【机器学习】数据探索---python主要的探索函数

在上一篇博客【机器学习】数据探索(Data Exploration)—数据质量和数据特征分析中，我们深入探讨了数据预处理的重要性，并介绍了诸如插值、数据归一化和主成分分析等关键技术。这些方法有助于我们清理数据中的噪声、消除异常值，以及降低数据的维度，从而为后续的机器学习模型训练提供更有价值的信息。

然而，数据预处理只是数据探索的一部分。在本篇博客中，我们将进一步探讨Python中一些主要的探索函数，这些函数将帮助我们更深入地理解数据的分布、特征之间的关系，以及数据中可能存在的模式。而在Python的数据探索领域，Pandas和Matplotlib是两个不可或缺的库。Pandas以其强大的数据处理和分析能力著称，而Matplotlib则以其出色的数据可视化功能闻名。Pandas中的函数可以大致分为两类：统计特征函数和统计作图函数。这些作图函数常常与Matplotlib紧密结合，共同呈现数据的内在规律和特点。下面，我们将详细介绍Pandas中的一些主要统计特征函数与统计作图函数，并通过实例来加深理解。这些函数不仅能够帮助我们深入了解数据的分布情况，还能揭示数据之间的潜在关系，为数据分析和机器学习模型的构建提供有力的支持。

一、 基本统计特征函数

统计特征函数用于计算数据的均值、方差、标准差、分位数、相关系数和协方差等，这些统计特征能反映出数据的整体分布。本小节所介绍的统计特征函数如表3-8所示，它们主要作为Pandas的对象DataFrame或 Series的方法出现。

P a n d a s 主要统计特征函数 \bold{Pandas主要统计特征函数} Pandas主要统计特征函数

方法名函数功能所属库
sum()计算数据样本的总和（按列计算)Pandas
mean()计算数据样本的算术平均数Pandas
var()计算数据样本的方差Pandas
std()计算数据样本的标准差Pandas
corr()计算数据样本的Spearman (Pearson）相关系数矩阵Pandas
cov()计算数据样本的协方差矩阵Pandas
skew()样本值的偏度（三阶矩)Pandas
kurt()样本值的峰度（四阶矩)Pandas
describe()给出样本的基本描述（基本统计量如均值、标准差等)Pandas

以下是Pandas库中一些主要统计特征函数的详细介绍，包括它们的功能、使用格式以及示例。

1.1 sum()

功能：计算Series或DataFrame中所有元素的和。
使用格式：

Series.sum()  
DataFrame.sum(axis=0, skipna=None, level=None, numeric_only=None, **kwargs)
  • axis: 默认为0，表示按列求和；如果为1，则按行求和。
  • skipna: 排除缺失值（NaN）进行计算，默认为True。
  • numeric_only: 仅对数值列进行操作，默认为False。
    示例：
import pandas as pd  # 创建一个简单的DataFrame  
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})  # 计算所有元素的和  
sum_all = df.sum()  
print(sum_all)  # 输出：A    6, B    15, dtype: int64  # 按行求和  
sum_rows = df.sum(axis=1)  
print(sum_rows)  # 输出：0    5, 1    7, 2    9, dtype: int64
1.2 mean()

**功能：**计算Series或DataFrame中所有元素的平均值。

使用格式：

Series.mean(skipna=None, level=None, numeric_only=None, **kwargs)  
DataFrame.mean(axis=0, skipna=None, level=None, numeric_only=None, **kwargs)
  • axis: 默认为0，表示按列求平均值；如果为1，则按行求平均值。
  • skipna: 排除缺失值（NaN）进行计算，默认为True。
  • numeric_only: 仅对数值列进行操作，默认为False。
    示例：
# 使用前面的DataFrame  
mean_col = df.mean()  
print(mean_col)  # 输出：A    2.0, B    5.0, dtype: float64  mean_row = df.mean(axis=1)  
print(mean_row)  # 输出：0    2.5, 1    3.5, 2    4.5, dtype: float64
1.3 var()

**功能：**计算Series或DataFrame中所有元素的方差。

使用格式：

Series.var(skipna=None, level=None, ddof=1, numeric_only=None, **kwargs)  
DataFrame.var(axis=0, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs)
  • axis: 默认为0，表示按列求方差；如果为1，则按行求方差。
  • skipna: 排除缺失值（NaN）进行计算，默认为True。
  • ddof: 自由度调整值，默认为1。
  • numeric_only: 仅对数值列进行操作，默认为False。
    示例：
var_col = df.var()  
print(var_col)  # 输出方差计算结果
1.4 std()

**功能：**计算Series或DataFrame中所有元素的标准差。

使用格式：

Series.std(skipna=None, level=None, ddof=1, numeric_only=None, **kwargs)  
DataFrame.std(axis=0, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs)

参数与var()函数相似。

示例：

std_col = df.std()  
print(std_col)  # 输出标准差计算结果
1.5 corr()

**功能：**计算DataFrame中不同列之间的相关系数矩阵。

使用格式：

DataFrame.corr(method='pearson', min_periods=1)
  • method: 计算相关系数的方法，默认为’pearson’皮尔逊相关系数，还可是’kendall’或’spearman’。
  • min_periods: 一对列至少需要多少个非NA观测值才能计算相关系数。

示例：

corr_matrix = df.corr()  
print(corr_matrix)  # 输出相关系数矩阵
1.6 cov()

**功能：**计算DataFrame中不同列之间的协方差矩阵。

使用格式：

DataFrame.cov(min_periods=None)
  • min_periods: 一对列至少需要多少个非NA观测值才能计算协方差。

示例：

cov_matrix = df.cov()  
print(cov_matrix)  # 输出协方差矩阵
1.7 skew()

**功能：**计算Series或DataFrame中所有数值列的偏度。偏度衡量数据分布的不对称性。

使用格式：

Series.skew(skipna=True, level=None, numeric_only=None, **kwargs)  
DataFrame.skew(axis=0, skipna=None, level=None, numeric_only=None, **kwargs)
  • axis: 默认为0，表示按列计算偏度；如果为1，则按行计算偏度。
  • skipna: 排除缺失值（NaN）进行计算，默认为True。
  • numeric_only: 仅对数值列进行操作，默认为False。

示例：

skewness = df.skew()  
print(skewness)  # 输出偏度计算结果
1.8 kurt()

**功能：**计算Series或DataFrame中所有数值列的峰度。峰度衡量数据分布形态的陡峭程度。

使用格式：

Series.kurt(skipna=True, level=None, numeric_only=None, **kwargs)  
DataFrame.kurt(axis=0, skipna=None, level=None, numeric_only=None, **kwargs)

参数与skew()函数相似。

示例：

kurtosis = df.kurt()  
print(kurtosis)  # 输出峰度计算结果
1.9 describe()

**功能：**生成描述性统计信息，包括计数、均值、标准差、最小值、四分位数（25%、50%、75%）以及最大值。

使用格式：

DataFrame.describe(percentiles=[], include=[], exclude=None)
  • percentiles: 要包含在输出中的百分位数。
  • include: 要包含的列的数据类型。
  • exclude: 要排除的列的数据类型。

示例：

desc_stats = df.describe()  
print(desc_stats)  # 输出描述性统计信息

以上就是对Pandas库中一些主要统计特征函数的详细介绍和示例。这些函数在处理数据时非常有用，能够帮助我们快速了解数据的分布情况，为后续的数据分析和建模提供有力的支持。在使用这些函数时，可以根据具体的数据和需求选择合适的参数和选项。

二、拓展统计特征函数

除了上述基本的统计特征外，Pandas还提供了一些非常方便实用的计算统计特征的函数,主要有累积计算(cum)和滚动计算(pd.rolling_)。
P a n d a s 累积统计特征函数 \bold{Pandas累积统计特征函数} Pandas累积统计特征函数

方法名函数功能所属库
cumsum（)依次给出前1、2、…、n个数的和）Pandas
cumprod()依次给出前1、2、…、n个数的积Pandas
cummax()依次给出前1、2、…、n个数的maxPandas
cummin()依次给出前1、2、…、n个数的minPandas
rolling_sum()计算数据样本的总和（按列计算)Pandas
rolling_mean()计算数据样本的算术平均数Pandas
rolling_var()计算数据样本的方差Pandas
rolling_std()计算数据样本的标准差Pandas
rolling_corr()计算数据样本的Spearman (Pearson）相关系数矩阵Pandas
rolling_cov()计算数据样本的协方差矩阵Pandas
rolling_skew()样本值的偏度（三阶矩)Pandas
rolling_kurt()样本值的峰度（四阶矩)Pandas

其中，cum系列函数是作为DataFrame或’Series对象的方法而出现的，因此命令格D.cumsum()，而rolling_系列是pandas 的函数，不是DataFrame或Series对象的方法，因此，其中，cum系列函数是作为DataFrame或’Series对象的方法而出现的，因此命令格式为D.cumsum()，而rolling_系列是pandas 的函数，不是DataFrame或Series对象的方法

三、统计作图函数

通过统计作图函数绘制的图表可以直观地反映出数据及统计量的性质及其内在规律，如盒图可以表示多个样本的均值，误差条形图能同时显示下限误差和上限误差，最小二乘拟合曲线图能分析两变量间的关系。

Python的主要作图库是Matplotlib，在第2章中已经进行了初步的介绍，而 Pandas基于Matplotlib并对某些命令进行了简化，因此作图通常是Matplotlib和 Pandas相互结合着使用。本小节仅对一些基本的作图函数做一下简介，而真正灵活地使用应当参考书中所给出的各个作图代码清单。我们要介绍的统计作图函数如表所示。

P y t h o n 主要统计作图函数 \bold{Python主要统计作图函数} Python主要统计作图函数

方法名函数功能所属库
plot()绘制线性二维图，折线图Pandas/Matplotlib
pie()绘制饼状图Pandas/Matplotlib
hist()绘制二维条形直方图，可显示数据的分配情形Pandas/Matplotlib
boxplot()绘制样本数据的箱形图Pandas
plot(logy=True)绘制y轴的对数图形Pandas
plot(yerr=True)绘制误差条形图Pandas

在作图之前，通常要加载以下代码。

import matplotlib.pyplot as plt#导入作图库
plt.rcParams [ 'font.sans-serif'] =[ 'SimHei']#用来正常显示中文标签
plt.rcParams [ 'axes.unicode_minus' ] = False #用来正常显示负号
plt.figure(figsize = (7,5))#创建图像区域，指定比例

作图完成后，一般通过plt.show()来显示作图结果。

3.1 plot()

**功能:**绘制线性二维图、折线图。
使用格式:
p l t . p l o t ( x , y , S ) plt.plot(x,y, S) plt.plot(x,y,S)

这是Matplotlib通用的绘图方式，绘制y对于x (即以x为横轴的二维图形)，字符串参量S指定绘制时图形的类型、样式和颜色，常用的选项有: 'b’为蓝色、'r’为红色、'g’为绿色、‘o’为圆圈、’+‘为加号标记、’-‘为实线、’–'为虚线。当x、y均为实数同维向量时,则描出点(x(i),y(i))，然后用直线依次相连。
D . p l o t ( k i n d = ′ b o x ′ ) D.plot(kind = 'box') D.plot(kind=′box′)
这里使用的是 DataFrame x J会数指定作图类型，支持line(线).bar(余形)、barto tL由接数据为纵坐标自动作图，通过kind参数指定作图类型，支持line(线), bar(条形),barh , hist(直方图)、box(箱线图)、kde(密度图)和 area、pie(饼图）等，同时也能够接受plt.plot() 受的参数。因此，如果数据已经被加载为Pandas中的对象，那么以这种方式作图是比较简洁的。
**实例:**在区间（0≤x≤2T）绘制一条蓝色的正弦虚线，并在每个坐标点标上五角星。绘制图形如图所示。

import numpy as np
x = np.linspace (0 , 2*np.pi,50)#x坐标输入
y = np.sin (x)#计算对应x的正弦值
plt.plot(x,y, 'bp--'）#控制图形格式为蓝色带星虚线，显示正弦曲线
plt.show ( )

在这里插入图片描述

3.2 pie()

**功能:**绘制饼型图。
使用格式:
p l t . p i e ( s i z e ) plt.pie(size) plt.pie(size)
使用Matplotlib绘制饼图，其中size是一个列表，记录各个扇形的比例。pie有丰富的参数，详情请参考下面的实例。

import matplotlib.pyplot as plt
# The slices will be ordered and plotted counter-clockwise.
labels = 'Frogs ', 'Hogs ', 'Dogs ', 'Logs’#定义标签
sizes =[ 15,30,45,10]#每一块的比例
colors = [ ' yellowgreen', 'gold', 'lightskyblue '， 'lightcoral']#每一块的颜色
explode = (0，0.1，0，0) #突出显示，这里仅仅突出显示第二块（即'Hogs ' )
plt.pie(sizes,explode=explode，labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,    startangle=90)
plt.axis ( 'equal')#显示为圆（避免比例压缩为椭圆)
plt.show ( )

在这里插入图片描述

3.3 hist()

**功能:**绘制二维条形直方图，可显示数据的分布情形。
使用格式:

Plt.hist(x, y)
其中,x是待绘制直方图的一维数组,y可以是整数，表示均匀分为n组;也可以是列表，列表各个数字为分组的边界点(即手动指定分界点)。 
import matplotlib.pyplot as plt
import numpy as np
x = np.random.randn(1000)
plt.hist(x,10)
plt.show()

在这里插入图片描述

3.4 boxplot()

**功能:**绘制样本数据的箱形图。
使用格式:

D.boxplot() / D.plot(kind = 'box')
有两种比较简单的方式绘制D的箱形图，其中一种是直接调用DataFrame的 boxplot()方法;另外一种是调用Series或者DataFrame的 plot()方法，并用kind参数指定箱形( box)。其中，盒子的上、下四分位数和中值处有一条线段。箱形末端延伸出去的直线称为表示盒外数据的长度。如果在须外没有数据，则在须的底部有一点，点的颜色与须的颜色相同。 **实例:**绘制样本数据的箱形图，样本由两组正态分布的随机数据组成。其中，一组数据均值为0，标准差为1，另一组数据均值为1，标准差为1。绘制结果如图所示。 
D = pd.DataFrame([x,x+1]).T
D.plot(kind='box')
plt.show()

在这里插入图片描述

3.5 plot(logx=True)

plot(logx=True)和plot(yerr=error)在数据探索的过程中使用的并不多，这里不做过多的介绍，后续有时间将进行修订。

四、案例研究

在这个案例研究中，我们将使用著名的“泰坦尼克号”数据集，该数据集记录了泰坦尼克号沉船事故中乘客的详细信息，包括他们的生存状况、年龄、性别、舱位等级等。我们的目标是通过数据探索，分析数据质量并提取关键特征，为后续的机器学习模型构建提供有力支持。

数据集介绍：
数据集包含以下字段：PassengerId（乘客ID）、Survived（是否生存）、Pclass（舱位等级）、Name（姓名）、Sex（性别）、Age（年龄）、SibSp（兄弟姐妹/配偶数）、Parch（父母/子女数）、Ticket（船票号）、Fare（票价）、Cabin（船舱号）、Embarked（登船港口）。

数据加载与初步查看：
首先，我们使用Pandas库加载数据并查看前几行以了解数据的大致结构。

import pandas as pd  # 加载数据  
titanic_data = pd.read_csv('titanic.csv')  # 查看数据前5行  
print(titanic_data.head())

数据质量分析：

接下来，我们进行数据质量分析，重点关注缺失值。

# 检查缺失值  
missing_values = titanic_data.isnull().sum()  
print(missing_values)  # 可视化缺失值  
import matplotlib.pyplot as plt  
plt.figure(figsize=(10, 6))  
missing_values.plot(kind='bar')  
plt.title('Missing Values in Titanic Dataset')  
plt.xlabel('Features')  
plt.ylabel('Number of Missing Values')  
plt.show()

通过查看缺失值的数量和分布情况，我们发现Age、Cabin和Embarked字段存在缺失值。对于Age，我们可以考虑使用均值、中位数或基于其他特征（如性别和舱位等级）的插值来填充。对于Cabin，由于缺失值太多且可能不包含对预测Survived有用的信息，我们可以考虑删除这个特征。对于Embarked，由于缺失值较少，我们可以考虑使用众数填充。

数据特征分析：

在进行特征分析时，我们关注特征的统计描述、分布以及它们与目标变量Survived的关系。

# 描述性统计  
titanic_data.describe()  # 查看分类特征的分布  
print(titanic_data['Sex'].value_counts())  
print(titanic_data['Pclass'].value_counts())  
print(titanic_data['Embarked'].value_counts(dropna=False))  # 可视化特征与生存的关系  
titanic_data['Survived'].value_counts().plot(kind='bar', label='Survival')  
plt.title('Survival Counts')  
plt.xlabel('Survived')  
plt.ylabel('Count')  
plt.legend()  
plt.show()  # 以性别为例，查看生存率的差异  
gender_survival = titanic_data.groupby('Sex')['Survived'].mean()  
gender_survival.plot(kind='bar')  
plt.title('Survival Rate by Gender')  
plt.xlabel('Gender')  
plt.ylabel('Survival Rate')  
plt.show()

通过这些分析，我们可以发现性别和舱位等级与生存率有显著的关系。例如，女性乘客的生存率高于男性，高等级舱位的乘客生存率也较高。这些信息对于后续的模型构建和特征选择非常有价值。

数据清洗与特征工程：

基于上述分析，我们进行数据清洗和特征工程。

# 填充Age缺失值，使用中位数填充  
titanic_data['Age'].fillna(titanic_data['Age'].median(), inplace=True)  # 填充Embarked缺失值，使用众数填充  
titanic_data['Embarked'].fillna(titanic_data['Embarked'].mode()[0], inplace=True)  # 删除Cabin特征，因为缺失值太多且可能不相关  
titanic_data.drop('Cabin', axis=1, inplace=True)  # 将分类特征进行编码，例如将Sex编码为数值  
titanic_data['Sex'] = titanic_data['Sex'].map({'female': 0, 'male': 1})  
titanic_data['Embarked'] = titanic_data['Embarked'].map({'S': 0, 'C': 1, 'Q': 2})

特征选择：

在进行了初步的数据清洗和特征工程后，我们可以进一步进行特征选择，以确定哪些特征对预测Survived最为关键。在这个案例中，我们可以通过计算特征与目标变量之间的相关性来进行特征选择。

# 计算特征与生存之间的相关性  
correlations = titanic_data.corrwith(titanic_data['Survived'])  # 显示相关性  
print(correlations)  # 基于相关性选择特征  
selected_features = correlations[abs(correlations) > 0.1].index  
titanic_data_selected = titanic_data[selected_features]  print(titanic_data_selected.head())

在这个例子中，我们选择了与Survived相关性绝对值大于0.1的特征。这样，我们可以去除那些与目标变量关系不大的特征，减少模型的复杂度，并提高模型的性能。

数据准备与模型训练：

最后，我们将经过清洗、编码和选择后的数据分为训练集和测试集，准备用于机器学习模型的训练。

from sklearn.model_selection import train_test_split  # 分离特征和标签  
X = titanic_data_selected.drop('Survived', axis=1)  
y = titanic_data_selected['Survived']  # 划分训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  # 后续可以使用X_train和y_train来训练机器学习模型，并使用X_test和y_test来评估模型的性能。

通过本案例研究，我们展示了如何进行数据质量和数据特征分析。首先，我们加载了数据集并检查了缺失值的情况，对缺失值进行了合理的填充或删除。接着，我们对特征进行了描述性统计和可视化分析，了解了特征的分布以及与目标变量的关系。然后，我们进行了特征选择，去除了与目标变量相关性不强的特征。最后，我们准备了数据用于机器学习模型的训练。这个过程是机器学习项目中的重要一环，能够帮助我们更好地理解数据，并为后续的模型构建提供坚实的基础。

小结

本章从应用的角度出发，从数据质量分析和数据特征分析两个方面对数据进行探索分析，最后介绍了Python常用的数据探索函数及用例。数据质量分析要求我们拿到数据后先检测是否存在缺失值和异常值;数据特征分析要求我们在数据挖掘建模前，通过频率分布分析、对比分析、帕累托分析、周期性分析、相关性分析等方法，对采集的样本数据的特征规律进行分析，以了解数据的规律和趋势，为数据挖掘的后续环节提供支持。

要特别说明的是，在数据可视化中，由于主要使用Pandas作为数据探索和分析的工具，因此我们介绍的作图工具都是Matplotlib和Pandas结合使用。一方面，Matplotlib是作图工具的基础，Pandas作图依赖于它;另一方面，Pandas 作图有着简单直接的优势，因此.相互结合,往往能够以最高的效率作出符合我们需要的图。

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/785244.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

C语言内存函数（超详解）

C语言内存函数（超详解）

乐观学习，乐观生活，才能不断前进啊！！！ 我的主页：optimistic_chen 我的专栏：c语言 点击主页：optimistic_chen和专栏：c语言， 创作不易，大佬们点赞鼓…
阅读更多...
KIl5：Stm32L071下载出现flash download faild “cortex-m0+“的解决方法

KIl5：Stm32L071下载出现flash download faild “cortex-m0+“的解决方法

首先看看有没有芯片，没有芯片下载一下 下载并在device选择对应的芯片 选择调试器 选择flash
阅读更多...
C++ 二叉树OJ题

C++ 二叉树OJ题

💓博主CSDN主页:麻辣韭菜-CSDN博客💓   ⏩专栏分类：C知识分享⏪   🚚代码仓库:C高阶🚚   🌹关注我🫵带你学习更多C知识   🔝🔝 前言 C二叉搜索树 这篇讲解了搜索二叉…
阅读更多...
MySQL经验分享：Shell开发问题

MySQL经验分享：Shell开发问题

背景 之前整理过Python连接使用MySQL的经验，链接如下： pymysql封装总结_pymysql封装类-CSDN博客 相比高级语言，Shell与MySQL开发使用相对会更麻烦一些；由于 shell是linux命令集的概称，是属于命令行的人机界面。Shel…
阅读更多...
1688采集商品信息 马帮 店小秘 芒果采集API接口 java php

1688采集商品信息 马帮 店小秘 芒果采集API接口 java php

1688详情API接口是一种基于开放平台的应用程序接口，它能够实现与1688平台的数据交互，让商家能够更加方便地获取商品详情、库存信息、价格变动等重要数据。通过这一接口，商家可以实时掌握市场动态，快速响应消费者需求，从…
阅读更多...
jenkins进行自动化部署

jenkins进行自动化部署

jenkins自动化部署 hello，大家好，前文我们已经下载好我们的jenkins了，下面我们用jenkins来实现自动化部署啦！ 一、下载插件 我们选择插件管理 一个是Maven Integration plugin，一个是 Publish Over SSH 这里因为作…
阅读更多...
【uniapp】uniapp实现免密登录

【uniapp】uniapp实现免密登录

文章目录 一、概要二、整体架构流程三、技术名词解释四 、技术细节1.存取token有效期？2.使用setStorageSync而不使用setStorage？3.使用onLaunch而不使用全局路由？ 一、概要 打开一个网页或小程序的时候，我们有时候会自动进入主页…
阅读更多...
嵌入式驱动学习第五周——驱动模块

嵌入式驱动学习第五周——驱动模块

前言 Linux驱动有两种运行方式，第一种是将驱动编译进Linux内核中，另一种是编译成模块，本篇博客来介绍一下驱动模块。 嵌入式驱动学习专栏将详细记录博主学习驱动的详细过程，未来预计四个月将高强度更新本专栏，喜欢的可…
阅读更多...
Oladance、南卡、韶音开放式耳机值得买吗？爆款实测拒绝踩坑！

Oladance、南卡、韶音开放式耳机值得买吗？爆款实测拒绝踩坑！

​在寻找最佳开放式耳机的过程中，我亲自试用并评估了市场上三个备受欢迎的品牌：Oladance、南卡和韶音。通过全面的多维度性能测试，我旨在为大家提供准确的购买指南，避免因选择不当而遭遇音质失真或佩戴不适的问题。 选择正确的耳…
阅读更多...
window7 SP2

window7 SP2

网上很多window7 SP1的更新教程，很少有sp2的教程 参考博客Windows 7 Service Pack 2 Download and Install (64-bit/32-bit) 即 转到 Microsoft 网站上的 Windows 7 Service Pack 2下载页面 。 选择与 Windows 7 版本相对应的 “下载 ”链接。 也可以 登录官网…
阅读更多...
https安全性 带给im 消息加密的启发

https安全性 带给im 消息加密的启发

大家好，我是蓝胖子，在之前# MYSQL 是如何保证binlog 和redo log同时提交的？这篇文章里，我们可以从mysql的设计中学会如何让两个服务的调用逻辑达到最终一致性，这也是分布式事务实现方式之一。今天来看看我们能够从http…
阅读更多...
【Qt 学习笔记】Day3 | 使用两种方式实现helloworld

【Qt 学习笔记】Day3 | 使用两种方式实现helloworld

博客主页：Duck Bro 博客主页系列专栏：Qt 专栏关注博主，后期持续更新系列文章如果有错误感谢请大家批评指出，及时修改感谢大家点赞👍收藏⭐评论✍ Day3 | 使用两种方式实现helloworld 文章编号：Qt 学习笔记…
阅读更多...
移动硬盘怎么加密？移动硬盘加密软件有哪些？

移动硬盘怎么加密？移动硬盘加密软件有哪些？

移动硬盘是我们在工作中最常用的移动存储设备，为了保护数据安全，需要使用专业的移动硬盘加密软件加密保护。那么，移动硬盘加密软件有哪些？ ​BitLocker BitLocker是Windows的磁盘加锁功能，可以用于加密保护移动硬盘中…
阅读更多...
MySQL（常用函数、多表查询）

MySQL（常用函数、多表查询）

文章目录 1.数据库函数1.count函数案例答案count（*）与count（列）的区别 2.sum函数案例答案 3.avg函数案例答案 4.max/min函数案例答案 5.group by 分组统计案例答案 6.字符串相关函数演示练习 7.数学相关函数演示 8.日期相关函数演…
阅读更多...
Linux系统使用Docker部署个人IT工具箱IT-Tools结合内网穿透实现公网访问

Linux系统使用Docker部署个人IT工具箱IT-Tools结合内网穿透实现公网访问

作为程序员，在日常工作中，需要借助一些工具来提高我们工作效率，IT-Tools是为开发人员度身打造的一套便捷在线工具。它提供全面功能，使开发者能以更高效方式完成任务。经由IT-Tools，开发人员能轻松应对各类技术挑战&…
阅读更多...
鸿蒙OS开发实例：【通知消息】

鸿蒙OS开发实例：【通知消息】

背景 HarmonyOS 论坛中有研发人员求助，反馈通知没有没有声音，因此在真机上验证了一下，果不其然，没有通知的提示音，后来解决办法也非常简单，在手机设置应用中，将可以打开的通知提示统统改为铃声…
阅读更多...
告别繁琐代码，只需简单拖拽，便可从0到1开发！

告别繁琐代码，只需简单拖拽，便可从0到1开发！

告别繁琐代码，拥抱科技未来！只需简单拖拽，便可从0到1开发！代码即刻生成，一键下载，轻松上手。我们的低代码平台，不仅高效便捷，更完全开源，让你自由探索编程的无限可能&…
阅读更多...
设计模式-装饰者模式在Java中使用实例-打印发票装饰抬头和脚注

设计模式-装饰者模式在Java中使用实例-打印发票装饰抬头和脚注

场景 设计模式-装饰者模式在Java中的使用示例： 设计模式-装饰者模式在Java中的使用示例_java装饰者模式例子-CSDN博客 上面装饰器的调用示例如下 AbstarctComputer computer;//要买1台电脑computer new BaseComputer();//加一个内存条computer new MemoryDecor…
阅读更多...
【面试专题】Spring高频面试题

【面试专题】Spring高频面试题

1.Spring应该很熟悉吧？来介绍下你的Spring的理解 有些同学可能会抢答，不熟悉!!! 好了，不开玩笑，面对这个问题我们应该怎么来回答呢？我们给大家梳理这个几个维度来回答 1.1 Spring的发展历程 先介绍Spring是怎么来的…
阅读更多...
密码学 总结

密码学 总结

群 环 域 群 group G是一个集合，在此集合上定义代数运算*，若满足下列公理，则称G为群。 1.封闭性 a ∈ G , b ∈ G a\in G,b\in G a∈G,b∈G> a ∗ b ∈ G a*b\in G a∗b∈G 2.G中有恒等元素e，使得任何元素与e运算均为元素本…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023