numpy-learn

创建数组

import numpy as np
import pandas as pd
import math

value = float('nan')# 使用 math.isnan()
if math.isnan(value):print("Value is NaN")# 使用 numpy.isnan()
if np.isnan(value):print("Value is NaN")np.array([1, 2, 3, 4, 5])
np.linspace(10, 100, 10)
Value is NaN
Value is NaNarray([ 10.,  20.,  30.,  40.,  50.,  60.,  70.,  80.,  90., 100.])
sex = pd.Series(['Male','Male','Female'])
np.array(sex)
array(['Male', 'Male', 'Female'], dtype=object)

linspace

start:起始数字

end:结束

Num:要生成的样本数,默认为50。

np.linspace(10,100,10)

Arange: step:数值步长

np.arange(5,10,2)
array([5, 7, 9])

Uniform: 在上下限之间的均匀分布中生成随机样本

np.random.uniform(5,10,size = 4)
array([5.35806766, 5.25970119, 5.53573947, 7.04110989])
np.random.uniform(size = 5)
array([0.53490428, 0.07574269, 0.2994071 , 0.10866207, 0.78867775])
np.random.uniform(size = (2,3))
array([[0.23929405, 0.26832237, 0.70498685],[0.71195525, 0.50311203, 0.99720624]])

Random.randint:在一个范围内生成n个随机整数样本

np.random.randint(5,10,10)
array([9, 8, 6, 6, 9, 5, 9, 5, 6, 5])

Random.random:生成n个随机浮点数样本

np.random.random(3)
array([0.70025574, 0.50566006, 0.80192119])

Logspace:在对数尺度上生成间隔均匀的数字
Start:序列的起始值。

End:序列的最后一个值。

endpoint:如果为True,最后一个样本将包含在序列中。

base:底数。默认是10

np.logspace(0,10,5,base=2)
array([1.00000000e+00, 5.65685425e+00, 3.20000000e+01, 1.81019336e+02,1.02400000e+03])

zeroes: np.zeroes会创建一个全部为0的数组,

shape:阵列的形状。

Dtype:生成数组所需的数据类型。’ int ‘或默认’ float ’

np.zeros((2,3),dtype="int")
array([[0, 0, 0],[0, 0, 0]])
np.zeros(5)
array([0., 0., 0., 0., 0.])

ones: np.ones函数创建一个全部为1的数组

np.ones((2,3))
array([[1., 1., 1.],[1., 1., 1.]])
full:创建一个单独值的n维数组
fill_value:填充值
np.full((2,4),fill_value=4)
array([[4, 4, 4, 4],[4, 4, 4, 4]])

Identity:创建具有指定维度的单位矩阵

np.identity(4)
array([[1., 0., 0., 0.],[0., 1., 0., 0.],[0., 0., 1., 0.],[0., 0., 0., 1.]])

数组操作

max,min:返回数组中的最小值
axis:用于操作的轴
out:用于存储输出的数组

arr=np.array([1,1,2,3,3,4,5,6,6,2])
np.min(arr)
arr.min()
1
np.max(arr)
6

unique:返回一个所有唯一元素排序的数组
return_index:如果为True,返回数组的索引。

return_inverse:如果为True,返回唯一数组的下标。return_counts:如果为True,返回数组中每个唯一元素出现的次数。axis:要操作的轴。默认情况下,数组被认为是扁平的
np.unique(arr,return_counts=True)
(array([1, 2, 3, 4, 5, 6]), array([2, 2, 2, 1, 1, 2]))

mean: 返回数组的平均数

np.mean(arr)
3.3

medain: 返回中位数

arr = np.array([[1,2,3],[5,8,4]])
np.median(arr)
3.5

digitize: 返回输入数组中每个值所属的容器的索引。bin:容器的数组,right:表示该间隔是否包括右边或左边的bin

a = np.array([-0.9, 0.5, 0.9, 1, 1.2, 1.4, 3.6, 4.7, 5.3])
bin = np.array([0,1,2,3])
np.digitize(a,bin)
array([0, 1, 1, 2, 2, 2, 4, 4, 4])
reshape:它返回一个数组,其中包含具有新形状的相同数据
A = np.random.randint(15,size=(4,3))
A
array([[ 0,  3,  3],[12, 12,  7],[ 7,  8, 11],[10, 14,  9]])
A.reshape(3,4)
array([[ 0,  3,  3, 12],[12,  7,  7,  8],[11, 10, 14,  9]])
A.reshape(-1)
array([ 0,  3,  3, 12, 12,  7,  7,  8, 11, 10, 14,  9])

expand_dims:它用于扩展数组的维度

arr = np.array([ 8, 14, 1, 8, 11, 4, 9, 4, 1, 13, 13, 11])
np.expand_dims(arr,axis=0)
array([[ 8, 14,  1,  8, 11,  4,  9,  4,  1, 13, 13, 11]])
np.expand_dims(arr,axis=1)
array([[ 8],[14],[ 1],[ 8],[11],[ 4],[ 9],[ 4],[ 1],[13],[13],[11]])
arr = np.array([1, 2, 3])  # 输入数组
result = np.expand_dims(arr, axis=1)
result
array([[1],[2],[3]])

squeeze:通过移除一个单一维度来降低数组的维度

arr = np.array([[ 8],[14],[ 1],[ 8],[11],[ 4],[ 9],[ 4],[ 1],[13],[13],[11]])
np.squeeze(arr)
array([ 8, 14,  1,  8, 11,  4,  9,  4,  1, 13, 13, 11])

count_nonzero: 计算所有非零元素并返回它们的计数

a = np.array([0,0,1,1,1,0])
np.count_nonzero(a)
3

argwhere: 查找并返回非零元素的所有下标

a = np.array([0,0,1,1,1,0])
np.argwhere(a)
array([[2],[3],[4]])

argmax & argmin:argmax返回数组中Max元素的索引。它可以用于多类图像分类问题中获得高概率预测标签的指标,argmin将返回数组中min元素的索引

arr = np.array([[0.12,0.64,0.19,0.05]])
np.argmax(arr)
1
np.argmin(arr)
3

sort: 对数组排序,kind:要使用的排序算法。{‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}

arr = np.array([2,3,1,7,4,5])
np.sort(arr)
array([1, 2, 3, 4, 5, 7])

abs:返回数组中元素的绝对值

A=np.array([[1,-3,4],[-2,-4,3]])
np.abs(A)
array([[1, 3, 4],[2, 4, 3]])

round:将浮点值四舍五入到指定数目的小数点,decimals:要保留的小数点的个数

a=np.random.random(size=(3,4))
a
array([[0.16884867, 0.57913567, 0.16815851, 0.20774758],[0.54647561, 0.9234027 , 0.83512324, 0.06706385],[0.70642496, 0.02558962, 0.08868171, 0.52844368]])

clip: 它可以将数组的裁剪值保持在一个范围内

arr = np.array([0,1,-3,-4,5,6,7,2,3])
arr.clip(0,5)
array([0, 1, 0, 0, 5, 5, 5, 2, 3])

替换数组中的值

where:返回满足条件的数组元素,condition:匹配的条件。如果true则返回x,否则y。

a = np.arange(12).reshape(4,3)
a
array([[ 0,  1,  2],[ 3,  4,  5],[ 6,  7,  8],[ 9, 10, 11]])
np.where(a>5)
(array([2, 2, 2, 3, 3, 3]), array([0, 1, 2, 0, 1, 2]))
a[np.where(a>5)]
array([ 6,  7,  8,  9, 10, 11])

可以用来替换pandas df中的元素

put:用给定的值替换数组中指定的元素,
a:数组

Ind:需要替换的索引。

V:替换值

arr = np.array([1,2,3,4,5,6])
arr
array([1, 2, 3, 4, 5, 6])
np.put(arr,[1,2],[10,9])
arr
array([ 1, 10,  9,  4,  5,  6])

copyto:将一个数组的内容复制到另一个数组中

arr1 = np.array([1,2,3])
arr2 = np.array([4,5,6])
arr1
array([1, 2, 3])
arr2
array([4, 5, 6])
np.copyto(dst=arr1,src=arr2)
arr2
array([4, 5, 6])
arr1
array([4, 5, 6])

集合操作

查找公共元素: intersect1d函数以排序的方式返回两个数组中所有唯一的值
Assume_unique:如果为真值,则假设输入数组都是唯一的。

Return_indices:如果为真,则返回公共元素的索引
ar1 = np.array([1,2,3,4,5,6])
ar2 = np.array([3,4,5,8,9,1])
np.intersect1d(ar1,ar2)
array([1, 3, 4, 5])

查找不同元素: np.setdiff1d函数返回arr1中在arr2中不存在的所有唯一元素

a = np.array([1, 7, 3, 2, 4, 1])
b = np.array([9, 2, 5, 6, 7, 8])
np.setdiff1d(a,b)
array([1, 3, 4])

从两个数组中提取唯一元素:Setxor1d 将按顺序返回两个数组中所有唯一的值

a = np.array([1, 2, 3, 4, 6])
b = np.array([1, 4, 9, 4, 36])np.setxor1d(a,b)
array([ 2,  3,  6,  9, 36])

合并:Union1d函数将两个数组合并为一个

a = np.array([1, 2, 3, 4, 5])
b = np.array([1, 3, 5, 4, 36])
np.union1d(a,b)
array([ 1,  2,  3,  4,  5, 36])

数组分割:

Hsplit函数将数据水平分割为n个相等的部分

A = np.array([[3,4,5,2],[6,7,2,6]])
np.hsplit(A,2)
[array([[3, 4],[6, 7]]),array([[5, 2],[2, 6]])]
np.hsplit(A,4)
[array([[3],[6]]),array([[4],[7]]),array([[5],[2]]),array([[2],[6]])]

垂直分割:Vsplit将数据垂直分割为n个相等的部分

A = np.array([[3,4,5,2],[6,7,2,6]])
np.vsplit(A,2)
[array([[3, 4, 5, 2]]), array([[6, 7, 2, 6]])]

数组叠加

水平叠加:hstack 将在另一个数组的末尾追加一个数组

a = np.array([1,2,3,4,5])
b = np.array([1,4,9,16,25])
np.hstack((a,b))
array([ 1,  2,  3,  4,  5,  1,  4,  9, 16, 25])

垂直叠加:vstack将一个数组堆叠在另一个数组上

np.vstack((a,b))
array([[ 1,  2,  3,  4,  5],[ 1,  4,  9, 16, 25]])

allclose:如果两个数组的形状相同,则Allclose函数根据公差值查找两个数组是否相等或近似相等

a = np.array([0.25,0.4,0.6,0.32])
b = np.array([0.26,0.3,0.7,0.32])
tolerance = 0.1 ## Total Difference 
np.allclose(a,b,tolerance)
False
tolerance = 0.5
np.allclose(a,b,tolerance)
True

equal:它比较两个数组的每个元素,如果元素匹配就返回True

np.equal(arr1,arr2)
array([ True,  True,  True])

重复的数组元素

repeat:它用于重复数组中的元素n次,

A:重复的元素

Repeats:重复的次数

np.repeat('2017',3)
array(['2017', '2017', '2017'], dtype='<U4')
fruits=pd.DataFrame([
['Mango',40],
['Apple',90],
['Banana',130]
],columns=['Product','ContainerSales'])fruits
ProductContainerSales
0Mango40
1Apple90
2Banana130

[0] 表示索引操作,用于访问数组或矩阵的维度信息

fruits['year'] = np.repeat(2020,fruits.shape[0])
fruits
ProductContainerSalesyear
0Mango402020
1Apple902020
2Banana1302020

tile: 通过重复A,rep次来构造一个数组

np.tile("Ram",5)
array(['Ram', 'Ram', 'Ram', 'Ram', 'Ram'], dtype='<U3')
np.tile(3,(2,3))
array([[3, 3, 3],[3, 3, 3]])

爱因斯坦求和

a = np.arange(1,10).reshape(3,3)
b = np.arange(21,30).reshape(3,3)
np.einsum('ii->i',a)
array([1, 5, 9])
np.einsum('ji',a)
array([[1, 4, 7],[2, 5, 8],[3, 6, 9]])
np.einsum('ij,jk',a,b)
array([[150, 156, 162],[366, 381, 396],[582, 606, 630]])
np.einsum('ii',a)
15

统计分析

A = np.array([[3, 4, 5, 2],
[6, 7, 2, 6]])
np.histogram(A)
(array([2, 0, 1, 0, 1, 0, 1, 0, 2, 1]),array([2. , 2.5, 3. , 3.5, 4. , 4.5, 5. , 5.5, 6. , 6.5, 7. ]))

百分位数

沿指定轴计算数据的Q-T-T百分位数
a:输入
q:要计算的百分位。overwrite_input:如果为true,则允许输入数组修改中间计算以节省内存
a = np.array([[2, 4, 6], [4, 8, 12]])
np.percentile(a, 50)
5.0
np.percentile(a, 10)
3.0
np.percentile(a,5)
2.5

标准偏差和方差
std和var是NumPy的两个函数,用于计算沿轴的标准偏差和方差

a = np.array([[2, 4, 6], [4, 8, 12]])
np.std(a,axis=1)
array([1.63299316, 3.26598632])
np.std(a,axis=0)
array([1., 2., 3.])
np.var(a,axis=1)
array([ 2.66666667, 10.66666667])
np.var(a,axis=0)
array([1., 4., 9.])

数组打印

np.set_printoptions(precision=2)
a = np.array([12.23456,32.34535])
a
array([12.23, 32.35])

设置打印数组最大值

np.set_printoptions(threshold=np.inf)

增加一行中元素的数量

np.set_printoptions(linewidth=100)

保存和加载数据

arr = np.linspace(10,100,500).reshape(25,20) 
np.savetxt('array.txt',arr)

加载

np.loadtxt('array.txt')
array([[ 10.  ,  10.18,  10.36,  10.54,  10.72,  10.9 ,  11.08,  11.26,  11.44,  11.62,  11.8 ,11.98,  12.16,  12.34,  12.53,  12.71,  12.89,  13.07,  13.25,  13.43],[ 13.61,  13.79,  13.97,  14.15,  14.33,  14.51,  14.69,  14.87,  15.05,  15.23,  15.41,15.59,  15.77,  15.95,  16.13,  16.31,  16.49,  16.67,  16.85,  17.03],[ 17.21,  17.39,  17.58,  17.76,  17.94,  18.12,  18.3 ,  18.48,  18.66,  18.84,  19.02,19.2 ,  19.38,  19.56,  19.74,  19.92,  20.1 ,  20.28,  20.46,  20.64],[ 20.82,  21.  ,  21.18,  21.36,  21.54,  21.72,  21.9 ,  22.08,  22.26,  22.44,  22.63,22.81,  22.99,  23.17,  23.35,  23.53,  23.71,  23.89,  24.07,  24.25],[ 24.43,  24.61,  24.79,  24.97,  25.15,  25.33,  25.51,  25.69,  25.87,  26.05,  26.23,26.41,  26.59,  26.77,  26.95,  27.13,  27.31,  27.49,  27.68,  27.86],[ 28.04,  28.22,  28.4 ,  28.58,  28.76,  28.94,  29.12,  29.3 ,  29.48,  29.66,  29.84,30.02,  30.2 ,  30.38,  30.56,  30.74,  30.92,  31.1 ,  31.28,  31.46],[ 31.64,  31.82,  32.  ,  32.18,  32.36,  32.55,  32.73,  32.91,  33.09,  33.27,  33.45,33.63,  33.81,  33.99,  34.17,  34.35,  34.53,  34.71,  34.89,  35.07],[ 35.25,  35.43,  35.61,  35.79,  35.97,  36.15,  36.33,  36.51,  36.69,  36.87,  37.05,37.23,  37.41,  37.6 ,  37.78,  37.96,  38.14,  38.32,  38.5 ,  38.68],[ 38.86,  39.04,  39.22,  39.4 ,  39.58,  39.76,  39.94,  40.12,  40.3 ,  40.48,  40.66,40.84,  41.02,  41.2 ,  41.38,  41.56,  41.74,  41.92,  42.1 ,  42.28],[ 42.46,  42.65,  42.83,  43.01,  43.19,  43.37,  43.55,  43.73,  43.91,  44.09,  44.27,44.45,  44.63,  44.81,  44.99,  45.17,  45.35,  45.53,  45.71,  45.89],[ 46.07,  46.25,  46.43,  46.61,  46.79,  46.97,  47.15,  47.33,  47.52,  47.7 ,  47.88,48.06,  48.24,  48.42,  48.6 ,  48.78,  48.96,  49.14,  49.32,  49.5 ],[ 49.68,  49.86,  50.04,  50.22,  50.4 ,  50.58,  50.76,  50.94,  51.12,  51.3 ,  51.48,51.66,  51.84,  52.02,  52.2 ,  52.38,  52.57,  52.75,  52.93,  53.11],[ 53.29,  53.47,  53.65,  53.83,  54.01,  54.19,  54.37,  54.55,  54.73,  54.91,  55.09,55.27,  55.45,  55.63,  55.81,  55.99,  56.17,  56.35,  56.53,  56.71],[ 56.89,  57.07,  57.25,  57.43,  57.62,  57.8 ,  57.98,  58.16,  58.34,  58.52,  58.7 ,58.88,  59.06,  59.24,  59.42,  59.6 ,  59.78,  59.96,  60.14,  60.32],[ 60.5 ,  60.68,  60.86,  61.04,  61.22,  61.4 ,  61.58,  61.76,  61.94,  62.12,  62.3 ,62.48,  62.67,  62.85,  63.03,  63.21,  63.39,  63.57,  63.75,  63.93],[ 64.11,  64.29,  64.47,  64.65,  64.83,  65.01,  65.19,  65.37,  65.55,  65.73,  65.91,66.09,  66.27,  66.45,  66.63,  66.81,  66.99,  67.17,  67.35,  67.54],[ 67.72,  67.9 ,  68.08,  68.26,  68.44,  68.62,  68.8 ,  68.98,  69.16,  69.34,  69.52,69.7 ,  69.88,  70.06,  70.24,  70.42,  70.6 ,  70.78,  70.96,  71.14],[ 71.32,  71.5 ,  71.68,  71.86,  72.04,  72.22,  72.4 ,  72.59,  72.77,  72.95,  73.13,73.31,  73.49,  73.67,  73.85,  74.03,  74.21,  74.39,  74.57,  74.75],[ 74.93,  75.11,  75.29,  75.47,  75.65,  75.83,  76.01,  76.19,  76.37,  76.55,  76.73,76.91,  77.09,  77.27,  77.45,  77.64,  77.82,  78.  ,  78.18,  78.36],[ 78.54,  78.72,  78.9 ,  79.08,  79.26,  79.44,  79.62,  79.8 ,  79.98,  80.16,  80.34,80.52,  80.7 ,  80.88,  81.06,  81.24,  81.42,  81.6 ,  81.78,  81.96],[ 82.14,  82.32,  82.51,  82.69,  82.87,  83.05,  83.23,  83.41,  83.59,  83.77,  83.95,84.13,  84.31,  84.49,  84.67,  84.85,  85.03,  85.21,  85.39,  85.57],[ 85.75,  85.93,  86.11,  86.29,  86.47,  86.65,  86.83,  87.01,  87.19,  87.37,  87.56,87.74,  87.92,  88.1 ,  88.28,  88.46,  88.64,  88.82,  89.  ,  89.18],[ 89.36,  89.54,  89.72,  89.9 ,  90.08,  90.26,  90.44,  90.62,  90.8 ,  90.98,  91.16,91.34,  91.52,  91.7 ,  91.88,  92.06,  92.24,  92.42,  92.61,  92.79],[ 92.97,  93.15,  93.33,  93.51,  93.69,  93.87,  94.05,  94.23,  94.41,  94.59,  94.77,94.95,  95.13,  95.31,  95.49,  95.67,  95.85,  96.03,  96.21,  96.39],[ 96.57,  96.75,  96.93,  97.11,  97.29,  97.47,  97.66,  97.84,  98.02,  98.2 ,  98.38,98.56,  98.74,  98.92,  99.1 ,  99.28,  99.46,  99.64,  99.82, 100.  ]])

refer

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/230821.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

Hadoop和Spark的区别

Hadoop 表达能力有限。磁盘IO开销大&#xff0c;延迟度高。任务和任务之间的衔接涉及IO开销。前一个任务完成之前其他任务无法完成&#xff0c;难以胜任复杂、多阶段的计算任务。 Spark Spark模型是对Mapreduce模型的改进&#xff0c;可以说没有HDFS、Mapreduce就没有Spark。…

Python 词法分析

Python 程序由 解析器 读取&#xff0c;输入解析器的是 词法分析器 生成的 形符 流。本章介绍词法分析器怎样把文件拆成形符。 Python 将读取的程序文本转为 Unicode 代码点&#xff1b;编码声明用于指定源文件的编码&#xff0c;默认为 UTF-8&#xff0c;详见 PEP 3120。源文…

Wireshark插件开发

第一章&#xff1a;Wireshark基础及捕获技巧 1.1 Wireshark基础知识回顾 1.2 高级捕获技巧&#xff1a;过滤器和捕获选项 1.3 Wireshark与其他抓包工具的比较 第二章&#xff1a;网络协议分析 2.1 网络协议分析&#xff1a;TCP、UDP、ICMP等 2.2 高级协议分析&#xff1a;HTTP…

2023年全球运维大会(GOPS深圳站)-核心PPT资料下载

一、峰会简介 1、大会背景与概述 全球运维大会&#xff08;GOPS&#xff09;是运维领域最具影响力的国际盛会&#xff0c;每年都会汇聚世界各地的运维专家、企业领袖、技术爱好者&#xff0c;共同探讨运维技术的最新发展、最佳实践以及面临的挑战。2023年GOPS深圳站作为该系列…

2023建筑行业薪资趋势?如何提高建筑设计效率呢?

12月6日&#xff0c;国外著名建筑可视化网站CGarchitect公布了其2023年建筑可视化薪资调查结果&#xff0c;详细描述了行业内的薪资趋势。 调查表明&#xff0c;占比较高的是有16.04%的年收入低于10000美元&#xff08;约71000人民币&#xff09;&#xff0c;其次是11.75%的受…

【MyBatis-Plus】多数据源分页配置(低版本暂时就支持一种(可选),高版本多支持)

【转载】一、Mybatis Plus 3.4 版本之后分页插件的变化 1、地址 Mybatis Plus 3.4版本之后分页插件的变化 2、内容 1、MybatisPlusInterceptor 从 Mybatis Plus 3.4.0 版本开始&#xff0c;不再使用旧版本的 PaginationInterceptor&#xff0c;而是使用 MybatisPlusInterce…

【C++】封装:练习案例-点和圆的关系

练习案例&#xff1a;点和圆的关系 设计一个圆形类&#xff08;Circle&#xff09;&#xff0c;和一个点类&#xff08;Point&#xff09;&#xff0c;计算点和圆的关系。 思路&#xff1a; 1&#xff09;创建点类point.h和point.cpp 2&#xff09;创建圆类circle.h和circle…

20、WEB攻防——PHP特性缺陷对比函数CTF考点CMS审计实例

文章目录 一、PHP常用过滤函数&#xff1a;1.1 与1.2 md51.3 intval1.4 strpos1.5 in_array1.6 preg_match1.7 str_replace CTFshow演示三、参考资料 一、PHP常用过滤函数&#xff1a; 1.1 与 &#xff1a;弱类型对比&#xff08;不考虑数据类型&#xff09;&#xff0c;甚至…

Java中的final关键字和static关键字

这两个关键字编写代码时会经常用&#xff0c;正确的使用这些关键字&#xff0c;可以形成良好的编程习惯&#xff0c;保护好代码的封装性。 1、final 关键字 在Java中&#xff0c;利用关键字final指示常量&#xff0c;习惯上&#xff0c;常量名使用全大写。 关键字final表示这个…

计算机网络:自顶向下第八版学习指南笔记和课后实验--运输层

记录一些学习计算机网络:自顶向下的学习笔记和心得 Github地址&#xff0c;欢迎star ⭐️⭐️⭐️⭐️⭐️ 运输层 TCP&#xff1a; 传输控制协议 报文段 UDP&#xff1a; 用户数据包协议 数据报 将主机间交付扩展到进程间交付被称为运输层的多路复用与多路分解 将运输层…

【Java】【Stream流】分组

Java实际开发中使用流会提升代码的质量&#xff0c;所以这里继续分享使用流 玩分组 import java.util.Arrays; import java.util.List; import java.util.stream.Collectors; public class StreamGroupingExample { public static void main(String[] args) { List<…

深入解析C语言数组与指针:嵌套循环遍历数组

在这篇博客中&#xff0c;我们将深入探讨C语言中数组和指针的关系&#xff0c;通过一个简单的嵌套循环遍历数组的例子展示了它们的使用。 代码示例 #include <stdio.h>int main() {int arr1[] {1, 2, 3, 4, 5};int arr2[] {2, 3, 4, 5, 6};int arr3[] {3, 4, 5, 6, …

RocketMq查看消息轨迹

查看消息轨迹 1.修改配置文件 broker的启动文件加上消息轨迹相关配置 ##if msg tracing is open,the flag will be true traceTopicEnabletrue2.启动broker 使用broker-a.properties配置文件后台启动Broker。 nohup mqbroker -c /usr/local/rocketmq/rocketmq-all-4.9.1-bin…

智能五子棋1

*一、项目需求* 五子棋是一种简单的黑白棋&#xff0c;历史悠久&#xff0c;起源于中国&#xff0c;后传入日本&#xff0c;在日本被称为“连珠”&#xff0c;是一种老少皆宜的益智游戏。 人工智能五子棋系统的目标用户是一切想致力于研究人机对弈算法理论的相关研究者和一切…

使用C语言设计并实现一个成绩管理系统

使用C语言设计并实现一个成绩管理系统&#xff0c;该系统用于教师管理一门课程的成绩。 系统功能&#xff1a;成绩录入、打印成绩单、修改成绩、统计分数段、统计平均分、统计不及格学生&#xff0c;相关要求&#xff1a; 1&#xff09; 系统要有主菜单界面&#xff0c;让教师…

关于《企业数字化平台》

大家好&#xff0c;开始我们《企业数字化平台》系列栏目&#xff0c;首先做一个简短的自我介绍&#xff0c;Duster是本人现在的笔名&#xff0c;曾用笔名尘埃&#xff0c;写了本书《生活新视界》&#xff0c;如果有缘的话&#xff0c;希望您读到他&#xff0c;如果您能读懂&…

Android Stuido报错处理

仅用作报错记录。防止以后出项问题不知如何解决。 报错1 Dependency‘androidx.annotation:xx requires libraries and applications … 需要修改CompileSDKVersion更改为报错中提示的版本 打开项目build.gradle文件&#xff0c;将compileSdk和targetSdk修改为报错中提示的版…

【深入pytorch】transforms.functional 梯度流动问题

实验环境&#xff1a; torch.__version__ Out[3]: 1.12.1cu113首先测试一下&#xff1a; import torch from torchvision.transforms import functional as F from torch.autograd import Function img torch.randn(1, 3, 224, 224) startpoints torch.FloatTensor([[0., 0…

.NET Core中鉴权 Authentication Authorization

Authentication: 鉴定身份信息&#xff0c;例如用户有没有登录&#xff0c;用户基本信息 Authorization: 判定用户有没有权限 使用框架提供的Cookie鉴权方式 1.首先在服务容器注入鉴权服务和Cookie服务支持 services.AddAuthentication(options > {options.DefaultAuthe…