pandas series取值_【小学生级】pandas入门到精通备查表——AI未来系列3

c342abc599bd8509f0a91373f5162c2e.png

在未来面前,每个人都是学生

江海升月明,天涯共此时,关注江时

1f2585a59eaedd238ee20a68102bf5eb.png

篇为AI未来系列第三篇,中阶部分开始。pandas的数据分析功能比excel强太多,基本上学会pandas,走遍天下都不怕。这是我的备查字典, 是比较实用的一章。大概再介绍几个库就开始全面的实战案例系列,且行且珍惜。

小学生级,阿姨也会,pandas入门到精通备查表。

918c5149928c532c8d0409ea55974c1e.png

Pandas是基于NumPy 的一种工具,其出现是为了解决数据分析任务。
Pandas吸纳了大量库和一些标准的数据模型,提供了高效操作大型数据集所需的工具。
Pandas中的函数和方法能够使我们快速便捷地处理数据。
它是使Python成为强大而高效的数据分析环境的重要因素之一。http://pandas.pydata.org/pandas-docs/stable/api.html

http://pandas.pydata.org/

import numpy as np
import pandas as pd
# 首先导入pandas库

一、序列Series

序列Series是一个一维数组结构,可以存入任一种Python数据类型(integers, strings, floating point numbers, Python objects, 等等)
序列Series由两部分构成,一个是index,另一个是对应的值,注意两者的长度必须一样。序列Series和数组array很类似,大多数numpy的函数都可以直接应用与序列Series
序列Series也像一个固定大小的字典dict,可以通过index来赋值或者取值

1.1 序列Series生成

print('通过数组来生成序列Series')
s_array = np.random.randn(5)
s = pd.Series(s_array, index = ['a','b','c','d','e'])
sprint('通过字典来生成序列Series')
s_dict= {'a':11,'b':1000,'c':123213,'d':-1000}
s = pd.Series(s_dict)
s

1.2 序列Series性质和计算

s = pd.Series(np.random.randn(5), index = ['a','b','c','d','e'])
s# 可以通过index来查看序列Series中的元素
print('查看序列中index为a的元素:',s['a'])
print('查看序列中index为a,c,e的元素:n',s[['a','c','e']])# 基于index 可以修改序列s中的元素
print('原序列:n',s)
s['a'] = 1000000000
print('修改后的序列:n',s)s = pd.Series(np.random.randn(5), index = ['a','b','c','d','e'])
print('原序列:n',s)
# 大多数numpy的函数可以直接应用于 序列 Series
print('序列相加:n',s+s)
print('序列每个元素求指数:n',np.exp(s))s = pd.Series(np.random.randint(1,5,5), index = ['a','b','c','d','e'])
print('查看序列s的index:',s.index)
print('查看序列的值:',s.values)
print('序列s的一阶差分:n',s.diff())ss = pd.Series(np.random.randint(1,3,100))
print(ss[:10])
print('查看序列的唯一取值:',ss.unique())

二、数据框DataFrame

数据框DataFrame是一个二维数组结构,可以存入任一种Python数据类型(integers, strings, floating point numbers, Python objects, 等等)
数据框DataFrame由三部分构成,一个是行索引index,一个是列名,另一个则是取值。

2.1 数据框生成

print('由字典来产生数据框')
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],'year': [2000, 2001, 2002, 2001, 2002],'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
frame = pd.DataFrame(data)
frameprint('由列表来产生数据框')
data = [['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],[2000, 2001, 2002, 2001, 2002],[1.5, 1.7, 3.6, 2.4, 2.9]]
frame = pd.DataFrame(data,index=['state','year','pop']).T
frame

2.2 数据框基本性质

data = pd.DataFrame(np.random.randint(1,100,(10,4)),columns=['x1','x2','x3','x4'])
print('首先查看数据框的形状',data.shape)
print('查看数据框的头部:')
print(data.head()) 
print('---------------------')
print('查看数据框的尾部:')
print(data.tail())
print('---------------------')
print('查看数据框的索引index')
print(data.index)print('查看数据框的列名')
print(data.columns)
print('---------------------')
print('查看数据框的值,其格式为数组array')
print(data.values)
print('---------------------')
print('查看数据框的基础描述性统计')
print(data.describe())# 在原有的数据框中新加入一列
data['新列'] = ['HAHA'] * len(data)
data# 数据框的转置
data.T

2.3 数据框截取

2.3.1 行截取

print('查看数据框data索引为1的行——方法一')
print(data.ix[1])
print('---------------------')
print('查看数据框data索引为1的行——方法二')
print(data.loc[1,:])  
print('---------------------')
print('查看数据框data前3行')
print(data[:3])     

2.3.2 列截取

print('数据框data的x3列选取')
print(data['x3'])
print('---------------------')
print('数据框data的x3,x4两列同时选取')
print(data[['x3','x4']])

2.3.3 数据框行列同时截取

print('截取数据框data的前4行的x3和x4列')
data.loc[:3,['x3','x4']]

2.3.4 数据框条件截取

print('截取数据框x3大于等于50的记录')
print(data[data['x3']>=50])  
print('---------------------')
print('截取数据框x3大于20且x4小于50的记录')
print(data[(data['x3']>20)&(data['x4']<50)])   
print('---------------------')
print('截取数据框x3大于20的x1列')
print(data[data['x3']>50]['x1']) 

2.4 数据框缺失值处理

例如下面这个数据框data,其中就存在缺失值

data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],'year': [2000, 2001, 2002, 2001, 2002],'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
data = pd.DataFrame(data)
data.loc[1,'pop'] = np.NaN
data.loc[3,'state'] = None
datadata.dropna()   
#删除含有缺失的行data.dropna(how="all")  
#表示该行都为缺失的行才删除 注意是这一行中的每一个元素都为缺失才删除这一行data.dropna(how="all", axis=1)  
#表示该列若都为缺失的列则删除,注意是这一列的每个元素都为缺失才会删除这一列data.dropna(thresh=3, axis=0)  
#表示保留至少存在3个非NaN的行,即如果某一行的非缺失值个数小于3个,则会被删除data.dropna(thresh=3, axis=1)  
#表示保留至少存在3个非NaN的列,即如果某一列的非缺失值个数小于3个,则会被删除

上面对缺失值的处理都是将缺失值剔除,下面介绍了填充缺失值的方法

dataprint('用0填充数据框中的缺失值,0是可选参数之一')
data.fillna(value=0)data.fillna(method='ffill')    
#填充缺失值 用缺失值所在列的前一个非NaN值来进行填充  data.fillna(method="bfill") 
#用缺失值所在列的后一个非NaN来填充

2.5 数据框排序

data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],'year': [2000, 2001, 2002, 2001, 2002],'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
data = pd.DataFrame(data)
dataprint('数据框data按列pop降序排序')
data.sort(columns='pop',ascending=False)print('数据框data按列pop升序排序')
data.sort(columns='pop',ascending=True)print('数据框data按行索引index降序排序')
data.sort_index() 

2.6 数据框的基本函数

print('按列求均值')
data.mean() print('按行求均值')
data.mean(axis=1)

函数汇总

下面的函数都是通过数据框.函数名(参数设置)来进行调用,一般的参数是axis=0/1,选择为0则是按行来实现函数,1则是按列来实现函数。

1954a9b4b6e5c4568cb250bbb4c268c9.png

2.7 数据框拼接

下面介绍了三个函数来实现数据框的拼接功能——concat函数,merge函数和join函数

2.7.1 数据框拼接—pd.concat

data1 = pd.DataFrame(np.random.randn(4,3),index=['a','b','c','d'],columns=['x1','x2','x3'])
data1data2 = pd.DataFrame(np.random.randn(4,3),index=['e','f','g','h'],columns=['x1','x2','x3'])
data2print('按行拼接')
pd.concat([data1,data2],axis=0)
data1 = pd.DataFrame(np.random.randn(4,3),index=['a','b','c','d'],columns=['x1','x2','x3'])
data1data2 = pd.DataFrame(np.random.randn(4,3),index=['a','b','c','e'],columns=['x1','x3','x4'])
data2print('按列拼接')
pd.concat([data1,data2],axis=1)

2.7.2 数据框拼接—pd.merge

pd.merge一般针对的是按列合并。

pd.merge(
left, 
right, 
how='inner', 
on=None, 
left_on=None, 
right_on=None, 
left_index=False, right_index=False, 
sort=True, 
suffixes=('_x', '_y'), 
copy=True, 
indicator=False)

left: 一个dataframe对象
right: 另一个dataframe对象
how: 可以是'left', 'right', 'outer', 'inner'. 默认为inner。
on: 列名,两个dataframe都有的列。如果不传参数,而且left_index和right_index也等于False,则默认把两者交叉/共有的列作为链接键(join keys)。可以是一个列名,也可以是包含多个列名的list。
left_on: 左边dataframe的列会用做keys。可以是列名,或者与dataframe长度相同的矩阵array。
right_on: 右边同上。
left_index: 如果为Ture,用左侧dataframe的index作为连接键。如果是多维索引,level数要跟右边相同才行。
right_index: 右边同上。
sort: 对合并后的数据框排序,以连接键。
suffixes: 一个tuple,包字符串后缀,用来加在重叠的列名后面。默认是('_x','_y')。
copy: 默认Ture,复制数据。
indicator: 布尔型(True/FALSE),或是字符串。如果为True,合并之后会增加一列叫做'_merge'。是分类数据,用left_only, right_only, both来标记来自左边,右边和两边的数据。

left_data = pd.DataFrame({'time':['2017-09-11','2017-09-12','2017-09-13'],'x1':[1,2,3],'x2':[2,2,1]})
left_dataright_data = pd.DataFrame({'time':['2017-09-10','2017-09-11','2017-09-12'],'x3':[-1,-1,10],'x4':[2,-100,0]})
right_dataprint('按time拼接,只保留共同的部分')
pd.merge(left_data,right_data,on='time')print('按time拼接,但所有的数据都保留下来')
pd.merge(left_data,right_data,on='time',how='outer')print('按time拼接,但所有的数据都保留下来,且生成一列来表示数据的来源')
pd.merge(left_data,right_data,on='time',how='outer',indicator='数据来源')

2.7.3 数据框拼接—.join

DataFrame.join(other, 
on=None, 
how='left',
lsuffix='',
rsuffix='', 
sort=False)

other:一个DataFrame、Series(要有命名),或者DataFrame组成的list。
on:列名,包含列名的list或tuple,或矩阵样子的列 (如果是多列,必须有MultiIndex)。 跟上面的几种方法一样,用来指明依据哪一列进行合并。 如果没有赋值,则依据两个数据框的index合并。
how:合并方式, {‘left’, ‘right’, ‘outer’, ‘inner’}, 默认‘left‘。
lsuffix:字符串。用于左侧数据框的重复列。 把重复列重新命名,原来的列名+字符串。 【如果有重复列,必须添加这个参数。】
rsuffix:同上。右侧。
sort:布尔型,默认False。如果为True,将链接键(on的那列)按字母排序。

left_data = pd.DataFrame({'time':['2017-09-11','2017-09-12','2017-09-13'],'x1':[1,2,3],'x2':[2,2,1]})
left_dataright_data = pd.DataFrame({'time':['2017-09-10','2017-09-11','2017-09-12'],'x2':[-1,-1,10],'x4':[2,-100,0]})
right_dataprint('注意到两个拼接的数据框,含有相同的列x2和time,故重新命名了这两个列')
left_data.join(right_data,lsuffix='_left',rsuffix='_right')

2.8 数据框重复值剔除

有时候,希望能够剔除掉数据框中的重复记录

data = pd.concat([left_data,left_data],axis=0)
dataprint('查看数据框中是否存在重复记录,标记为True的为重复记录')
data.duplicated()print('剔除数据框中的重复记录')
data.drop_duplicates()

2.9 基于pandas的文件操作

在进行数据分析之前,可能需要读写自己的数据文件。或者在完成数据分析之后,想把结果输出到外部的文件
在Python中,利用pandas模块中的几个函数,可以轻松实现这些功能,利用pandas读取文件之后数据的格式为数据框,且如果想用pandas将数据输出为外部文件,也要先确保要输出的文件的格式为数据框
注意在运行下面的程序之前,需要确保文件已经在目录下

2.9.1 读取txt文件

text = pd.read_table('data/training/test2.txt',index_col=0,delimiter=' ')
#  文件所在的路径是必须输入的
# index_col=0指定第一列为index
# delimiter指定了数据间的分隔符,分隔符可以使空格,制表符,;等等
# 这个函数中还有很多参数可以定义
text

2.9.2 读取excel/csv文件

import pandas as pd
data_excel = pd.read_excel('data/training/test3.xlsx')
#  文件所在的路径是必须输入的
data_excel.head()data_csv = pd.read_csv('data/training/test3_csv.csv',encoding='GBK')
#  文件所在的路径是必须输入的
#这里要注意,encoding='GBK'一般是要加上,涉及到编译解码的问题
data_csv.head()

2.9.3 输出为excel/csv文件

由于使用了pandas库,我们在将想要的数据集输出为外部的excel/csv文件时,首先要确保文件的格式为数据框

data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],'year': [2000, 2001, 2002, 2001, 2002],'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
frame = pd.DataFrame(data)
frame# 将数据集frame输出为外部文件
frame.to_excel('data/training/写出为excel.xlsx') 
frame.to_csv('data/training/写出为csv.csv')

2.10 数据框分组及透视表

2.10.1 分组——groupby函数

例如下面这个数据框data,希望根据地域或者性别来分组再进行数据分析

data = {'地域': ['上海', '上海', '非上海', '非上海', '上海','非上海','上海','上海','上海'],'性别': ['男', '女', '男', '女', '男','女','女','男','男'],'x1': [1.5, 1.7, 3.6, 2.4, 2.9,2.2,100,2.0,0],'x2': np.random.randn(9)}
data = pd.DataFrame(data)
dataprint('按地域求x1和x2的均值')
data.groupby('地域').mean()grouped = data.groupby('地域')  
#形成按地域分组后的数据集 grouped
grouped.describe()

print('按地域和性别求x1,x2的均值')
data.groupby(['地域','性别']).mean()grouped = data.groupby(['地域','性别'])
functions = ['count','mean','max','min']
print('对按地域和性别分组后的数据框,可以进行多个函数的同时操作')
res = grouped['x1','x2'].agg(functions)
resres.to_excel('data/training/agg.xlsx')print('对不同的列可以进行不同的操作,例如对x2求均值,而对x1求和,最大值和最小值')
grouped = data.groupby(['地域','性别'])
grouped.agg({'x1': ['sum','max','min'], 'x2': 'mean'})

2.10.2 apply函数,可以对分组后的数据框进行自定义的函数操作

def top(data_in, n=5, column='x2'):return data_in.sort(column)[-n:]print('对数据框data按地域进行分组之后,且对于每一组,按x2排序,且输出x2最小的二条记录')
data.groupby('地域').apply(top, n=2)  
print('对数据框data按地域进行分组之后,且对于每一组,按x2排序,且输出x2最小的二条记录')
data.groupby('地域').apply(top, n=2)  

小例子——分组的线性回归

import pandas as pd

例如我们有如下数据集,希望按年分组,利用每一年的y对x进行回归

data = pd.DataFrame([])
x = np.random.randn(2192)
data['x'] = x
data['y'] = 2 * x  + 1 + np.random.randn(2192)*0.2
data.index = list(pd.date_range('2011-01-01','2016-12-31'))
data['年份'] = data.index.year
data.head()

先对数据框by_year按年份进行分组

by_year = data.groupby('年份')  #按年份分组

按年份分组后,求y和x之间的相关系数

by_year.apply(lambda g:g['y'].corr(g['x']))  #按年分组 求y和x求相关系数  注意这里使用了lambda函数

按年份分组后,y对x进行回归

import statsmodels.api as smdef regression(data, y_name, x_name):  #定义一个回归的函数Y = data[y_name]X = data[x_name]X['intercept'] = 1.0result = sm.OLS(Y,X).fit()return result.paramsby_year.apply(regression,'y',['x'])   #按年分组进行回归

2.10.3 数据透视表——pivot

data = {'地域': ['上海', '上海', '非上海', '非上海', '上海','非上海','上海','上海','上海'],'性别': ['男', '女', '男', '女', '男','女','女','男','男'],'x1': [1.5, 1.7, 3.6, 2.4, 2.9,2.2,100,2.0,0],'x2': np.random.randn(9)}
data = pd.DataFrame(data)
datadata.pivot_table(index='地域', columns='性别', values='x1',aggfunc='sum')

来源:我的印象笔记整理

ABO
MeJiangShi【ID:siteacher】
AI CREATE FURTURE
VALUE LAST LONG

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/556124.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

java中为final变量赋值的几种方式

java中为final变量赋值的几种方式 前言 使用final修饰变量&#xff0c;很多人第一时间想到的就是不可变。然后以为变量必须得在声明的时候就为其赋初始值&#xff0c;其实不然&#xff0c;本文将详细讲解java中使用final修改的变量的赋值问题。 被final修饰的变量的几种赋值方…

instanceof 和 对象转型

一、instanceof 判断某个对象是否属于某个类 father1 instanceof Father; // true// 如果有子类继承父类的话 son instanceof Father; // true二、对象转型 子转父 > 自动转&#xff08;向下转型&#xff09; 父转子 > 强转&#xff08;向上转型&#xff09; 三、Obj…

java类验证和装载顺序_Java JVM类加载顺序详解

首页 > 基础教程 > 基础知识 > JDK&JRE&JVMJava JVM类加载顺序详解JVM加载就是寻找一个类或是一个接口的二进制形式并用该二进制形式来构造代表这个类或是这个接口的class对象的过程&#xff0c;其中类或接口的名称是给定了的。当然名称也可以通过计算得到&am…

从lambda表达式看final关键字

Variable used in lambda expression should be final or effectively final 想必大家在开发java程序的时候应该经常见到。 这是因为在lambda的匿名表达式里需要传入final的对象&#xff0c;那么这是为什么呢&#xff1f; 因为lambda是匿名表达式&#xff0c;它是在新开的一个…

linux中负载值为多少正常_Linux系统中load average平均负载

系统平均负载被定义为在特定时间间隔内运行队列中的平均进程数。如果一个进程满足以下条件则其就会位于运行队列中&#xff1a;1)它没有在等待I/O操作的结果2)它没有主动进入等待状态(也就是没有调用wait)3)没有被停止(例如&#xff1a;等待终止)英译文&#xff1a;http://blog…

lambda里面赋值局部变量必须是final原因

public class LambdaTest {public static void main(String ... args){int portNumber 1337;Runnable r ()-> {portNumber 1338;System.out.println(portNumber);};r.run();} }如上代码&#xff0c;lambda里面要访问局部变量会报如照片错误&#xff1a; 在介绍为什么会报…

classin安卓手机安装条件_ClassIn上课官方软件下载-ClassIn安卓版本 v3.0.7.1_5577安卓网...

ClassIn上课官方软件下载分享给大家。ClassIn在线互动教室是一对多直播互动教学平台&#xff01;培养学习能力更强大的学习者&#xff01;班级群课下互动答疑收发作业&#xff01;记录学习成长历程&#xff0c;展示学习成果&#xff01;【软件说明】欢迎使用ClassIn&#xff01…

lambda表达式或者匿名函数中为什么要求外部变量为final

1、参考博客 关于Lambda表达式里面修改外部变量问题JDK8之前&#xff0c;匿名内部类访问的局部变量为什么必须要用final修饰 2、匿名内部类 在jdk7之前&#xff0c;匿名内部类访问外部类的局部变量时&#xff0c;那么这个局部变量必须用final修饰符修饰&#xff0c;如下图1所…

location 和 history

Location 对象&#xff1a;封装了浏览器地址栏的 URL 信息 一、hash 返回 URL 中 hash(#后跟零个或者多个字符), 如果不包含, 返回空字符串 # 位置标识符 : 当前页面的位置信息, 比如: 跳转顶部 console.log(location.hash); // ""二、host : 返回服务器名称和端口…

ble芯片 全称_蓝牙芯片都有哪些厂商?一文解答

蓝牙5新标准是蓝牙技术自1999年诞生以来推出的第十个标准版本。其性能上大幅提升&#xff0c;可归结为&#xff1a;更快、更长、更给力&#xff0c;非常适合运用于无线可穿戴、工业和智能家居等领域。但蓝牙技术产品能否真正进人批量生产在于芯片制造技术能否跟得上&#xff0c…

你知道Java中final和static修饰的变量是在什么时候赋值的吗?

开始 一位朋友在群里问了这样一个问题&#xff1a; 本着乐于助人的想法&#xff0c;我当时给出的回答&#xff1a; 后来我总觉得哪里不对劲&#xff0c;仔细翻阅了《Java虚拟机规范》和《深入理解Java虚拟机》这一部分的内容&#xff0c;害&#xff01;发现自己理解的有问题。…

获取元素大小和位置的方式

一、直接获取元素样式属性值 – element.style.width console.log(div.style.width); // 500px console.log(parseInt(div.style.width)); // 500 console.log(typeof (div.style.width)); // string二、Offset 偏移量 offsetWidth width padding border offsetHeight he…

mybatis 取查询值_MyBatis-SELECT基本查询

1、返回一个LISTselect * from tbl_employee where last_name like #{lastName}2、将查询记录封装为一个Mapselect * from tbl_employee where id#{id}返回一条记录的map&#xff1b;key就是列名&#xff0c;值就是对应的值。3、多条记录封装为一个mapMapKey("id")pu…

ES6 里面的 class

ES5 对象的写法 let x 10,y 20;const obj {x: x,y: y,sum: function () {return this.x this.y;} };ES6 对象的写法 const obj {x,y,sum() {return this.x this.y;} };class 有点类似 java 的 class class Person { // 类名大写// 私有属性和方法 写在 construtor 里面…

normalize函数_Pandas 数据处理(一) —— 几个简单函数掌握!

对于 Pandas&#xff0c; 接触过 Python 数据处理的小伙伴们都应该挺熟悉的&#xff0c;做数据处理不可或缺的一个程序包&#xff0c;最大的特点高效&#xff0c;本篇文章将通过案例介绍一下 Pandas 的一些基础使用&#xff01;1&#xff0c;读入数据大部分数据都可以用 read_c…

Java Collections.emptyList() 方法的使用及注意事项

Java Collections.emptyList方法的使用及注意事项 一、emptyList() 作用&#xff1a;返回一个空的List&#xff08;使用前提是不会再对返回的list进行增加和删除操作&#xff09;&#xff1b;好处&#xff1a; 1. new ArrayList()创建时有初始大小&#xff0c;占用内存&#…

git 生成多个patch_详解如何使用git 生成patch 和打入patch

平时我们在使用git 管理项目的时候&#xff0c;会遇到这样一种情况&#xff0c;那就是客户使用git 生成patch 给到我们&#xff0c;那我们就需要把客户给到patch 打入到我们的project &#xff0c;基于这样一个场景&#xff0c;我把git 如何生成patch 和如何打入patch 做总结生…

Java集合工具类的一些坑,Arrays.asList()、Collection.toArray()...

Arrays.asList() 使用指南 最近使用Arrays.asList()遇到了一些坑&#xff0c;然后在网上看到这篇文章&#xff1a;Java Array to List Examples 感觉挺不错的&#xff0c;但是还不是特别全面。所以&#xff0c;自己对于这块小知识点进行了简单的总结。 简介 Arrays.asList()…

python saltstack web_saltstack学习-8:web管理页面(halite)

安装halite方法一&#xff1a;失败&#xff0c;待查原因1、安装并启动salt-api yuminstall salt-api –yservice salt-api startchkconfig salt-api on2、安装halite及其依赖文件 yuminstall python-pip –ypipinstall --upgrade pippipinstall -U halitepipinstall cherrypypi…

什么是 NIO? NIO 和 BIO、AIO 之间的区别是什么?NIO主要用来解决什么问题?

1 BIO&#xff0c;NIO&#xff0c;AIO都有什么区别&#xff0c;NIO的原理是什么&#xff1f; BIO BIO&#xff1a;传统的网络通讯模型&#xff0c;就是BIO&#xff0c;同步阻塞IO&#xff0c; 其实就是服务端创建一个ServerSocket&#xff0c; 然后就是客户端用一个Socket去连…