Python酷库之旅-第三方库Pandas(048)

目录

一、用法精讲

171、pandas.Series.nlargest方法

171-1、语法

171-2、参数

171-3、功能

171-4、返回值

171-5、说明

171-6、用法

171-6-1、数据准备

171-6-2、代码示例

171-6-3、结果输出

172、pandas.Series.nsmallest方法

172-1、语法

172-2、参数

172-3、功能

172-4、返回值

172-5、说明

172-6、用法

172-6-1、数据准备

172-6-2、代码示例

172-6-3、结果输出

173、pandas.Series.pct_change方法

173-1、语法

173-2、参数

173-3、功能

173-4、返回值

173-5、说明

173-6、用法

173-6-1、数据准备

173-6-2、代码示例

173-6-3、结果输出

174、pandas.Series.prod方法

174-1、语法

174-2、参数 

174-3、功能

174-4、返回值

174-5、说明

174-6、用法

174-6-1、数据准备

174-6-2、代码示例

174-6-3、结果输出

175、pandas.Series.quantile方法

175-1、语法

175-2、参数

175-3、功能

175-4、返回值

175-5、说明

175-6、用法

175-6-1、数据准备

175-6-2、代码示例

175-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

171、pandas.Series.nlargest方法
171-1、语法
# 171、pandas.Series.nlargest方法
pandas.Series.nlargest(n=5, keep='first')
Return the largest n elements.Parameters:
n
int, default 5
Return this many descending sorted values.keep
{‘first’, ‘last’, ‘all’}, default ‘first’
When there are duplicate values that cannot all fit in a Series of n elements:first : return the first n occurrences in order of appearance.last : return the last n occurrences in reverse order of appearance.all : keep all occurrences. This can result in a Series of size larger than n.Returns:
Series
The n largest values in the Series, sorted in decreasing order.
171-2、参数

171-2-1、n(可选，默认值为5)：一个整数，选择的最大的元素的数量。

171-2-2、keep(可选，默认值为'first')：{'first', 'last', 'all'}，当出现多个相同大小的值时，如何处理：

  • 'first': 保留最早出现的n个。
  • 'last': 保留最后出现的n个。
  • 'all': 保留所有最大值，不考虑n。
171-3、功能

171-3-1、选择最大值：从Series中选择前n个最大的值。

171-3-2、排序：返回的结果是按值从大到小排序的。

171-3-3、处理重复值：可以通过keep参数控制如何处理重复值。

171-4、返回值

171-4-1、返回类型：pandas.Series。

171-4-2、内容：包含前n个最大的值，按降序排列。

171-5、说明

171-5-1、性能：nlargest方法会对数据进行排序，在处理大型数据集时可能会较慢。

171-5​​​​​​​-2、重复值处理：可以通过keep参数来控制是否保留第一个出现的、最后一个出现的或者所有重复的最大值。

171-6、用法
171-6-1、数据准备
无
171-6-2、代码示例
# 171、pandas.Series.nlargest方法
# 171-1、数据探索与分析
import pandas as pd
# 示例：学生成绩数据
scores = pd.Series([85, 90, 78, 92, 88, 76, 95, 89])
# 获取前3个最高的成绩
top_scores = scores.nlargest(n=3)
print(top_scores, end='\n\n')# 171-2、异常检测
# 示例：传感器读数数据
sensor_data = pd.Series([100, 150, 200, 250, 300, 350, 400, 450, 500, 1000])
# 获取前2个最大的读数
top_readings = sensor_data.nlargest(n=2)
print(top_readings, end='\n\n')# 171-3、绩效评估
# 示例：销售数据
sales = pd.Series([12000, 15000, 18000, 20000, 22000, 25000, 27000, 30000])
# 获取销售额前3名的销售代表
top_sales = sales.nlargest(n=3)
print(top_sales, end='\n\n')# 171-4、资源分配
# 示例：客户投诉数据
complaints = pd.Series([5, 15, 25, 35, 45, 55, 65, 75, 85, 95])
# 获取前3个最严重的投诉
top_complaints = complaints.nlargest(n=3)
print(top_complaints, end='\n\n')# 171-5、投资决策
# 示例：股票收益数据
returns = pd.Series([0.05, 0.10, 0.15, 0.20, 0.25, 0.30, 0.35, 0.40, 0.45, 0.50])
# 获取收益前3名的股票
top_returns = returns.nlargest(n=3)
print(top_returns)
171-6-3、结果输出
# 171、pandas.Series.nlargest方法
# 171-1、数据探索与分析
# 6    95
# 3    92
# 1    90
# dtype: int64# 171-2、异常检测
# 9    1000
# 8     500
# dtype: int64# 171-3、绩效评估
# 7    30000
# 6    27000
# 5    25000
# dtype: int64# 171-4、资源分配
# 9    95
# 8    85
# 7    75
# dtype: int64# 171-5、投资决策
# 9    0.50
# 8    0.45
# 7    0.40
# dtype: float64
172、pandas.Series.nsmallest方法
172-1、语法
# 172、pandas.Series.nsmallest方法
pandas.Series.nsmallest(n=5, keep='first')
Return the smallest n elements.Parameters:
n
int, default 5
Return this many ascending sorted values.keep
{‘first’, ‘last’, ‘all’}, default ‘first’
When there are duplicate values that cannot all fit in a Series of n elements:first : return the first n occurrences in order of appearance.last : return the last n occurrences in reverse order of appearance.all : keep all occurrences. This can result in a Series of size larger than n.Returns:
Series
The n smallest values in the Series, sorted in increasing order.
172-2、参数

172-2-1、n(可选，默认值为5)：指定要返回的最小值的数量，如果n大于Series的长度，则返回整个Series。

172-2-2、keep(可选，默认值为'first')：{'first', 'last', 'all'}，当出现多个相同大小的值时，如何处理：

  • 'first': 保留最早出现的n个。
  • 'last': 保留最后出现的n个。
  • 'all': 保留所有最小值，不考虑n。
172-3、功能

172-3-1、提取最小值：从Series中提取指定数量的最小值。

172-3​​​​​​​-2、处理重复值：可以通过keep参数指定如何处理重复值。

172-4、返回值

        返回一个包含指定数量最小值的新的Series，返回的Series保留了原始Series的索引信息，这样可以方便地追踪这些最小值在原始数据中的位置。

172-5、说明

        无

172-6、用法
172-6-1、数据准备
无
172-6-2、代码示例
# 172、pandas.Series.nsmallest方法
# 172-1、默认用法
import pandas as pd
data = pd.Series([3, 5, 6, 8, 10, 10, 11, 24])
result = data.nsmallest()
print(result, end='\n\n')# 172-2、指定n参数
import pandas as pd
data = pd.Series([3, 5, 6, 8, 10, 10, 11, 24])
result = data.nsmallest(n=3)
print(result, end='\n\n')# 172-3、使用keep='last'
import pandas as pd
data = pd.Series([3, 5, 6, 8, 10, 10, 11, 24])
result = data.nsmallest(n=5, keep='last')
print(result, end='\n\n')# 172-4、使用keep='all'
import pandas as pd
data = pd.Series([3, 5, 6, 8, 10, 10, 11, 24])
result = data.nsmallest(n=5, keep='all')
print(result)
172-6-3、结果输出
# 172、pandas.Series.nsmallest方法
# 172-1、默认用法
# 0     3
# 1     5
# 2     6
# 3     8
# 4    10
# dtype: int64# 172-2、指定n参数
# 0    3
# 1    5
# 2    6
# dtype: int64# 172-3、使用keep='last'
# 0     3
# 1     5
# 2     6
# 3     8
# 5    10
# dtype: int64# 172-4、使用keep='all'
# 0     3
# 1     5
# 2     6
# 3     8
# 4    10
# 5    10
# dtype: int64
173、pandas.Series.pct_change方法
173-1、语法
# 173、pandas.Series.pct_change方法
pandas.Series.pct_change(periods=1, fill_method=_NoDefault.no_default, limit=_NoDefault.no_default, freq=None, **kwargs)
Fractional change between the current and a prior element.Computes the fractional change from the immediately previous row by default. This is useful in comparing the fraction of change in a time series of elements.NoteDespite the name of this method, it calculates fractional change (also known as per unit change or relative change) and not percentage change. If you need the percentage change, multiply these values by 100.Parameters:
periodsint, default 1
Periods to shift for forming percent change.fill_method{‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, default ‘pad’
How to handle NAs before computing percent changes.Deprecated since version 2.1: All options of fill_method are deprecated except fill_method=None.limitint, default None
The number of consecutive NAs to fill before stopping.Deprecated since version 2.1.freqDateOffset, timedelta, or str, optional
Increment to use from time series API (e.g. ‘ME’ or BDay()).**kwargs
Additional keyword arguments are passed into DataFrame.shift or Series.shift.Returns:
Series or DataFrame
The same type as the calling object.
173-2、参数

173-2-1、periods(可选，默认值为1)：整数，表示计算变化的间隔期数。例如，periods=1表示当前元素与前一个元素的变化，periods=2表示当前元素与前两个元素的变化。

173-2-2、fill_method(可选)：{'backfill', 'bfill', 'pad', 'ffill', None}，用于填充缺失值的方法：

173-2-2-1、'backfill'或'bfill': 使用之后的有效值填充NaN。

173-2-2-2、'pad'或'ffill': 使用之前的有效值填充NaN。

173-2-3、limit(可选)：整数，最多填充多少个连续的NaN值。

173-2-4、freq(可选，默认值为None)：用于时间序列的频率转换。例如，freq='M'表示按月计算变化。

173-2-5、**kwargs(可选)：其他传递给内部填充方法的关键字参数。

173-3、功能

        用于计算当前元素与前一个元素之间的百分比变化，该方法在时间序列分析中非常有用，因为它可以帮助我们快速识别变化趋势和波动。

173-4、返回值

        返回一个包含百分比变化的Series，如果当前元素或前一个元素为NaN，则相应的百分比变化也会是NaN。

173-5、说明

        无

173-6、用法
173-6-1、数据准备
无
173-6-2、代码示例
# 173、pandas.Series.pct_change方法
# 173-1、默认用法
import pandas as pd
data = pd.Series([100, 120, 130, 90, 160])
result = data.pct_change()
print(result, end='\n\n')# 173-2、指定periods参数
import pandas as pd
data = pd.Series([100, 120, 130, 90, 160])
result = data.pct_change(periods=2)
print(result, end='\n\n')# 173-3、使用fill_method填充缺失值
import pandas as pd
data_with_nan = pd.Series([100, None, 130, 90, 160])
result = data_with_nan.pct_change(fill_method='ffill')
print(result, end='\n\n')# 173-4、指定limit和fill_method参数
import pandas as pd
data_with_nan = pd.Series([100, None, 130, 90, 160])
result = data_with_nan.pct_change(fill_method='ffill', limit=1)
print(result)
173-6-3、结果输出
# 173、pandas.Series.pct_change方法
# 173-1、默认用法
# 0         NaN
# 1    0.200000
# 2    0.083333
# 3   -0.307692
# 4    0.777778
# dtype: float64# 173-2、指定periods参数
# 0         NaN
# 1         NaN
# 2    0.300000
# 3   -0.250000
# 4    0.230769
# dtype: float64# 173-3、使用fill_method填充缺失值
# 0         NaN
# 1    0.000000
# 2    0.300000
# 3   -0.307692
# 4    0.777778
# dtype: float64# 173-4、指定limit和fill_method参数
# 0         NaN
# 1    0.000000
# 2    0.300000
# 3   -0.307692
# 4    0.777778
# dtype: float64
174、pandas.Series.prod方法
174-1、语法
# 174、pandas.Series.prod方法
pandas.Series.prod(axis=None, skipna=True, numeric_only=False, min_count=0, **kwargs)
Return the product of the values over the requested axis.Parameters:
axis{index (0)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.WarningThe behavior of DataFrame.prod with axis=None is deprecated, in a future version this will reduce over both axes and return a scalar To retain the old behavior, pass axis=0 (or do not pass axis).New in version 2.0.0.skipnabool, default True
Exclude NA/null values when computing the result.numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.min_countint, default 0
The required number of valid values to perform the operation. If fewer than min_count non-NA values are present the result will be NA.**kwargs
Additional keyword arguments to be passed to the function.Returns:
scalar or scalar
174-2、参数 

174-2-1、axis(可选，默认值为None)：只适用于DataFrame，对于Series来说，该参数无效。

174-2-2、skipna(可选，默认值为True)：指定是否跳过NaN值，如果设置为True(默认情况)，NaN值将被忽略，计算时只考虑非空值；如果设置为False，结果将是NaN，如果存在NaN值。

174-2-3、numeric_only(可选，默认值为False)：指定是否仅考虑数值类型的数据，如果为True，则仅包含数字类型数据进行计算；对于Series来说，该参数通常无效，因为Series本身通常只有一种数据类型。

174-2-4、min_count(可选，默认值为0)：表示需要参与计算的最小有效值数量，如果非零有效值的数量小于min_count，则结果为NaN。例如，如果设置min_count=1，而Series中没有非零值，则返回NaN。

174-2-5、**kwargs(可选)：其他关键字参数，以后可能用于扩展方法的功能。

174-3、功能

        用于计算Series元素的乘积，并返回一个浮点数或整数，表示所有非NaN元素的乘积。

174-4、返回值

174-4-1、数值类型: 返回值为浮点数或整数，具体取决于Series的数据类型和参与计算的元素。

174-4​​​​​​​-2、缺失值情况: 如果skipna=False且Series中存在NaN值，返回NaN，如果有效值数量少于min_count，返回NaN。

174-5、说明

        无

174-6、用法
174-6-1、数据准备
无
174-6-2、代码示例
# 174、pandas.Series.prod方法
import pandas as pd
import numpy as np
# 创建一个Series
s = pd.Series([1, 2, 3, np.nan, 4])
# 计算所有非NaN元素的乘积
result = s.prod()
print(result)# 不跳过NaN值
result_skipna_false = s.prod(skipna=False)
print(result_skipna_false)# 需要至少2个有效值参与计算，否则返回NaN
result_min_count = s.prod(min_count=2)
print(result_min_count)# 需要至少5个有效值参与计算
result_min_count_high = s.prod(min_count=5)
print(result_min_count_high)
174-6-3、结果输出
# 174、pandas.Series.prod方法
# 24.0
# nan
# 24.0
# nan
175、pandas.Series.quantile方法
175-1、语法
# 175、pandas.Series.quantile方法
pandas.Series.quantile(q=0.5, interpolation='linear')
Return value at the given quantile.Parameters:
qfloat or array-like, default 0.5 (50% quantile)
The quantile(s) to compute, which can lie in range: 0 <= q <= 1.interpolation{‘linear’, ‘lower’, ‘higher’, ‘midpoint’, ‘nearest’}
This optional parameter specifies the interpolation method to use, when the desired quantile lies between two data points i and j:linear: i + (j - i) * (x-i)/(j-i), where (x-i)/(j-i) is the fractional part of the index surrounded by i > j.lower: i.higher: j.nearest: i or j whichever is nearest.midpoint: (i + j) / 2.Returns:
float or Series
If q is an array, a Series will be returned where the index is q and the values are the quantiles, otherwise a float will be returned.
175-2、参数

175-2-1、q(可选，默认值为0.5)：表示分位数值，取值范围为[0, 1]之间的浮点数。例如，0.5表示中位数。

175-2-2、interpolation(可选，默认值为'linear')：表示指定插值方法，其他选项包括'lower'、'higher'、'nearest'和'midpoint'。

175-3、功能

175-3-1、计算分位数: 根据参数q的值，计算指定分位数。

175-3​​​​​​​-2、插值方式: 通过interpolation参数指定计算分位数时使用的插值方法。

175-4、返回值

175-4-1、数值类型: 返回指定分位数的值。

175-4​​​​​​​-2、数据类型一致: 返回值的类型与Series中的数据类型一致。

175-5、说明

        无

175-6、用法
175-6-1、数据准备
无
175-6-2、代码示例
# 175、pandas.Series.quantile方法
# 175-1、计算中位数(0.5分位数)
import pandas as pd
import numpy as np
# 创建一个Series
s = pd.Series([1, 2, 3, np.nan, 5])
median = s.quantile(q=0.5)
print(median, end='\n\n')# 175-2、使用'lower'插值方法计算0.5分位数
import pandas as pd
import numpy as np
# 创建一个Series
s = pd.Series([1, 2, 3, np.nan, 5])
median_lower = s.quantile(q=0.5, interpolation='lower')
print(median_lower, end='\n\n')# 175-3、使用'higher'插值方法计算0.5分位数
import pandas as pd
import numpy as np
# 创建一个Series
s = pd.Series([1, 2, 3, np.nan, 5])
median_higher = s.quantile(q=0.5, interpolation='higher')
print(median_higher, end='\n\n')# 175-4、计算0.25分位数
import pandas as pd
import numpy as np
# 创建一个Series
s = pd.Series([1, 2, 3, np.nan, 5])
first_quartile = s.quantile(q=0.25)
print(first_quartile, end='\n\n')# 175-5、计算0.75分位数
import pandas as pd
import numpy as np
# 创建一个Series
s = pd.Series([1, 2, 3, np.nan, 5])
third_quartile = s.quantile(q=0.75)
print(third_quartile)
175-6-3、结果输出
# 175、pandas.Series.quantile方法
# 175-1、计算中位数(0.5分位数)
# 2.5# 175-2、使用'lower'插值方法计算0.5分位数
# 2.0# 175-3、使用'higher'插值方法计算0.5分位数
# 3.0# 175-4、计算0.25分位数
# 1.75# 175-5、计算0.75分位数
# 3.5

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

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/876096.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

自动化测试 - selenium 环境搭建

自动化测试 - selenium 环境搭建

在进行自动化测试时&#xff0c;Selenium 是一个非常强大的工具&#xff0c;在使用前需要做一些环境准备。 1. 配置 Chromedriver 访问 Chrome 浏览器的官方网站&#xff08;https://www.google.cn/chrome/&#xff09;&#xff0c;下载并安装 Chrome 浏览器。 接下来&#x…
阅读更多...
html必知必会-html内嵌JavaScript和文件路径

html必知必会-html内嵌JavaScript和文件路径

文章目录 HTML JavaScriptHTML <script> 标签JavaScript 的简单示例HTML <noscript> 标签HTML 文件路径绝对文件路径相对文件路径总结 HTML JavaScript JavaScript 使 HTML 页面更具动态性和交互性。 示例 <!DOCTYPE html> <html> <body><…
阅读更多...
自训练和增量训练word2vec模型

自训练和增量训练word2vec模型

1、自己准备训练语料文件 根据自己的业务场景准备训练数据&#xff0c;比如用户在商城上的同购行为序列或同浏览行为序列。 我们希望通过自己训练业务相关的语料word2vec模型来获得词嵌入、词相关性查询等。 1.1 准备语料库文件 # 示例&#xff1a;准备自己的一个大规模的语…
阅读更多...
RDMA通信4：MR(Memory Region, 内存区域)基本概念和作用

RDMA通信4：MR(Memory Region, 内存区域)基本概念和作用

MR简介 RDMA通信中MR(Memory Region)指的是由RDMA软件层在内存中规划出的一片区域&#xff0c;用于存放收发的数据。IB协议中&#xff0c;用户在申请完用于存放数据的内存区域之后&#xff0c;都需要通过调用IB框架提供的API注册MR&#xff0c;才能让RDMA网卡访问这片内存区域…
阅读更多...
2.1、matlab绘图汇总(图例、标题、坐标轴、线条格式、颜色和散点格式设置)

2.1、matlab绘图汇总(图例、标题、坐标轴、线条格式、颜色和散点格式设置)

1、前言 在 MATLAB 中进行绘图是一种非常常见且实用的操作&#xff0c;可以用来可视化数据、结果展示、分析趋势等。通过 MATLAB 的绘图功能&#xff0c;用户可以创建各种类型的图形&#xff0c;包括线图、散点图、柱状图、曲线图等&#xff0c;以及三维图形、动画等复杂的可视…
阅读更多...
数据中台 | 3分钟带你读懂数据中台的由来

数据中台 | 3分钟带你读懂数据中台的由来

1.数据中台产生的原因 数据中台的概念起源于中国阿里巴巴集团提出的“大中台&#xff0c;小前台”战略。这一理念的核心在于通过构建强大的中台体系&#xff0c;为前端的快速创新和个性化业务需求提供强有力的支持。具体到数据中台&#xff0c;其设计初衷是为了应对企业内部数…
阅读更多...
springboot在加了mapper之后报错

springboot在加了mapper之后报错

springboot在加了mapper之后报错 最后发现是spring boot版本不兼容&#xff0c;spring-boot-starter-parent换成3.0.5之后可以了
阅读更多...
计算机基础-IO

计算机基础-IO

一、裸机中的IO 我们先看下计算机的组成部分&#xff1a; 从图中我们很清楚的看到Input/Output 即为 IO&#xff0c;也就是计算机主机和外部设备进行信息的交换。 这种交换可能是磁盘IO也有可能是网络IO。 二、操作系统中的IO 操作系统分为内核态和用户态&#xff0c;且默认…
阅读更多...
活动预告｜8月3日 Streaming Lakehouse Meetup · Online 与你相约！

活动预告｜8月3日 Streaming Lakehouse Meetup · Online 与你相约！

随着大数据分析技术的发展&#xff0c;越来越多的企业采用了数据湖架构。基于 Lakehouse 的架构优势&#xff0c;结合 Flink 的 Streaming 实时流处理能力&#xff0c;Flink 推出了新一代的“Streaming Lakehouse”技术。这一技术旨在能够让数据在湖上自由流动&#xff0c;为用…
阅读更多...
js 习题 3

js 习题 3

文章目录 绪论12345678910 求最长公共后缀111213 最大公约数1415结语 绪论 『虽有遗憾&#xff0c;绝不后悔。』—— 「古剑奇谭」 1 let buf"";process.stdin.on("readable",function(){let chunkprocess.stdin.read();if(chunk){bufchunk.toString();} …
阅读更多...
CMMI介绍

CMMI介绍

阅读更多...
从零开始创建vue3项目——包含项目初始化、element-plus、eslint、axios、router、pinia、echarts

从零开始创建vue3项目——包含项目初始化、element-plus、eslint、axios、router、pinia、echarts

项目启动 初始化vue3项目 这里建议先下载pnpm&#xff0c;下载速度更快&#xff0c;如果还没下载可以使用 npm install -g pnpm 如果遇到报错问题&#xff0c;如下 可以在命令行输入下面的指令以切换到淘宝镜像源 npm config set registry https://registry.npm.taobao.org…
阅读更多...
2024最佳游戏引擎排行

2024最佳游戏引擎排行

游戏产业几十年来一直是一个大生意&#xff0c;而且发展势头迅猛。据估计&#xff0c;全球游戏市场在 2025 年每年将达到 5031.4 亿美元&#xff0c;2023 年为 3960 亿美元。 尽管如今有市面上有各种各样的解决方案&#xff0c;但游戏开发人员和管理者在选择适合他们需求的游戏…
阅读更多...
kettle从入门到精通 第八十课 ETL之kettle kettle中的json对象字段写入postgresql中的json字段

kettle从入门到精通 第八十课 ETL之kettle kettle中的json对象字段写入postgresql中的json字段

场景&#xff1a;源数据库表为mysql的其中有json字段&#xff0c;通过kettle 查询出来 插入到目标数据库 postgresql中&#xff0c;对应的表中也有json字段。。但是报错&#xff0c;提示kettle查询出来是varchar的的字段&#xff0c;无法插入到目标数据库中。 1、创建测试表。 …
阅读更多...
golang设置远程调试

golang设置远程调试

1. 目标机器构建安装dlv https://github.com/go-delve/delve go build之后将编译号的dlv命令路径添加到PATH里 2. 目标机器下载源代码并且运行dlv dlv debug --headless --listen:2345 --api-version2 --accept-multiclient 3.本机添加go remote 4. 设置断点即可
阅读更多...
Cesium高性能渲染海量矢量建筑

Cesium高性能渲染海量矢量建筑

0、数据输入为类似Geojson的压缩文件和纹理图片&#xff0c;基于DrawCommand命令绘制&#xff1b; 1、自定义建筑几何&#xff0c;包括顶点、法线、纹理等&#xff1b; 2、自定义纹理贴图&#xff0c;包括按建筑高度贴图、mipmap多级纹理&#xff1b; 3、自定义批处理表&…
阅读更多...
DVWA中命令执行漏洞细说

DVWA中命令执行漏洞细说

在攻击中&#xff0c;命令注入是比较常见的方式&#xff0c;今天我们细说在软件开发中如何避免命令执行漏洞 我们通过DVWA中不同的安全等级来细说命令执行漏洞 1、先调整DVWA的安全等级为Lower,调整等级在DVWA Security页面调整 2、在Command Injection页面输入127.0.0.1&…
阅读更多...
AI在Facebook的应用：预见智能化社交的新前景

AI在Facebook的应用：预见智能化社交的新前景

在数字化时代&#xff0c;社交媒体平台已成为我们生活的重要组成部分&#xff0c;而人工智能&#xff08;AI&#xff09;的快速发展正推动着这些平台向更智能、更个性化的方向发展。Facebook&#xff0c;作为全球最大的社交网络平台之一&#xff0c;正不断探索和应用AI技术&…
阅读更多...
mysql面试（七）

mysql面试（七）

前言 本章节列出了mysql在增删改查的时候&#xff0c;分别会涉及到哪些锁类型&#xff0c;又是如何交互的。 这个章节也是mysql面试基础系列的最后一章&#xff0c;后面准备更新redis数据类型和分布式锁相关问题。如果各位看官有什么问题的话&#xff0c;可以留言。 锁 之前…
阅读更多...
【MySQL进阶之路 | 高级篇】MVCC三剑客：隐藏字段，Undo Log，ReadView

【MySQL进阶之路 | 高级篇】MVCC三剑客：隐藏字段，Undo Log，ReadView

1. 再谈隔离级别 我们知道事务有四个隔离级别&#xff0c;可能存在三种并发问题&#xff1a; 在MySQL中&#xff0c;默认的隔离级别是可重复读&#xff0c;可以解决脏读和不可重复读的问题&#xff0c;如果仅从定义的角度来看&#xff0c;它并不能解决幻读问题。如果我们想要解…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023