Pandas实践_变形

文章目录

  • 一、长宽表的变形
    • 1.pivot
    • 2.pivot_table
    • 3.melt
    • 4.wide_to_long
  • 二、索引的变形
    • 1.stack与unstack
    • 2.聚合与变形的关系
  • 三、其他变形函数
    • 1.crosstab
    • 2.explode
    • 3.get_dummies


一、长宽表的变形

什么是长表?什么是宽表?这个概念是对于某一个特征而言的。例如:一个表中把性别存储在某一个列中,那么它就是关于性别的长表;如果把性别作为列名,列中的元素是某一其他的相关特征数值,那么这个表是关于性别的宽表。下面的两张表就分别是关于性别的长表和宽表:

pd.DataFrame({'Gender':['F','F','M','M'], 'Height':[163, 160, 175, 180]})
#	Gender	Height
#0	F	163
#1	F	160
#2	M	175
#3	M	180pd.DataFrame({'Height: F':[163, 160], 'Height: M':[175, 180]})
#	Height: F	Height: M
#0	163	175
#1	160	180

显然这两张表从信息上是完全等价的,它们包含相同的身高统计数值,只是这些数值的呈现方式不同,而其呈现方式主要又与性别一列选择的布局模式有关,即到底是以 long的状态存储还是以 wide的状态存储。因此,pandas针对此类长宽表的变形操作设计了一些有关的变形函数。

1.pivot

pivot是一种典型的长表变宽表的函数,首先来看一个例子:下表存储了张三和李四的语文和数学分数,现在想要把语文和数学分数作为列来展示。

df = pd.DataFrame({'Class':[1,1,2,2],'Name':['San Zhang','San Zhang','Si Li','Si Li'],'Subject':['Chinese','Math','Chinese','Math'],'Grade':[80,75,90,85]})
df
#	Class	Name	Subject	Grade
#0	1	San Zhang	Chinese	80
#1	1	San Zhang	Math	75
#2	2	Si Li	Chinese	90
#3	2	Si Li	Math	85

对于一个基本的长变宽操作而言,最重要的有三个要素,分别是变形后的行索引、需要转到列索引的列,以及这些列和行索引对应的数值,它们分别对应了pivot方法中的index, columns, values参数。新生成表的列索引是columns对应列的unique值,而新表的行索引是index对应列的unique值,而values对应了想要展示的数值列。

df.pivot(index='Name', columns='Subject', values='Grade')
#Subject	Chinese	Math
#Name		
#San Zhang	80	75
#Si Li	90	85

pandas从1.1.0开始,pivot相关的三个参数允许被设置为列表,这也意味着会返回多级索引。这里构造一个相应的例子来说明如何使用:下表中六列分别为班级、姓名、测试类型(期中考试和期末考试)、科目、成绩、排名。

df = pd.DataFrame({'Class':[1, 1, 2, 2, 1, 1, 2, 2],'Name':['San Zhang', 'San Zhang', 'Si Li', 'Si Li','San Zhang', 'San Zhang', 'Si Li', 'Si Li'],'Examination': ['Mid', 'Final', 'Mid', 'Final','Mid', 'Final', 'Mid', 'Final'],'Subject':['Chinese', 'Chinese', 'Chinese', 'Chinese','Math', 'Math', 'Math', 'Math'],'Grade':[80, 75, 85, 65, 90, 85, 92, 88],'rank':[10, 15, 21, 15, 20, 7, 6, 2]})
df
#	Class	Name	Examination	Subject	Grade	rank
#0	1	San Zhang	Mid	Chinese	80	10
#1	1	San Zhang	Final	Chinese	75	15
#2	2	Si Li	Mid	Chinese	85	21
#3	2	Si Li	Final	Chinese	65	15
#4	1	San Zhang	Mid	Math	90	20
#5	1	San Zhang	Final	Math	85	7
#6	2	Si Li	Mid	Math	92	6
#7	2	Si Li	Final	Math	88	2

现在想要把测试类型和科目联合组成的四个类别(期中语文、期末语文、期中数学、期末数学)转到列索引,并且同时统计成绩和排名:

pivot_multi = df.pivot(index = ['Class', 'Name'],columns = ['Subject','Examination'],values = ['Grade','rank'])
pivot_multi
#       		Grade                   	rankSubject	Chinese     	Math    	Chinese 	MathExamination	Mid	Final	Mid	Final	Mid	Final	Mid	Final
Class	Name								
1   	San Zhang	80	75  	90	85  	10	15  	20	7
2   	Si Li   	85	65  	92	88  	21	15  	6	2

2.pivot_table

pivot的使用依赖于唯一性条件,那如果不满足唯一性条件,那么必须通过聚合操作使得相同行列组合对应的多个值变为一个值。例如,张三和李四都参加了两次语文考试和数学考试,按照学院规定,最后的成绩是两次考试分数的平均值,此时就无法通过pivot函数来完成。

df = pd.DataFrame({'Name':['San Zhang', 'San Zhang', 'San Zhang', 'San Zhang','Si Li', 'Si Li', 'Si Li', 'Si Li'],'Subject':['Chinese', 'Chinese', 'Math', 'Math','Chinese', 'Chinese', 'Math', 'Math'],'Grade':[80, 90, 100, 90, 70, 80, 85, 95]})
df
#	Name    	Subject	Grade
#0	San Zhang	Chinese	80
#1	San Zhang	Chinese	90
#2	San Zhang	Math	100
#3	San Zhang	Math	90
#4	Si Li   	Chinese	70
#5	Si Li   	Chinese	80
#6	Si Li   	Math	85
#7	Si Li   	Math	95

pandas中提供了pivot_table来实现,其中的aggfunc参数就是使用的聚合函数。上述场景可以如下写出:

df.pivot_table(index = 'Name',columns = 'Subject',values = 'Grade',aggfunc = 'mean')
#Subject	Chinese	Math
#Name		
#San Zhang	85  	95
#Si Li  	75  	90

这里传入aggfunc包含了上一章中介绍的所有合法聚合字符串,此外还可以传入以序列为输入标量为输出的聚合函数来实现自定义操作,上述功能可以等价写出:

df.pivot_table(index = 'Name',columns = 'Subject',values = 'Grade',aggfunc = lambda x:x.mean())
#Subject	Chinese	Math
#Name		
#San Zhang	85  	95
#Si Li  	75  	90

此外,pivot_table具有边际汇总的功能,可以通过设置margins=True来实现,其中边际的聚合方式与aggfunc中给出的聚合方法一致。下面就分别统计了语文均分和数学均分、张三均分和李四均分,以及总体所有分数的均分:

df.pivot_table(index = 'Name',columns = 'Subject',values = 'Grade',aggfunc='mean',margins=True)
#Subject	Chinese	Math	All
#Name			
#San Zhang	85  	95.0	90.00
#Si Li  	75  	90.0	82.50
#All    	80  	92.5	86.25

3.melt

长宽表只是数据呈现方式的差异,但其包含的信息量是等价的,前面提到了利用pivot把长表转为宽表,那么就可以通过相应的逆操作把宽表转为长表,melt函数就起到了这样的作用。在下面的例子中,Subject以列索引的形式存储,现在想要将其压缩到一个列中。

df = pd.DataFrame({'Class':[1,2],'Name':['San Zhang', 'Si Li'],'Chinese':[80, 90],'Math':[80, 75]})
df
#	Class	Name	Chinese	Math
#0	1   	San Zhang	80	80
#1	2   	Si Li	90  	75df_melted = df.melt(id_vars = ['Class', 'Name'],value_vars = ['Chinese', 'Math'],var_name = 'Subject',value_name = 'Grade')
df_melted
#	Class	Name    	Subject	Grade
#0	1   	San Zhang	Chinese	80
#1	2   	Si Li   	Chinese	90
#2	1   	San Zhang	Math	80
#3	2   	Si Li   	Math	75

前面提到了melt和pivot是一组互逆过程,那么就一定可以通过pivot操作把df_melted转回df的形式:

df_unmelted = df_melted.pivot(index = ['Class', 'Name'],columns='Subject',values='Grade')
df_unmelted # 下面需要恢复索引,并且重命名列索引名称
#   	Subject 	Chinese	Math
#Class	Name		
#1  	San Zhang	80  	80
#2  	Si Li   	90  	75df_unmelted = df_unmelted.reset_index().rename_axis(columns={'Subject':''})
df_unmelted.equals(df)
#True

4.wide_to_long

melt方法中,在列索引中被压缩的一组值对应的列元素只能代表同一层次的含义,即values_name。现在如果列中包含了交叉类别,比如期中期末的类别和语文数学的类别,那么想要把values_name对应的Grade扩充为两列分别对应语文分数和数学分数,只把期中期末的信息压缩,这种需求下就要使用wide_to_long函数来完成。

df = pd.DataFrame({'Class':[1,2],'Name':['San Zhang', 'Si Li'],'Chinese_Mid':[80, 75], 'Math_Mid':[90, 85],'Chinese_Final':[80, 75], 'Math_Final':[90, 85]})
df
#	Class	Name    	Chinese_Mid	Math_Mid	Chinese_Final	Math_Final
#0	1   	San Zhang	80      	90      	80          	90
#1	2   	Si Li   	75      	85      	75          	85pd.wide_to_long(df,stubnames=['Chinese', 'Math'],i = ['Class', 'Name'],j='Examination',sep='_',suffix='.+')
#                			Chinese	Math
#Class	Name	Examination		
#1  	San Zhang	Mid 	80  	90
#                   Final	80  	90
#2  	Si Li   	Mid 	75  	85
#                   Final	75  	85

下面给出一个比较复杂的案例,把之前在pivot一节中多列操作的结果(产生了多级索引),利用wide_to_long函数,将其转为原来的形态。其中,使用了str.split函数,目前暂时只需将其理解为对序列按照某个分隔符进行拆分即可。

res = pivot_multi.copy()
res.columns = res.columns.map(lambda x:'_'.join(x))
res = res.reset_index()
res = pd.wide_to_long(res, stubnames=['Grade', 'rank'],i = ['Class', 'Name'],j = 'Subject_Examination',sep = '_',suffix = '.+')
res
#                           			Grade	rank
#Class	Name    	Subject_Examination		
#1  	San Zhang	Chinese_Mid     	80  	10
#                   Chinese_Final   	75  	15
#                   Math_Mid        	90  	20
#                   Math_Final      	85  	7
#2  	Si Li   	Chinese_Mid     	85  	21
#                   Chinese_Final   	65  	15
#                   Math_Mid        	92  	6
#                   Math_Final      	88  	2res = res.reset_index()
res[['Subject', 'Examination']] = res['Subject_Examination'].str.split('_', expand=True)
res = res[['Class', 'Name', 'Examination', 'Subject', 'Grade', 'rank']].sort_values('Subject')
res = res.reset_index(drop=True)
res
#   Class	Name    	Examination	Subject	Grade	rank
#0	1   	San Zhang	Mid        	Chinese	80  	10
#1	1   	San Zhang	Final      	Chinese	75  	15
#2	2   	Si Li    	Mid       	Chinese	85  	21
#3	2   	Si Li    	Final     	Chinese	65  	15
#4	1   	San Zhang	Mid     	Math	90  	20
#5	1   	San Zhang	Final    	Math	85  	7
#6	2   	Si Li    	Mid     	Math	92  	6
#7	2   	Si Li    	Final    	Math	88  	2

二、索引的变形

1.stack与unstack

在Pandas实践_pandas基础中提到了利用swaplevel或者reorder_levels进行索引内部的层交换,下面就要讨论 行列索引之间 的交换,由于这种交换带来了DataFrame维度上的变化,因此属于变形操作。在第一节中提到的4种变形函数与其不同之处在于,它们都属于某一列或几列 元素和 列索引 之间的转换,而不是索引之间的转换。

unstack函数的作用是把行索引转为列索引,例如下面这个简单的例子:

df = pd.DataFrame(np.ones((4,2)),index = pd.Index([('A', 'cat', 'big'),('A', 'dog', 'small'),('B', 'cat', 'big'),('B', 'dog', 'small')]),columns=['col_1', 'col_2'])
df
#		    	col_1	col_2
#A	cat	big 	1.0 	1.0
#   dog	small	1.0 	1.0
#B	cat	big 	1.0 	1.0
#   dog	small	1.0 	1.0df.unstack()
#      		col_1   	col_2
#           big	small	big	small
#A	cat 	1.0	NaN 	1.0	NaN
#   dog 	NaN	1.0 	NaN	1.0
#B	cat 	1.0	NaN 	1.0	NaN
#   dog 	NaN	1.0 	NaN	1.0

unstack的主要参数是移动的层号,默认转化最内层,移动到列索引的最内层,同时支持同时转化多个层:

df.unstack(2)
#       col_1    	col_2
#       big	small	big	small
#A	cat	1.0	NaN  	1.0	NaN
#   dog	NaN	1.0 	NaN	1.0
#B	cat	1.0	NaN 	1.0	NaN
#   dog	NaN	1.0 	NaN	1.0df.unstack([0,2])
#       col_1               	col_2
#       A       	B       	A       	B
#       big	small	big	small	big	small	big	small
#cat	1.0	NaN  	1.0	NaN 	1.0	NaN 	1.0	NaN
#dog	NaN	1.0 	NaN	1.0 	NaN	1.0 	NaN	1.0

类似于pivot中的唯一性要求,在unstack中必须保证 被转为列索引的行索引层 和 被保留的行索引层 构成的组合是唯一的,例如把前两个列索引改成相同的破坏唯一性,那么就会报错:

my_index = df.index.to_list()
my_index[1] = my_index[0]
df.index = pd.Index(my_index)
df
#		    	col_1	col_2
#A	cat	big 	1.0 	1.0
#       big 	1.0 	1.0
#B	cat	big 	1.0 	1.0
#   dog	small	1.0 	1.0

与 unstack 相反,stack的作用就是把列索引的层压入行索引,其用法完全类似。

df = pd.DataFrame(np.ones((4,2)),index = pd.Index([('A', 'cat', 'big'),('A', 'dog', 'small'),('B', 'cat', 'big'),('B', 'dog', 'small')]),columns=['index_1', 'index_2']).T
df
#   	A   	B
#       cat	dog	cat	dog
#       big	small	big	small
#index_1	1.0	1.0	1.0	1.0
#index_2	1.0	1.0	1.0	1.0df.stack()
#           		A       	B
#                   cat	dog 	cat	dog
#index_1	big 	1.0	NaN 	1.0	NaN
#           small	NaN	1.0 	NaN	1.0
#index_2	big 	1.0	NaN 	1.0	NaN
#           small	NaN	1.0 	NaN	1.0df.stack([1, 2])
#           			A	B
#index_1	cat	big 	1.0	1.0
#           dog	small	1.0	1.0
#index_2	cat	big 	1.0	1.0
#           dog	small	1.0	1.0

2.聚合与变形的关系

在上面介绍的所有函数中,除了带有聚合效果的pivot_table以外,所有的函数在变形前后并不会带来values个数的改变,只是这些值在呈现的形式上发生了变化。在上一节讨论的分组聚合操作,由于生成了新的行列索引,因此必然也属于某种特殊的变形操作,但由于聚合之后把原来的多个值变为了一个值,因此values的个数产生了变化,这也是分组聚合与变形函数的最大区别。

三、其他变形函数

1.crosstab

crosstab是一个地位尴尬的函数,因为它能实现的所有功能pivot_table都能完成。在默认状态下,crosstab可以统计元素组合出现的频数,即count操作。例如统计learn_pandas数据集中学校和转系情况对应的频数:

df = pd.read_csv('../data/learn_pandas.csv')
pd.crosstab(index = df.School, columns = df.Transfer)
#Transfer                   	N	Y
#School		
#Fudan University           	38	1
#Peking University          	28	2
#Shanghai Jiao Tong University	53	0
#Tsinghua University        	62	4

这等价于如下crosstab的如下写法,这里的aggfunc即聚合参数:

pd.crosstab(index = df.School, columns = df.Transfer, values = [0]*df.shape[0], aggfunc = 'count')
#Transfer                   	N	Y
#School		
#Fudan University           	38.0	1.0
#Peking University          	28.0	2.0
#Shanghai Jiao Tong University	53.0	NaN
#Tsinghua University        	62.0	4.0

同样,可以利用pivot_table进行等价操作,由于这里统计的是组合的频数,因此values参数无论传入哪一个列都不会影响最后的结果:

df.pivot_table(index = 'School',columns = 'Transfer',values = 'Name',aggfunc = 'count')
#Transfer                   	N	Y
#School		
#Fudan University           	38.0	1.0
#Peking University          	28.0	2.0
#Shanghai Jiao Tong University	53.0	NaN
#Tsinghua University        	62.0	4.0

从上面可以看出这两个函数的区别在于,crosstab的对应位置传入的是具体的序列,而pivot_table传入的是被调用表对应的名字,若传入序列对应的值则会报错。

除了默认状态下的count统计,所有的聚合字符串和返回标量的自定义函数都是可用的,例如统计对应组合的身高均值:

pd.crosstab(index = df.School, columns = df.Transfer, values = df.Height, aggfunc = 'mean')
#Transfer                   	N       	Y
#School		
#Fudan University           	162.043750	177.20
#Peking University          	163.429630	162.40
#Shanghai Jiao Tong University	163.953846	NaN
#Tsinghua University        	163.253571	164.55

2.explode

explode参数能够对某一列的元素进行纵向的展开,被展开的单元格必须存储list, tuple, Series, np.ndarray中的一种类型。

df_ex = pd.DataFrame({'A': [[1, 2], 'my_str', {1, 2}, pd.Series([3, 4])],'B': 1})
df_ex
#	A	B
#0	[1, 2]	1
#1	my_str	1
#2	{1, 2}	1
#3	0 3 ,1 4 ,dtype: int64	1df_ex.explode('A')
#	A	B
#0	1	1
#0	2	1
#1	my_str	1
#2	1	1
#2	2	1
#3	3	1
#3	4	1

3.get_dummies

get_dummies是用于特征构建的重要函数之一,其作用是把类别特征转为指示变量。例如,对年级一列转为指示变量,属于某一个年级的对应列标记为1,否则为0:

pd.get_dummies(df.Grade).head()
#	Freshman	Junior	Senior	Sophomore
#0	1       	0   	0   	0
#1	1       	0   	0   	0
#2	0       	0   	1   	0
#3	0       	0   	0   	1
#4	0       	0   	0   	1

参考:阿里云天池

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.mzph.cn/news/226979.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

赛氪为第五届全球校园人工智能算法精英大赛决赛选手保驾护航

12月10日,以“智青春算未来”为主题的2023年第五届全球校园人工智能算法精英大赛全国总决赛在河海大学江宁校区举行。本次大赛由江苏省人工智能学会主办,自9月份启动以来,共吸引了全国近400所高校的3000多支参赛团队参加。经过校赛、省赛选拔…

nlp与cv的发展

Transformer的出现,促进了更高容量模型的建立,为大模型的出现奠定基础. 🧐大模型通常具有十亿个以上参数(仅供参考) 😮左边的蓝色是CV领域、右下绿色是NLP、右上蓝色是多模态😃基础模型(Foundational Models)首次由Bommasani等人在《Stanford…

Spring boot 配置参数

# ---------------------------------------- 2 # CORE PROPERTIES 3 # ---------------------------------------- 4 5 # SPRING 相关配置 (ConfigFileApplicationListener) 6 spring.config.name # config file name (default to application) 7 spring.config.location # lo…

服务总线SpringCloudBus

1 简介 为了使用户微服务能够及时感知到Git仓库中配置文件的修改,可以使用SpringCloud Bus来实现配置的自动更新。 SpringCloud Bus底层是基于RabbitMQ实现的,默认使用本地的消息队列服务。它是用轻量级的消息代理将分布式的系统连接起来,用…

和为K的子数组(LeetCode 560)

文章目录 1.问题描述2.难度等级3.热门指数4.解题思路方法一:枚举方法二:前缀和 哈希表优化 参考文献 1.问题描述 给你一个整数数组 nums 和一个整数 k ,请你统计并返回 该数组中和为 k 的子数组的个数 。 子数组是数组中元素的连续非空序列…

HTTP代理服务器脚本录制

1、报错1 target controller is configured to “use recording Controller“ but no such controller exists,ensure_target controller is configured to "use recording -CSDN博客

等等Domino 14.0FP1

大家好,才是真的好。 节奏确实太快了,有时候我深感我也追不上。 以前Notes Domino是三年磨一剑,也就说每三年才发一个大版本,从2019年开始,进行了高频提速,居然一年一个大版本! 周末&#xf…

NAT——网络地址转换

目录 一、概念 二、NAT的分类 1.静态NAT 1.1 静态NAT的配置 1.2 利用eNSP小实验加强对静态NAT的理解 2、动态NAT 三、NAPT——端口映射 四、Easy IP 使用一个公网地址可以让所有人都上公网 一、概念 随着Internet的发展和网络应用的增多,IPv4地址枯竭已经成为…

jmeter 如何循环使用接口返回的多值?

有同学在用jmeter做接口测试的时候,经常会遇到这样一种情况: 就是一个接口请求返回了多个值,然后下一个接口想循环使用前一个接口的返回值。 这种要怎么做呢? 有一定基础的人,可能第一反应就是先提取前一个接口返回…

在Node.js中MongoDB排序的方法

本文主要介绍在Node.js中MongoDB排序的方法。 目录 Node.js中MongoDB排序使用原生的mongodb驱动程序进行排序使用Mongoose库中的排序 Node.js中MongoDB排序 在Node.js中使用MongoDB进行排序,可以使用原生的mongodb驱动程序或者Mongoose库。 使用原生的mongodb驱动…

K8s中Service Account和RBAC

一.Service Account详解 1.什么是Service Account? ①.ServiceAccount(服务账户)是Kubernetes集群中的一种资源对象,用于为Pod或其他资源提供身份验证和授权,以便它们能够与Kubernetes API进行交互。 ②.ServiceAcc…

改进lora-scripts,支持SDXL训练,以及启动脚本

分享下自己改进的一个lora训练脚本,在ubuntu下如果SD-WEBUI的环境已经搭好的话,只需要下载lora-script就可以支持训练了,直接命令行方式训练。 首先,我们需要克隆下项目: git clone https://github.com/Akegarasu/lo…

黑色翻页时钟HTML源码-倒计时单页翻页时钟

黑色翻页时钟HTML源码-倒计时单页翻页时钟这是一个类似fliqlo的黑色翻页时钟HTML源码,它仅包含一个HTML文件,上传到网站后即可使用。该时钟具有查看当前时间、秒表和倒计时功能,并且可以在页面的右下角进行设置。 红色动态炫酷数字时钟html网…

八股文打卡day1——计算机网络(1)

面试题:从输入 URL 到页面展示到底发生了什么? 我的回答: 1.首先在浏览器缓存中寻找该页面资源。如果找到了,就返回页面资源。如果没找到,就进行网络请求。 2.在进行网络请求前,先进行DNS的解析&#xff…

【已解决】在使用poi-tl生成的word文档时候,怎么添加目录?poi-tl生成目录解决办法

需求: 需求的报告模板中大概包括标题、目录、前言、章节(根据模板动态生成的标题文字表格图片),其中目录需要根据章节的实际情况动态生成。在网上没有找到什么好的解决方案,请教一下实现思路,非常感谢。 …

PHP的垃圾回收机制是怎样的?

PHP 使用自动垃圾回收机制来管理内存。PHP 的垃圾回收主要依赖于引用计数和周期性垃圾回收两种策略。 引用计数: PHP 使用引用计数来跟踪变量的引用次数。每当一个变量被引用,其引用计数就增加;每当一个引用被释放,计数就减少。当…

工作中 docker 的使用积累

2 进入 openwrt 容器 docker exec -it openwrt /bin/sh3 查看 docker 信息 docker info4 启动容器 4 挂载 overlay mount -t overlay overlay -o lowerdirA:B,upperdirC,workdirworker /tmp/test -t overlay : 指定要挂载的文件系统类型为 overlayoverlay: 指定…

MATLAB 计算两片点云间的最小距离(2种方法) (39)

MATLAB 计算两片点云间的最小距离 (39) 一、算法介绍二、算法实现1.常规计算方法2.基于KD树的快速计算一、算法介绍 假设我们现在有两片点云 1 和 2 ,需要计算二者之间的最小距离,这里提供两种计算方法,分别是常规计算和基于KD树近邻搜索的快速计算方法,使用的测试数据如…

springboot 解析微信小程序获取手机号

引用依赖包 <dependency><groupId>bouncycastle</groupId><artifactId>bcprov-jdk14</artifactId><version>138</version></dependency><dependency><groupId>com.alibaba</groupId><artifactId>fast…

I2C 从设备

驱动文件 \drivers\i2c\busses\i2c-designware-slave.c I2C控制器 \drivers\i2c\i2c-slave-eeprom.c I2C设备示例 由于作为从&#xff0c;接收主写过来的数据时总是少一个&#xff0c;因为分析相关。 控制器驱动中断 加打印&#xff0c;很多时候不能打印出来。如下中断中…