特定日期或时间点,类似于datetime库的datetime类型 | Timestamp | DatetimeIndex | to_datetime 或 date_range |
Time deltas | 绝对时间差, 一段时间的绝对大小类似于datetime库的timedeltall类型 (与冬/夏令时有关) |
Timedelta | TimedeltaIndex | to_timedelta或timedelta_range |
Time spans | 由时间点定义的一段时期,与frequency间隔有关 | Period | PeriodIndex | Period或Period_range |
Data offsets | 相对时间差,一段时间的相对大小 (与冬/夏令时无关) |
None | None | DataOffset |
2. Date times介绍
2.1 时间点的创建
2.1.1 to_datetime()
2.1.1.1 参数及返回形式
- pandas.to_datetime() 将给定数据转化为日期时间。
pandas.to_datetime(arg, errors=‘raise’, dayfirst=False, yearfirst=False, utc=None, format=None, exact=True, unit=None, infer_datetime_format=False, origin=‘unix’, cache=True)
常用参数 | 说明 | 备注 |
---|---|---|
arg | 要转化为日期时间的对象 | 可以是 int, float, str, datetime(datetime第三方库), list, tuple, 1-d array, Series,DataFrame/dict-like 形式 |
errors | 错误处理方式 | ‘raise’:解析失败将报错 ’coerce’ 解析失败将被设置为时间数据的null值:NaT ’ignore’:解析失败将返回原输入值。 |
dayfirst | 如果arg是str或类似列表,指定日期解析顺序;bool值 | True:将第一位解析为天,如10/11/12将被解析为2012-11-10 |
yearfirst | 如果arg是str或类似列表,则指定日期解析顺序;bool值 | True:将第一位解析为年,如10/11/12将被解析为2010-11-12 |
format | 明示arg的形式 | 常见的如%d %m %Y |
- pandas.to_datetime()能够解析大部分人类可理解的日期表示;如果因为格式解析失败,可使用format参数强行配置,format可选项看这里
# 如下形式都能正确解析为同一日期
In[15]: pd.to_datetime('2020.1.1') pd.to_datetime('2020-1-1')pd.to_datetime('2020/1/1')pd.to_datetime('20200101')pd.to_datetime('2020.0101')
Out[15]:Timestamp('2020-01-01 00:00:00')# 也能解析unix时间戳
In [36]: pd.to_datetime(1490195805,unit='s')
Out[36]:Timestamp('2017-03-22 15:16:45')In [39]:n pd.to_datetime(1490195805433502912,unit='ns')
Out[39]:Timestamp('2017-03-22 15:16:45.433502912')
# 如下形式解析会报错
In[16]:pd.to_datetime('2020`1`1')pd.to_datetime('2020.1 1')pd.to_datetime('1 1.2020')
# 可利用format参数强行配置
In [20]:pd.to_datetime('2020`1`1',format='%Y`%m`%d')
Out[20]:Timestamp('2020-01-01 00:00:00')In [21]:pd.to_datetime('2020.1 1',format='%Y.%m %d')
Out[21]:Timestamp('2020-01-01 00:00:00')
- 解析失败的可以通过设置参数errors忽略错误,使其他能够正常解析的对象正常显示
# errors='coerce'解析错误将返回NaT
In [30]: pd.to_datetime(['2020`1`1','2020/1/1'],errors='coerce')
Out[30]:DatetimeIndex(['NaT', '2020-01-01'], dtype='datetime64[ns]', freq=None)
# errors='ignore'解析错误将返回原值
In [23]: pd.to_datetime('2020`1`1',errors='ignore')
Out[23]:'2020`1`1'
- 函数返回形式取决于输入形式
输入形式(也就是参数arg形式) | 返回形式 |
---|---|
list-like类似列表形式 | 返回DatetimeIndex |
Series | 返回Series of datetime64 dtype |
标量值 | 返回Timestamp |
# 类似列表形式
In [2]: d = ['20100213','20190918','20200625']pd.to_datetime(d)
Out[2]:DatetimeIndex(['2010-02-13', '2019-09-18', '2020-06-25'], dtype='datetime64[ns]', freq=None)# Series
In [3]: s = pd.Series(['3/11/2000', '3/12/2000', '3/13/2000'])s
Out[3]:0 3/11/20001 3/12/20002 3/13/2000dtype: objectIn [4]: pd.to_datetime(s)
Out[4]:0 2000-03-111 2000-03-122 2000-03-13dtype: datetime64[ns]# 标量
In [5]: pd.to_datetime('20200101')
Out[5]:Timestamp('2020-01-01 00:00:00')# DataFrame多个列组合成一个日期形式
In [34]: df = pd.DataFrame({'year': [2015, 2016],'month': [2, 3], 'day': [4, 5]})pd.to_datetime(df)
Out[34]:0 2015-02-041 2016-03-05dtype: datetime64[ns]
2.1.1.2 精度及范围限制
- Timestamp的精度最小可以精确到ns(纳秒)
- 同时,它带来的范围代价只有大约584年可用的,从1677年到2262年;
可以通过pd.Timestamp.min及pd.Timestamp.max查看时间范围
In [41]:pd.Timestamp.min
Out[41]:Timestamp('1677-09-21 00:12:43.145225')In [42]:max pd.Timestamp.max
Out[42]:Timestamp('2262-04-11 23:47:16.854775807')
2.2 Timestamp&DatetimeIndex
- Timestamp也接受单个str输入,将其转换为日期时间格式。
In [59]: pd.Timestamp('2020-06-26')
Out[59]:Timestamp('2020-06-26 00:00:00')In [60]: pd.to_datetime('2020-06-26')
Out[60]:Timestamp('2020-06-26 00:00:00')
- DatetimeIndex也可以接受列表形式输入,转换为DatetimeIndex形式
In [61]: pd.DatetimeIndex(['2018-01-01', '2018-01-03', '2018-01-05'])
Out[61]:DatetimeIndex(['2018-01-01', '2018-01-03', '2018-01-05'], dtype='datetime64[ns]', freq=None)
2.3 date_range()
- 返回一个固定间隔的DatetimeIndex.
pandas.date_range(start=None, end=None, periods=None, freq=None, tz=None, normalize=False, name=None, closed=None, **kwargs)
参数start、end、periods、freq只要确定了其中三个,另外一个就自动确定了。
freq参数有许多选项看这里
In[13]:pd.date_range(start='2020/1/1',periods=3,freq='D')
Out[13]:DatetimeIndex(['2020-01-01', '2020-01-02', '2020-01-03'], dtype='datetime64[ns]', freq='D')In[14]:pd.date_range(start='2020/1/1',periods=3,freq='M')
Out[14]:DatetimeIndex(['2020-01-31', '2020-02-29', '2020-03-31'], dtype='datetime64[ns]', freq='M')# 也可以使用freq频率的倍数来生成`在这里插入代码片`
In[56]:pd.date_range(start='2020/1/1',periods=3,freq='4D')
Out[56]:DatetimeIndex(['2020-01-01', '2020-01-05', '2020-01-09'], dtype='datetime64[ns]', freq='4D')
2.2 索引及属性
DatetimeIndex对象具有常规Index 对象的所有基本功能,以及一系列用于简化频率处理的高级时间序列特定方法。
2.2.1索引切片
- 与其他Pandas.Series类似,也适用于DateFrame上
- 最好将时间索引按时间顺序排序则,否则其中某些方法可能会出现意外或错误的行为。
In [68]:rng = pd.date_range('2020-01-01', '2020-12-01', freq='BM')In [69]:ts = pd.Series(np.random.randn(len(rng)),index=rng)In [70]:ts.index
Out[77]:DatetimeIndex(['2020-01-31', '2020-02-28', '2020-03-31', '2020-04-30','2020-05-29', '2020-06-30', '2020-07-31', '2020-08-31','2020-09-30', '2020-10-30', '2020-11-30'],dtype='datetime64[ns]', freq='BM')# 1、可以传递能解析为时间日期的字符串:
In [78]:ts['2020-01-31']
Out[78]:0.4828613289035814In [79]: ts['20200131']
Out[79]:0.4828613289035814# 2、为了获取较长时间段,可以传递一个年份或年份和月份的字符串:
In [73]: ts['2020-02']
Out[73]:2020-02-28 -0.194006Freq: BM, dtype: float64In [74]: ts['2020']
Out[74]:2020-01-31 0.4828612020-02-28 -0.1940062020-03-31 0.4949792020-04-30 -0.3407452020-05-29 1.1959662020-06-30 -0.0953832020-07-31 -0.7027012020-08-31 0.6426592020-09-30 -0.9675482020-10-30 0.5376932020-11-30 1.513260Freq: BM, dtype: float64# 切片
In[79]:dft = pd.DataFrame(np.random.randn(100000, 1), columns=['A'],index=pd.date_range('20130101', periods=100000, freq='T'))
In [80]:dft
Out[80]: A2013-01-01 00:00:00 0.2762322013-01-01 00:01:00 -1.0874012013-01-01 00:02:00 -0.6736902013-01-01 00:03:00 0.1136482013-01-01 00:04:00 -1.478427... ...2013-03-11 10:35:00 -0.7479672013-03-11 10:36:00 -0.0345232013-03-11 10:37:00 -0.2017542013-03-11 10:38:00 -1.5090672013-03-11 10:39:00 -1.693043[100000 rows x 1 columns]In [81]:dft['2013-1':'2013-2'] # 从2013-01-01 00:00:00 到 2013-02-28 23:59:59
Out[81]:A
2013-01-01 00:00:00 0.276232
2013-01-01 00:01:00 -1.087401
2013-01-01 00:02:00 -0.673690
2013-01-01 00:03:00 0.113648
2013-01-01 00:04:00 -1.478427
... ...
2013-02-28 23:55:00 0.850929
2013-02-28 23:56:00 0.976712
2013-02-28 23:57:00 -2.693884
2013-02-28 23:58:00 -1.575535
2013-02-28 23:59:00 -1.573517[84960 rows x 1 columns]In [82]: dft['2013-1-12':'2013-2-3'] # 从2013-01-12 00:00:00 到 2013-02-03 23:59:59
In [83]: dft['2013-1-15':'2013-1-15 12:30:00'] #从2013-01-15 00:00:00 到 2013-01-15 12:30:00
2.2.2 属性
- Timestamp & DatetimeIndex形式的可使用以下属性获得相对应的年份、月份等(对应mysql中的时间选取函数):
year、month、day、date、hour、minute…更多看这里
# 接上个代码数据
In [95]: ts.index.day
Out[95]:Int64Index([31, 28, 31, 30, 29, 30, 31, 31, 30, 30, 30], dtype='int64')In [92]:rng = pd.date_range('2020-01-01', '2020-12-01', freq='BM')
In [93]: rng.month
Out[93]:Int64Index([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], dtype='int64')
- 对于含有datetime值的Series,可以使用.dt方式获得如上的属性:
In [98]:s = pd.Series(pd.date_range('2020-01-01', '2020-12-01', freq='BM'))s
Out[98]:
0 2020-01-31
1 2020-02-28
2 2020-03-31
3 2020-04-30
4 2020-05-29
5 2020-06-30
6 2020-07-31
7 2020-08-31
8 2020-09-30
9 2020-10-30
10 2020-11-30
dtype: datetime64[ns]In [97]:s.dt.year
rOut[97]:
0 2020
1 2020
2 2020
3 2020
4 2020
5 2020
6 2020
7 2020
8 2020
9 2020
10 2020
dtype: int64
3. Time deltas及Data offsets介绍
- DataOffset与Timedelta的区别:
- Timedelta绝对时间差的特点指无论是冬令时还是夏令时,增减1day都只计算24小时
- DataOffset相对时间差指,无论一天是23\24\25小时,增减1day都与当天相同的时间保持一致
- 但如果不去管时区及冬/夏令时,两者保持一致
例如,英国当地时间 2020年03月29日,01:00:00 时钟向前调整 1 小时 变为 2020年03月29日,02:00:00,开始夏令时:
In[19]:ts = pd.Timestamp('2020-3-29 01:00:00', tz='Europe/Helsinki')ts + pd.Timedelta(days=1)
Out[19]:Timestamp('2020-03-30 02:00:00+0300', tz='Europe/Helsinki')In[20]: ts + pd.DateOffset(days=1)
Out[20]:Timestamp('2020-03-30 01:00:00+0300', tz='Europe/Helsinki')
- 两个datetime相减是Timedelta形式
Timedelta有属性.days,表示间隔多少天;同样,Series可以用.dt.days调用
另外,还有seconds,microseconds,nanoseconds,但无months,years等
In [117]:delta = pd.Timestamp('2020-06-25') - pd.Timestamp('20200101')delta
Out[117]:Timedelta('176 days 00:00:00')In [118]:delta.days
Out[118]:176In [119]:s = pd.Series(pd.date_range('2020-01-01', '2020-12-01', freq='BM')) sm =pd.Series(pd.date_range('2002-01-01', '2002-12-01', freq='BM'))s-sm
Out[119]:
0 6574 days
1 6574 days
2 6577 days
3 6575 days
4 6573 days
5 6577 days
6 6575 days
7 6576 days
8 6575 days
9 6574 days
10 6576 days
dtype: timedelta64[ns]In [120]:(s-sm).dt.days
Out[120]:
0 6574
1 6574
2 6577
3 6575
4 6573
5 6577
6 6575
7 6576
8 6575
9 6574
10 6576
dtype: int64
4. resample重采样
-
它可以看做时序版本的groupby函数;例如有股票每日的收盘价,想计算每周或每月的(相当于按时间分组)最高的收盘价,可以使用resample函数轻松实现。
-
分为下采样和上采样:
-
下采样downsample:将更高频率的数据聚合大低频率,如将分钟数据聚合到小时数据;
下采样要搭配聚合函数一起使用,先利用resample进行分组,之后在调用聚合函数;当然也可以搭配用户自编的函数。
可以使用agg()或apply()函数
-
上采样upsample:从低频率数据转换为高频率,如将小时数据转换为分钟数据;
不需要搭配聚合函数;新增的高频率会产生缺失值; -
当然也有不属于上面两种的,如将W-WED(每周三)转换到W-FRI(每周五)。
-
-
下采样要搭配聚合函数一起使用,先利用resample进行分组,之后在调用聚合函数;当然也可以搭配用户自编的函数。
resample(
*rule,
axis=0,
closed: Union[str, NoneType] = None,
label: Union[str, NoneType] = None,
convention: str = ‘start’,
kind: Union[str, NoneType] = None,
loffset=None,
base: int = 0,
on=None,
level=None)
对Serise及DataFrame均适用。
常用参数 | 说明 | 参数 | 说明 |
---|---|---|---|
rule | 表明所需采样频率的字符串或DataOffset对象,如‘M’,'5min’等 | axis | 轴向,按行还是列进行采样,默认按行 |
closed | right或left ,表示每段间隔中哪端是包含的 | label | right或left,表示每段间隔中用左端还是右端来标记结果 |
loffset | 对上面label参数显示进行校正,如‘-1s/Second(-1)可以将标签向前移动一秒’ | on | 在DataFrame中,可以使用某一列来替代时序索引,但这列也必须是datetime相关时间类型 |
In [132]: index = pd.date_range('1/1/2000', periods=9, freq='T')series = pd.Series(range(9), index=index)series
Out[132]:
2000-01-01 00:00:00 0
2000-01-01 00:01:00 1
2000-01-01 00:02:00 2
2000-01-01 00:03:00 3
2000-01-01 00:04:00 4
2000-01-01 00:05:00 5
2000-01-01 00:06:00 6
2000-01-01 00:07:00 7
2000-01-01 00:08:00 8
Freq: T, dtype: int64# 下采样# 按3分钟采样,求和
# 结果第一行包含[0秒、1秒、2秒),第二行[3秒,4秒,5秒),第三行[6秒,7秒,8秒),取左侧边作为标签
In [133]: series.resample('3T').sum()
Out[133]:
2000-01-01 00:00:00 3
2000-01-01 00:03:00 12
2000-01-01 00:06:00 21
Freq: 3T, dtype: int64
# 将右侧边作为标签
In [134]: series.resample('3T', label='right').sum()
Out[134]:
2000-01-01 00:03:00 3
2000-01-01 00:06:00 12
2000-01-01 00:09:00 21
Freq: 3T, dtype: int64
# 将区间变为左开右闭( ]
In [138]:series.resample('3T', closed='right').sum()
Out[138]:
1999-12-31 23:57:00 0
2000-01-01 00:00:00 6
2000-01-01 00:03:00 15
2000-01-01 00:06:00 15
Freq: 3T, dtype: int64
# 上采样
# 会产生缺失值,使用asfreq()转换到高频率
In [140]: series.resample('30S').asfreq()[0:5] # 只选前5行数据
Out[140]:
2000-01-01 00:00:00 0.0
2000-01-01 00:00:30 NaN
2000-01-01 00:01:00 1.0
2000-01-01 00:01:30 NaN
2000-01-01 00:02:00 2.0
Freq: 30S, dtype: float64
# 也可以对缺失值进行填充
In [146]:0: series.resample('30S').ffill()[0:5] # 向前填充
Out[146]:
2000-01-01 00:00:00 0
2000-01-01 00:00:30 0
2000-01-01 00:01:00 1
2000-01-01 00:01:30 1
2000-01-01 00:02:00 2
Freq: 30S, dtype: int64In [147]:0:5 series.resample('30S').bfill()[0:5] # 向后填充
Out[147]:
2000-01-01 00:00:00 0
2000-01-01 00:00:30 1
2000-01-01 00:01:00 1
2000-01-01 00:01:30 2
2000-01-01 00:02:00 2
Freq: 30S, dtype: int64
# 使用agg或apply
In [148]:series.resample('3T').agg([np.sum,np.mean,np.max])In [149]:series.resample('3T').apply(lambda x:max(x)-min(x))
5. 窗口函数
pandas常用的两种窗口函数,对Series和DataFrame可以使用
- rolling()
- expanding()
5.1 rolling函数
rolling行为与resample和groupby类似,它通过规定一个window窗口,搭配聚合函数使用或者调用agg或apply使用。
rolling(
window,
min_periods=None,
center=False,
win_type=None,
on=None,
axis=0,
closed=None)
参数 | 说明 | 参数 | 说明 |
---|---|---|---|
window | 表示移动窗口的大小,用于聚合的观测值个数;每个窗口是固定大小 可以是offset或int型 |
min_periods | 在窗口中需要的最小观测值个数。一般默认是window窗口的大小。如果是offset指定的窗口,则默认为1 |
center | bool型,如果为True,表示以当前label为窗口中心,向两边取值;默认为False,表示以当前label为窗口下侧,向上取值 | win_type | 提供一个窗口类型。如果为None,则对所有点进行平均加权 |
on | 对于DataFrame,是类似于日期时间的列或MultiIndex级别,在该列或MultiIndex级别上计算滚动窗口,而不是DataFrame的索引 | axis | 默认为0 |
closed | 区别包含两端的情况: ‘right’, ‘left’, ‘both’ or ‘neither’;offset指定的窗口默认为’right’;固定窗口默认为‘both’ |
- rolling要求window窗口中所有的值必须是非NA的,特别是在数据起始位置拥有的数据是少于窗口空间的。
- 可使用min_periods参数,在数据少于窗口空间的按min_period规定的个数计算,等到后面满足window窗口大小后再按window窗口大小计算。
In [2]:df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) df
In [3]:df.rolling(2).sum()
# 将window为2,min_periods设为1,在索引为3处,应计算【2+Nan】的和为Nan,但因为min_periods可以为1,故可以只取一个数,取非Nan数,故为2.
In [4]:df.rolling(2, min_periods=1).sum()
结果如下:
5.2 expanding函数
- 普通的expanding函数等价与rolling(window=len(s),min_periods=1),是对序列的累计计算。
- 比如df.expanding().sum()就等同于cumsum函数,另外还有cumprod/cummax/cummin等都是特殊expanding累计计算方法
df.expanding(min_periods=1, center=False, axis=0)
In [6]:df.expanding().sum()
结果如下:
6. 其他常用函数
- shift:移位
1、在不改变索引情况下,将数值进行简单的向前或向后移位
2、在时序作为索引的情况下,配合freq参数,可以推移时间序列索引,而不是值
In [8]: ts = pd.Series(np.random.randn(4),index = pd.date_range('2000-1-1',periods=4,freq='M'))ts
Out[8]:
2000-01-31 1.016599
2000-02-29 -1.346529
2000-03-31 0.573616
2000-04-30 0.212093
Freq: M, dtype: float64# 不改变索引,推移值
In [9]: ts.shift(2)
Out[9]:
2000-01-31 NaN
2000-02-29 NaN
2000-03-31 1.016599
2000-04-30 -1.346529
Freq: M, dtype: float64In [10]:ts.shift(-2)
Out[10]:
2000-01-31 0.573616
2000-02-29 0.212093
2000-03-31 NaN
2000-04-30 NaN
Freq: M, dtype: float64# 推移时间序列索引,不改变值
In [12]:ts.shift(2,freq='M')
Out[12]:
2000-03-31 1.016599
2000-04-30 -1.346529
2000-05-31 0.573616
2000-06-30 0.212093
Freq: M, dtype: float64In [13]:ts.shift(3,freq='D')
Out[13]:
2000-02-03 1.016599
2000-03-03 -1.346529
2000-04-03 0.573616
2000-05-03 0.212093
dtype: float6
- diff
指前后值的差,period参数表示间隔,默认为1,并且可以为负
In [14]: ts.diff()
Out[14]:
2000-01-31 NaN
2000-02-29 -2.363128
2000-03-31 1.920145
2000-04-30 -0.361523
Freq: M, dtype: float64
- pct_change
是前后值变化的百分比,period参数与diff类似
In [16]: ts.pct_change()
Out[16]:
2000-01-31 NaN
2000-02-29 -2.324543
2000-03-31 -1.425996
2000-04-30 -0.630253
Freq: M, dtype: float64
【参考资料】
1.datawhalechina/joyful-pandas
2.pandas官方文档
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
- 我的JAVA笔记之根据传入日期找到该月最后一天的日期
我的JAVA笔记之根据传入日期找到该月最后一天的日期 思路: 1. 传入一个格式为(yyyy-MM-dd)的字符串 2. 将字符串解析为日期对象 3. 获取日历对象,将日期设置为你传入的日期 4. 将日历对象的月份+1,并设置为1号(比如你传的是2020-6-23,这儿就设置为了2020-7-1) 5. 再将日历对象的…...
2024/4/18 0:15:39 - 如何让自己的网页更容易被搜索引擎搜索到
不知道有没有跟我一样的新手小伙伴刚开始写博客没什么人气,又苦苦追求访问量,我也是最近才知道能向站长平台提交链接或sitemap文件以使自己的网站被收录 部分站长平台 360站长 必应站长 百度站长 谷歌站长 以百度站长为例 进入百度站长后,在以下红框处输入你要收录的链接,然…...
2024/4/10 18:14:49 - vivado ILA在线逻辑仪使用
目录:1、在线逻辑分析仪简介2、HDL 实例化调试探针流程(实验-闪烁灯)3、Hardware Manager中观察调试信号4、网表插入调试探针流程(实验-闪烁灯) 1、在线逻辑分析仪简介 在线逻辑分析仪借用了传统逻辑分析仪的理念以及大部分的功能,并利用 FPGA 中的逻辑资源,将这些功能植…...
2024/4/17 5:47:16 - 继承AppCompatActivity的setContentView(R.layout.activity_main)内部流程
之前上一篇的写了继承Activity的setContentView(R.layout.activity_main)的过程,其实继承AppCompatActivity大体上是一样的流程,只是多出几个新的类:AppCompatDelegate 它的实现类AppCompatDelegateImpl拿到Window和PhoneWindow,DecorView,走一下AppCompatDelegateImpl.set…...
2024/5/3 1:59:05 - nuxt——让store持久化,刷新页面不清除store
前言: 我们有时候在项目中储存的store数据只要一刷新页面,数据就被清空了,在其他页面加载的时候就获取不到数据了,但是咱们又没有办法控制用户不允许刷新页面,所以咱们来解决了它,解决思路就是利用浏览器的本地存储,localStorage或者sessionStorage,监听页面要离开或者…...
2024/4/19 17:23:16 - Table 对象报错找不到 select 方法: Cannot resolve overloaded method ‘select‘
报错信息: Cannot resolve overloaded method ‘select’ 原因没有导入隐士转换: import org.apache.flink.table.api.scala._...
2024/4/16 12:02:50 - SpringBoot+Vue+Nginx+ssl 前后端分离项目部署
SpringBoot+Vue+Nginx+ssl 前后端分离项目部署部署所需部署Vue项目部署SpringBoot项目双证书,双域名配置 部署所需 将项目部署在Linux上,需要这些东西域名: 在腾讯云购买的域名,并且在域名解析中添加二级域名作为API的域名,域名可以不需要没有; SSL证书: 在腾讯云可免费…...
2024/4/16 12:04:20 - java面试——2021字节跳动校招提前批后端工程师笔试以及解答
1面试的总结的经验是对输入和输出的IO模板要熟悉2输出的结果的运行31假定操作系统是采用的是32位整数的为进程号的。当创建新的进程的时候需要找到最小的未使用的是进程ID输入:一行是表示的n 不超过是2^20接下来是的n中已经存在的id正整数的2^31 不保证排序输入实例:512346输…...
2024/4/16 12:03:56 - 一文让你搞懂RabbitMQ基本概念,带你入门RabbitMQ
RabbitMQ RabbitMQ是实现了高级消息队列协议(AMQP)的开源消息代理软件(亦称面向消息的中间件)。RabbitMQ服务器是用Erlang语言编写的,Erlang语言在数据交互方面性能优秀,有着和原生Socket一样的延迟,这也是RabbitMQ高性能的原因所在。而集群和故障转移是构建在开放电信平…...
2024/4/16 12:03:56 - 网络学习-6.VLAN
1.VLAN的定义 VLAN(Virtual Local Area Network)虚拟局域网。一个二层网络可以被划分为多个不同的广播域,默认情况下这些不同的广播域是相互隔离的,这样的一个广播域就称为VLAN。一个VLAN就是一个广播域,不同的广播域之间想要通信,需要通过一个或多个路由器。 广播域是指…...
2024/4/16 12:04:25 - pytorch 手写GRU
刚开始想直接https://discuss.pytorch.org/t/where-to-find-torch-c-variablefunctions-module/41305/5https://github.com/pytorch/pytorch/blob/master/aten/src/ATen/native/RNN.cpp...
2024/4/20 17:14:13 - java字符串反转
利用 StringBuffer 或 StringBuilder 的 reverse 成员方法:public static String reverse1(String str) {return new StringBuilder(str).reverse().toString();}利用 String 的 toCharArray 方法先将字符串转化为 char 类型数组,然后将各个字符进行重新拼接:public static St…...
2024/4/18 7:21:30 - Spring实战(第4版)学习(一)
Spring实战(第4版)学习 Spring实战(一)装配Bean 本章内容: 声明bean 构造器注入和Setter方法注入 装配bean 控制bean的创建和销毁1.1 Spring配置的可选方案 描述bean如何进行装配时,Spring具有非常大的灵活性,它提供了三种主要的装配机制: 1.在XML中进行显式配置。 2.在…...
2024/4/16 12:06:13 - Undefined citation warnings/I found no \citation commands --while
latex 插入文献,使用菜单键进行编译时一直出错,换成在命令行编译,成功了 elsarticle-template-num是.tex文件的名字 依次四个命令: pdflatex elsarticle-template-num #使用pdflatex compile bibtex elsarticle-template-num #使用bibtex compile pdflatex elsarticle-temp…...
2024/4/16 12:04:54 - jackson.ObjectMapper里enableDefaultTyping方法过期
enableDefaultTyping过期的原因是存在漏洞【阿里云上的漏洞公告】Jackson框架enableDefaultTyping方法反序列化漏洞 漏洞名称Jackson框架enableDefaultTyping方法反序列化漏洞官方评级高危漏洞描述该漏洞是由于Jackson框架enableDefaultTyping方法存在Java反序列化代码执行漏洞…...
2024/4/16 12:04:19 - 逻辑分析仪的使用-Logic
...
2024/4/6 16:51:43 - 使用SMS中的“选择/删除数据”工具
您是否有一个项目需要选择网格或网格的特定区域以正确收集该区域的必要数据?例如,也许您需要在桥梁区域中选择网格元素,以便可以细化元素。为了实现这两个目的,有两种选择。一种选择是通过选择单个单元格,元素或节点,直接在已建立的网格或网格内更改属性。在大型网格或网…...
2024/4/4 21:04:05 - PHP面试汇总基础(一)
文章转载在自有微信公众平台“码农快讯”阅读原文(码农快讯)1.什么是面向对象,有何特征?说到面向对象,不得不说之前的面向过程开发,面向过程是“自上而下”的开发,先写好主体,然后再添砖加瓦,同时在软件系统越来越复杂的情况下,面向过程开发缺点逐渐突出:难以复用,…...
2024/4/18 18:21:37 - 牛客15071 数一数
链接 点击跳转 题解 这个fff函数其实很容易等于000的,如果sss不是ttt的子串,这个函数就等于000了 而他让求的是一个乘法式子,乘法式子中只要有一项等于000,整个式子就等于000了 而我们知道,一个串不可能成为比他还短的串的子串,所以只有最短的串的答案才不等于000 进一步…...
2024/4/16 12:05:30 - Git基础教程
Git基础教程简介 Git作为世界上最先进的分布式版本控制系统,被广泛应用于开发领域,其配合Github进行软件开发成为了最主流的团队开发方式。本文主要介绍如何本地使用Git进行版本控制以及基本的远程仓库推送。 安装 访问官方网站,选择合适的版本下载,对于Windows这里选择64位…...
2024/4/16 12:04:54
最新文章
- EasyRecovery2024汉化版电脑数据恢复软件下载
EasyRecovery是一款功能强大的数据恢复软件,其主要功能包括但不限于以下几点: 硬盘数据恢复:能够扫描本地计算机中的所有卷,建立丢失和被删除文件的目录树,实现硬盘格式化、重新分区、误删数据、重建RAID等硬盘数据恢…...
2024/5/3 11:22:56 - 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 - 贪心算法|376.摆动序列
力扣题目链接 class Solution { public:int wiggleMaxLength(vector<int>& nums) {if (nums.size() < 1) return nums.size();int curDiff 0;int preDiff 0;int result 1;for (int i 0; i < nums.size() - 1; i) {curDiff nums[i 1] - nums[i];if ((pre…...
2024/5/3 1:30:00 - 数字时代的风向标:Facebook如何引领社交媒体的发展方向
引言 在当今数字时代,社交媒体已经成为人们生活中不可或缺的一部分,而Facebook作为其中的领军者,不仅影响着亿万用户的生活,也在塑造着整个社交媒体行业的发展方向。本文将深入探讨Facebook在数字时代的地位、影响力以及对社交媒…...
2024/5/3 3:17:36 - 【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