【Python 数据分析学习】Pandas的基础和应用（2）

题目

  • 1 数据运算与分析
    • 1.1 算数和比较运算
      • 1.1.1 算数运算
      • 1.1.2 比较运算
    • 1.2 数据排列
    • 1.3 统计分析
      • 1.3.1 基本的统计分析函数
      • 1.3.2 特殊的统计分析函数
      • 1.3.3 检查和处理空值
    • 1.4 分组与聚合
      • 1.4.1 数据分组
      • 1.4.2 数据聚合
    • 1.5 透视交叉表
      • 1.5.1 透视表
      • 1.5.2 交叉表
  • 2 实战演练
    • 2.1 实战 1

1 数据运算与分析

1.1 算数和比较运算

1.1.1 算数运算

Pandas为Series和DataFrame提供了许多算术运算的方法，算术规则是根据行列索引补齐后进行运算，运算结果默认为浮点型，补齐时缺项填充为NaN。

四则运算时：返回一个新的对象，也可以采用相关方法，实现相似的效果，分别是：
.add(d,**argws)
.sub(d,**argws)
.mul(d,**argws)
.div(d,**argws)

  1. 四则运算：索引一样且都为整型。

代码演示：

df1 = pd.DataFrame([np.arange(0,4),np.arange(1,5),np.arange(2,6)])
df2 = pd.DataFrame([np.arange(1,5),np.arange(0,4),np.arange(3,7)])
print("df1:\n",df1)
print("df2:\n",df2)
print("df1+df2:\n",df1+df2)

在这里插入图片描述

  1. 四则运算：索引不一样

代码演示：

df1 = pd.DataFrame([np.arange(0,4),np.arange(1,5),np.arange(2,6),np.arange(2,6)])
df2 = pd.DataFrame([np.arange(1,5),np.arange(0,4),np.arange(3,7)])
print("df1:\n",df1)
print("df2:\n",df2)
print("df1+df2:\n",df1+df2)

在这里插入图片描述

  1. 四则运算，运算DataFrame中的指定的列

代码演示：

df1  = pd.DataFrame(data = {"score": [80,70,60,50], "name1": ["小明", "小红", "小刚", "小华"]})
df2  = pd.DataFrame(data = {"score": [70,60,50,40], "name2": ["李明", "李华", "张兵", "王军"]})
print("df1:\n",df1)
print("df2:\n",df2)
print('df1["score"] - df2["score"]:\n',df1["score"] - df2["score"])

在这里插入图片描述

1.1.2 比较运算

比较运算：只能比较相同索引的元素，而且不进行补齐操作，返回一个布尔型的对象。常见的比较运算有：‘>’，‘<’，‘>=’，‘<=’，‘==’，‘!=’等。

  1. 索引一样，比较全部
    代码演示：
df1 = pd.DataFrame([np.arange(0,4),np.arange(1,5),np.arange(2,6)])
df2 = pd.DataFrame([np.arange(1,5),np.arange(0,4),np.arange(3,7)])
print("df1:\n",df1)
print("df2:\n",df2)
print("df1>df2:\n",df1>df2)

在这里插入图片描述

  1. 索引一样，比较DataFrame中指定的列

代码演示：

df1  = pd.DataFrame(data = {"score": [80,70,60,50], "name1": ["小明", "小红", "小刚", "小华"]})
df2  = pd.DataFrame(data = {"score": [70,60,50,40], "name2": ["李明", "李华", "张兵", "王军"]})print(df1["score"]>df2["score"])

在这里插入图片描述

1.2 数据排列

Pandas提供了数据排序的方法，既可以依据行列的索引排序，也可以依据指定行列索引的数据排序。排序主要利用的方法是sort_index()和sort_values()。

  1. 依据索引排序：采用sort_index(axis=[0,1],ascending=True)方法。通过设置参数axis 实现对行索引和列索引的排序，一般默认升序。
    当axis=1时，实现对列索引的排序；
    当axis=0时，实现对行索引的排序。

代码演示：

arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(data=arr, index = ["a",'b','c'], columns= ["a","b","c","d"])
df.sort_index(axis = 1) #列排序
print("df.sort_index(axis = 1):\n", df)

在这里插入图片描述

  1. 依据数值排序：使用的方法是sort_values(by,axis=0,ascending=True)，其中默认升序，by是axis轴上的某个索引或者索引列表。此外，若含有空值时，统一排序到末尾。

代码演示：

df1  = pd.DataFrame(data = {"score": [80,70,60,50], "name1": ["小明", "小红", "小刚", "小华"]})
df2  = pd.DataFrame(data = {"score": [70,60,50,40], "name2": ["李明", "李华", "张兵", "王军"]})df = df1.sort_values(by = "score",ascending = False)
print("score这一列排序，降序：\n",df)

在这里插入图片描述

1.3 统计分析

1.3.1 基本的统计分析函数

Pandas提供的Series和DataFrame两种数组类型还支持各种统计分析的操作。基本的统计分析函数一般均适用于以上两种数据类型。常见的基本统计函数如下表。

在这里插入图片描述

  1. **describe()**方法返回的结果包括各列的元素个数、均值、标准差、最小值、四分之一分位点、中位数、四分之三分位点和最大值。

代码演示：

df1  = pd.DataFrame(data = {"score": [80,70,60,50], "name": ["小明", "小红", "小刚", "小华"]})
df2  = pd.DataFrame(data = {"score": [70,60,50,40], "name": ["李明", "李华", "张兵", "王军"]})#合并
df = pd.concat([df1, df2])
print(df)
#单独打印最大值
print("score 的最大值：",df["score"].sum())#针对各列的统计汇总
print("针对各列的统计汇总: \n",df.describe())

在这里插入图片描述

  1. **corr()**方法可以返回数值列或指定两个数值列之间的相关系数。

代码演示：

df1  = pd.DataFrame(data = {"score1": [80,70,60,50],"score2": [70,90,50,40], "name": ["小明", "小红", "小刚", "小华"]})
df2  = pd.DataFrame(data = {"score1": [70,60,50,40], "score2": [80,70,90,50],"name": ["李明", "李华", "张兵", "王军"]})#合并
df = pd.concat([df1,df2])
#使用corr函数
print("corr函数：\n",df["score1"].corr(df["score2"]))

在这里插入图片描述

1.3.2 特殊的统计分析函数

对于Pandas数据，由于其类似表格的特性，还支持许多累计统计的分析，为数据分析提供了很大的方便，也成Pandas的一大优势。常见的累计统计分析函数如下表。

在这里插入图片描述

  1. .cumsum()和.cumprod()函数分别返回一个DataFrame，除第一数据外，其余行是前几行（包括本行）数据累加/积的结果。本例中，df.cumsum()和df.cumprod()的结果如下：
arr = np.arange(12).reshape(4,3)
df = pd.DataFrame(data = arr)
print(df)
print("")
print("df.cumsum():\n",df.cumsum())
print("")
print("df.cumprod():\n",df.cumprod())

在这里插入图片描述

  1. .cummax()和.cummin()函数分别返回一个DataFrame，返回值分别为对应列上前几行数据的最大值和最小值。本例中，df.cummax()和df.cummin()的结果如下：

代码演示：

arr = np.arange(12).reshape(4,3)
df = pd.DataFrame(data = arr)
print(df)
print("")
##最大值
print("df.cummax():\n",df.cummax())
print("")#最小值
print("df.cummin():\n",df.cummin())

在这里插入图片描述

  1. 此外，Pandas在统计操作中，还支持滚动计算，利用的函数主要是.rollong(w).sum()等类似函数，其中，w主要是指参与运算的元素数量，其返回值是一个DataFrame，缺失值以NaN补全，df.rolling(2).sum()的结果下：

代码演示：

arr = np.arange(12).reshape(4,3)
df = pd.DataFrame(data = arr)
print(df)
print("")
print(df.rolling(2).sum())

在这里插入图片描述

1.3.3 检查和处理空值

  1. 要检查Pandas DataFrame中是否存在空值，你可以使用 .isnull() 方法结合 .sum() 方法来统计每一列中的空值数量。这里有一个步骤说明如何操作：
    （1）使用.isnull()方法来创建一个布尔DataFrame，其中True表示缺失值，False表示非缺失值。
    （2）对于每个列，使用.sum()方法来计算有多少个True（即缺失值的数量）。
    （3）如果想检查整个DataFrame是否有任何缺失值，可以检查.isnull().sum().sum()的结果是否大于零。

代码演示：

data = {"name":["小李","小红","小明","小刚"],"age":[18,None,18,20],"class":[None,2,None,3]
}
#创建一个DataFrame
df = pd.DataFrame(data)
print(df)
print(".isnull(), 以表格形式打印空值 ：\n",df.isnull())
print(".isnull().sum() 统计每行的空值的个数:\n", df.isnull().sum())
print(".isnull().sum().sum() 统计全部的空值的个数:\n", df.isnull().sum().sum())

在这里插入图片描述

  1. （1）你可以选择用一个固定的值来填充所有的空值，比如0或者某个特定的字符串。
    （2）ffill (前向填充) 或者 bfill (后向填充) 可以用来用前一个或后一个有效值来填充空值。
    （3）可以用某一列的平均值、中位数或众数来填充空值。

代码演示：

data = {"name":["小李","小红","小明","小刚"],"age":[18,None,18,20],"class":[None,2,None,3]
}
#创建一个DataFrame
df = pd.DataFrame(data)
print(df)
# df1 = df.fillna(0,inplace=True) #这里的inplace参数会直接改变原df的值
df1 = df.fillna(0)
print(".fillna(0), 把全部空值填为0：\n" ,df1)
df2 = df.ffill()
print("ffill(), 用前一行对应的数值填充：\n",df2)

在这里插入图片描述

1.4 分组与聚合

1.4.1 数据分组

可以使用groupby()根据索引或字段对数据进行分组，具体的用法如下所示：
DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=<no_default>, observed=False, dropna=True)

说明如下：
在这里插入图片描述
groupby分组后的结果不再是DataFrame类型，而是一个DataFrameGroupBy对象。可以按单列分组，也可以同时按多个列进行分组，如df.groupby([“A”, “B”])表示按A和B两列进行分组。

代码演示：

data = {'A':["数学", "语文","数学", "英语","数学", "语文","英语"],'B':[2001,2003,2005,2003,2001,2005,2004],'C':np.arange(7,14)}
df = pd.DataFrame(data = data)
A_group = df.groupby("A")
print(type(A_group))

在这里插入图片描述

1.4.2 数据聚合

分组后的结果不能直接查看，可以使用聚合运算对分组后数据进行计算，并查看可聚合计算后的结果，常用的数据聚合方法如下表所示：
在这里插入图片描述
单个分组，代码演示：

data = {'A':["数学", "语文","数学", "英语","数学", "语文","英语"],'B':[2001,2003,2005,2003,2001,2005,2004],'C':np.arange(7,14)}
df = pd.DataFrame(data = data)
## 把A分组
A_group = df.groupby("A")
print("使用A的分组, A_group.sum():\n",A_group.count())
## 把B分组
B_group = df.groupby("B")
print("使用B的分组, B_group.sum():\n",B_group.count())

在这里插入图片描述

同时多个分组，代码演示：

data = {'A':["数学", "语文","数学", "英语","数学", "语文","英语"],'B':[2001,2003,2005,2003,2001,2005,2004],'C':np.arange(7,14)}
df = pd.DataFrame(data = data)
## 把A和B同时分组
AB_group = df.groupby(["A","B"])
print("使用AB的分组, AB_group.sum():\n",AB_group.count())

在这里插入图片描述

1.5 透视交叉表

1.5.1 透视表

数据透视表是常用的数据分析工具之一，它可以根据一个或多个指定的维度对数据进行聚合。在python中可以通过pandas.pivot_table函数来实现数据透视表。pandas.pivot_table函数包含5个主要参数及其他可选参数，如下所示：
pandas.pivot_table(data, values=None, index=None, columns=None, aggfunc=‘mean’, fill_value=None, margins=False, dropna=True, margins_name=‘All’, observed=False, sort=True)

说明如下：
在这里插入图片描述
这里我们用df. pivot_table()演示：

  1. 设置一个学校成绩表，里面包含了每人的成绩和班级。假设我们想得到每个班级的最高分和平均分

代码演示：

## 设置一个学校成绩表，里面包含了每人的成绩和班级
data = {"score":[93,95,92,91,96,98],"name":["小明","小华","小红","小东","小刚","小强"],"class":[3,2,1,1,2,1],
}#sort_values("score",ascending = False) 把分数按降序排序
#reset_index(drop = True)  把索引设置为0可是的升序
df = pd.DataFrame(data= data).sort_values("score",ascending = False).reset_index(drop = True)
print(df)#班级作为行进行聚合，列为score，aggafun默认是平均值: 打印每班级的平均值
p1 = df.pivot_table(["score"],index = ["class"])
print('班级作为行进行聚合，列为score，aggafun默认是平均值:\n',p1)#班级作为行进行聚合，列为score，aggafun= max: 打印每班级的最大值
p2 = df.pivot_table(["score"],index = ["class"],aggfunc = "max")
print('班级作为行进行聚合，列为score，aggafun= max:\n',p2)

在这里插入图片描述

  1. 假设我们想得到每个班级的人和分数，可以设置 班级 和 姓名 为行索引

代码演示：

## 设置一个学校成绩表，里面包含了每人的成绩和班级
data = {"score":[93,95,92,91,96,98],"name":["小明","小华","小红","小东","小刚","小强"],"class":[3,2,1,1,2,1],
}# sort_values("score1",ascending = False) 把分数按降序排序
# reset_index(drop = True)  把索引设置为0可是的升序
df = pd.DataFrame(data= data).sort_values("score",ascending = False).reset_index(drop = True)
print(df)#班级和姓名作为行进行聚合，列为score，aggafun默认: 打每班级各个人集合在一起，并打印每人的成绩
p2 = df.pivot_table(["score"],index = ["class","name"])
print('班级和姓名作为行进行聚合，列为score，aggafun默认:\n',p2)

在这里插入图片描述

  1. 同时设置对列的操作，这里设置对score求最大值和平均值。

代码演示：

## 设置一个学校成绩表，里面包含了每人的成绩和班级
data = {"score1":[93,95,92,91,96,98],"score2":[93,9,92,91,96,98],"name":["小明","小华","小红","小东","小刚","小强"],"class":[3,2,1,1,2,1],
}#sort_values("score1",ascending = False) 把分数按降序排序
#reset_index(drop = True)  把索引设置为0可是的升序
df = pd.DataFrame(data= data).sort_values("score1",ascending = False).reset_index(drop = True)
print(df)# #班级作为行进行聚合，列为score，aggafun= {"score1": "max","score2": "mean"}: 同时打印每班级的最大值和平均值
p3 = df.pivot_table(["score1","score2"],index = ["class"],aggfunc ={"score1": "max","score2": "mean"})
print('班级作为行进行聚合，列为score，aggafun={"score1": "max","score": "mean"}:\n',p3)

在这里插入图片描述

1.5.2 交叉表

交叉表是一种特殊的透视表，主要用于计算分组频率。pandas. crosstab函数可以用于制作交叉表，该函数的参数和使用格式如下。
pandas.crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None, margins=False, margins_name=‘All’, dropna=True, normalize=False)

  1. 设置一个学校成绩表，里面包含了每人的成绩和班级。在每个班级中各个分数段有多少人

代码演示：

## 设置一个学校成绩表，里面包含了每人的成绩和班级
data = {"score":[93,95,92,91,95,98],"name":["小明","小华","小红","小东","小刚","小强"],"class":[3,2,1,1,2,1],
}# sort_values("score1",ascending = False) 把分数按降序排序
# reset_index(drop = True)  把索引设置为0可是的升序
df = pd.DataFrame(data= data).sort_values("score",ascending = False).reset_index(drop = True)
print(df)
print("")
# 在每个班级中各个分数段有多少人
p = pd.crosstab(index = df["class"], columns =df["score"])
print("在每个班级中各个分数段有多少人:\n",p)

在这里插入图片描述

  1. 设置一个学校成绩表，里面包含了每人的成绩和班级。在每个班级中各个分数段有多少人，可以使用normalize参数对频率表进行规范化，以显示百分比，而不是计数。另外，还可以将margins参数设置为True，则可以打开汇总(Total)功能。

代码演示：

## 设置一个学校成绩表，里面包含了每人的成绩和班级
data = {"score":[93,95,92,91,95,98],"name":["小明","小华","小红","小东","小刚","小强"],"class":[3,2,1,1,2,1],
}# sort_values("score1",ascending = False) 把分数按降序排序
# reset_index(drop = True)  把索引设置为0可是的升序
df = pd.DataFrame(data= data).sort_values("score",ascending = False).reset_index(drop = True)
print(df)
print("")
# 在每个班级中各个分数段占的百分比
p = pd.crosstab(index = df["class"], columns =df["score"],normalize = True, margins = True)
print("normalize = True,margins = True;在每个班级中各个分数段有多少人:\n",p)

在这里插入图片描述

2 实战演练

2.1 实战 1

  1. 先生成一个数据存入文件

代码演示：

# 设置随机种子以保证结果可复现
np.random.seed(0)# 定义数据列和行数
columns = ['ID', 'Name', 'Age', 'Height', 'City']
n_rows = 1000  # 假设我们想要生成1000行数据# 生成一些示例数据
data = {'ID': range(1, n_rows + 1),'Name': [f'Person_{i}' for i in range(n_rows)], #把人名设置为 Person_**  的形式'Age': np.random.randint(18, 60, size=n_rows), #创建年龄，size参数设置数组元素个数'Height': np.random.randint(170, 191, size= n_rows),  # 身高170-190, size参数设置数组元素个数'City': np.random.choice(['Beijing', 'Shanghai', 'Guangzhou', 'Shenzhen'],size=n_rows) # 随机城市已被限定
}# 创建DataFrame
df = pd.DataFrame(data)#DataFrame对象存入文本文件
df.to_csv("test_1.txt", index = False)
print("存入成功")
  1. 从文件读取数据

代码演示：

##读取数据
df = pd.read_csv("D:/Python_Pycharm/Code/Python_Code/论文_1/数据分析资料包/test_1.txt")
print("读取成功")
print(df)

在这里插入图片描述

  1. 检查数据是否有空值
    代码演示：
#检查数据共有多少空值
print("数据的空值个数:", df.isnull().sum().sum())
  1. 查找身高的最大值和最小值的个人信息

代码演示：

# 找出身高最大值和最小值
Height_max = df["Height"].max()
Height_min = df["Height"].min()# 提取所有身高最大值的行
#根据身高列的最大值和最小值筛选出满足条件的所有行记录。
Height_max_rows = df[df["Height"]==Height_max ]
Height_min_rows = df[df["Height"]==Height_min ]print("所有身高最大值的行：\n",Height_max_rows)
print("所有身高最小值的行：\n",Height_min_rows)

在这里插入图片描述
在这里插入图片描述

  1. 得到最大值和最小值的总数

代码演示：

# 找出身高最大值和最小值
Height_max = df["Height"].max()
Height_min = df["Height"].min()# 使用了布尔索引 (df['Height'] == max_height) 来生成一个布尔Series,对该Series求和
Height_max_sum = (df["Height"]== Height_max).sum()
Height_min_sum = (df["Height"]== Height_min).sum()print("身高最大值的总数：", Height_max_sum)
print("身高最小值的总数：", Height_min_sum)

在这里插入图片描述

  1. 把数据以升高为参照排序

代码演示：

# 把数据以身高为参照#降序
sort1 = df["Height"].sort_values(ascending = False)
print("把数据以身高为参照，排降序:\n",sort1)#升序
#sort2 = df["Height"].sort_values(ascending = True)
sort2 = df["Height"].sort_values() # 参数默认为ascending = True
print("把数据以身高为参照，排升序:\n",sort2)

在这里插入图片描述

  1. 聚合地区可以查看每个地区的人数；聚合身高可以查看每个身高的人数

代码演示：

## 1.4 聚合地区可以查看每个地区的人数；聚合身高可以查看每个身高的人数region1 = df.groupby("City")
print("集合地区，查看每个地区的人数：\n",region1.count())region2 = df.groupby("Height")
print("聚合身高，可以查看每个身高的人数：\n",region2.count())

在这里插入图片描述
在这里插入图片描述

  1. 透视表

代码演示：

# index = ["City"] 城市设置为索引
# values = ["Height","Age"]  身高和年龄设为列组
# aggfunc = "mean"  把身高和年龄的聚合设置为平均数pivot_tab = df.pivot_table(values = ["Height","Age"], index = ["City"], aggfunc = "mean")
print("透视表：\n", pivot_tab)

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.xdnf.cn/news/1534728.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

Centos挂载和删除nfs

Centos挂载和删除nfs

一、Centos挂载nfs 1、安装NFS客户端软件 sudo yum install nfs-utils 2、 创建一个挂载点目录 mkdir -p /mnt/nfs 注意：目录可以随意创建 3、永久挂载nfs 即系统在每次启动后自动挂载NFS共享 （1）编辑 /etc/fstab vim /etc/fstab （2）添加nfs <nfs_server_ip&…
阅读更多...
音视频入门基础：AAC专题（3）——AAC的ADTS格式简介

音视频入门基础：AAC专题（3）——AAC的ADTS格式简介

一、引言 AAC&#xff08;Advanced Audio Coding&#xff09;有两种格式&#xff1a; 1.ADIF&#xff08;Audio Data Interchange Format&#xff0c;音频数据交换格式&#xff09;&#xff1a;整个流中只包含一个Header&#xff08;文件头&#xff09;&#xff0c;不能在任意…
阅读更多...
爆品只是日百商家的表面“风光”

爆品只是日百商家的表面“风光”

前不久&#xff0c;#大学生买爆台州商家的移动收纳筐#的话题上了热搜。现在的大学生相比以前讲究多了&#xff0c;虽然生活费没涨多少&#xff0c;但生活一定要精致。比如&#xff0c;在有限的预算内买各种收纳神器&#xff0c;把宿舍整理地井井有条。 爆品&#xff0c;往往成…
阅读更多...
【2024SpringCloud教程】前言闲聊开篇简介

【2024SpringCloud教程】前言闲聊开篇简介

前言大纲 适合对象&#xff0c;从小白到熟手 前置知识&#xff0c;必要的前置基础知识 紧抓核心&#xff0c;与时俱进学最新&#xff0c;停更技术不用看 突出实战&#xff0c;让天下没有难学的技术 一、适合对象&#xff0c;从小白到熟手 两套课程 springCloud SpringCl…
阅读更多...
90v转5v500MA内置mos芯片方案

90v转5v500MA内置mos芯片方案

在设计一个90V转5V500mA的DC/DC转换器方案时&#xff0c;可以考虑使用AH7550这款150KHz固定频率PWM降压&#xff08;降压&#xff09;DC/DC转换器。AH7550能够以高效率、低纹波和出色的线路和负载调节驱动0.4A负载&#xff0c;且需要最少数量的外部组件&#xff0c;使用简单&am…
阅读更多...
css scrollbar-width: none 隐藏默认滚动条

css scrollbar-width: none 隐藏默认滚动条

.table-box{ flex: 1; overflow-y: scroll; scrollbar-width: none;} scrollbar-width: none; 隐藏默认滚动条
阅读更多...
HAL库学习梳理——I2C

HAL库学习梳理——I2C

笔者跟着B站铁头山羊视频学习 STM32-HAL库 开发教程。下面对HAL库有关 I2C 课程知识和应用做一个梳理。 省流&#xff1a; uint8_t commands[] {0x00, 0x8d, 0x14, 0xaf, 0xa5};HAL_I2C_Master_Transmit(&hi2c1,0x78,commands,sizeof(commands)/sizeof(commands[0]) ,HA…
阅读更多...
灌区信息化发展趋势展望

灌区信息化发展趋势展望

灌区信息化作为现代农业发展的重要组成部分&#xff0c;正逐渐成为提升水资源管理效率、保障粮食安全与促进农业可持续发展的关键途径。随着信息技术的飞速进步和智能化技术的广泛应用&#xff0c;灌区信息化的未来发展趋势展现出多维度、深层次的变革与创新&#xff0c;其发展…
阅读更多...
基坑气膜：创新的绿色施工防护方案—轻空间

基坑气膜：创新的绿色施工防护方案—轻空间

随着我国城市化进程的加快&#xff0c;建筑工地密集施工给城市居民带来了扬尘、噪音等环境问题。基坑气膜作为一种创新的绿色施工技术&#xff0c;正在成为解决这些问题的有效方案。该技术在降低环境污染、保障施工进度和提高施工安全性方面发挥着重要作用&#xff0c;逐渐受到…
阅读更多...
深度学习张量变换操作利器 einops 基础实践

深度学习张量变换操作利器 einops 基础实践

今天在一个项目调试的时候无意间报错&#xff1a; 以前其实并没有怎么多接触过einops&#xff0c;今天正好碰到了&#xff0c;就简单总结记录下。 解决上面的报错很简单&#xff0c;直接pip安装即可&#xff1a; einops 是一个用于操作张量的库&#xff0c;它提供了一种简洁且…
阅读更多...
SpringBoot整合WebSocket实现消息推送或聊天功能示例

SpringBoot整合WebSocket实现消息推送或聊天功能示例

最近在做一个功能&#xff0c;就是需要实时给用户推送消息&#xff0c;所以就需要用到 websocket springboot 接入 websocket 非常简单&#xff0c;只需要下面几个配置即可 pom 文件 <!-- spring-boot-web启动器 --><dependency><groupId>org.springframewo…
阅读更多...
springboot老年康复中心—计算机毕业设计源码27406

springboot老年康复中心—计算机毕业设计源码27406

摘 要 随着互联网趋势的到来&#xff0c;各行各业都在考虑利用互联网将自己推广出法&#xff0c;最好方式就是建立自己的互联网系统&#xff0c;并对其进行维护和管理。在现实运用中&#xff0c;应用软件的工作规则和开发步骤,采用Springboo框架建设老年康复中心信息管理系统。…
阅读更多...
vue2基础系列教程之v-model及面试高频问题

vue2基础系列教程之v-model及面试高频问题

v-model是表单组件里面的核心知识点&#xff0c;这个指令给我们写表单业务带来了很大的方便。 元素标签上的 v-model 指令用于双向绑定数据,它是一个语法糖&#xff0c;可以用于代替 v-bind:value 和 input 例如&#xff1a;<input v-model"message" placeholder…
阅读更多...
用户洞察|从被动养老到主动康养，新康养人群的幸福生活新思路

用户洞察|从被动养老到主动康养，新康养人群的幸福生活新思路

图源&#xff1a;NewAgingPro团队访谈摄影 全龄康养&#xff0c;大势所趋 作者 | NewAgingPro团队 排版 | Lucy 前言 本文将从我国银发经济发展背景出发&#xff0c;结合AgeClub旗下的NewAgingPro新老年商业研究团队持续多年的用户需求调研及访谈分析&#xff0c;深度洞察…
阅读更多...
OpenCV运动分析和目标跟踪（1）累积操作函数accumulate()的使用

OpenCV运动分析和目标跟踪（1）累积操作函数accumulate()的使用

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 将一个图像添加到累积图像中。 该函数将 src 或其部分元素添加到 dst 中&#xff1a; dst ( x , y ) ← dst ( x , y ) src ( x , y ) if mask…
阅读更多...
SQL Server小技巧之遍历日期

SQL Server小技巧之遍历日期

使用背景 一般项目中会遇到&#xff0c;求每日的日报这种&#xff0c;以及计算2个日期内的工作日&#xff0c;或者休息日可能会用到&#xff0c;计算休息日可以用额外的一个字段用来标记当前日期是否是休息日 遍历方式一 DECLARE StartDate DATE 2023-01-01, EndDate DATE …
阅读更多...
SSM基于响应式的网上书店系统—计算机毕业设计源码27119

SSM基于响应式的网上书店系统—计算机毕业设计源码27119

摘 要 随着信息技术在管理上越来越深入而广泛的应用&#xff0c;管理系统的实施在技术上已逐步成熟。管理系统是一个不断发展的新型学科&#xff0c;本文主要通过对响应式的网上书店系统的功能性需求分析&#xff0c;对系统的安全性和可扩展性进行了非功能性需求分析。在详细的…
阅读更多...
【C++】详细介绍类的相关语法概念，this，默认成员函数，static，友元，内部类

【C++】详细介绍类的相关语法概念，this，默认成员函数，static，友元，内部类

目录 1. 类的基本概念 1.1 类的语法 1.2 类的访问限定符 1.3 类的两种定义方式 1.4 类的作用域 1.5 类的实例化 1.6 类对象的大小 2. this指针 2.1 概念 2.2 特性 2.3 面试题 3. 类的六个默认成员函数 3.1 构造函数 3.1.1 特性 3.1.2 默认构造函数 3.1.3 函数…
阅读更多...
高效数据移动指南 | 如何快速实现数据库 MySQL 到 MongoDB 的数据同步？

高效数据移动指南 | 如何快速实现数据库 MySQL 到 MongoDB 的数据同步？

在现代企业中&#xff0c;数据无处不在&#xff0c;贯穿于各个业务环节和系统之间。无论是跨系统的数据集成、多地域的数据协同&#xff0c;还是实时应用的数据同步&#xff0c;数据的一致性和及时性都至关重要。在数字化转型的过程中&#xff0c;如何确保不同系统、地域、设备…
阅读更多...
OCR2.0--General OCR Theory

OCR2.0--General OCR Theory

引领光学字符识别&#xff08;OCR&#xff09;的新篇章 引言&#xff1a;OCR技术进化的必要性 光学字符识别&#xff08;OCR&#xff09;是一项广泛应用的技术&#xff0c;它能够从图像中提取字符并将其转换为可编辑格式。虽然OCR-1.0在过去取得了广泛应用&#xff0c;但传统…
阅读更多...
最新文章

Copyright @ 2022~2023