Python酷库之旅-第三方库Pandas(047)

目录

一、用法精讲

166、pandas.Series.max方法

166-1、语法

166-2、参数

166-3、功能

166-4、返回值

166-5、说明

166-6、用法

166-6-1、数据准备

166-6-2、代码示例

166-6-3、结果输出

167、pandas.Series.mean方法

167-1、语法

167-2、参数

167-3、功能

167-4、返回值

167-5、说明

167-6、用法

167-6-1、数据准备

167-6-2、代码示例

167-6-3、结果输出

168、pandas.Series.median方法

168-1、语法

168-2、参数

168-3、功能

168-4、返回值

168-5、说明

168-6、用法

168-6-1、数据准备

168-6-2、代码示例

168-6-3、结果输出

169、pandas.Series.min方法

169-1、语法

169-2、参数

169-3、功能

169-4、返回值

169-5、说明

169-6、用法

169-6-1、数据准备

169-6-2、代码示例

169-6-3、结果输出

170、pandas.Series.mode方法

170-1、语法

170-2、参数

170-3、功能

170-4、返回值

170-5、说明

170-6、用法

170-6-1、数据准备

170-6-2、代码示例

170-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

166、pandas.Series.max方法
166-1、语法
# 166、pandas.Series.max方法
pandas.Series.max(axis=0, skipna=True, numeric_only=False, **kwargs)
Return the maximum of the values over the requested axis.If you want the index of the maximum, use idxmax. This is the equivalent of the numpy.ndarray method argmax.Parameters:
axis{index (0)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.For DataFrames, specifying axis=None will apply the aggregation across both axes.New in version 2.0.0.skipnabool, default True
Exclude NA/null values when computing the result.numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.**kwargs
Additional keyword arguments to be passed to the function.Returns:
scalar or scalar
166-2、参数

166-2-1、axis(可选，默认值为0)： 指定在哪个轴上计算最大值，对于Series，通常这个参数是固定的，因为Series是一维的。

166-2-2、skipna(可选，默认值为True)： 指定是否跳过NaN值，如果设置为True(默认情况)，NaN值将被忽略，计算时只考虑非空值；如果设置为False，结果将是NaN，如果存在NaN值。

166-2-3、numeric_only(可选，默认值为False)： 指定是否仅考虑数值类型的数据，如果设为True，非数值类型的数据将被排除在最大值计算之外；如果设为False，则所有类型的数据将被考虑。

166-2-4、**kwargs(可选)： 其他关键字参数，以后可能用于扩展方法的功能。

166-3、功能

166-3-1、查找最大值: 提供了一个简单的方式来快速找到数据中的最大值。

166-3-2、选项灵活: 通过参数设置，用户可以根据需要选择是否考虑NaN值或限制计算的数据类型。

166-4、返回值

166-4-1、最大值: 如果Series中存在有效的数值，返回最大的数值。

166-4-2、NaN: 如果Series中的值都为NaN，并且skipna=True，则返回NaN。

166-4-3、数据类型: 返回值与Series中的数据类型一致，例如整数、浮点数等。

166-5、说明

        使用场景：

166-5-1、数据分析：在数据分析中，快速找出某一列或某一特征的最大值，可以帮助分析人员了解数据的范围和分布。

166-5-2、图表可视化：在准备绘制图表时，了解最大值可以帮助设置合适的图表范围，以确保数据恰当地呈现。

166-5-3、异常值检测：当需要识别数据中的异常值时，获取最大值可以与其他统计测量(如均值和标准差)结合使用，帮助识别潜在的异常数据点。

166-5-4、时间序列分析：在时间序列数据中，可以用max方法来找出某一时间段内的最大值，这对趋势分析和预测都非常有用。

166-6、用法
166-6-1、数据准备
无
166-6-2、代码示例
# 166、pandas.Series.max方法
import pandas as pd
# 创建一个包含 None 值的示例 Series
data_with_none = pd.Series([1, 3, 5, 7, None])
# 计算最大值，默认情况下 skipna=True，忽略 NaN 值
max_value_default = data_with_none.max()
print(f"Max value (default, skip NaN): {max_value_default}")
# 计算非空值的最大值，显式设置 skipna=True
max_value_skipna = data_with_none.max(skipna=True)
print(f"Max value (skip NaN): {max_value_skipna}")
# 计算包括 NaN 的情况下的最大值
max_value_include_nan = data_with_none.max(skipna=False)
print(f"Max value (include NaN): {max_value_include_nan}")
# 创建一个包含混合类型数据的 Series
mixed_data = pd.Series([1, 'a', 3, None])
# 仅计算数值类型的最大值
# 使用 apply 方法配合 lambda 函数过滤出数值类型数据，然后计算最大值
max_numeric = mixed_data.apply(pd.to_numeric, errors='coerce').max()
print(f"Max numeric value (only numbers): {max_numeric}")
166-6-3、结果输出
# 166、pandas.Series.max方法
# Max value (default, skip NaN): 7.0
# Max value (skip NaN): 7.0
# Max value (include NaN): nan
# Max numeric value (only numbers): 3.0
167、pandas.Series.mean方法
167-1、语法
# 167、pandas.Series.mean方法
pandas.Series.mean(axis=0, skipna=True, numeric_only=False, **kwargs)
Return the mean of the values over the requested axis.Parameters:
axis{index (0)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.For DataFrames, specifying axis=None will apply the aggregation across both axes.New in version 2.0.0.skipnabool, default True
Exclude NA/null values when computing the result.numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.**kwargs
Additional keyword arguments to be passed to the function.Returns:
scalar or scalar
167-2、参数

167-2-1、axis(可选，默认值为0)：对Series无影响，仅对DataFrame中有效。

167-2-2、skipna(可选，默认值为True)：是否跳过NaN值，如果设置为False，则如果Series中存在NaN值，返回值会是NaN。

167-2-3、numeric_only(可选，默认值为False)：对Series无影响，仅在DataFrame中有意义。

167-2-4、**kwargs(可选)：其他关键字参数，为后续扩展其他功能做预留。

167-3、功能

        用于计算一个Pandas Series中数值数据的平均值(算术平均数)。

167-4、返回值

        返回一个浮点数，表示Series中数值元素的平均值。如果Series中没有数值元素，或者所有元素都是NaN，那么返回值会是NaN。

167-5、说明

        使用场景：

167-5-1、数据清理和预处理：在处理和清理数据时，计算平均值可以帮助识别异常值和缺失值。例如，可以计算某列数值的平均值来填补缺失数据，或者用于检测数据中的异常值。

167-5-2、描述性统计分析：平均值是描述性统计分析中的一个基本指标，通过计算平均值，可以快速了解数据的集中趋势，这在报告和数据可视化中非常有用。

167-5-3、财务分析：在财务数据分析中，平均值可以用于计算股票价格的平均值、收益率的平均值、费用的平均值等，这些平均值可以帮助分析趋势和做出投资决策。

167-5-4、实验和科学研究：在科学研究中，平均值用于分析实验结果。例如，在生物学研究中，可以计算某一组实验数据的平均值来比较不同处理条件下的效果。

167-5-5、教育和考试成绩分析：在教育领域，平均成绩用于评估学生的总体表现，可以计算单个学生的平均成绩，或者整个班级、学校的平均成绩，以了解学习情况和制定改进计划。

167-5-6、监控和绩效评估：在工业和企业管理中，平均值用于监控生产效率和员工绩效。例如，计算每天生产的平均数量或员工的平均工作时间，帮助优化资源配置和提高效率。

167-5-7、健康和医学数据分析：在健康和医学领域，平均值用于分析病人的体检数据、治疗效果等。例如，可以计算病人的平均血糖值、平均心率等，以评估健康状况。

167-6、用法
167-6-1、数据准备
无
167-6-2、代码示例
# 167、pandas.Series.mean方法
# 167-1、数据清理和预处理
import pandas as pd
import numpy as np
# 创建示例数据
data = pd.DataFrame({'column_with_nans': [1, 2, np.nan, 4, 5, np.nan, 7]
})
# 使用平均值填补缺失数据
data['column_with_nans'] = data['column_with_nans'].fillna(data['column_with_nans'].mean())
print(data, end='\n\n')# 167-2、描述性统计分析
import pandas as pd
# 创建示例数据
data = pd.DataFrame({'col1': [10, 20, 30, 40],'col2': [15, 25, 35, 45],'col3': [20, 30, 40, 50]
})
# 计算并打印多个列的平均值
print(data[['col1', 'col2', 'col3']].mean(), end='\n\n')# 167-3、财务分析
import pandas as pd
# 创建示例股票数据
stock_data = pd.DataFrame({'closing_price': [150, 155, 160, 148, 153, 157]
})
# 计算股票价格的平均值
average_stock_price = stock_data['closing_price'].mean()
print(f"Average stock price: {average_stock_price}", end='\n\n')# 167-4、实验和科学研究
import pandas as pd
# 创建示例实验数据
experiment_data = pd.DataFrame({'treatment_group': [5.2, 6.1, 5.8, 6.5],'control_group': [4.9, 5.0, 4.7, 5.2]
})
# 计算实验组和对照组的平均值
experiment_group_mean = experiment_data['treatment_group'].mean()
control_group_mean = experiment_data['control_group'].mean()
print(f"Treatment group mean: {experiment_group_mean}")
print(f"Control group mean: {control_group_mean}", end='\n\n')# 167-5、教育和考试成绩分析
import pandas as pd
# 创建示例学生成绩数据
student_scores = pd.Series([85, 90, 78, 92, 88])
# 计算学生的平均成绩
student_average_score = student_scores.mean()
print(f"Student's average score: {student_average_score}", end='\n\n')# 167-6、监控和绩效评估
import pandas as pd
# 创建示例生产数据
production_data = pd.DataFrame({'daily_output': [120, 130, 125, 135, 140]
})
# 计算每天的平均生产量
average_daily_production = production_data['daily_output'].mean()
print(f"Average daily production: {average_daily_production}", end='\n\n')# 167-7、健康和医学数据分析
import pandas as pd
# 创建示例医学数据
medical_data = pd.DataFrame({'blood_sugar': [90, 85, 88, 92, 87, 95]
})
# 计算病人的平均血糖值
average_blood_sugar = medical_data['blood_sugar'].mean()
print(f"Average blood sugar level: {average_blood_sugar}")
167-6-3、结果输出
# 167、pandas.Series.mean方法
# 167-1、数据清理和预处理
#    column_with_nans
# 0               1.0
# 1               2.0
# 2               3.8
# 3               4.0
# 4               5.0
# 5               3.8
# 6               7.0# 167-2、描述性统计分析
# col1    25.0
# col2    30.0
# col3    35.0
# dtype: float64# 167-3、财务分析
# Average stock price: 153.83333333333334# 167-4、实验和科学研究
# Treatment group mean: 5.9
# Control group mean: 4.95# 167-5、教育和考试成绩分析
# Student's average score: 86.6# 167-6、监控和绩效评估
# Average daily production: 130.0# 167-7、健康和医学数据分析
# Average blood sugar level: 89.5
168、pandas.Series.median方法
168-1、语法
# 168、pandas.Series.median方法
pandas.Series.median(axis=0, skipna=True, numeric_only=False, **kwargs)
Return the median of the values over the requested axis.Parameters:
axis{index (0)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.For DataFrames, specifying axis=None will apply the aggregation across both axes.New in version 2.0.0.skipnabool, default True
Exclude NA/null values when computing the result.numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.**kwargs
Additional keyword arguments to be passed to the function.Returns:
scalar or scalar
168-2、参数

168-2-1、axis(可选，默认值为0)：对Series无影响，仅对DataFrame中有效。

168-2-2、skipna(可选，默认值为True)：是否跳过NaN值，如果设置为False，则如果Series中存在NaN值，返回值会是NaN。

168-2-3、numeric_only(可选，默认值为False)：对Series无影响，仅在DataFrame中有意义。

168-2-4、**kwargs(可选)：其他关键字参数，为后续扩展其他功能做预留。

168-3、功能

        提供一种简便的方法来计算数据序列的中位数，尤其是在数据中可能存在缺失值(NaN)的情况下，通过使用skipna参数，用户可以选择是否忽略这些缺失值。

168-4、返回值

        返回值是一个浮点数或数值，表示该Series的中位数，如果所有数据均为缺失值且skipna设置为False，则返回值为NaN。

168-5、说明

        使用场景：

168-5-1、数据集中的中心趋势分析：中位数是描述数据集中心趋势的一个重要统计量，与均值相比，中位数对于极端值(离群值)不敏感，因此在数据集存在离群值时，使用中位数可以更准确地反映数据的中心趋势。

168-5-2、数据清洗和预处理：在处理包含缺失值的数据集时，中位数常用于填补缺失值，因为它不会受到极端值的影响，通过计算每列的中位数，可以对缺失值进行合理的填补，从而保留数据集的整体趋势。

168-5-3、离群值检测：中位数也可用于离群值检测。在一组数据中，如果某个值与中位数的偏差较大，则可能是一个离群值，通过计算每个数据点与中位数的绝对偏差，可以识别出异常数据点。

168-5-4、分组数据的中位数计算：在对数据进行分组分析时，可以使用中位数来描述每个分组的中心趋势，特别是在不同类别的数据分布不均匀时，中位数提供了一种更稳健的统计描述。

168-5-5、财务数据分析：在财务数据分析中，中位数常用于描述收入、支出等数据的中心趋势。例如，在分析公司员工的薪酬分布时，中位数可以更好地反映大多数员工的薪酬水平，避免被少数高薪员工的数据拉高均值。

168-5-6、医学数据分析：在医学数据分析中，中位数常用于描述患者某项生理指标的典型值。例如，在分析某种疾病的患者血压数据时，中位数可以更准确地反映大多数患者的血压水平，避免受到极端值的干扰。

168-5-7、教育数据分析：在教育数据分析中，中位数可以用于描述学生考试成绩的典型水平，通过计算班级或学校的成绩中位数，可以了解大多数学生的成绩水平，进而评估教学效果。

168-6、用法
168-6-1、数据准备
无
168-6-2、代码示例
# 168、pandas.Series.median方法
# 168-1、数据清洗和预处理
import pandas as pd
import numpy as np
data = pd.Series([10, 15, np.nan, 20, 25])
median_value = data.median(skipna=True)
print(median_value)
data.fillna(median_value, inplace=True)
print(median_value)
data = pd.Series([10, 12, 14, 1000, 16])
median_value = data.median()
print(median_value, end='\n\n')# 168-2、金融数据分析
import pandas as pd
import numpy as np
# 股票价格分析
prices = pd.Series([100, 102, np.nan, 105, 107])
median_price = prices.median(skipna=True)
prices.fillna(median_price, inplace=True)
print(median_price)
# 市场中位数计算
weekly_prices = pd.Series([100, 101, 102, 103, 104, 105, 106])
median_weekly_price = weekly_prices.median()
print(weekly_prices, end='\n\n')# 168-3、教育数据分析
import pandas as pd
grades = pd.Series([85, 90, 78, 92, 88])
median_grade = grades.median()  # 结果为88.0
print(median_grade, end='\n\n')# 168-4、健康数据分析
import pandas as pd
weights = pd.Series([60, 65, 70, 120, 75])
median_weight = weights.median()
print(median_weight, end='\n\n')# 168-5、经济数据分析
import pandas as pd
incomes = pd.Series([30000, 35000, 40000, 1000000, 45000])
median_income = incomes.median()
print(median_income)
168-6-3、结果输出
# 168、pandas.Series.median方法
# 168-1、数据清洗和预处理
# 17.5
# 17.5
# 14.0# 168-2、金融数据分析
# 103.5
# 0    100
# 1    101
# 2    102
# 3    103
# 4    104
# 5    105
# 6    106
# dtype: int64# 168-3、教育数据分析
# 88.0# 168-4、健康数据分析
# 70.0# 168-5、经济数据分析
# 40000.0
169、pandas.Series.min方法
169-1、语法
# 169、pandas.Series.min方法
pandas.Series.min(axis=0, skipna=True, numeric_only=False, **kwargs)
Return the minimum of the values over the requested axis.If you want the index of the minimum, use idxmin. This is the equivalent of the numpy.ndarray method argmin.Parameters:
axis{index (0)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.For DataFrames, specifying axis=None will apply the aggregation across both axes.New in version 2.0.0.skipnabool, default True
Exclude NA/null values when computing the result.numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.**kwargs
Additional keyword arguments to be passed to the function.Returns:
scalar or scalar
169-2、参数

169-2-1、axis(可选，默认值为0)：对Series无影响，仅对DataFrame中有效。

169-2-2、skipna(可选，默认值为True)：是否跳过NaN值，如果设置为False，则如果Series中存在NaN值，返回值会是NaN。

169-2-3、numeric_only(可选，默认值为False)：对Series无影响，仅在DataFrame中有意义。

169-2-4、**kwargs(可选)：其他关键字参数，为后续扩展其他功能做预留。

169-3、功能

169-3-1、计算最小值：找到Series中的最小元素。

169-3-2、处理缺失值：通过参数skipna来决定是否跳过缺失值(NaN)。

169-3-3、只考虑数值数据：通过参数numeric_only来决定是否只考虑数值数据。

169-4、返回值

169-4-1、最小值：返回Series中的最小元素。如果Series中所有值都是缺失值(NaN)，并且skinpna设置为True，则返回NaN。

169-4​​​​​​​-2、类型：返回值的类型与Series中元素的类型一致。如果Series为空或所有值都是NaN(且skipna=False)，则返回NaN。

169-5、说明

        无

169-6、用法
169-6-1、数据准备
无
169-6-2、代码示例
# 169、pandas.Series.min方法
# 169-1、数据清洗
import pandas as pd
import numpy as np
data = pd.Series([10, 15, np.nan, 20, 25])
min_value = data.min(skipna=True)
print(min_value, end='\n\n')# 169-2、数据分析
import pandas as pd
grades = pd.Series([85, 90, 78, 92, 88])
min_grade = grades.min()
print(min_grade, end='\n\n')# 169-3、金融数据分析
import pandas as pd
prices = pd.Series([100, 102, 98, 105, 107])
min_price = prices.min()
print(min_price, end='\n\n')# 169-4、健康数据分析
import pandas as pd
weights = pd.Series([60, 65, 70, 55, 75])
min_weight = weights.min()
print(min_weight, end='\n\n')# 169-5、质量控制
import pandas as pd
measurements = pd.Series([10.2, 10.4, 10.1, 10.5, 10.3])
min_measurement = measurements.min()
print(min_measurement, end='\n\n')# 169-6、环境数据分析
import pandas as pd
temperatures = pd.Series([22.5, 21.0, 19.5, 23.0, 20.0])
min_temperature = temperatures.min()
print(min_temperature, end='\n\n')# 169-7、销售数据分析
import pandas as pd
sales = pd.Series([1500, 1600, 1450, 1700, 1550])
min_sales = sales.min()
print(min_sales, end='\n\n')# 169-8、运动数据分析
import pandas as pd
speeds = pd.Series([10.2, 9.8, 10.5, 9.6, 10.0])
min_speed = speeds.min()
print(min_speed, end='\n\n')
# 169-9、交通数据分析
import pandas as pd
traffic = pd.Series([200, 150, 180, 170, 160])
min_traffic = traffic.min()
print(min_traffic)
169-6-3、结果输出
# 169、pandas.Series.min方法
# 169-1、数据清洗
# 10.0# 169-2、数据分析
# 78# 169-3、金融数据分析
# 98# 169-4、健康数据分析
# 55# 169-5、质量控制
# 10.1# 169-6、环境数据分析
# 19.5# 169-7、销售数据分析
# 1450# 169-8、运动数据分析
# 9.6# 169-9、交通数据分析
# 150
170、pandas.Series.mode方法
170-1、语法
# 170、pandas.Series.mode方法
pandas.Series.mode(dropna=True)
Return the mode(s) of the Series.The mode is the value that appears most often. There can be multiple modes.Always returns Series even if only one value is returned.Parameters:
dropna
bool, default True
Don’t consider counts of NaN/NaT.Returns:
Series
Modes of the Series in sorted order.
170-2、参数

170-2-1、dropna(可选，默认值为True)：布尔值，表示在计算众数时是否忽略空值(NaN)。

170-3、功能

        用于找到数据序列中出现频率最高的值(众数)。

170-4、返回值

        返回值是一个包含数据序列中所有众数的pandas.Series对象，返回值可能包含一个或多个众数，取决于数据中每个值的频率。

170-5、说明

        使用场景：

170-5-1、数据清洗：在数据清洗过程中，一般会使用dropna=True，以确保众数的计算不受缺失值的影响。

170-5​​​​​​​-2、数据完整性分析：如果需要分析数据缺失情况，可以使用dropna=False来查看空值是否为众数之一。

170-6、用法
170-6-1、数据准备
无
170-6-2、代码示例
# 170、pandas.Series.mode方法
# 170-1、数据清洗
import pandas as pd
import numpy as np
data = pd.Series([1, 2, 2, 3, np.nan, 4, 4, 4])
mode_value = data.mode(dropna=True)
print(mode_value, end='\n\n')# 170-2、消费者行为分析
import pandas as pd
products = pd.Series(['apple', 'banana', 'apple', 'orange', 'banana', 'apple'])
mode_product = products.mode(dropna=True)
print(mode_product, end='\n\n')# 170-3、学生成绩分析
import pandas as pd
grades = pd.Series([85, 90, 78, 90, 88, 85, 90])
mode_grade = grades.mode(dropna=True)
print(mode_grade, end='\n\n')# 170-4、金融数据分析
import pandas as pd
prices = pd.Series([100, 102, 98, 105, 107, 100, 100])
mode_price = prices.mode(dropna=True)
print(mode_price, end='\n\n')# 170-5、健康数据分析
import pandas as pd
symptoms = pd.Series(['cough', 'fever', 'cough', 'headache', 'cough', 'fever'])
mode_symptom = symptoms.mode(dropna=True)
print(mode_symptom, end='\n\n')# 170-6、质量控制
import pandas as pd
defects = pd.Series(['scratch', 'dent', 'scratch', 'crack', 'scratch'])
mode_defect = defects.mode(dropna=True)
print(mode_defect, end='\n\n')# 170-7、环境数据分析
import pandas as pd
weather_conditions = pd.Series(['sunny', 'rainy', 'sunny', 'cloudy', 'sunny', 'rainy'])
mode_weather = weather_conditions.mode(dropna=True)
print(mode_weather, end='\n\n')# 170-8、销售数据分析
import pandas as pd
sales = pd.Series([1500, 1600, 1450, 1500, 1550, 1500])
mode_sales = sales.mode(dropna=True)
print(mode_sales, end='\n\n')# 170-9、运动数据分析
import pandas as pd
exercise_types = pd.Series(['running', 'swimming', 'running', 'cycling', 'running'])
mode_exercise = exercise_types.mode(dropna=True)
print(mode_exercise, end='\n\n') # 170-10、交通数据分析
import pandas as pd
traffic = pd.Series([200, 150, 180, 170, 160, 150, 150])
mode_traffic = traffic.mode(dropna=True)
print(mode_traffic)
170-6-3、结果输出
# 170、pandas.Series.mode方法
# 170-1、数据清洗
# 0    4.0
# dtype: float64# 170-2、消费者行为分析
# 0    apple
# dtype: object# 170-3、学生成绩分析
# 0    90
# dtype: int64# 170-4、金融数据分析
# 0    100
# dtype: int64# 170-5、健康数据分析
# 0    cough
# dtype: object# 170-6、质量控制
# 0    scratch
# dtype: object# 170-7、环境数据分析
# 0    sunny
# dtype: object# 170-8、销售数据分析
# 0    1500
# dtype: int64# 170-9、运动数据分析
# 0    running
# dtype: object# 170-10、交通数据分析
# 0    150
# dtype: int64

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

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://xiahunao.cn/news/3268860.html

如若内容造成侵权/违法违规/事实不符，请联系瞎胡闹网进行投诉反馈，一经查实，立即删除！

相关文章

Mysql中如何实现两列的值互换？给你提供些思路。

Mysql中如何实现两列的值互换？给你提供些思路。

文章目录 Mysql中如何实现两列的值互换1、第一感觉此sql应该能处理问题了2、需要一个地方存要替换的值，不然两列搞不定。2.1 加第三列？（能解决，但是看起来呆呆）2.2 上临时表（搞点弯路走走） 示例…
阅读更多...
【VSCode实战】Golang无法跳转问题竟是如此简单

【VSCode实战】Golang无法跳转问题竟是如此简单

上一讲【VSCode实战】Go插件依赖无法安装 – 经云的清净小站 (skycreator.top)，开头说到了在VSCode中Golang无法跳转的问题，但文章的最后也没给出解决方案，只解决了安装Go插件的依赖问题。 解决了插件依赖问题，无法跳转的问题也离…
阅读更多...
接口测试之测试原则、测试用例、测试流程详解

接口测试之测试原则、测试用例、测试流程详解

🍅 点击文末小卡片 ，免费获取软件测试全套资料，资料在手，涨薪更快 一、接口的介绍 软件测试中，常说的接口有两种：图形用户接口（GUI，人与程序的接口）、应用程序编程接口&…
阅读更多...
LK漏感值在网络变压器测试中是否有很大的作用？

LK漏感值在网络变压器测试中是否有很大的作用？

今天客户一个产品异常问题，就是说LK漏感值严重超标产品规格书参数，今天我们讲讲这个参数在网络变压器其中的影响。LK漏感值在网络变压器的测试和性能评估中扮演着重要的角色。漏感，或称为漏磁场感抗，是指变压器中不参与主要能量传…
阅读更多...
卷积的意义及其派生（一）

卷积的意义及其派生（一）

1.卷积的意义 1.1从LTI的角度看 卷积最开始其实是信号处理中用来描述线性移不变系统Linear time-invariant systems的。线性，表明可以叠加，信号可以拆分成脉冲的响应；时不变，指信号不随着时间的迁移改变，意味着能量守…
阅读更多...
机器学习（五） -- 无监督学习（1） --聚类1

机器学习（五） -- 无监督学习（1） --聚类1

系列文章目录及链接 上篇：机器学习（五） -- 监督学习（7） --SVM2 下篇：机器学习（五） -- 无监督学习（1） --聚类2 前言 tips：标题前有“***”的内容…
阅读更多...
Python酷库之旅-第三方库Pandas(048)

Python酷库之旅-第三方库Pandas(048)

目录 一、用法精讲 171、pandas.Series.nlargest方法 171-1、语法 171-2、参数 171-3、功能 171-4、返回值 171-5、说明 171-6、用法 171-6-1、数据准备 171-6-2、代码示例 171-6-3、结果输出 172、pandas.Series.nsmallest方法 172-1、语法 172-2、参数 172-3、…
阅读更多...
驾驭代码的无形疆界:动态内存管理揭秘

驾驭代码的无形疆界:动态内存管理揭秘

目录 1.:为什么要有动态内存分配 2.malloc和free 2.1:malloc 2.2:free 3.calloc和realloc 3.1:calloc 3.1.1:代码1(malloc) 3.1.2:代码2(calloc) 3.2:realloc 3.2.1:原地扩容 3.2.2:异地扩容 3.2.3:代码1(原地扩容) 3.2.3:代码2(异地扩容) 4:常见的动态内存的错误…
阅读更多...
【算法】傅里叶变换

【算法】傅里叶变换

一、引言 傅里叶变换是一种在信号处理、图像处理、通信等领域中广泛应用的数学工具。它可以将信号从时域转换到频域，从而揭示信号的频率成分。 二、算法原理 傅里叶变换的基本思想是将一个时域信号分解为多个不同频率的正弦和余弦波的叠加。对于连续信号&#xff0c…
阅读更多...
【轻量化神经网络的MCU部署/边缘计算：基于GD32H7】开源GD32AI-ModelZoo工具的完善与详细使用说明

【轻量化神经网络的MCU部署/边缘计算：基于GD32H7】开源GD32AI-ModelZoo工具的完善与详细使用说明

本文档将对gd32ai-modelzoo中的使用方法进行更加细致的介绍。并对原博主提供的gd32ai-modelzoo部分代码进行了修改，使其可以更加顺利地运行。 原开源工程地址：https://github.com/HomiKetalys/gd32ai-modelzoo 原作者博客：https://mbb.eet-ch…
阅读更多...
Springboot项目的行为验证码AJ-Captcha（源码解读）

Springboot项目的行为验证码AJ-Captcha（源码解读）

目录 前言1. 复用验证码2. 源码解读2.1 先走DefaultCaptchaServiceImpl类2.2 核心ClickWordCaptchaServiceImpl类 3. 具体使用 前言 对于Java的基本知识推荐阅读： java框架 零基础从入门到精通的学习路线 附开源项目面经等（超全）【Java项目…
阅读更多...
vue3前端架构---打包配置

vue3前端架构---打包配置

最近看到几篇vue3配置项的文章，转载记录一下 Vue3.2 vue/cli-service 打包 chunk-vendors.js 文件过大导致页面加载缓慢解决方案-CSDN博客文章浏览阅读2k次，点赞8次，收藏9次。Vue3.2 vue/cli-service 打包 chunk-vendors.js 文件过大导致页…
阅读更多...
java高级——Exception异常类基本解读

java高级——Exception异常类基本解读

java高级——Exception异常类基本解读 前情提要文章介绍继承结构异常详解1. 异常的定义2. 异常的分类3.3 异常的处理机制3.3.1 try catch finally语句3.3.2 throw关键字3.3.3 throws关键字 4. 浅谈如何有效的避免异常的发生5. 自定义异常6. 常见的RuntimeException 总结 前情提…
阅读更多...
我为何撰写有关人工智能和数据科学的文章

我为何撰写有关人工智能和数据科学的文章

撰写人工智能文章的 6 大好处 「AI秘籍」系列课程： 人工智能应用数学基础人工智能Python基础人工智能基础核心知识人工智能BI核心知识人工智能CV核心知识AI 进阶：企业项目实战 可直接在橱窗里购买，或者到文末领取优惠后购买： 自…
阅读更多...
C++ //练习 15.30 编写你自己的Basket类，用它计算上一个练习中交易记录的总价格。

C++ //练习 15.30 编写你自己的Basket类，用它计算上一个练习中交易记录的总价格。

C Primer（第5版） 练习 15.30 练习 15.30 编写你自己的Basket类，用它计算上一个练习中交易记录的总价格。 环境：Linux Ubuntu（云服务器） 工具：vim 代码块： /********************…
阅读更多...
数据结构 - 红黑树

数据结构 - 红黑树

文章目录 前言一、红黑树介绍1、红黑树的概念2、红黑树的性质 二、实现红黑树1、基本框架2、插入3、删除4、查找5、测试红黑树6、红黑树代码 三、红黑树性能四、AVL树和红黑树的差别 前言 红黑树是一种二叉搜索树，所以学习前需要学会基本的二叉搜索树，并…
阅读更多...
X-AnyLabeling标注软件使用方法

X-AnyLabeling标注软件使用方法

第一步 下载 官方X-AnyLabeling下载地址 github：X-AnyLabeling 第二步 配置环境 使用conda创建新的虚拟环境 conda create -n xanylabel python3.8进入环境 conda activate xanylabel进入X-AnyLabeling文件夹内，运行下面内容 依赖文件系统环境运行环…
阅读更多...
昇思MindSpore 应用学习-CycleGAN图像风格迁移互换

昇思MindSpore 应用学习-CycleGAN图像风格迁移互换

日期 心得 昇思MindSpore 应用学习-CycleGAN图像风格迁移互换（AI代码学习） CycleGAN图像风格迁移互换 模型介绍 模型简介 CycleGAN(Cycle Generative Adversarial Network) 即循环对抗生成网络，来自论文 Unpaired Image-to-Image Trans…
阅读更多...
数据中台 | 3分钟带你读懂数据中台的由来

数据中台 | 3分钟带你读懂数据中台的由来

1.数据中台产生的原因 数据中台的概念起源于中国阿里巴巴集团提出的“大中台，小前台”战略。这一理念的核心在于通过构建强大的中台体系，为前端的快速创新和个性化业务需求提供强有力的支持。具体到数据中台，其设计初衷是为了应对企业内部数…
阅读更多...
如何解决Windows系统目录权限问题

如何解决Windows系统目录权限问题

目录 前言1. 为什么会出现权限问题2. 修改文件权限的步骤2.1 确定目标文件2.2 右键属性设置2.3 更改所有者2.4 修改权限2.5 确认修改 3. 替换文件3.1 拷贝新的文件3.2 验证替换结果 结语 前言 在Windows系统中，时常需要往C盘系统目录下拷贝或者替换文件。然而&…
阅读更多...
最新文章

Copyright @ 2022~2023