Python酷库之旅-第三方库Pandas(052)

目录

一、用法精讲

191、pandas.Series.drop方法

191-1、语法

191-2、参数

191-3、功能

191-4、返回值

191-5、说明

191-6、用法

191-6-1、数据准备

191-6-2、代码示例

191-6-3、结果输出

192、pandas.Series.droplevel方法

192-1、语法

192-2、参数

192-3、功能

192-4、返回值

192-5、说明

192-6、用法

192-6-1、数据准备

192-6-2、代码示例

192-6-3、结果输出

193、pandas.Series.drop_duplicates方法

193-1、语法

193-2、参数

193-3、功能

193-4、返回值

193-5、说明

193-6、用法

193-6-1、数据准备

193-6-2、代码示例

193-6-3、结果输出

194、pandas.Series.duplicated方法

194-1、语法

194-2、参数

194-3、功能

194-4、返回值

194-5、说明

194-6、用法

194-6-1、数据准备

194-6-2、代码示例

194-6-3、结果输出

195、pandas.Series.equals方法

195-1、语法

195-2、参数

195-3、功能

195-4、返回值

195-5、说明

195-6、用法

195-6-1、数据准备

195-6-2、代码示例

195-6-3、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

191、pandas.Series.drop方法
191-1、语法
# 191、pandas.Series.drop方法
pandas.Series.drop(labels=None, *, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise')
Return Series with specified index labels removed.Remove elements of a Series based on specifying the index labels. When using a multi-index, labels on different levels can be removed by specifying the level.Parameters:
labels
single label or list-like
Index labels to drop.axis
{0 or ‘index’}
Unused. Parameter needed for compatibility with DataFrame.index
single label or list-like
Redundant for application on Series, but ‘index’ can be used instead of ‘labels’.columns
single label or list-like
No change is made to the Series; use ‘index’ or ‘labels’ instead.level
int or level name, optional
For MultiIndex, level for which the labels will be removed.inplace
bool, default False
If True, do operation inplace and return None.errors
{‘ignore’, ‘raise’}, default ‘raise’
If ‘ignore’, suppress error and only existing labels are dropped.Returns:
Series or None
Series with specified index labels removed or None if inplace=True.Raises:
KeyError
If none of the labels are found in the index.
191-2、参数

191-2-1、labels(可选，默认值为None)：单个标签(标量)或标签列表(可迭代对象)，表示要删除的标签或标签列表，可以传入一个或多个标签。

191-2-2、axis(可选，默认值为0)：整数或标签，表示轴，可以是0(行)或1(列)，在Series中通常只适用0。

191-2-3、index(可选，默认值为None)：单个标签或标签列表，替代labels参数使用，用于指定要删除的索引。

191-2-4、columns(可选，默认值为None)：单个标签或标签列表，在Series上不适用，但在DataFrame中使用，指定要删除的列。

191-2-5、level(可选，默认值为None)：整数或标签，用于多级索引的情况下，指定要移除的层级。

191-2-6、inplace(可选，默认值为False)：布尔值，如果为True，则在原地修改Series并返回None；如果为False，则返回一个新的Series。

191-2-7、errors(可选，默认值为'raise')：'raise'或'ignore'，如果设置为'raise'，当要删除的标签不存在时会引发错误。如果设置为'ignore'，则发生错误时不会显式抛出异常。

191-3、功能

        用于从一个Series中删除指定的索引标签(或多个标签)，以便进行数据清洗或选择。

191-4、返回值

        返回一个新的Series对象，其中包含了原Series中除了指定删除元素外的所有数据。如果任何指定的标签在原Series中不存在，则会引发KeyError。

191-5、说明

191-5-1、如果尝试删除不存在的标签，并且errors参数未设置为'ignore'，将会引发KeyError。

191-5-2、drop方法返回的对象与原对象是不同的，如果不希望保留原始对象(原始数据未改变)，可以直接使用返回值。

191-6、用法
191-6-1、数据准备
无
191-6-2、代码示例
# 191、pandas.Series.drop方法
# 191-1、数据清洗-删除无效交易记录
import pandas as pd
# 假设这是交易数据的一个Series
transactions = pd.Series([100, 200, None, 300, 400], index=['t1', 't2', 't3', 't4', 't5'])
# 删除无效的交易记录(即缺失值)
cleaned_trans = transactions.drop(labels=['t3'])
print("清洗后的交易数据:")
print(cleaned_trans, end='\n\n')# 191-2、特征选择-移除不需要的特征
import pandas as pd
# 假设这是一个特征Series
features = pd.Series([1, 2, 3, 4, 5], index=['feat1', 'feat2', 'feat3', 'feat4', 'feat5'])
# 移除不需要的特征
selected_features = features.drop(labels=['feat4', 'feat5'])
print("选择后的特征:")
print(selected_features, end='\n\n')# 191-3、处理缺失数据
import pandas as pd
# 假设这是包含缺失值的Series
data_with_nan = pd.Series([None, 1, 2, None, 3, 4], index=['a', 'b', 'c', 'd', 'e', 'f'])
# 删除包含缺失值的记录
cleaned_data = data_with_nan.dropna()
print("处理后的数据:")
print(cleaned_data, end='\n\n')# 191-4、维度约简-简化数据结构
import pandas as pd
# 假设这是多维数据的Series
multi_index_series = pd.Series([10, 20, 30, 40], index=pd.MultiIndex.from_tuples([('A', 1), ('A', 2), ('B', 1), ('B', 2)]))
# 移除某个维度的数据
reduced_data = multi_index_series.drop(labels=('B', 2))
print("维度约简后的数据:")
print(reduced_data, end='\n\n')# 191-5、数据转换前的准备
import pandas as pd
# 假设这是原始数据
raw_data = pd.Series([10, 20, 30, 40, 50], index=['item1', 'item2', 'item3', 'item4', 'item5'])
# 假设我们要删除一些不需要的项
prepped_data = raw_data.drop(labels=['item4', 'item5'])
print("转换前的准备数据:")
print(prepped_data, end='\n\n')# 191-6、数据透视-移除不需要的维度
import pandas as pd
# 创建一个多重索引的Series
pivot_data = pd.Series([100, 200, 300], index=pd.MultiIndex.from_tuples([('group1', 'A'), ('group1', 'B'), ('group2', 'A')]))
# 移除某个维度的数据
pivot_reduced = pivot_data.drop(labels=('group1', 'B'))
print("数据透视后的数据:")
print(pivot_reduced)
191-6-3、结果输出
# 191、pandas.Series.drop方法
# 191-1、数据清洗-删除无效交易记录
# 清洗后的交易数据:
# t1    100.0
# t2    200.0
# t4    300.0
# t5    400.0
# dtype: float64# 191-2、特征选择-移除不需要的特征
# 选择后的特征:
# feat1    1
# feat2    2
# feat3    3
# dtype: int64# 191-3、处理缺失数据
# 处理后的数据:
# b    1.0
# c    2.0
# e    3.0
# f    4.0
# dtype: float64# 191-4、维度约简-简化数据结构
# 维度约简后的数据:
# A  1    10
#    2    20
# B  1    30
# dtype: int64# 191-5、数据转换前的准备
# 转换前的准备数据:
# item1    10
# item2    20
# item3    30
# dtype: int64# 191-6、数据透视-移除不需要的维度
# 数据透视后的数据:
# group1  A    100
# group2  A    300
# dtype: int64
192、pandas.Series.droplevel方法
192-1、语法
# 192、pandas.Series.droplevel方法
pandas.Series.droplevel(level, axis=0)
Return Series/DataFrame with requested index / column level(s) removed.Parameters:
levelint, str, or list-like
If a string is given, must be the name of a level If list-like, elements must be names or positional indexes of levels.axis{0 or ‘index’, 1 or ‘columns’}, default 0
Axis along which the level(s) is removed:0 or ‘index’: remove level(s) in column.1 or ‘columns’: remove level(s) in row.For Series this parameter is unused and defaults to 0.Returns:
Series/DataFrame
Series/DataFrame with requested index / column level(s) removed.
192-2、参数

192-2-1、level(必须)：整数或标签，指定要删除的索引级别，可以是级别的整数位置(如0, 1, 2 等)或级别的标签名称(如'level_name')。

192-2-2、axis(可选，默认值为0)：整数或标签，表示轴，可以是0(行)或1(列)，在Series中通常只适用0。

192-3、功能

        用于从具有多级索引的Series中删除一个级别的索引，该方法适用于多层索引的场景，能够简化数据的访问和处理。

192-4、返回值

        返回一个新的Series对象，其中指定的索引级别已删除，原始的Series对象不会被修改。

192-5、说明

192-5-1、如果Series只有一个级别，则droplevel方法可能会引发ValueError。

192-5-2、使用该方法后返回的新Series对象的索引级别会减少，可能会影响实际的数据组织方式，因此在使用前应确认需要删除的级别是否合适。

192-6、用法
192-6-1、数据准备
无
192-6-2、代码示例
# 192、pandas.Series.droplevel方法
import pandas as pd
# 创建一个具有多级索引的Series
index = pd.MultiIndex.from_tuples([('A', 1), ('A', 2), ('B', 1), ('B', 2)], names=['letters', 'numbers'])
data = pd.Series([10, 20, 30, 40], index=index)
# 显示原始Series
print("原始Series:")
print(data)
# 删除索引级别'letters'
result = data.droplevel('letters')
print("\n删除'letters'级别后的Series:")
print(result)
# 可以通过级别的整数位置删除
result_by_index = data.droplevel(0)
print("\n通过索引位置删除后的Series:")
print(result_by_index)
192-6-3、结果输出
# 192、pandas.Series.droplevel方法
# 原始Series:
# letters  numbers
# A        1          10
#          2          20
# B        1          30
#          2          40
# dtype: int64
# 
# 删除'letters'级别后的Series:
# numbers
# 1    10
# 2    20
# 1    30
# 2    40
# dtype: int64
# 
# 通过索引位置删除后的Series:
# numbers
# 1    10
# 2    20
# 1    30
# 2    40
# dtype: int64
193、pandas.Series.drop_duplicates方法
193-1、语法
# 193、pandas.Series.drop_duplicates方法
pandas.Series.drop_duplicates(*, keep='first', inplace=False, ignore_index=False)
Return Series with duplicate values removed.Parameters:
keep{‘first’, ‘last’, False}, default ‘first’
Method to handle dropping duplicates:‘first’ : Drop duplicates except for the first occurrence.‘last’ : Drop duplicates except for the last occurrence.False : Drop all duplicates.inplacebool, default False
If True, performs operation inplace and returns None.ignore_indexbool, default False
If True, the resulting axis will be labeled 0, 1, …, n - 1.New in version 2.0.0.Returns:
Series or None
Series with duplicates dropped or None if inplace=True.
193-2、参数

193-2-1、keep(可选，默认值为'first')：控制保留哪个重复项，可选值有：

193-2-1-1、'first'(默认)：保留第一次出现的重复项。

193-2-1-2、'last'：保留最后一次出现的重复项。

193-2-1-3、False：删除所有重复项。

193-2-2、inplace(可选，默认值为False)：布尔值，如果设置为True，则在原地修改Series，而不是返回新对象。

193-2-3、ignore_index(可选，默认值为False)：布尔值，如果设置为True，返回的Series的索引将被重置为默认整数索引。

193-3、功能

        用于从Series中删除重复的值，并根据指定的参数控制保留的重复项，该方法非常有用，可以帮助你清理数据，保留唯一的条目。

193-4、返回值

        返回一个经过处理的Series对象，其重复项已经根据指定的参数被移除，若inplace=True，则原始Series会被修改，不会返回新对象。

193-5、说明

193-5-1、调用drop_duplicates方法时，如果数据的顺序很重要，确保选择合理的keep参数。

193-5-2、使用inplace=True时，Series将被修改，注意保存原始数据的副本以防需要回退。

193-5-3、当ignore_index=True时，返回的新Series将不保留原始索引。

193-6、用法
193-6-1、数据准备
无
193-6-2、代码示例
# 193、pandas.Series.drop_duplicates方法
import pandas as pd
# 创建一个Series
data = pd.Series([3, 5, 6, 8, 10, 10, 11, 24])
# 显示原始Series
print("原始Series:")
print(data)
# 删除重复项，保留第一次出现
result_first = data.drop_duplicates(keep='first')
print("\n删除重复项(保留第一次):")
print(result_first)
# 删除重复项，保留最后一次出现
result_last = data.drop_duplicates(keep='last')
print("\n删除重复项(保留最后一次):")
print(result_last)
# 删除所有重复项
result_none = data.drop_duplicates(keep=False)
print("\n删除所有重复项:")
print(result_none)
# 原地删除重复项
data.drop_duplicates(inplace=True)
print("\n原地删除重复项后的Series:")
print(data)
193-6-3、结果输出
# 193、pandas.Series.drop_duplicates方法
# 原始Series:
# 0     3
# 1     5
# 2     6
# 3     8
# 4    10
# 5    10
# 6    11
# 7    24
# dtype: int64
# 
# 删除重复项(保留第一次):
# 0     3
# 1     5
# 2     6
# 3     8
# 4    10
# 6    11
# 7    24
# dtype: int64
# 
# 删除重复项(保留最后一次):
# 0     3
# 1     5
# 2     6
# 3     8
# 5    10
# 6    11
# 7    24
# dtype: int64
# 
# 删除所有重复项:
# 0     3
# 1     5
# 2     6
# 3     8
# 6    11
# 7    24
# dtype: int64
# 
# 原地删除重复项后的Series:
# 0     3
# 1     5
# 2     6
# 3     8
# 4    10
# 6    11
# 7    24
# dtype: int64
194、pandas.Series.duplicated方法
194-1、语法
# 194、pandas.Series.duplicated方法
pandas.Series.duplicated(keep='first')
Indicate duplicate Series values.Duplicated values are indicated as True values in the resulting Series. Either all duplicates, all except the first or all except the last occurrence of duplicates can be indicated.Parameters:
keep
{‘first’, ‘last’, False}, default ‘first’
Method to handle dropping duplicates:‘first’ : Mark duplicates as True except for the first occurrence.‘last’ : Mark duplicates as True except for the last occurrence.False : Mark all duplicates as True.Returns:
Series[bool]
Series indicating whether each value has occurred in the preceding values.
194-2、参数

194-2-1、keep(可选，默认值为'first')：参数控制如何标识重复项，其可能取值如下：

194-2-1-1、'first'(默认值)：标识除第一次出现的所有后续重复项为True，第一次出现的标识为False。例如，在序列[1, 2, 2, 3]中，第二个2会被标识为重复(True)，而第一个2会被标识为不重复(False)。

194-2-1-2、'last'：标识除最后一次出现的所有前置重复项为True，最后一次出现的标识为False。例如，在序列[1, 2, 2, 3]中，第一个 2 会被标识为重复(True)，而第二个 2 会被标识为不重复(False)。

194-2-1-3、False：标识所有的重复项为True，无论它们在系列中的位置。例如，在序列[1, 2, 2, 3]中，两个2都会被标识为重复(True)。

194-3、功能

        用于检测一个Pandas Series对象中的重复项，并返回一个布尔值的Series，以标识哪些元素是重复的。

194-4、返回值

        返回一个布尔值Series，表示每个元素是否为重复项，第一个出现的元素(取决于keep参数的取值)标记为False，后续的重复元素标记为True。

194-5、说明

        无

194-6、用法
194-6-1、数据准备
无
194-6-2、代码示例
# 194、pandas.Series.duplicated方法
import pandas as pd
# 创建一个示例系列
data = pd.Series([1, 2, 2, 3, 4, 4, 5, None, None])
# 使用keep='first'查找重复项，保持第一次出现
duplicated_first = data.duplicated(keep='first')
print("Keep='first':\n", duplicated_first)
# 使用keep='last'查找重复项，保持最后一次出现
duplicated_last = data.duplicated(keep='last')
print("\nKeep='last':\n", duplicated_last)
# 使用keep=False查找重复项，标记所有重复项
duplicated_all = data.duplicated(keep=False)
print("\nKeep=False:\n", duplicated_all)
194-6-3、结果输出
# 194、pandas.Series.duplicated方法
# Keep='first':
#  0    False
# 1    False
# 2     True
# 3    False
# 4    False
# 5     True
# 6    False
# 7    False
# 8     True
# dtype: bool
# 
# Keep='last':
#  0    False
# 1     True
# 2    False
# 3    False
# 4     True
# 5    False
# 6    False
# 7     True
# 8    False
# dtype: bool
# 
# Keep=False:
#  0    False
# 1     True
# 2     True
# 3    False
# 4     True
# 5     True
# 6    False
# 7     True
# 8     True
# dtype: bool
195、pandas.Series.equals方法
195-1、语法
# 195、pandas.Series.equals方法
pandas.Series.equals(other)
Test whether two objects contain the same elements.This function allows two Series or DataFrames to be compared against each other to see if they have the same shape and elements. NaNs in the same location are considered equal.The row/column index do not need to have the same type, as long as the values are considered equal. Corresponding columns and index must be of the same dtype.Parameters:
other
Series or DataFrame
The other Series or DataFrame to be compared with the first.Returns:
bool
True if all elements are the same in both objects, False otherwise.
195-2、参数

195-2-1、other(必须)：需要比较的另一个Series对象。

195-3、功能

        用于比较两个Series对象是否相等，它比较两个Series的元素、索引和值类型，以确定它们是否完全相同。

195-4、返回值

        返回一个布尔值，如果两个Series对象完全相等，则返回True；否则，返回False。

195-5、说明

195-5-1、该方法不仅比较Series的元素，还比较索引和元素的数据类型。

195-5-2、NaN值被认为是相等的，这与标准的NaN比较规则不同(通常NaN不等于NaN)。

195-6、用法
195-6-1、数据准备
无
195-6-2、代码示例
# 195、pandas.Series.equals方法
import pandas as pd
import numpy as np
# 创建两个示例系列
data1 = pd.Series([1, 2, 3, np.nan])
data2 = pd.Series([1, 2, 3, np.nan])
data3 = pd.Series([1, 2, 3, 4])
data4 = pd.Series([1, 2, 3, 4], index=[0, 1, 2, 3])
data5 = pd.Series([1, 2, 3, 4], index=[1, 2, 3, 4])
# 比较两个相等的系列
result1 = data1.equals(data2)
print("data1.equals(data2):", result1)
# 比较两个不相等的系列（值不同）
result2 = data1.equals(data3)
print("data1.equals(data3):", result2)
# 比较两个不相等的系列（索引不同）
result3 = data4.equals(data5)
print("data4.equals(data5):", result3)
# 比较一个系列与自己
result4 = data1.equals(data1)
print("data1.equals(data1):", result4)
195-6-3、结果输出
# 195、pandas.Series.equals方法
# data1.equals(data2): True
# data1.equals(data3): False
# data4.equals(data5): False
# data1.equals(data1): True

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/web/50334.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# 介绍

C# 介绍

文章目录 一. 一个简单的helloworld二. 程序结构三. 类型和变量四. 表达式1. f(x)2. []3. typeof4. default5. new6. checked和unchecked7. sizeof8. 移位9. is和as10. null合并 五. 语句六. 类和对象1. 可访问性2. 类型参数3. 基类和派生类4. 字段5. 方法6. 参数7. 扩展方法&a…
阅读更多...
53.综合实验：UART接收图像、写入RAM、通过TFT显示

53.综合实验：UART接收图像、写入RAM、通过TFT显示

（1）设计定义：UART_RX模块接收数据，通过写入逻辑写入RAM存储器中，然后通过读取逻辑，从RAM中读出数据，发送给TFT显示屏。 （2）FPGA逻辑资源有限，因此设置128 * 1…
阅读更多...
新生报到系统2024((代码+论文+ppt)

新生报到系统2024((代码+论文+ppt)

下载在最后 技术栈: ssmmysqljsp 展示: 下载地址: CSDN现在上传有问题,有兴趣的朋友先收藏.正常了贴上下载地址 备注:
阅读更多...
docker安装部署elasticsearch7.15.2

docker安装部署elasticsearch7.15.2

docker安装部署elasticsearch7.15.2 1.拉取es镜像 docker pull docker.elastic.co/elasticsearch/elasticsearch:7.15.2如果不想下载或者镜像拉去太慢可以直接下载文章上面的镜像压缩包 使用镜像解压命令 docker load -i elasticsearch-7-15-2.tar如下图所示就表示镜像解压成…
阅读更多...
Qt+OpenCascade开发笔记（二）：windows开发环境搭建（二）：Qt引入occ库，搭建基础工程模板Demo和发布Demo

Qt+OpenCascade开发笔记（二）：windows开发环境搭建（二）：Qt引入occ库，搭建基础工程模板Demo和发布Demo

若该文为原创文章，转载请注明原文出处 本文章博客地址：https://hpzwl.blog.csdn.net/article/details/140763014 长沙红胖子Qt（长沙创微智科）博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV…
阅读更多...
51单片机嵌入式开发：19、STC89C52R控制LCD1602码表+数码管+后台数显（串口）

51单片机嵌入式开发：19、STC89C52R控制LCD1602码表+数码管+后台数显（串口）

STC89C52R控制LCD1602码表数码管后台数显（串口） 1 概述1.1 项目概述1.2 项目组成部分1.3 功能描述 2 开发环境2.1 支持设备2.2 硬件电路 3 软件代码工程4 演示4.1 Proteus仿真4.2 实物演示 5 总结 1 概述 1.1 项目概述 本项目旨在利用STC89C52R单片机实…
阅读更多...
后端笔记（1）--javaweb简介

后端笔记（1）--javaweb简介

1.JavaWeb简介 ​ *用Java技术来解决相关web互联网领域的技术栈 1.网页：展现数据 2.数据库：存储和管理数据 3.JavaWeb程序：逻辑处理 2.mysql 1.初始化Mysql mysqld --initialized-insecure2.注册Mysql服务 mysqld -install3.启动Mysql…
阅读更多...
USB3.0的等长要求到底是多少？

USB3.0的等长要求到底是多少？

USB2.0与USB3.0接口的PCB布局布线要求PCB资源PCB联盟网 - Powered by Discuz! (pcbbar.com) 90欧姆阻抗，走差分线： 重点来了：
阅读更多...
第十九届全国大学生智能汽车竞赛地平线创意组在武汉理工大学隆重开幕

第十九届全国大学生智能汽车竞赛地平线创意组在武汉理工大学隆重开幕

7月27日上午，第十九届全国大学生智能汽车竞赛地平线创意组智慧医疗赛道全国选拔赛开幕式隆重举行，大赛由中国自动化学会、第十九届全国大学生智能汽车竞赛组织委员会主办，武汉理工大学、地平线、古月居承办。首年即吸引来自全国各地280支队伍…
阅读更多...
国内乳品领军企业『君乐宝』SRM一期项目成功上线，企企通助力企业采购数字化再升级，二期项目正式启航！

国内乳品领军企业『君乐宝』SRM一期项目成功上线，企企通助力企业采购数字化再升级，二期项目正式启航！

近日，企企通为君乐宝乳业集团（以下简称“君乐宝”）打造的采购供应链管理系统一期项目成功上线运行，基于双方的信任基础与协作模式将再次携手深化合作，构建全品类、全流程、全场景、全模式的采购数字化管理闭环&#xf…
阅读更多...
如何为 5G 小型基站部署选择振荡器

如何为 5G 小型基站部署选择振荡器

5G 网络频谱频率更高、覆盖范围更短，因此比前几代网络密度更高。超高速 5G 回程 (mmWave) 在很大程度上依赖于小型基站，不仅是为了覆盖范围，也是为了速度。除此之外，O-RAN 联盟等举措为 RAN 生态系统提供了更多选择，但…
阅读更多...
Scrapy + Django爬虫可视化项目实战（一）

Scrapy + Django爬虫可视化项目实战（一）

目录 一、项目介绍 (一) 项目背景 (二) 项目介绍 二、系统实现 (一) 爬虫 1. 实现步骤 一、爬取字段 二、分析页面 三、具体实现 2. 爬虫结果 系列文章 Python升级打怪—Django入门 Python升级打怪—Scrapy零基础小白入门 实现技术 ScrapyDjangoEcharts 一、项目…
阅读更多...
CSS（五）——CSS Fonts(字体）

CSS（五）——CSS Fonts(字体）

CSS 字体 CSS字体属性定义字体，加粗，大小，文字样式。 CSS字型 在CSS中，有两种类型的字体系列名称： 通用字体系列 - 拥有相似外观的字体系统组合（如 "Serif" 或 "Monospace"&#x…
阅读更多...
黑马程序员2024最新SpringCloud微服务开发与实战 个人学习心得、踩坑、与bug记录Day5 全网最快最全

黑马程序员2024最新SpringCloud微服务开发与实战 个人学习心得、踩坑、与bug记录Day5 全网最快最全

你好,我是Qiuner. 为帮助别人少走弯路和记录自己编程学习过程而写博客 这是我的 github https://github.com/Qiuner ⭐️ gitee https://gitee.com/Qiuner 🌹 如果本篇文章帮到了你 不妨点个赞吧~ 我会很高兴的 😄 (^ ~ ^) 想看更多 那就点个关注吧 我会…
阅读更多...
hadoop学习（一)

hadoop学习（一)

一.hadoop概述 1.1hadoop优势 1）高可靠性：Hadoop底层维护多个数据副本，即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。 2）高扩展性：在集群间分配任务数据，可方便扩展数以千计…
阅读更多...
SPSS个人版是什么软件

SPSS个人版是什么软件

SPSS是一款数据统计、分析软件，它由IBM公司出品，这款软件平台提供了文本分析、大量的机器学习算法、数据分析模型、高级统计分析功能等，软件易学且功能非常强大，可以使用SPSS制作图表，例如柱状、饼状、折线等图表&…
阅读更多...
【Drools】（一）基于业务需求动态生成 DRT 规则模板：事实与动作定义详解

【Drools】（一）基于业务需求动态生成 DRT 规则模板：事实与动作定义详解

（一）基于业务需求动态生成 DRT 规则模板：事实与动作定义详解 背景 在业务规则管理中，DRT 文件（Drools Rule Template）用于定义和重用规则模板，这些模板可以动态地根据实际业务需求进行填充和生…
阅读更多...
Android 10.0 Launcher 启动流程

Android 10.0 Launcher 启动流程

在前面SystemUI启动流程中说到，在SystemServer中会去启动各种系统服务，这里的launcher也是启动的其中一个服务ActivityManagerService去启动的。在android10之前，系统四大组件的启动都是在ActivityManagerService中，在android10中…
阅读更多...
前端创建仓库的详细步骤

前端创建仓库的详细步骤

第一步点击号新建仓库 第二步输入完仓库名称路径会自己出来然后点击创建 第三步在自己创建的文件夹右键点击GIt Bash Here 第四步把我框的这些一个一个的输在Git Bash Here中每输入一个回车一个 第五步全部输入完以后CtrlF5自动刷新下就好了 然后文件夹就会有.git了
阅读更多...
机器视觉12-相机

机器视觉12-相机

相机 作用: 工业相机 是 机器视觉系统 的重要组成部分 最本质的功能就是通过CCD或CMOS成 像传感器将镜头产生的光信号转变为 有序的电信号，并将这些信息通过相 应接口传送到计算机主机 工业相机分类 目前业内没有对相机进行明确的分类定义， 以下分类是…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023