Pandas实践_分类数据

文章目录

  • 一、cat对象
    • 1.cat对象的属性
    • 2.类别的增加、删除和修改
  • 二、有序分类
    • 1.序的建立
    • 2.排序和比较
  • 三、区间类别
    • 1.利用cut和qcut进行区间构造
    • 2.一般区间的构造
    • 3.区间的属性与方法

一、cat对象

1.cat对象的属性

在pandas中提供了category类型，使用户能够处理分类类型的变量，将一个普通序列转换成分类变量可以使用astype方法。

df = pd.read_csv('../data/learn_pandas.csv', usecols = ['Grade', 'Name', 'Gender', 'Height', 'Weight'])
s = df.Grade.astype('category')
s.head()
#0     Freshman
#,1     Freshman
#,2       Senior
#,3    Sophomore
#,4    Sophomore
#,Name: Grade, dtype: category
#,Categories (4, object): ['Freshman', 'Junior', 'Senior', 'Sophomore']

在一个分类类型的Series中定义了cat对象，它和上一章中介绍的str对象类似，定义了一些属性和方法来进行分类类别的操作。

s.cat
#<pandas.core.arrays.categorical.CategoricalAccessor object at 0x0000020F9B7A7108>

对于一个具体的分类，有两个组成部分，其一为类别的本身，它以Index类型存储，其二为是否有序，它们都可以通过cat的属性被访问：

s.cat.categories
#Index(['Freshman', 'Junior', 'Senior', 'Sophomore'], dtype='object')s.cat.ordered
#False

另外，每一个序列的类别会被赋予唯一的整数编号，它们的编号取决于cat.categories中的顺序，该属性可以通过codes访问：

s.cat.codes.head()
#0    0
#,1    0
#,2    2
#,3    3
#,4    3
#,dtype: int8

2.类别的增加、删除和修改

通过cat对象的categories属性能够完成对类别的查询，那么应该如何进行“增改查删”的其他三个操作呢？

首先，对于类别的增加可以使用add_categories：

s = s.cat.add_categories('Graduate') # 增加一个毕业生类别
s.cat.categories
#Index(['Freshman', 'Junior', 'Senior', 'Sophomore', 'Graduate'], dtype='object')

若要删除某一个类别可以使用remove_categories，同时所有原来序列中的该类会被设置为缺失。例如，删除大一的类别：

s = s.cat.remove_categories('Freshman')
s.cat.categories
#Index(['Junior', 'Senior', 'Sophomore', 'Graduate'], dtype='object')s.head()
#0          NaN
#,1          NaN
#,2       Senior
#,3    Sophomore
#,4    Sophomore
#,Name: Grade, dtype: category
#,Categories (4, object): ['Junior', 'Senior', 'Sophomore', 'Graduate']

此外可以使用set_categories直接设置序列的新类别，原来的类别中如果存在元素不属于新类别，那么会被设置为缺失。

s = s.cat.set_categories(['Sophomore','PhD']) # 新类别为大二学生和博士
s.cat.categories
#Index(['Sophomore', 'PhD'], dtype='object')s.head()
#0          NaN
#,1          NaN
#,2          NaN
#,3    Sophomore
#,4    Sophomore
#,Name: Grade, dtype: category
#,Categories (2, object): ['Sophomore', 'PhD']

如果想要删除未出现在序列中的类别，可以使用remove_unused_categories来实现：

s = s.cat.remove_unused_categories() # 移除了未出现的博士生类别
s.cat.categories
#Index(['Sophomore'], dtype='object')

最后，“增改查删”中还剩下修改的操作，这可以通过rename_categories方法完成，同时需要注意的是，这个方法会对原序列的对应值也进行相应修改。例如，现在把Sophomore改成中文的本科二年级学生：

s = s.cat.rename_categories({'Sophomore':'本科二年级学生'})
s.head()
#0        NaN
#,1        NaN
#,2        NaN
#,3    本科二年级学生
#,4    本科二年级学生
#,Name: Grade, dtype: category
#,Categories (1, object): ['本科二年级学生']

二、有序分类

1.序的建立

有序类别和无序类别可以通过as_unordered和reorder_categories互相转化，需要注意的是后者传入的参数必须是由当前序列的无序类别构成的列表，不能够增加新的类别，也不能缺少原来的类别，并且必须指定参数ordered=True，否则方法无效。例如，对年级高低进行相对大小的类别划分，然后再恢复无序状态：

s = df.Grade.astype('category')
s = s.cat.reorder_categories(['Freshman', 'Sophomore', 'Junior', 'Senior'],ordered=True)
s.head()
#0     Freshman
#,1     Freshman
#,2       Senior
#,3    Sophomore
#,4    Sophomore
#,Name: Grade, dtype: category
#,Categories (4, object): ['Freshman' < 'Sophomore' < 'Junior' < 'Senior']s.cat.as_unordered().head()
#0     Freshman
#,1     Freshman
#,2       Senior
#,3    Sophomore
#,4    Sophomore
#,Name: Grade, dtype: category
#,Categories (4, object): ['Freshman', 'Sophomore', 'Junior', 'Senior']

2.排序和比较

在第二章中，曾提到了字符串和数值类型序列的排序，此时就要说明分类变量的排序：只需把列的类型修改为category后，再赋予相应的大小关系，就能正常地使用sort_index和sort_values。例如，对年级进行排序：

df.Grade = df.Grade.astype('category')
df.Grade = df.Grade.cat.reorder_categories(['Freshman', 'Sophomore', 'Junior', 'Senior'],ordered=True)
df.sort_values('Grade').head() # 值排序
#   	Grade   	Name        	Gender	Height	Weight
#0  	Freshman	Gaopeng Yang	Female	158.9	46.0
#105	Freshman	Qiang Shi   	Female	164.5	52.0
#96 	Freshman	Changmei Feng	Female	163.8	56.0
#88 	Freshman	Xiaopeng Han	Female	164.1	53.0
#81 	Freshman	Yanli Zhang 	Female	165.1	52.0df.set_index('Grade').sort_index().head() # 索引排序
#       	Name        	Gender	Height	Weight
#Grade				
#Freshman	Gaopeng Yang	Female	158.9	46.0
#Freshman	Qiang Shi   	Female	164.5	52.0
#Freshman	Changmei Feng	Female	163.8	56.0
#Freshman	Xiaopeng Han	Female	164.1	53.0
#Freshman	Yanli Zhang 	Female	165.1	52.0

由于序的建立，因此就可以进行比较操作。分类变量的比较操作分为两类，第一种是==或!=关系的比较，比较的对象可以是标量或者同长度的Series（或list），第二种是>,>=,<,<=四类大小关系的比较，比较的对象和第一种类似，但是所有参与比较的元素必须属于原序列的categories，同时要和原序列具有相同的索引。

res1 = df.Grade == 'Sophomore'
res1.head()
#0    False
#,1    False
#,2    False
#,3     True
#,4     True
#,Name: Grade, dtype: boolres2 = df.Grade == ['PhD']*df.shape[0]
res2.head()
#0    False
#,1    False
#,2    False
#,3    False
#,4    False
#,Name: Grade, dtype: boolres3 = df.Grade <= 'Sophomore'
res3.head()
#0     True
#,1     True
#,2    False
#,3     True
#,4     True
#,Name: Grade, dtype: boolres4 = df.Grade <= df.Grade.sample(frac=1).reset_index(drop=True) # 打乱后比较
res4.head()
#0     True
#,1     True
#,2    False
#,3     True
#,4     True
#,Name: Grade, dtype: bool

三、区间类别

1.利用cut和qcut进行区间构造

区间是一种特殊的类别，在实际数据分析中，区间序列往往是通过cut和qcut方法进行构造的，这两个函数能够把原序列的数值特征进行装箱，即用区间位置来代替原来的具体数值。

首先介绍cut的常见用法：

其中，最重要的参数是bins，如果传入整数n，则代表把整个传入数组的按照最大和最小值等间距地分为n段。由于区间默认是左开右闭，需要在调整时把最小值包含进去，在pandas中的解决方案是在值最小的区间左端点再减去0.001(max-min)，因此如果对序列[1,2]划分为2个箱子时，第一个箱子的范围(0.999,1.5]，第二个箱子的范围是(1.5,2]。如果需要指定左闭右开时，需要把right参数设置为False，相应的区间调整方法是在值最大的区间右端点再加上0.001(max-min)。

s = pd.Series([1,2])
pd.cut(s, bins=2)
#0    (0.999, 1.5]
#,1      (1.5, 2.0]
#,dtype: category
#,Categories (2, interval[float64]): [(0.999, 1.5] < (1.5, 2.0]]pd.cut(s, bins=2, right=False)
#0      [1.0, 1.5)
#,1    [1.5, 2.001)
#,dtype: category
#,Categories (2, interval[float64]): [[1.0, 1.5) < [1.5, 2.001)]

bins的另一个常见用法是指定区间分割点的列表（使用np.infty可以表示无穷大）：

pd.cut(s, bins=[-np.infty, 1.2, 1.8, 2.2, np.infty])
#0    (-inf, 1.2]
#,1     (1.8, 2.2]
#,dtype: category
#,Categories (4, interval[float64]): [(-inf, 1.2] < (1.2, 1.8] < (1.8, 2.2] < (2.2, inf]]

另外两个常用参数为labels和retbins，分别代表了区间的名字和是否返回分割点（默认不返回）：

s = pd.Series([1,2])
res = pd.cut(s, bins=2, labels=['small', 'big'], retbins=True)
res[0]
#0    small
#,1      big
#,dtype: category
#,Categories (2, object): ['small' < 'big']res[1] # 该元素为返回的分割点
#ray([0.999, 1.5  , 2.   ])

从用法上来说，qcut和cut几乎没有差别，只是把bins参数变成的q参数，qcut中的q是指quantile。这里的q为整数n时，指按照n等分位数把数据分箱，还可以传入浮点列表指代相应的分位数分割点。

s = df.Weight
pd.qcut(s, q=3).head()
#0    (33.999, 48.0]
#,1      (55.0, 89.0]
#,2      (55.0, 89.0]
#,3    (33.999, 48.0]
#,4      (55.0, 89.0]
#,Name: Weight, dtype: category
#,Categories (3, interval[float64]): [(33.999, 48.0] < (48.0, 55.0] < (55.0, 89.0]]pd.qcut(s, q=[0,0.2,0.8,1]).head()
#0      (44.0, 69.4]
#,1      (69.4, 89.0]
#,2      (69.4, 89.0]
#,3    (33.999, 44.0]
#,4      (69.4, 89.0]
#,Name: Weight, dtype: category
#,Categories (3, interval[float64]): [(33.999, 44.0] < (44.0, 69.4] < (69.4, 89.0]]

2.一般区间的构造

对于某一个具体的区间而言，其具备三个要素，即左端点、右端点和端点的开闭状态，其中开闭状态可以指定right, left, both, neither中的一类：

my_interval = pd.Interval(0, 1, 'right')
my_interval
#Interval(0, 1, closed='right')

其属性包含了mid, length, right, left, closed,，分别表示中点、长度、右端点、左端点和开闭状态。

使用in可以判断元素是否属于区间：

0.5 in my_interval
#True

使用overlaps可以判断两个区间是否有交集：

my_interval_2 = pd.Interval(0.5, 1.5, 'left')
my_interval.overlaps(my_interval_2)
#True

一般而言，pd.IntervalIndex对象有四类方法生成，分别是from_breaks, from_arrays, from_tuples, interval_range，它们分别应用于不同的情况：

from_breaks的功能类似于cut或qcut函数，只不过后两个是通过计算得到的分割点，而前者是直接传入自定义的分割点：

pd.IntervalIndex.from_breaks([1,3,6,10], closed='both')
#IntervalIndex([[1, 3], [3, 6], [6, 10]],
#,              closed='both',
#,              dtype='interval[int64]')

from_arrays是分别传入左端点和右端点的列表，适用于有交集并且知道起点和终点的情况：

pd.IntervalIndex.from_arrays(left = [1,3,6,10], right = [5,4,9,11], closed = 'neither')
#IntervalIndex([(1, 5), (3, 4), (6, 9), (10, 11)],
#,              closed='neither',
#,              dtype='interval[int64]')

from_tuples传入的是起点和终点元组构成的列表：

pd.IntervalIndex.from_tuples([(1,5),(3,4),(6,9),(10,11)], closed='neither')
#IntervalIndex([(1, 5), (3, 4), (6, 9), (10, 11)],
#,              closed='neither',
#,              dtype='interval[int64]')

一个等差的区间序列由起点、终点、区间个数和区间长度决定，其中三个量确定的情况下，剩下一个量就确定了，interval_range中的start, end, periods, freq参数就对应了这四个量，从而就能构造出相应的区间：

pd.interval_range(start=1,end=5,periods=8)
#IntervalIndex([(1.0, 1.5], (1.5, 2.0], (2.0, 2.5], (2.5, 3.0], (3.0, 3.5], (3.5, 4.0], (4.0, 4.5], (4.5, 5.0]],
#,              closed='right',
#,              dtype='interval[float64]')pd.interval_range(end=5,periods=8,freq=0.5)
#IntervalIndex([(1.0, 1.5], (1.5, 2.0], (2.0, 2.5], (2.5, 3.0], (3.0, 3.5], (3.5, 4.0], (4.0, 4.5], (4.5, 5.0]],
#,              closed='right',
#,              dtype='interval[float64]')

除此之外，如果直接使用pd.IntervalIndex([…], closed=…)，把Interval类型的列表组成传入其中转为区间索引，那么所有的区间会被强制转为指定的closed类型，因为pd.IntervalIndex只允许存放同一种开闭区间的Interval对象。

my_interval
#Interval(0, 1, closed='right')my_interval_2
#Interval(0.5, 1.5, closed='left')pd.IntervalIndex([my_interval, my_interval_2], closed='left')
#IntervalIndex([[0.0, 1.0), [0.5, 1.5)],
#,              closed='left',
#,              dtype='interval[float64]')

3.区间的属性与方法

IntervalIndex上也定义了一些有用的属性和方法。同时，如果想要具体利用cut或者qcut的结果进行分析，那么需要先将其转为该种索引类型：

id_interval = pd.IntervalIndex(pd.cut(s, 3))
id_interval[:3]
#IntervalIndex([(33.945, 52.333], (52.333, 70.667], (70.667, 89.0]],
#,              closed='right',
#,              name='Weight',
#,              dtype='interval[float64]')

与单个Interval类型相似，IntervalIndex有若干常用属性：left, right, mid, length，分别表示左右端点、两端点均值和区间长度。

id_demo = id_interval[:5] # 选出前5个展示
id_demo
#IntervalIndex([(33.945, 52.333], (52.333, 70.667], (70.667, 89.0], (33.945, 52.333], (70.667, 89.0]],
#,              closed='right',
#,              name='Weight',
#,              dtype='interval[float64]')id_demo.left
#Float64Index([33.945, 52.333, 70.667, 33.945, 70.667], dtype='float64')id_demo.right
#Float64Index([52.333, 70.667, 89.0, 52.333, 89.0], dtype='float64')id_demo.mid
#Float64Index([43.138999999999996, 61.5, 79.8335, 43.138999999999996, 79.8335], dtype='float64')id_demo.length
#Float64Index([18.387999999999998, 18.334000000000003, 18.333,
#,              18.387999999999998, 18.333],
#,             dtype='float64')

IntervalIndex还有两个常用方法，包括contains和overlaps，分别指逐个判断每个区间是否包含某元素，以及是否和一个pd.Interval对象有交集。

id_demo.contains(4)
#array([False, False, False, False, False])id_demo.overlaps(pd.Interval(40,60))
#array([ True,  True, False,  True, False])

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/237761.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

html之如何设置音频和视频

html之如何设置音频和视频

文章目录 前言一、音频标签&#xff1a;audio1.audio简介2.常用属性controlsautoplayloop代码演示&#xff1a; 二、视频标签&#xff1a;video1.video2.常用的视频元素controlsautoplayloop代码演示&#xff1a; 总结视频元素总结音频元素总结 前言 html中插入音频和视频的方…
阅读更多...
【科学计算语言】实验一 Python数据类型与控制结构

【科学计算语言】实验一 Python数据类型与控制结构

实验名称 【目的和要求】 &#xff08;1&#xff09;掌握Python语言的分支及循环结构编程语句&#xff1a;if、for、while &#xff08;2&#xff09;熟练掌握Python基本运算和内置函数及数据表达 &#xff08;3&#xff09;在具体问题中综合运用顺序、分支、循环三种结构完成设…
阅读更多...
macos 上使用 java+opencv记录

macos 上使用 java+opencv记录

自编译 失败很多次之后终于跑起来一个 javaopencv 的demo。 过程 主要步骤如下&#xff1a; 编译需要 Apache Ant brew install ant需要告诉 opencv 需要 javabuild -DBUILD_opencv_javaON brew edit opencv编辑这个我错了很多次 直接编辑完了它会默认下载未修改的openc…
阅读更多...
Java 并发编程 —— 透过源码剖析 ForkJoinPool

Java 并发编程 —— 透过源码剖析 ForkJoinPool

目录 一. 前言 二. 工作窃取的实现原理 2.1. WorkQueue&#xff08;工作队列&#xff09; 2.2. 工作窃取流程 三. ForkJoinPool 源码解析 3.1. ForkJoinPool 的字段 3.1.1. 常量 3.1.2. 成员变量 3.1.3. ctl&#xff08;5个部分组成&#xff09; 3.2. 构造函数 3.3.…
阅读更多...
TensorFlow（3）：初始TensorFlow

TensorFlow（3）：初始TensorFlow

1 初始TensorFlow TensorFlow程序通常被组织成一个构件图阶段和一个执行图阶段。 在构建图阶段&#xff0c;数据与操作的执行步骤被描述为一个图 在执行图阶段&#xff0c;使用会话&#xff08;调用系统资源&#xff09;执行构建好的图中的操作 图和会话 图&#xff1a;这是…
阅读更多...
HarmonyOS引导页登陆页以及tabbar的代码说明 home 下拉刷新页代码 5

HarmonyOS引导页登陆页以及tabbar的代码说明 home 下拉刷新页代码 5

下拉刷新页 代码说明 这一页第一次运行时很卡&#xff0c;就是你点击修改&#xff0c;要等一会才出来&#xff0c;加一句&#xff0c;修改的字样原来应是修车二字。只能将错就错。 const TopHeight 200; Component export default struct Car {State list: Array<number&…
阅读更多...
​TrustZone之可信固件

​TrustZone之可信固件

Trusted Firmware是Armv8-A设备的安全世界软件的开源参考实现。Trusted Firmware为SoC开发人员和OEM提供了一个符合相关Arm规格&#xff08;包括TBBR和SMCC&#xff09;的参考Trusted代码库。 以下图表显示了Trusted Firmware的结构&#xff1a; SMC调度程序处理传入的SMC。SMC…
阅读更多...
基于html5的演唱会购票系统的设计与实现论文

基于html5的演唱会购票系统的设计与实现论文

基于html5的演唱会购票系统的设计与实现 摘要 随着信息互联网购物的飞速发展&#xff0c;一般企业都去创建属于自己的电商平台以及购物管理系统。本文介绍了基于html5的演唱会购票系统的设计与实现的开发全过程。通过分析企业对于基于html5的演唱会购票系统的设计与实现的需求…
阅读更多...
docker运行java程序的Dockerfile

docker运行java程序的Dockerfile

1&#xff0c;docker运行java程序的Dockerfile # 使用基础镜像 FROM alpine:latest # 暴露容器的端口 不会自动将容器的端口映射到宿主机上 docker run -d -p <宿主机端口>:7080 <镜像名称> EXPOSE 9202 EXPOSE 19202 #下载jdk8 RUN apk update && apk a…
阅读更多...
机器学习之随机森林 python

机器学习之随机森林 python

随机森林是一种集成学习方法&#xff0c;它是由多个决策树组成的模型&#xff0c;其中每棵树都是随机生成的。随机深林包括两种主要类型&#xff1a;随机森林和极端随机树。 废话不说上代码 import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import…
阅读更多...
百模大战下的AI变革：七大趋势引领未来

百模大战下的AI变革：七大趋势引领未来

AI行业的发展正在经历前所未有的变革。随着各大科技公司和初创企业竞相推出各种先进的人工智能模型&#xff0c;AI技术的边界正在不断被突破&#xff0c;新的行业趋势和应用场景也在逐渐浮现。在这场激烈的竞争中&#xff0c;AI行业的新趋势不仅影响着我们如何看待和使用AI&…
阅读更多...
@德人合科技——天锐绿盾 | 图纸加密软件有哪些功能呢?

@德人合科技——天锐绿盾 | 图纸加密软件有哪些功能呢?

德人合科技 | 天锐绿盾加密软件是一款全面保障企业电脑数据和安全使用的加密软件 PC端访问地址&#xff1a;www.drhchina.com 它的功能包括但不限于&#xff1a; 实时操作日志&#xff1a;可以实时详细地记录所有终端的操作日志&#xff0c;包括终端上窗口标题的变换、程序的…
阅读更多...
MySQL数据库利用binlog日志文件恢复数据

MySQL数据库利用binlog日志文件恢复数据

MySQL数据库利用binlog日志文件恢复数据 MySQL数据库利用binlog日志文件恢复数据的步骤主要有以下几种&#xff1a; 1.使用mysqlbinlog工具解析binlog日志文件&#xff0c;生成SQL语句。 2.使用mysql命令行工具执行生成的SQL语句&#xff0c;将数据恢复到目标数据库。 3.使用…
阅读更多...
C++学习笔记（十七）

C++学习笔记（十七）

模板 1. 模板的概念 模板就是建立通用的模具&#xff0c;大大提高复用性 模板的特点&#xff1a; 1. 模板不可以直接使用&#xff0c;它只是一个框架 2. 模板的通用并不是万能的 2. 函数模板 C另一种编程思想称为泛型编程&#xff0c;主要利用的技术就是模板 C提供两种…
阅读更多...
python本地缓存cacheout

python本地缓存cacheout

cacheout地址&#xff1a; https://github.com/dgilland/cacheout 文档地址&#xff1a;https://cacheout.readthedocs.io 简单使用介绍 安装 pip install cacheout 使用 import timefrom cacheout import Cache# 默认的缓存(maxsize)大小为256&#xff0c;默认存活时间(t…
阅读更多...
本地使用 docker 运行OpenSearch + Dashboard + IK 分词插件

本地使用 docker 运行OpenSearch + Dashboard + IK 分词插件

准备基础镜像 注意一定要拉取和当前 IK 分词插件版本一致的 OpenSearch 镜像: https://github.com/aparo/opensearch-analysis-ik/releases 写这篇文章的时候 IK 最新版本 2.11.0, 而 dockerhub 上 OpenSearch 最新版是 2.11.1 如果版本不匹配的话是不能用的, 小版本号对不上…
阅读更多...
11种方法判断​软件的安全可靠性​

11种方法判断​软件的安全可靠性​

软件的安全可靠性是衡量软件好坏的一个重要标准&#xff0c;安全性指与防止对程序及数据的非授权的故意或意外访问的能力有关的软件属性&#xff0c;可靠性指与在规定的一段时间和条件下&#xff0c;软件 软件的安全可靠性是衡量软件好坏的一个重要标准&#xff0c;安全性指与防…
阅读更多...
通讯录应用程序开发指南

通讯录应用程序开发指南

目录 一、前言 二、构建通讯录应用程序 2.1通讯录框架 (1)打印菜单 (2) 联系人信息的声明 (3)创建通讯录 (4)初始化通讯录 2.2功能实现 (1)增加联系人 (2)显示联系人 (3)删除联系人 (4)查找联系人 (5)修改联系人 (6)排序联系人 三、通讯录的优化 3.1 文件存储 …
阅读更多...
Python办公自动化 – 语音识别和文本到语音的转换

Python办公自动化 – 语音识别和文本到语音的转换

Python办公自动化 – 对图片处理和文件的加密解密 以下是往期的文章目录&#xff0c;需要可以查看哦。 Python办公自动化 – Excel和Word的操作运用 Python办公自动化 – Python发送电子邮件和Outlook的集成 Python办公自动化 – 对PDF文档和PPT文档的处理 Python办公自动化 –…
阅读更多...
PhysX——源码编译

PhysX——源码编译

从git下载源码 git主页 https://github.com/NVIDIA-Omniverse/PhysXclone地址 https://github.com/NVIDIA-Omniverse/PhysX.git源码编译 运行PhysX需要两个编译器的支持&#xff0c;CMake 3.12 或以上版本以及Python 2.7.6 版本 进入工程的 physx 目录&#xff0c;运行generate…
阅读更多...
最新文章

Copyright @ 2022~2023