重生之我在异世界学编程之算法与数据结构:深入堆篇

大家好,这里是小编的博客频道
小编的博客:就爱学编程

很高兴在CSDN这个大家庭与大家相识,希望能在这里与大家共同进步,共同收获更好的自己!!!

本文目录

  • 正文
    • 一、堆的基本概念
    • 二、堆的存储表示
    • 三、堆的基本操作
      • 1. 插入元素(Insert)
      • 2. 删除最大/最小值(Extract Max/Min)
      • 3. 构建堆(Build Heap)
    • 四、源码
      • (1)heap.h
      • (2)heap.c
      • (3)Test.c
    • 五、堆的应用
      • 1. 优先队列
      • 2. 堆排序
      • 3.Top K问题
        • (1)定义与背景
        • (2)应用场景
        • (3)实现方法
        • (4)算法优化与挑战
    • 六、总结
  • 快乐的时光总是短暂,咱们下篇博文再见啦!!!不要忘了,给小编点点赞和收藏支持一下,在此非常感谢!!!


在这里插入图片描述


那接下来就让我们开始遨游在知识的海洋!

正文


一、堆的基本概念

堆是一种特殊的树形数据结构,它完全是一棵二叉树。堆分为最大堆和最小堆两种类型:

  • 最大堆:在最大堆中,父节点的键值总是大于或等于任何一个子节点的键值。换句话说,根节点是整个堆中键值最大的节点。
  • 最小堆:在最小堆中,父节点的键值总是小于或等于任何一个子节点的键值。也就是说,根节点是整个堆中键值最小的节点。

堆通常用于实现优先队列,并且能在对数时间内完成插入、删除以及查找最值等操作。


二、堆的存储表示

  • 堆一般使用数组来实现,这是因为堆是完全二叉树的一种特殊形式,其性质使得我们可以利用数组的索引关系来方便地表示堆的结构。对于一个包含n个元素的零基数组来说:

对于任意给定的索引i:
左子节点的索引为 (2*i + 1)
右子节点的索引为 (2*i + 2)
父节点的索引为 ((i - 1) / 2)(注意这是整数除法)

这种表示方法使得堆的操作变得非常简单高效。


三、堆的基本操作

1. 插入元素(Insert)

向堆中插入一个新元素的过程如下:

将新元素添加到堆的末尾(即数组的最后一个位置)。
然后,从该位置开始向上调整堆,以维护堆的性质。这通常是通过“上浮”(bubble up)或“筛选”(sift up)操作来实现的。

具体步骤如下(以最大堆为例):

 
void heapInsert(int arr[], int &heapSize, int element) {// Step 1: Add the new element at endarr[heapSize] = element;heapSize++;// Step 2: Fix the max heap property if it is violatedint i = heapSize - 1;while (i != 0 && arr[(i - 1) / 2] < arr[i]) {// Swap current node with its parentswap(&arr[i], &arr[(i - 1) / 2]);i = (i - 1) / 2; // Move to parent index}
}

2. 删除最大/最小值(Extract Max/Min)

从堆中删除最大或最小值的过程如下(以最大堆为例):

将根节点(即最大值)与堆的最后一个元素交换。
减少堆的大小(即将堆的最后一个元素移除)。
从新的根节点开始向下调整堆,以维护堆的性质。这通常是通过“下沉”(bubble down)或“筛选”(sift down)操作来实现的。

具体步骤如下:

int heapExtractMax(int arr[], int &heapSize) {if (heapSize <= 0) return INT_MIN; // Return an invalid value if heap is empty// Store the maximum value, and remove it from heapint root = arr[0];arr[0] = arr[heapSize - 1];heapSize--;// Fix the max heap property if it is violatedmaxHeapify(arr, 0, heapSize);return root;
}void maxHeapify(int arr[], int i, int heapSize) {int largest = i; // Initialize largest as rootint left = 2 * i + 1; // left child indexint right = 2 * i + 2; // right child index// If left child is larger than rootif (left < heapSize && arr[left] > arr[largest])largest = left;// If right child is larger than largest so farif (right < heapSize && arr[right] > arr[largest])largest = right;// If largest is not rootif (largest != i) {swap(&arr[i], &arr[largest]);// Recursively heapify the affected sub-treemaxHeapify(arr, largest, heapSize);}
}

3. 构建堆(Build Heap)

将一个无序数组构建成一个堆的过程可以通过以下步骤实现:

从最后一个非叶子节点开始,依次对每个节点执行“下沉”操作,直到根节点为止。

具体步骤如下(以最大堆为例):

void buildMaxHeap(int arr[], int n) {int startIdx = (n / 2) - 1; // Last non-leaf nodefor (int i = startIdx; i >= 0; i--) {maxHeapify(arr, i, n);}
}

四、源码

注意:这是小编自己写的,可能有不足之处,仅供参考!!!

(1)heap.h

#pragma once#include<stdio.h>
#include<stdlib.h>
#include<assert.h>typedef int HPDataType;
typedef struct Heap
{HPDataType* _a;int _size;int _capacity;
}Heap;//堆的初始化
void HeapInit(Heap* php);// 堆的销毁
void HeapDestory(Heap* hp);// 堆的插入
void HeapPush(Heap* hp, HPDataType x);// 堆的删除
void HeapPop(Heap* hp);// 取堆顶的数据
HPDataType HeapTop(Heap* hp);// 堆的数据个数
int HeapSize(Heap* hp);// 堆的判空
int HeapEmpty(Heap* hp);//对调
void Swap(HPDataType* ptr1, HPDataType* ptr2);//向上调整(使用条件:除了child对应的数据,其他的构成堆)
void AujustUp(HPDataType* a, int child);//向下调整(使用条件:左右子树都是大堆或小堆)
void AujustDown(HPDataType* a, int size, int parent);

(2)heap.c

#include"heap.h"//堆的初始化
void HeapInit(Heap* php) {assert(php);HPDataType* temp = (HPDataType*)malloc(sizeof(HPDataType) * 4);if (temp ==NULL) {perror("malloc fail");return;}php->_a = temp;php->_capacity = 4;php->_size = 0;
}// 堆的销毁
void HeapDestory(Heap* php) {assert(php);free(php->_a);php->_a = NULL;php->_capacity = 0;php->_size = 0;
}//对调
void Swap(HPDataType* ptr1, HPDataType* ptr2) {assert(ptr1 && ptr2);HPDataType temp = *ptr1;*ptr1 = *ptr2;*ptr2 = temp;
}//向上调整(使用条件:除了child对应的数据,其他的构成堆)
void AujustUp(HPDataType* a, int child) {assert(a);int parent = (child - 1) / 2;while (child > 0) {if (a[child] > a[parent]) {Swap(&a[child], &a[parent]);}else {break;}child = parent;parent = (child - 1) / 2;}
}// 堆的插入(从尾插入,向上调整)
void HeapPush(Heap* php, HPDataType x) {assert(php);if (php->_capacity == php->_size) {HPDataType* temp = (HPDataType*)realloc(php->_a, sizeof(HPDataType) * 2 * php->_capacity);if (temp == NULL) {perror("realloc fail");return;}php->_a = temp;php->_capacity *= 2;}php->_a[php->_size] = x;++php->_size;AujustUp(php->_a, php->_size - 1);
}//向下调整(使用条件:左右子树都是大堆或小堆)
void AujustDown(HPDataType* a, int size, int parent) {assert(a);int bigchild = parent * 2 + 1;				//先假设大孩子是左孩子while (bigchild < size) {//先找到真正数值大的孩子的下标if (bigchild + 1 < size && a[bigchild] < a[bigchild + 1])			//小堆'<'改成'>'{++bigchild;}if (a[bigchild] > a[parent]) {										//小堆'>'改成'<'Swap(&a[bigchild], &a[parent]);parent = bigchild;bigchild = parent * 2 + 1;				//还是先假设大孩子是左孩子}else {break;}}
}// 堆的删除(删掉堆顶,向下调整)
void HeapPop(Heap* php) {assert(php && php->_size);//采用堆顶数据和堆尾数据对调,再向下调整的优势在于效率高,且不会改变大部分的父子关系Swap(&php->_a[0], &php->_a[php->_size - 1]);--php->_size;AujustDown(php->_a, php->_size, 0);
}//
void HeapInitArray(Heap* php, int* a, int n)
{assert(php);php->_a = (HPDataType*)malloc(sizeof(HPDataType) * n);if (php->_a == NULL){perror("malloc fail");return;}php->_size = n;php->_capacity = n;// 建堆for (int i = (n - 2) / 2; i >= 0; --i){AdjustDown(php->_a, php->_size, i);}
}// 取堆顶的数据
HPDataType HeapTop(Heap* php) {assert(php && php->_size);return php->_a[0];
}// 堆的数据个数
int HeapSize(Heap* php) {assert(php && php->_size);return php->_size;
}// 堆的判空
int HeapEmpty(Heap* php) {assert(php);return php->_size == 0;
}

(3)Test.c

#define _CRT_SECURE_NO_WARNINGS
#include"heap.h"int main() {Heap heap;//堆的初始化HeapInit(&heap);//堆插入HeapPush(&heap, 1);HeapPush(&heap, 2);HeapPush(&heap, 17);HeapPush(&heap, 16);HeapPush(&heap, 18);HeapPush(&heap, 111);HeapPush(&heap, 21);HeapPush(&heap, 14);HeapPush(&heap, 61);//堆删除HeapPop(&heap);HeapPop(&heap);HeapPop(&heap);HeapPop(&heap);//根据自己需求观察堆内数据(大堆)int k = 0;scanf("%d", &k);while (!HeapEmpty(&heap) && k--){printf("%d ", HeapTop(&heap));HeapPop(&heap);}printf("\n");return 0;
}

五、堆的应用

1. 优先队列

堆是实现优先队列的理想数据结构。在优先队列中,每个元素都有一个优先级,出队顺序是按照优先级的高低来进行的。最大堆可以用于实现一个最大优先队列,而最小堆则可以用于实现一个最小优先队列。


2. 堆排序

  • 堆排序是一种基于堆的比较排序算法。它的基本思想是先将待排序序列构造成一个大顶堆,此时整个序列的最大值就是堆顶的元素。然后将其与末尾元素交换,此时末尾就为最大值。然后将剩余n-1个元素重新构造成一个堆,这样会得到n个元素的次小值。如此反复执行,便能得到一个有序序列了。

堆排序的具体步骤如下:

  • 构建最大堆(Build Max Heap):将待排序序列构造成一个大顶堆。
    交换堆顶元素与末尾元素(Swap and Reduce Heap Size):将当前堆顶元素(最大值)与末尾元素交换,并将堆的大小减1。
    重新调整堆(Heapify):对新的堆顶元素进行调整,使其满足堆的性质。
    重复步骤2和3,直到堆的大小为1。

具体代码实现如下:

 
#include <stdio.h>
#include <stdlib.h>// Function to swap two elements
void swap(int* a, int* b) {int t = *a;*a = *b;*b = t;
}// Function to heapify a subtree rooted with node i which is an index in arr[]
void heapify(int arr[], int n, int i) {int largest = i; // Initialize largest as rootint left = 2 * i + 1; // left = 2*i + 1int right = 2 * i + 2; // right = 2*i + 2// See if left child of root exists and is greater than rootif (left < n && arr[left] > arr[largest])largest = left;// See if right child of root exists and is greater than rootif (right < n && arr[right] > arr[largest])largest = right;// Change root, if neededif (largest != i) {swap(&arr[i], &arr[largest]);// Heapify the root.heapify(arr, n, largest);}
}// Main function to do heap sort
void heapSort(int arr[], int n) {// Build heap (rearrange array)for (int i = n / 2 - 1; i >= 0; i--)heapify(arr, n, i);// One by one extract an element from heapfor (int i = n - 1; i >= 0; i--) {// Move current root to endswap(&arr[0], &arr[i]);// call max heapify on the reduced heapheapify(arr, i, 0);}
}// A utility function to print array of size n
void printArray(int arr[], int n) {for (int i = 0; i < n; ++i)printf("%d ", arr[i]);printf("
");
}// Driver program to test above functions
int main() {int arr[] = {12, 11, 13, 5, 6, 7};int n = sizeof(arr) / sizeof(arr[0]);printf("Unsorted array: 
");printArray(arr, n);heapSort(arr, n);printf("Sorted array: 
");printArray(arr, n);return 0;
}

3.Top K问题

(1)定义与背景
  • 定义:给定一个数据集,要求找出其中前K个最大(或小)的元素。
  • 背景:该问题在多个领域有广泛应用,如搜索引擎优化、电商推荐系统、异常检测等。在这些场景中,通常需要快速地从大量数据中提取出最重要的信息。

(2)应用场景
  1. 搜索引擎:根据用户输入的关键词,返回最相关的Top K个网页链接。这些链接通常是根据页面的相关性、权威性、用户点击率等因素综合评定的。
  2. 电商推荐:为用户提供前K个最热门或最符合其偏好的商品推荐。这有助于提升用户体验和销售转化率。
  3. 排行榜:在体育比赛、学术排名、企业榜单等领域,使用Top K来列出表现最佳的前几名。
  4. 异常检测:在金融风控、网络安全等领域,通过分析数据中的Top K异常值,及时发现潜在的风险和威胁。
  5. 科学研究:在生物信息学、物理学等领域,通过分析Top K的数据,可以发现关键的科学问题或现象。
  6. 社会媒体分析:分析社交媒体上的热门话题、影响力人物等,为公关策略和市场营销提供依据。
  7. 教育评估:在学校和教育机构中,通过分析学生的成绩分布,识别出表现优异的学生或需要额外关注的学生群体。

(3)实现方法
  1. 排序法:对整个数据集进行排序,然后选取前K个元素。这种方法简单直观,但当数据集非常大时,排序过程可能会非常耗时,时间复杂度为O(nlogn)。
  2. 堆排序:使用最小堆(Min-Heap)或最大堆(Max-Heap)来维护当前的前K大(或小)元素。当遍历到新的元素时,如果它大于(或小于)堆顶元素,则替换堆顶并调整堆。最终,堆中的元素即为所求的前K大(或小)元素。这种方法的时间复杂度为O(nlogk),适合处理大规模数据。
    • 初始化一个大小为K的堆。
    • 如果堆的大小小于K,直接插入新元素。
    • 如果堆的大小等于K,且当前元素大于(对于找前K大)或小于(对于找前K小)堆顶元素,则替换堆顶并调整堆。
    • 遍历完成后,堆中的元素即为所求。
  3. 快速选择(QuickSelect):这是一种基于快速排序的选择算法,可以在平均O(n)时间内找到第K大的元素,进而得到Top K。不过,其最坏情况下的时间复杂度仍为O(n^2)。
  4. 计数排序和桶排序:对于特定范围的数据,可以使用这两种排序方法来高效地找到Top K。它们通过将数据分配到不同的桶或计数数组中,然后统计每个桶或数组中的元素数量来找到Top K。
  5. 近似算法:在一些对精度要求不高的场景下,可以使用近似算法来快速得到Top K。例如,Min-Hash算法可以用于频繁项集挖掘。

(4)算法优化与挑战
  • 优化:在实际应用中,可以通过多种方式来优化Top K算法的性能。例如,利用并行计算能力加速数据处理;使用高效的内存管理机制减少内存消耗;结合数据的特性选择合适的算法和数据结构等。
  • 挑战:在处理大数据时,Top K算法面临的主要挑战包括计算效率和存储空间。随着数据量的增加,传统的排序方法会变得非常低效,而且可能需要大量的内存来存储中间结果。因此,需要采用更加高效的算法和数据结构来解决这些问题。

综上所述,Top K问题是一个具有广泛应用背景和重要价值的问题。通过理解和掌握其相关知识,可以更好地分析和理解数据,提高决策效率和质量。

代码实现:

#define  _CRT_SECURE_NO_WARNINGS
//TOP-k问题
//想要找出N个数据中最大(小)的K个:最简单的思路就是排序,但排序在数据量很大的时候效率低下且有可能无法全部加载进内存。最好的办法就是用堆的办法。
//用堆也有两种思路:(1)把N个数据全部建大(小)堆,然后再top后popK次-----不足:数据只能全部在内存上,在数据量很大时数据可能无法全部加载进内存;
//(2)把前K个数据建小(大)堆,然后再使剩余的N-K个数据依次与堆顶进行比较,比它大就取代,再向下调整。到最后剩下的数据就是最大(小)的K个。
#include<stdio.h>
#include<assert.h>
#include<time.h>
#include<stdlib.h>//对调数据
void Swap(int* ptr1, int* ptr2) {int temp = *ptr1;*ptr1 = *ptr2;*ptr2 = temp;
}//向上调整(使用条件:除了child对应的数据,其他的构成堆)
void AdjustUp(int* a, int child) {assert(a);int parent = (child - 1) / 2;while (child > 0) {if (a[child] > a[parent]) {Swap(&a[child], &a[parent]);}else {break;}child = parent;parent = (child - 1) / 2;}
}//向下调整(使用条件:左右子树都是大堆或小堆)
void AdjustDown(int* a, int size, int parent) {assert(a);int bigchild = parent * 2 + 1;				//先假设大孩子是左孩子while (bigchild < size) {//先找到真正数值大(小)的孩子的下标if (bigchild + 1 < size && a[bigchild] > a[bigchild + 1])			//小堆后面的'<'改成'>'{++bigchild;}if (a[bigchild] < a[parent]) {										//小堆'>'改成'<'Swap(&a[bigchild], &a[parent]);parent = bigchild;bigchild = parent * 2 + 1;				//还是先假设大孩子是左孩子}else {break;}}
}//造数据
void Cratedata(int n) {srand(time(0));				//生成随机数FILE* fin = fopen("data.txt", "w");if (NULL == fin) {perror("fopen error");return;}while (n--) {int data = rand() % 10000;fprintf(fin,"%d\n", data);}fclose(fin);
}//Top-K(第二种解决办法)
void Top_k(int n, int k) {//1.读取前K个数据并建堆//打开文件FILE* fout = fopen("data.txt", "r");if (NULL == fout){perror("fopen error");return;}//申请空间存储读取的K个数据int* a = (int*)malloc(sizeof(int) * k);assert(a);for (int i = 0; i < k; i++) {fscanf(fout, "%d", &a[i]);}//把这K个数据进行建堆----找最大,建小堆(向下调整)----可以防止数据的进入堆不受阻for (int i = (k - 1 - 1) / 2; i > 0; --i) {AdjustDown(a, k, i);}//2.然后再使剩余的N-K个数据依次与堆顶进行比较,比它大就取代,再向下调整。到最后剩下的数据就是最大(小)的K个。int data = 0;while (fscanf(fout, "%d", &data) != EOF) {if (data > a[0]) {a[0] = data;AdjustDown(a, k, 0);}}fclose(fout);for (int i = 0; i < 10; i++) {printf("%d ", a[i]);}
}void Test() {//Cratedata(100);Top_k(100, 10);
}int main() {Test();return 0;
}

六、总结

  • 堆是一种非常重要的数据结构,它在计算机科学中有着广泛的应用。通过理解堆的基本概念、存储表示和基本操作,我们可以更好地掌握堆的使用方法和应用场景。同时,堆排序作为一种高效的比较排序算法,也值得我们深入学习和掌握。希望本文能够帮助大家更好地理解C语言中的数据结构——堆。

快乐的时光总是短暂,咱们下篇博文再见啦!!!不要忘了,给小编点点赞和收藏支持一下,在此非常感谢!!!

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/67744.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

《自动驾驶与机器人中的SLAM技术》ch8:基于预积分和图优化的紧耦合 LIO 系统

目录 1 预积分 LIO 系统的经验 2 预积分图优化的顶点 3 预积分图优化的边 3.1 NDT 残差边&#xff08;观测值维度为 3 维的单元边&#xff09; 4 基于预积分和图优化 LIO 系统的实现 4.1 IMU 静止初始化 4.2 使用预积分预测 4.3 使用 IMU 预测位姿进行运动补偿 4.4 位姿配准部…

软件测试—— 接口测试(HTTP和HTTPS)

软件测试—— 接口测试&#xff08;HTTP和HTTPS&#xff09; HTTP请求方法GET特点使用场景URL结构URL组成部分URL编码总结 POST特点使用场景请求结构示例 请求标头和响应标头请求标头&#xff08;Request Headers&#xff09;示例请求标头 响应标头&#xff08;Response Header…

【Excel超实用,VLOOKUP函数,通过excel数据精准匹配,将一个excel文件的某列数据,用另一个excel文件快速填充】

1、使用背景 如下图1所示&#xff0c;1.xlsx文件&#xff0c;有两列数据&#xff0c;一列序号&#xff0c;一列内容&#xff0c; 我现在需要将第二列的内容快速完成填充&#xff0c;并且有相应的excel模板作为参照。 图1 如图2所示&#xff0c;2.xlsx是模板文件&#xff0c;序…

FastExcel 新一代的潮流 (EasyExcel)

目录 简介 FastExcel的特点 FastExcel使用方法详解 创建实体类和监听器 实现写入和读取功能 Excel转换为PDF 小结 FastExcel与EasyExcel的区别 结论 简介 FastExcel是由原EasyExcel作者在阿里巴巴宣布停止维护EasyExcel之后推出的升级版框架。它继承了EasyExcel的所有…

Transformer详解:Attention机制原理

前言 Hello&#xff0c;大家好&#xff0c;我是GISer Liu&#x1f601;&#xff0c;一名热爱AI技术的GIS开发者&#xff0c;本系列文章是作者参加DataWhale2025年1月份学习赛&#xff0c;旨在讲解Transformer模型的理论和实践。&#x1f632; 本文将详细探讨Attention机制的原理…

Android 11适配全攻略:从理论到实践

随着Google正式发布Android 11&#xff0c;开发者们迎来了新的挑战和机遇。Android 11不仅带来了全新的用户体验和功能提升&#xff0c;还要求开发者们对应用进行相应的适配&#xff0c;以确保应用的兼容性和稳定性。本文将从理论到实践&#xff0c;全面解析Android 11的适配攻…

python程序跑起来后,然后引用的数据文件发生了更新,python读取的数据会发生变化吗

在 Python 程序运行过程中&#xff0c;如果引用的数据文件被更新&#xff0c;程序能否读取到更新后的数据&#xff0c;取决于以下几个因素&#xff1a; 1. 是否动态读取文件 如果 Python 程序在运行过程中动态读取文件&#xff08;例如通过循环或定时机制反复打开文件读取&…

PyTorch使用教程(14)-如何正确地选择损失函数?

在机器学习和深度学习的广阔领域中&#xff0c;损失函数&#xff08;Loss Function&#xff09;扮演着至关重要的角色。它不仅是衡量模型预测结果与实际数据之间差异的关键指标&#xff0c;还是指导模型优化方向、影响最终性能的核心要素。选择合适的损失函数&#xff0c;对于提…

P1825 [USACO11OPEN] Corn Maze S 刷题笔记

P1825 [USACO11OPEN] Corn Maze S - 洛谷 | 计算机科学教育新生态 定义状态空间 结构体 精简代码 遇到多种情况判断不要全写进check里面 分开写 传送门是大写字母 A-z 其acll码值 是 65-90 我们将传送门代表的字母-65 就可以将其值映射到 0-26 从而存下相应的传送门坐标…

01设计模式(D3_设计模式类型 - D3_行为型模式)

目录 一、模版方法模式 1. 基本介绍 2. 应用案例一&#xff1a;豆浆制作问题 需求 代码实现 模板方法模式的钩子方法 3. View的draw&#xff08;Android&#xff09; Android中View的draw方法就是使用了模板方法模式 模板方法模式在 Spring 框架应用的源码分析 知识小…

Nginx在Linux中的最小化安装方式

1. 安装依赖 需要安装的东西&#xff1a; wget​&#xff0c;方便我们下载Nginx的包。如果是在Windows下载&#xff0c;然后使用SFTP上传到服务器中&#xff0c;那么可以不安装这个软件包。gcc g​&#xff0c;Nginx是使用C/C开发的服务器&#xff0c;等一下安装会用到其中的…

js截取video视频某一帧为图片

1.代码如下 <template><div class"box"><div class"video-box"><video controls ref"videoRef" preload"true"src"https://qt-minio.ictshop.com.cn:9000/resource-management/2025/01/08/7b96ac9d957c45a…

C++语言的数据库编程

C语言的数据库编程 一、引言 数据库是现代软件应用程序中不可或缺的一部分。随着数据量的不断增长&#xff0c;如何高效地存储、管理和查询数据成为了一个重要的问题。C作为一种高效的编程语言&#xff0c;其在数据库编程中的应用越来越广泛。从嵌入式系统到大型企业级应用&a…

nacos2.3.0 接入pgsql或其他数据库

首先尝试使用官方插件进行扩展&#xff0c;各种报错后放弃&#xff0c;不如自己修改源码吧。 一、官方解决方案 1、nocos 文档地址&#xff1a;Nacos 配置中心简介, Nacos 是什么 | Nacos 官网 2、官方解答&#xff1a;nacos支持postgresql数据库吗 | Nacos 官网 3、源码下载地…

使用 ChatGPT 生成和改进你的论文

文章目录 零、前言一、操作引导二、 生成段落或文章片段三、重写段落四、扩展内容五、生成大纲内容六、提高清晰度和精准度七、解决特定的写作挑战八、感受 零、前言 我是虚竹哥&#xff0c;目标是带十万人玩转ChatGPT。 ChatGPT 是一个非常有用的工具&#xff0c;可以帮助你…

【Elasticsearch 】 聚合分析:聚合概述

&#x1f9d1; 博主简介&#xff1a;CSDN博客专家&#xff0c;历代文学网&#xff08;PC端可以访问&#xff1a;https://literature.sinhy.com/#/?__c1000&#xff0c;移动端可微信小程序搜索“历代文学”&#xff09;总架构师&#xff0c;15年工作经验&#xff0c;精通Java编…

pyautogui自动化鼠标键盘操作

pyautogui&#xff0c;用来写自动化脚本&#xff0c;比按键精灵更方便。pyautogui.position()可以获取当前鼠标位置。pyautogui不支持中文输入&#xff0c;利用 pyperclip从剪切板粘贴输入。 # -*- coding: utf-8 -*- import time import os import traceback import logging …

python matplotlib绘图,显示和保存没有标题栏和菜单栏的图像

目录 1. 使用plt.savefig保存无边框图形 2. 显示在屏幕上&#xff0c;并且去掉窗口的标题栏和工具栏 3. 通过配置 matplotlib 的 backend 和使用 Tkinter&#xff08;或其他图形库&#xff09; 方法 1&#xff1a;使用 TkAgg 后端&#xff0c;并禁用窗口的工具栏和标题栏 …

使用 Blazor 和 Elsa Workflows 作为引擎的工作流系统开发

开发一个完整的工作流系统使用 Blazor 和 Elsa Workflows 作为引擎&#xff0c;可以实现一个功能强大的工作流管理和设计系统。下面将提供详细的步骤和代码实现&#xff0c;展示如何在 Blazor 中开发一个基于 Elsa Workflows 的工作流系统。 项目概述 我们的工作流系统将包含以…

深入探索Python人脸识别技术:从原理到实践

一、引言在当今数字化时代,人脸识别技术已然成为了计算机视觉领域的璀璨明星,广泛且深入地融入到我们生活的各个角落。从门禁系统的安全守护,到金融支付的便捷认证,再到安防监控的敏锐洞察,它的身影无处不在,以其高效、精准的特性,极大地提升了我们生活的便利性与安全性…