数据可视化实验五:seaborn绘制进阶图形

目录

一、绘制动态轨迹图

1.1 代码实现

1.2 绘制结果

二、使用seaborn绘制关系图

2.1 绘制散点图分析产品开发部已离职的员工的评分与平均工作时间

2.1.1 代码实现

2.1.2 绘制结果

​编辑

2.2 基于波士顿房价数据,绘制房间数和房屋价格的折线图

2.2.1 代码实现

2.2.2 绘制结果

2.3 基于人员离职数据,绘制IT部部门员工工龄、年度评分折线图

2.3.1 代码实现

2.3.2 绘制结果

2.4 基于波士顿房价数据绘制热力图

2.4.1 代码实现

2.4.2 绘制结果

2.5 基于波士顿房价数据绘制犯罪率、一氧化氮含量、房间数与房屋价格两两之间的相关性

2.5.1 代码实现

2.5.2绘制结果

2.6 基于人员离职率数据,对销售部已离职的员工数据绘制不同颜色的数据子集

2.6.1 代码实现

2.6.2 绘制结果

2.7 根据销售部已离职的员工数据,通过relplot函数绘制单构面散点图

2.7.1 代码实现

2.7.2 绘制结果

2.8 根据部门为IT部的数据,传入分类变量薪资和工作事故到col和row中,绘制网格图

2.8.1 代码实现

2.8.2 绘制结果

三、使用seaborn绘制分类图

3.1基于离职率数据,使用barplot函数绘制各部门人员总数条形图

3.1.1 代码实现

3.1.2 绘制结果

3.2 基于人员离职率数据绘制x轴与y轴显示数据的计数图

3.2.1 代码实现

3.2.2 绘制结果

3.3 基于波士顿房价数据绘制单变量分布图

3.3.1 代码实现

3.3.2 绘制结果

3.4 基于人员离职率数据,绘制简单水平分布散点图分析销售部已离职的员工每月平均工作小时

3.4.1 代码实现

3.4.2 绘制结果

3.5 基于人员离职率数据,根据高薪在职的员工数据,使用swarmplot函数绘制简单的分布密度散点图

3.5.1 代码实现

3.5.2 绘制结果

3.6 波士顿房价数据绘制普通箱线图与增强箱线图

3.6.1 代码实现

3.6.2 绘制结果

3.7 基于波士顿房价数据,通过pairplot函数绘制多变量之间的关系图

3.7.1 代码实现

四、使用seaborn绘制回归图

4.1 基于波士顿房价数据,利用regplot函数绘制修改置信区间ci参数前后的线性回归拟合图

4.1.1 代码实现

4.1.2 绘制结果

4.2 基于波士顿房价数据,以河流穿行为类别绘制低收入人群与房屋价格两个变量的回归网格组合图

4.2.1 代码实现

4.2.2 绘制结果

end~

人的一生可能根本没有分明的四季,一直在光影斑驳的林子下走走停停。


一、绘制动态轨迹图

1.1 代码实现

# 导入必要库
from pyecharts.charts import Geo
from pyecharts.globals import ChartType
from pyecharts import options as opts# 修改已有的数据
z1 = [("四川省", "北京市"),("江西省", "西安市"),
]geo = (# 设置图形大小Geo(init_opts=opts.InitOpts(width="1200px", height="600px")).add_schema(# 地图类型为中国地图maptype="china",itemstyle_opts=opts.ItemStyleOpts(color="#99CCCC", border_color="black"),label_opts=opts.LabelOpts(is_show=True),).add("动态轨迹图 ",z1,# 参数设计label_opts=opts.LabelOpts(is_show=False),type_=ChartType.LINES,effect_opts=opts.EffectOpts(symbol_size=8, color="red"),linestyle_opts=opts.LineStyleOpts(curve=0.3),).set_global_opts(title_opts=opts.TitleOpts(title="动态轨迹图  author:张志豪  2024-4-8"))
)# 保存为图片
geo.render("geo_dynamic_trajectory.png")

1.2 绘制结果

二、使用seaborn绘制关系图

2.1 绘制散点图分析产品开发部已离职的员工的评分与平均工作时间

2.1.1 代码实现

from matplotlib import pyplot as plt
import pandas as pd
import seaborn as sns# 忽略警告
import warnings
warnings.filterwarnings('ignore')# 使用seaborn库绘图
sns.set_style('whitegrid', {'font.sans-serif':['simhei', 'Arial']})# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')# 提取部门为产品开发部、离职为1的数据
product = hr.iloc[(hr['部门'].values == '产品开发部') & (hr['离职'].values == 1), :]# 绘制评价分数与平均工作时间的散点图
ax = sns.scatterplot(x='评分', y='每月平均工作小时数(小时)', data=product)# 设置图表标题
plt.title('评价分数与平均工作时间散点图1 --张志豪')# 显示图表1
plt.show()markers = {'低': 'o', '中': 'D', '高': 's'}# 绘制评价分数与平均工作时间的散点图,并根据薪资水平使用不同的标记
sns.scatterplot(x='评分', y='每月平均工作小时数(小时)', hue='薪资', style='薪资', markers=markers, data=product)# 设置图表标题
plt.title('评价分数与平均工作时间散点图2 --张志豪')# 显示图表2
plt.show()

2.1.2 绘制结果

注:散点图2是在散点图1的基础上添加了第三个分类变量,可以通过对点着色(故称色调语义)和改变标记来显示分类变量,以突显每个类别。

2.2 基于波士顿房价数据,绘制房间数和房屋价格的折线图

2.2.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')# 绘制折线图
sns.lineplot(x='房间数(间)', y='房屋价格(千美元)', data=boston, ci=0)# 添加标题和坐标轴标签
plt.title('房间数与房屋价格')
plt.xlabel('房间数(间)')
plt.ylabel('房屋价格(千美元)')# 显示图例
plt.legend(['房屋价格'], loc='upper left')# 显示图形
plt.show()

2.2.2 绘制结果

由下图可知,折线具有较大的波动性,但整体呈现向上的趋势,可以大致认为当房间数相对较少时,房屋价格也相对较低;当房间数相对较多时,房屋价格逐渐升高。

2.3 基于人员离职数据,绘制IT部部门员工工龄、年度评分折线图

2.3.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')# 提取IT部门的数据
IT = hr[hr['部门'] == 'IT部']# 绘制折线图,修改线的颜色
sns.lineplot(x='工龄(年)', y='评分', hue='离职', data=IT, ci=0,color=['red', 'blue'], linewidth=2)# 添加标题和坐标轴标签
plt.title('工龄与上年度评价 --张志豪')
plt.xlabel('工龄(年)')
plt.ylabel('评分')# 显示图例
plt.legend(title='离职', loc='upper right')# 显示图形
plt.show()

2.3.2 绘制结果

2.4 基于波士顿房价数据绘制热力图

2.4.1 代码实现


import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns# 加载波士顿房价数据集
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 设置负号显示正常
plt.rcParams['axes.unicode_minus'] = False# 计算特征相关系数矩阵
corr = boston.corr()# 绘制热力图,添加数据标记
plt.figure(figsize=(4, 4)) # 设置合适的大小
sns.heatmap(corr, annot=True, fmt='.2f')# 添加标题
plt.title('特征矩阵热力图 --张志豪')# 显示图形
plt.show()

2.4.2 绘制结果

2.5 基于波士顿房价数据绘制犯罪率、一氧化氮含量、房间数与房屋价格两两之间的相关性

2.5.1 代码实现

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')# 绘制两两变量之间的相关性矩阵图
g = sns.PairGrid(boston, vars=['犯罪率', '一氧化氮含量(ppm)', '房间数(间)', '房屋价格(千美元)'])
g = g.map(plt.scatter)# 添加总标题
plt.suptitle('矩阵网格图 --张志豪', verticalalignment='bottom', y=0.98)# 显示图形
plt.show()

2.5.2绘制结果

2.6 基于人员离职率数据,对销售部已离职的员工数据绘制不同颜色的数据子集

2.6.1 代码实现

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')# 提取部门为销售部,离职为1的数据
sell = hr.loc[(hr['部门'].values == '销售部') & (hr['离职'].values == 1), :]# 设置图形大小
plt.figure(figsize=(10, 6))# 绘制矩阵网格图
g = sns.PairGrid(sell,vars=['满意度', '评分', '每月平均工作小时数(小时)'],hue='薪资', palette='Set3')
g = g.map_diag(sns.kdeplot)
g = g.map_offdiag(plt.scatter)# 添加总标题
plt.suptitle('不同颜色的矩阵网格图 --张志豪', verticalalignment='bottom', y=0.98)# 显示图形
plt.show()

2.6.2 绘制结果

2.7 根据销售部已离职的员工数据,通过relplot函数绘制单构面散点图

2.7.1 代码实现

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')# 提取部门为销售部,离职为1的数据
sell = hr.loc[(hr['部门'].values == '销售部') & (hr['离职'].values == 1), :]# 绘制单构面散点图
sns.relplot(x='满意度', y='评分', hue='薪资', data=sell)# 添加标题
plt.title('满意度水平与上年度评价',loc='center')# 显示图形
plt.show()

2.7.2 绘制结果

由图可知,在销售部部门且已经离职的员工中,人员评估分数越高,员工对公司的满意度越高。

2.8 根据部门为IT部的数据,传入分类变量薪资和工作事故到col和row中,绘制网格图

2.8.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')# 提取部门为IT部的数据
IT = hr[hr['部门'] == 'IT部']# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']# 绘制第一个网格图
sns.relplot(x='满意度', y='评分', hue='5年内升职', row='薪资', col='工作事故', data=IT)
# 设置主标题
plt.suptitle('IT网格图1 -- 张志豪', y=0.99)
plt.show()# 绘制第二个网格图
sns.relplot(x='满意度', y='评分', hue='5年内升职', col='工作事故', col_wrap=1, data=IT)
# 设置主标题
plt.suptitle('IT网格图2 -- 张志豪', horizontalalignment='left', verticalalignment='bottom', x=0, y=0.98)# 显示图形
plt.show()# 显示图形
plt.show()plt.show()

2.8.2 绘制结果

注:这两个图的title设置花了较多时间,包括一些参数的设置

三、使用seaborn绘制分类图

3.1基于离职率数据,使用barplot函数绘制各部门人员总数条形图

3.1.1 代码实现

from matplotlib import pyplot as plt
import pandas as pd
import seaborn as sns
import math# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')
hr = pd.read_csv('hr.csv', encoding='gbk')# 使用seaborn库绘图
sns.set_style('whitegrid', {'font.sans-serif': ['simhei', 'Arial']})# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']# 计算各部门的人数并获取部门名称
count = hr['部门'].value_counts()
index = count.index# 绘制各部门人数的条形图
sns.barplot(x=count, y=index)# 设置x轴标签旋转角度
plt.xticks(rotation=45)# 设置x轴和y轴的标签
plt.xlabel('部门')
plt.ylabel('总数')# 设置图表标题
plt.title('各部门人数对比')# 显示图表
plt.show()

3.1.2 绘制结果

3.2 基于人员离职率数据绘制x轴与y轴显示数据的计数图

3.2.1 代码实现

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd# 设置中文字体和绘图风格
sns.set_style('whitegrid', {'font.sans-serif': ['simhei', 'Arial']})
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')# 创建一个新的图形窗口,并设置大小为宽8英寸,高4英寸
plt.figure(figsize=(8, 4))# 创建第一个子图(1行2列中的第1个)
plt.subplot(1, 2, 1)  # 子图参数为(行数, 列数, 子图索引)
# 绘制工龄(年)的计数图,并设置x轴标签
sns.countplot(x=hr['工龄(年)'])  # 使用列索引来引用数据
plt.title('x轴显示数据的计数图 --张志豪')  # 设置子图标题
plt.ylabel('计数')  # 设置y轴标签# 创建第二个子图(1行2列中的第2个)
plt.subplot(1, 2, 2)  # 子图参数为(行数, 列数, 子图索引)
# 绘制工龄(年)的计数图,并设置y轴标签
sns.countplot(y=hr['工龄(年)'])  # 使用列索引来引用数据
plt.title('y轴显示数据的计数图 --张志豪')  # 设置子图标题
plt.xlabel('计数')  # 设置x轴标签# 显示图表
plt.show()

3.2.2 绘制结果

由图可知,不同工龄的员工数量,其中工龄为3的员工数量最多,其次是工龄为2和4的,工龄为7、8、10的员工数量都相对较少,说明了公司员工在工作到一定时间后有离职的情况。

3.3 基于波士顿房价数据绘制单变量分布图

3.3.1 代码实现

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')# 使用seaborn库绘制单变量的分布图
sns.distplot(boston['财产税'], kde=False)# 设置图表标题
plt.title('单变量的分布图 --张志豪')# 设置y轴标签
plt.ylabel('数量')# 添加网格线
plt.grid(True)# 显示图表
plt.show()

3.3.2 绘制结果

由图可知,每1万美元的全额物业税率,即财产税,主要集中在200~400和600~700区间,且在200~400区间的数量相关较大。

3.4 基于人员离职率数据,绘制简单水平分布散点图分析销售部已离职的员工每月平均工作小时

3.4.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 提取部门为销售部、离职为1的数据
sale = hr.iloc[(hr['部门'].values == '销售部') & (hr['离职'].values == 1), :]# 使用seaborn库绘制简单水平分布散点图
sns.stripplot(x='每月平均工作小时数(小时)', data=sale)# 设置图表标题
plt.title('简单水平分布散点图 --张志豪')# 显示图表
plt.show()

3.4.2 绘制结果

3.5 基于人员离职率数据,根据高薪在职的员工数据,使用swarmplot函数绘制简单的分布密度散点图

3.5.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')# 创建一个新的图形窗口,并设置大小为宽10英寸,高13英寸
plt.figure(figsize=(10, 13))# 创建第一个子图(2行1列中的第1个)
plt.subplot(2, 1, 1)  # 子图参数为(行数, 列数, 子图索引)
# 设置x轴标签旋转角度
plt.xticks(rotation=70)
# 设置图表标题
plt.title('不同部门的平均每月工作时长 --张志豪')
# 使用seaborn库绘制带hue的简单水平分布散点图
sns.stripplot(x='部门', y='每月平均工作小时数(小时)', hue='5年内升职', data=hr)# 创建第二个子图(2行1列中的第2个)
plt.subplot(2, 1, 2)  # 子图参数为(行数, 列数, 子图索引)
# 设置x轴标签旋转角度
plt.xticks(rotation=70)
# 使用seaborn库绘制带hue和dodge的简单水平分布散点图
sns.stripplot(x='部门', y='每月平均工作小时数(小时)', hue='5年内升职', data=hr, dodge=True)# 显示图表
plt.show()

3.5.2 绘制结果

由图可知,在高薪在职的员工数据中,不同部门每个月平均工作时长和近五年是否得到提升。其中,销售部部门、管理部部门、市场部部门和财务部部门有少数员工提升,其他部门基本没有得到提升。

3.6 波士顿房价数据绘制普通箱线图与增强箱线图

3.6.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import math# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode MS']# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')# 对房间数取整
boston['房间数(取整)'] = boston['房间数(间)'].map(math.floor)# 创建一个包含两个子图的图形窗口,设置大小为宽8英寸,高4英寸
fig, axes = plt.subplots(1, 2, figsize=(8, 4))# 第一个子图,绘制普通箱线图
axes[0].set_title('普通箱线图 --张志豪')  # 设置子图标题
sns.boxplot(x='房间数(取整)', y='房屋价格(千美元)', data=boston, orient='v', ax=axes[0])  # 绘制箱线图# 第二个子图,绘制增强箱线图
axes[1].set_title('增强箱线图 --张志豪')  # 设置子图标题
sns.boxenplot(x='房间数(取整)', y='房屋价格(千美元)', data=boston, orient='v', ax=axes[1])  # 绘制增强箱线图# 显示图表
plt.show()

3.6.2 绘制结果

由图可知,房间数目与房价有密切关系,房间数目少,房价低;房间数目多,则房价就明显升高。增强箱线图显示更广的分位数,并通过宽度展示出对应的分布,从而接纳了更多的异常值信息,减少了信息损失。

3.7 基于波士顿房价数据,通过pairplot函数绘制多变量之间的关系图

3.7.1 代码实现

1.import seaborn as sns
2.import matplotlib.pyplot as plt
3.import pandas as pd
4.
5.# 设置中文字体
6.plt.rcParams['font.family'] = ['Arial Unicode Ms']
7.
8.# 加载数据
9.boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')
10.
11.# 使用seaborn库绘制多变量散点图
12.sns.pairplot(boston[['犯罪率', '一氧化氮含量(ppm)', '房间数(间)', '低收入人群', '房屋价格(千美元)']])
13.
14.# 设置图表标题
15.plt.suptitle('多变量散点图 --张志豪', verticalalignment='bottom', y=0.98)
16.
17.# 显示图表
18.plt.show()

3.7.2 绘制结果

由图可知,犯罪率、一氧化氮含量、房间数、低收入人群、房屋价格几个字段的两两之间的相关关系,以及在对角线上显示了犯罪率、一氧化氮含量、房间数、低收入人群、房屋价格的分布情况。

四、使用seaborn绘制回归图

4.1 基于波士顿房价数据,利用regplot函数绘制修改置信区间ci参数前后的线性回归拟合图

4.1.1 代码实现

import pandas as pd
import seaborn as sns
from matplotlib import pyplot as plt
import warnings# 设置中文字体
sns.set_style('whitegrid', {'font.sans-serif': ['SimHei', 'Arial']})
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 忽略警告
warnings.filterwarnings('ignore')# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')fig, axes = plt.subplots(1, 2, figsize=(12, 6))
# 设置主标题
plt.suptitle('线性拟合图 -张志豪', y=0.99)
axes[0].set_title('修改前的线性回归拟合图')
axes[1].set_title('修改后的线性回归拟合图')sns.regplot(x='房间数(间)', y='房屋价格(千美元)', data=boston, ax=axes[0])
sns.regplot(x='房间数(间)', y='房屋价格(千美元)', data=boston, ci=50, ax=axes[1])plt.show()

4.1.2 绘制结果

由图可知,房间数和房屋价格成线性相关关系。其中,修改置信区间ci参数前后得到的线性回归拟合图一致,准确度也不相同。

4.2 基于波士顿房价数据,以河流穿行为类别绘制低收入人群与房屋价格两个变量的回归网格组合图

4.2.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 绘制回归网格组合图
sns.lmplot(x='低收入人群', y='房屋价格(千美元)', hue='河流穿行', data=boston, aspect=1.5)
plt.title('低收入人群与房屋价格回归网格组合图 --张志豪')
plt.xlabel('低收入人群')
plt.ylabel('房屋价格(千美元)')
plt.show()

4.2.2 绘制结果

由图可知,无论是否被河流穿过,变量低收入人群与变量房屋价格呈现较密切的线性拟合趋势,且绝大部分都是分布在未被河流穿过的情况下。

end~

人的一生可能根本没有分明的四季,一直在光影斑驳的林子下走走停停。

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/pingmian/30989.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

vscode用vue框架写一个登陆页面

目录 一、创建登录页面 二、构建好登陆页面的路由 三、编写登录页代码 1.添加基础结构 2.给登录页添加背景 3.解决填充不满问题 4.我们把背景的红颜色替换成背景图: 5.在页面中央添加一个卡片来显示登录页面 6.设置中间卡片页面的左侧 7.设置右侧的样式及…

【深度学习】GELU激活函数是什么?

torch.nn.GELU 模块在 PyTorch 中实现了高斯误差线性单元(GELU)激活函数。GELU 被用于许多深度学习模型中,包括Transformer,因为它相比传统的 ReLU(整流线性单元)函数能够更好地近似神经元的真实激活行为。…

vue小总结

知识总结 【 1 】es6 语法总结 # let 定义变量 # const定义常量 ------块级作用域---- # var 以后尽量少用,函数作用域var 在 JavaScript 中是函数作用域或全局作用域。而 let 和 const 是块级作用域。 // 使用 var 声明全局变量 var globalVar "Im a globa…

【全网最全最详细】RabbitMQ面试题

一、说下RabbitMQ的架构大致是什么样的? RabbitMQ是一个开源的消息中间件,用于在应用程序之间传递消息。它实现了AMQP(高级消息队列协议)并支持其它消息传递协议,例如STOMP(简单文本定向消息协议&#xff…

Linux环境编程基础学习2

For循环累加求和,两种方式,c方式的运算更快 打开文件操作 cat操作的实现 EOF: 1.diff A B比较两个文件是否一样,一样则什么结果都没有 Od -c 文件名可以显示出文件中的不可见字符

B站广告开户投流是什么政策?要哪些资质?

B站(哔哩哔哩)作为年轻人喜爱的视频分享社区,其广告价值也日益凸显。为了更好地服务广告主,B站近日对广告开户投流政策进行了更新,云衔科技作为专业的数字营销服务商,也积极响应,为广告主提供一…

绿茶集团重启IPO:流量渐退、业绩波动,还能讲出好故事吗?

近日,绿茶集团有限公司(下称“绿茶集团”)向港交所递交上市申请,花旗、招银国际为其联席保荐人。 回望绿茶集团的上市之路,可谓有诸多坎坷。该公司于2021年3月首度向港交所发起冲击,但却将中文版招股书中的“流动负债总额”错写成…

使用VS创建Linux项目,并远程连接Linux

目录 一,用VS创建Liunx项目 二,远程连接Linux系统 三,注意事项 四,成功示例,出现自己连接的主机 五,ssh参考命令 一,用VS创建Liunx项目 点击工具,选择选项 点击跨平台&#xff…

Navicat和SQLynx功能比较三(数据导出:使用MySQL近千万数据测试)

数据导出的功能在数据库管理工具中是最普遍的功能之一。所以数据导出的功能稳定性和性能也是数据库管理工具是否能很好地满足应用需求的一个考虑因素。 目录 1. 整体比较 2. 示例 2.1 前置环境 2.2 Navicat导出 2.3 SQLynx导出 2.4 性能对比结果(690万行数据&…

商超仓库管理系统

摘要 随着全球经济和互联网技术的快速发展,依靠互联网技术的各种管理系统逐渐应用到社会的方方面面。各行业的有识之士都逐渐开始意识到过去传统的人工管理模式已经逐渐成为企业发展的绊脚石,不再适应现代企业的发展需要。企业想要得到更好的发展&#…

ES中下载ik解决版本不一致问题

1.链接: https://github.com/infinilabs/analysis-ik/releases/tag/v7.17.7 2.我的ES版本是7.17.9 但是Ik没有7.19,只有7.17 3.下载之后创建ik,然后把下载的导入进去: 4.因为版本不一致 我们修改 把所有的7.17.7改为7.17.9然…

【MySQL】 -- 用户管理

1. 权限 如果我们只能使用root用户,这样存在安全隐患。这时,就需要使用MySQL的用户管理。创建出非root用户,限制其权限。 权限这个概念拿出来就是用来限制非root用户的。这样从技术手段上保证了数据的安全性和完整性,防止有人删库…

2024年6月20日 (周四) 叶子游戏新闻

超市播音系统: 定时播放不同音乐 强制卸载软件: 一款强制卸载软件 免费多人沙盒游戏《宝藏世界》推出更新“潮起潮落”,带来全新克苏鲁风冒险准备好迎接一场超凡的冒险吧,MMORPG发行商gamigo宣布《宝藏世界》的最新更新:“潮起潮落”。这次更…

探索Linux命令的新利器:linux-command

在Linux操作系统中,熟练掌握各种命令是成为一名高效开发者或管理员的关键。然而,即使是经验丰富的用户,有时也会遇到命令用法不熟悉或者记忆模糊的情况。这时,一个功能强大的命令搜索工具就显得格外重要。最近在逛github的时候正好…

代码随想录算法训练营第29天(贪心)|455.分发饼干、376. 摆动序列、53. 最大子序和

455.分发饼干 题目链接:455.分发饼干 文档讲解:代码随想录 状态:so easy 思路:对胃口和饼干大小排序,小胃口对应小饼干,不满足的话用下一块饼干试探。 题解: public int findContentChildren(i…

CSS--解决图片变形的方法

原文网址:CSS--解决图片变形的方法_IT利刃出鞘的博客-CSDN博客 简介 本文介绍html文件中图片变形的解决方法。 问题描述 我们经常需要指定所有图片的大小,让它们排列起来时看起来更整齐。但是,如果我们指定了width和height,那…

volatile关键字(juc编程)

volatile关键字 3.1 看程序说结果 分析如下程序,说出在控制台的输出结果。 Thread的子类 public class VolatileThread extends Thread {// 定义成员变量private boolean flag false ;public boolean isFlag() { return flag;}Overridepublic void run() {// 线…

灵感互娱U3D笔试题

文章目录 题目1解析 题目2解析 题目3解析 题目4数组链表 题目5解析 题目6解析 题目7解析题目8解析 后话 题目1 以下C#代码的输出顺序是什么 namespace ConsoleApp2 {internal class Program{class A{ public A(string text){Console.WriteLine(text);}}class B{static A a1 …

原子性(juc编程)

原子性 概述:所谓的原子性是指在一次操作或者多次操作中,要么所有的操作全部都得到了执行并且不会受到任何因素的干扰而中断,要么所有的操作都不执行,多个操作是一个不可以分割的整体。 //比如说:你喂你女朋友吃冰淇…

ScheduledExecutorService引起的线上问题(抛出异常后不继续执行)

线上有一个服务,采用ScheduledExecutorService定时任务刷新数据库数据到本地缓存作为路由信息 private ScheduledExecutorService scheduledExecutorService Executors.newScheduledThreadPool(1);scheduledExecutorService.scheduleWithFixedDelay(new Runnable()…