python科学数据包-初识pandas
2024-06-30 04:17:24
文章目录
- 1.pandas课程介绍
- 2.ipython开发环境搭建
- 3.numpy简介
- 4.pandas快速入门（一）
- pandas快速入门（二）
- pandas快速入门（三）
- 7.实例：MovieLens 电影数据分析
- 8.实例：MovieLens 电影数据分析（续）
- 9.pandas 核心数据结构
- 10.pandas 核心数据结构（续）
- 11.pandas 基础运算
1.pandas课程介绍
什么是pandas
pandas 是python环境下最有名的数据统计包，它非常像 Excel，提供了分析数据的功能。它提供了两个数据类型 Series 和 DataFrame。
pandas能做什么
结构化数据分析
课程内容
ipython介绍
pandas快速入门
pandas核心数据结构和基础运算
pandas高级内容
数据可视化
实例
课程目标
会使用pandas进行简单的数据分析
2.ipython开发环境搭建
参考该博客即可：https://blog.csdn.net/DawnRanger/article/details/48866365?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-3
3.numpy简介
import numpy as np
a=np.array([[1,2,3],[4,5,6]])
b=range(10)
c=np.arange(5,15)
d=np.arange(10)
e=a.reshape(3,2)
f=np.ones((2,3,3))
g=np.arange(100,step=10)
h=g[2]
i=g[2:]
print('a:',a,'\n','b:',b,'\n','c:',c,'\n','d:',d,'\n','e:',e,'\n','f:',f,'\n','g:',g,'\n','h:',h,'\n','i:',i)
print('_____________________________________________________________')
j=np.arange(16).reshape(4,4)
k=j[1]
l=j[1:3]
m=j[:,2:4]
n=j[1:3,2:4]
o=j[[1,3],[2,2]]
p,q=j[1,2],j[3,3]
r=j>10
s=j[r]
print('j:',j,'\n','k:',k,'\n','l:',l,'\n','m:',m,'\n','n:',n,'\n','o:',o,'\n','p:',p,'\n','q:',q,'\n','r:',r,'\n','s:',s)
print('_____________________________________________________________')
t=j[j>10]
u=j[j%2==0]
v=np.arange(1,5).reshape(2,2)
w=np.arange(5,9).reshape(2,2)
x=v+w
y=v*w
z=v.dot(w)
print('t:',t,'\n','u:',u,'\n','v:',v,'\n','w:',w,'\n','x:',x,'\n','y:',y,'\n','z:',z)
'''
运行结果
a: [[1 2 3][4 5 6]] b: range(0, 10) c: [ 5 6 7 8 9 10 11 12 13 14] d: [0 1 2 3 4 5 6 7 8 9] e: [[1 2][3 4][5 6]] f: [[[ 1. 1. 1.][ 1. 1. 1.][ 1. 1. 1.]][[ 1. 1. 1.][ 1. 1. 1.][ 1. 1. 1.]]] g: [ 0 10 20 30 40 50 60 70 80 90] h: 20 i: [20 30 40 50 60 70 80 90]
_____________________________________________________________
j: [[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11][12 13 14 15]] k: [4 5 6 7] l: [[ 4 5 6 7][ 8 9 10 11]] m: [[ 2 3][ 6 7][10 11][14 15]] n: [[ 6 7][10 11]] o: [ 6 14] p: 6 q: 15 r: [[False False False False][False False False False][False False False True][ True True True True]] s: [11 12 13 14 15]
_____________________________________________________________
t: [11 12 13 14 15] u: [ 0 2 4 6 8 10 12 14] v: [[1 2][3 4]] w: [[5 6][7 8]] x: [[ 6 8][10 12]] y: [[ 5 12][21 32]] z: [[19 22][43 50]]
'''
4.pandas快速入门（一）
import pandas as pd
import numpy as np
a=pd.Series([1,3,5,np.NaN,8,4])#创建Series数据
b=pd.date_range('20200507',periods=6)#创建日期数据
c=pd.DataFrame(np.random.randn(6,4),index=b,columns=list('ABCD'))#创建dataframe数据
d={'A':1,'B':pd.Timestamp('20200507'),'C':range(4),'D':np.arange(4)}
e=pd.DataFrame(d)#根据字典创建dataframe数据
f=e.dtypes#返回数据类型
g=e.A#返回A列数据
h=e.B#返回B列数据
i=e.head()#返回前几行数据，默认五行
j=e.tail()#返回倒数几行数据，默认五行
k=e.index#行标签
l=e.index#列标签
print('a:',a,'\n','______________','\n','b:',b,'\n','______________','\n','c:',c,'\n','______________','\n','d:',d,'\n','______________','\n','e:',e,'\n','______________','\n','f:',f,'\n','______________','\n','g:',g,'\n','______________','\n','h:',h,'\n','______________','\n','i:',i,'\n','______________','\n','j:',j,'\n','______________','\n','k:',k,'\n','______________','\n','l:',l,'\n','______________','\n',)
m=e.describe()#f的各种数据的描述
n=e.T#转置
print(e)
o=e.sort_index(axis=0,ascending=False)#列标签降序排序
p=e['A']#A列排序
#DataFrame的loc方法是帮助选择数据的，比如选择索引位置为0的一行数据（注意我们是用dates作为索引的）
q=e.loc['20200508':'20200510']#按行标签选择
r=e.loc[:,['A','C']]#按行和列标签选择
s=e[e>0]#选取表中大于0的元素
#DataFrame数据框允许我们使用iloc方法来像操作array（数组）一样对DataFrame进行切片操作，其形式上，跟对数组进行切片是一样的
t=e.iloc[:,[1,3]]
e.B=200#修改元素B列
e.iloc[:,2:4]#修改子表元素
print('m:',m,'\n','______________','\n','n:',n,'\n','______________','\n','o:',o,'\n','______________','\n','p:',p,'\n','______________','\n','q:',q,'\n','______________','\n','r:',r,'\n','______________','\n','s:',s,'\n','______________','\n','t:',t,'\n','______________','\n','e:',e)
'''
运行结果
a: 0 1.0
1 3.0
2 5.0
3 NaN
4 8.0
5 4.0
dtype: float64 ______________ b: DatetimeIndex(['2020-05-07', '2020-05-08', '2020-05-09', '2020-05-10','2020-05-11', '2020-05-12'],dtype='datetime64[ns]', freq='D') ______________ c: A B C D
2020-05-07 0.311543 -0.082666 0.924050 1.477414
2020-05-08 -1.131805 0.865119 -0.716186 0.219056
2020-05-09 -0.555966 -0.124749 1.488843 1.194666
2020-05-10 -0.451080 -0.979333 -1.709324 -0.113792
2020-05-11 0.398288 -0.483292 0.116533 -0.969372
2020-05-12 0.178899 -0.429515 -0.916258 0.243992 ______________ d: {'A': 1, 'B': Timestamp('2020-05-07 00:00:00'), 'C': range(0, 4), 'D': array([0, 1, 2, 3])} ______________ e: A B C D
0 1 2020-05-07 0 0
1 1 2020-05-07 1 1
2 1 2020-05-07 2 2
3 1 2020-05-07 3 3 ______________ f: A int64
B datetime64[ns]
C int32
D int32
dtype: object ______________ g: 0 1
1 1
2 1
3 1
Name: A, dtype: int64 ______________ h: 0 2020-05-07
1 2020-05-07
2 2020-05-07
3 2020-05-07
Name: B, dtype: datetime64[ns] ______________ i: A B C D
0 1 2020-05-07 0 0
1 1 2020-05-07 1 1
2 1 2020-05-07 2 2
3 1 2020-05-07 3 3 ______________ j: A B C D
0 1 2020-05-07 0 0
1 1 2020-05-07 1 1
2 1 2020-05-07 2 2
3 1 2020-05-07 3 3 ______________ k: RangeIndex(start=0, stop=4, step=1) ______________ l: RangeIndex(start=0, stop=4, step=1) ______________ A B C D
0 1 2020-05-07 0 0
1 1 2020-05-07 1 1
2 1 2020-05-07 2 2
3 1 2020-05-07 3 3
m: A C D
count 4.0 4.000000 4.000000
mean 1.0 1.500000 1.500000
std 0.0 1.290994 1.290994
min 1.0 0.000000 0.000000
25% 1.0 0.750000 0.750000
50% 1.0 1.500000 1.500000
75% 1.0 2.250000 2.250000
max 1.0 3.000000 3.000000 ______________ n: 0 1 2 \
A 1 1 1
B 2020-05-07 00:00:00 2020-05-07 00:00:00 2020-05-07 00:00:00
C 0 1 2
D 0 1 2 3
A 1
B 2020-05-07 00:00:00
C 3
D 3 ______________ o: A B C D
3 1 2020-05-07 3 3
2 1 2020-05-07 2 2
1 1 2020-05-07 1 1
0 1 2020-05-07 0 0 ______________ p: 0 1
1 1
2 1
3 1
Name: A, dtype: int64 ______________ q: Empty DataFrame
Columns: [A, B, C, D]
Index: [] ______________ r: A C
0 1 0
1 1 1
2 1 2
3 1 3 ______________ s: A B C D
0 1 2020-05-07 NaN NaN
1 1 2020-05-07 1.0 1.0
2 1 2020-05-07 2.0 2.0
3 1 2020-05-07 3.0 3.0 ______________ t: B D
0 2020-05-07 0
1 2020-05-07 1
2 2020-05-07 2
3 2020-05-07 3 ______________ e: A B C D
0 1 200 0 0
1 1 200 1 1
2 1 200 2 2
3 1 200 3 3
'''
import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.randn(6,4),columns=list('ABCD'))
#通过布尔索引完成的筛选数据
a=df[df.D>0]#筛选D列数据中大于0的行
b=df[(df.D>0)&(df.C>0)]#筛选D列数据中大于0且C列数据中小于的行
c=df[['A','B']][(df.D>0)&(df.C>0)]#只需要A和B列数据，而D和C列数据都是用于筛选的
alist=[0.051312,0.654564,0.123135]
d=df['D'].isin(alist)#查看D列中是否存在alist中的值
print('a:',a,'\n','______________','\n','b:',b,'\n','______________','\n','c:',c,'\n','______________','\n','d:',d,'\n','______________','\n')
pandas快速入门（二）
使用jupyter进行操作,%matplotlib inline可以直接生成表格
本单元主要学习内容，是根据pandas各种方法实现
**
- 处理丢失数据
- 数据运算
- 数据合并
- 数据分组
**
# %matplotlib inline
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
dates=pd.date_range('20200507',periods=6)
df=pd.DataFrame(np.random.randn(6,4),index=dates,columns=list('ABCD'))
print(df)
'''
运行结果A B C D
2020-05-07 0.363980 -0.382298 0.378075 2.247585
2020-05-08 0.538731 -0.861282 -0.578067 0.163687
2020-05-09 -0.778318 -0.689559 -1.131059 -1.428594
2020-05-10 -1.141363 2.219472 -1.656231 -1.217820
2020-05-11 -0.094511 -0.121862 0.103443 2.838505
2020-05-12 1.263840 -0.232635 -1.677991 -0.609847
'''
pandas快速入门（三）
本单元主要学习内容，是根据pandas各种方法实现
- 数据整形
- 数据透视
- 时间序列
- 数据可视化
# %matplotlib inline
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
tuples=list(zip(*[['bar','bar','baz','baz','foo','foo','qux','qux'],['one','two','one','two','one','two','one','two']]))
index=pd.MultiIndex.from_tuples(tuples,names=['first','second'])
df=pd.DataFrame(np.random.randn(8,2),index=index,columns=['A','B'])
print(tuples,index,df,sep=('\n'+'________________'+'\n'))
'''
运行结果
[('bar', 'one'), ('bar', 'two'), ('baz', 'one'), ('baz', 'two'), ('foo', 'one'), ('foo', 'two'), ('qux', 'one'), ('qux', 'two')]
________________
MultiIndex(levels=[['bar', 'baz', 'foo', 'qux'], ['one', 'two']],labels=[[0, 0, 1, 1, 2, 2, 3, 3], [0, 1, 0, 1, 0, 1, 0, 1]],names=['first', 'second'])
________________A B
first second
bar one 0.425901 2.404225two 0.246681 -1.343732
baz one -0.700777 -0.975630two 1.994023 0.345906
foo one -0.146203 -0.836873two -0.051473 0.159613
qux one 2.241274 0.506070two 0.447710 -0.472121Process finished with exit code 0'''
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
7.实例：MovieLens 电影数据分析
需要先下载ml-lm/users.dat
import pandas as pd
unames=['user_id','gender','age','occupation','zip']#根据内容建表
users=pd.read_table('ml-lm/users.dat',sep='::',header=None)
print(len(users))
print(users.head(5))
rating_names = ['user_id', 'movie_id', 'rating', 'timestamp']#根据内容建表
ratings = pd.read_table('ml-1m/ratings.dat', sep='::', header=None, names=rating_names, engine='python')
movie_names = ['movie_id', 'title', 'genres']#根据内容建表
movies = pd.read_table('ml-1m/movies.dat', sep='::', header=None, names=movie_names, engine='python')
data = pd.merge(pd.merge(users, ratings), movies)#把表拼起来
data[data.user_id == 1]
mean_ratings_gender = data.pivot_table(values='rating', index='title', columns='gender', aggfunc='mean')#数据透视，按性别分析数据
mean_ratings_gender.head(5)
8.实例：MovieLens 电影数据分析（续）
import pandas as pd
unames=['user_id','gender','age','occupation','zip']
users=pd.read_table('ml-lm/users.dat',sep='::',header=None)
print(len(users))
print(users.head(5))
rating_names = ['user_id', 'movie_id', 'rating', 'timestamp']
ratings = pd.read_table('ml-1m/ratings.dat', sep='::', header=None, names=rating_names, engine='python')
movie_names = ['movie_id', 'title', 'genres']
movies = pd.read_table('ml-1m/movies.dat', sep='::', header=None, names=movie_names, engine='python')
data = pd.merge(pd.merge(users, ratings), movies)
data[data.user_id == 1]
mean_ratings_gender = data.pivot_table(values='rating', index='title', columns='gender', aggfunc='mean')
mean_ratings_gender.head(5)
ratings_by_movie_title = data.groupby('title').size()#按title进行分组，然后看电影总评分
ratings_by_movie_title.head(5)
top_ratings = ratings_by_movie_title[ratings_by_movie_title > 1000]
top_10_ratings = top_ratings.sort_values(ascending=False).head(10)#参与评分人数最多的电影
mean_ratings = data.pivot_table(values='rating', index='title', aggfunc='mean')#每部电影平均得分
mean_ratings[top_10_ratings.index]#前十大热门电影评分
9.pandas 核心数据结构
import pandas as pd
import numpy as np
'''Series 是**一维带标签的数组**，数组里可以放任意的数据（整数，浮点数，字符串，Python Object）。其基本的创建函数是：
s = pd.Series(data, index=index)
其中 index 是一个列表，用来作为数据的标签。data 可以是不同的数据类型：'''
s1 = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])#从字典创建
s2 = pd.Series(np.random.randn(5))
d = {'a' : 0., 'b' : 1., 'd' : 3}
s3 = pd.Series(d, index=list('abcd'))# 空值的默认处理
s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
s['d']=3#用字典的方式赋值
s1 = pd.Series(np.random.randn(3), index=['a', 'c', 'e'])
s2 = pd.Series(np.random.randn(3), index=['a', 'd', 'e'])
print('{0}\\n\\n{1}'.format(s1, s2))
print(s1+s2)#自动对齐进行运算
'''
DataFrame 是**二维带行标签和列标签的数组**。可以把 DataFrame 想你成一个 Excel 表格或一个 SQL 数据库的表格，
还可以相像成是一个 Series 对象字典。它是 Pandas 里最常用的数据结构。
创建 DataFrame 的基本格式是：
df = pd.DataFrame(data, index=index, columns=columns)
其中 index 是行标签，columns 是列标签，data 可以是下面的数据：由一维 numpy 数组，list，Series 构成的字典,* 二维 numpy 数组,
一个 Series,另外的 DataFrame 对象
'''
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
pd.DataFrame(d)#从字典创建
print(d)
pd.DataFrame(d, index=['d', 'b', 'a']) #从字典创建
data = [(1, 2.2, 'Hello'), (2, 3., "World")]#从列表创建
pd.DataFrame(data)
data = [{'a': 1, 'b': 2}, {'a': 5, 'b': 10, 'c': 20}]#从字典列表创建
pd.DataFrame(data)
d = {('a', 'b'): {('A', 'B'): 1, ('A', 'C'): 2},('a', 'a'): {('A', 'C'): 3, ('A', 'B'): 4},('a', 'c'): {('A', 'B'): 5, ('A', 'C'): 6},('b', 'a'): {('A', 'C'): 7, ('A', 'B'): 8},('b', 'b'): {('A', 'D'): 9, ('A', 'B'): 10}}
pd.DataFrame(data)#从复杂结构创建
s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
pd.DataFrame(s)# 从 Series 创建
10.pandas 核心数据结构（续）
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(10, 4), columns=['one', 'two', 'three', 'four'])
df['three'] = df['one'] + df['two']# 列选择/增加/删除
df.insert(1, 'bar', df['one'])# 指定插入位置
df.assign(Ratio=df['one']/df['two'])# 使用 assign() 方法来插入新列
df = pd.DataFrame(np.random.randint(1, 10, (6, 4)), index=list('abcdef'), columns=list('ABCD'))
df[1:4]#切片
'''DataFrame 在进行数据计算时，会自动按行和列进行数据对齐。最终的计算结果会合并两个 DataFrame'''
df1 = pd.DataFrame(np.random.randn(10, 4), index=list('abcdefghij'), columns=['A', 'B', 'C', 'D'])
df2 = pd.DataFrame(np.random.randn(7, 3), index=list('cdefghi'), columns=['A', 'B', 'C'])
df1 + df2
df1 - df1.iloc[0]# 数据对齐
np.asarray(df) == df.values
'''
Panel 是三维带标签的数组。实际上，Pandas 的名称由来就是由 Panel 演进的，即 pan(el)-da(ta)-s。Panel 比较少用，
但依然是最重要的基础数据结构之一。
items: 坐标轴 0，索引对应的元素是一个 DataFrame
major_axis: 坐标轴 1, DataFrame 里的行标签
minor_axis: 坐标轴 2, DataFrame 里的列标签
'''
data = {'Item1' : pd.DataFrame(np.random.randn(4, 3)),'Item2' : pd.DataFrame(np.random.randn(4, 2))}
pn = pd.Panel(data)#根据Panel创建
11.pandas 基础运算
import pandas as pd
import numpy as nps = pd.Series([1, 3, 5, 6, 8], index=list('acefh'))
s.reindex(list('abcdefgh'), method='ffill')# 重新索引
df = pd.DataFrame(np.random.randn(4, 6), index=list('ADFH'), columns=['one', 'two', 'three', 'four', 'five', 'six'])# DataFrame
df2 = df.reindex(index=list('ABCDEFGH'))
df.loc['A']['one'] = 100
df.reindex(columns=['one', 'three', 'five', 'seven'])
df.reindex(columns=['one', 'three', 'five', 'seven'], fill_value=0)
df.reindex(columns=['one', 'three', 'five', 'seven'], method='ffill')# fill method 只对行有效
df.reindex(index=list('ABCDEFGH'), method='ffill')
df = pd.DataFrame(np.random.randn(4, 6), index=list('ABCD'), columns=['one', 'two', 'three', 'four', 'five', 'six'])
df.drop('A')# 丢弃部分数据
df2 = df.drop(['two', 'four'], axis=1)
df.iloc[0, 0] = 100
print(df2)# 数据拷贝
df = pd.DataFrame(np.arange(12).reshape(4, 3), index=['one', 'two', 'three', 'four'], columns=list('ABC'))
df.loc['one']
print(df - df.loc['one']) # 广播运算
'''
函数计算时
apply: 将数据按行或列进行计算
applymap: 将数据按元素为进行计算
'''
df = pd.DataFrame(np.arange(12).reshape(4, 3), index=['one', 'two', 'three', 'four'], columns=list('ABC'))
df.apply(lambda x: x.max() - x.min())# 每一列作为一个 Series 作为参数传递给 lambda 函数
df.apply(lambda x: x.max() - x.min(), axis=1)# 每一行作为一个 Series 作为参数传递给 lambda 函数
def min_max(x):# 返回多个值组成的 Seriesreturn pd.Series([x.min(), x.max()], index=['min', 'max'])
df.apply(min_max, axis=1)
df = pd.DataFrame(np.random.randn(4, 3), index=['one', 'two', 'three', 'four'], columns=list('ABC'))# applymap: 逐元素运算
formater = '{0:.02f}'.format
formater = lambda x: '%.02f' % x
df.applymap(formater)
df = pd.DataFrame(np.random.randint(1, 10, (4, 3)), index=list('ABCD'), columns=['one', 'two', 'three'])
df.sort_values(by='one')# 排序
s = pd.Series([3, 6, 2, 6, 4])# 排序
s.rank(method='first', ascending=False)# 排名
s = pd.Series(list('abbcdabacad'))
s.unique()# 值只返回一次
python科学数据包-初识pandas相关推荐
- numpy 创建加一行_数据科学|可视化图解Python科学计算包Numpy
文章申明 文章作者:梁斌伟 责任编辑:郭德真 微信编辑:玖蓁 本文转载自公众号 实战统计学 (ID:statrcn) 原文链接:可视化图解Python科学计算包NumPy 作者:梁斌伟 编者按: 你真 ...
- python构造数据包库_scapy构造数据包
一.进入scapy交互界面 在终端下输入:scapy ,进入交互界面: 二.查看scapy已经实现的网络协议 ls() 列出scapy中已实现的网络协议 ls(协议类型) 查看某个协议头部字段格式 l ...
- 机器学习——科学数据包（九）注释、文字、Tex公式、工具栏、区域填充、形状、样式、极坐标
机器学习--科学数据包(九)注释.文字.Tex公式.工具栏.区域填充.形状.样式.极坐标 注释 plt.annotate('this is the bottom',xy=(0,1),xytext=(0 ...
- Python数据分析实战基础 | 初识Pandas
这是Python数据分析实战基础的第一篇内容,主要是和Pandas来个简单的邂逅.已经熟练掌握Pandas的同学,可以加快手速滑动浏览或者直接略过本文. 01 重要的前言 这段时间和一些做数据分析的 ...
- mac安装python虚拟环境_详解Mac配置虚拟环境Virtualenv，安装Python科学计算包
最近正在自学Python做科学计算,当然在很多书籍和公开课里最先做的就是安装Numpy, Scipy, Matplotlib等包,不过每次安装单独的包时,都会有各种问题导致安装失败或者调用失败. 比如 ...
- 详解NumPy库，强大的Python科学计算包
今天来详解一个 Python 库 -- NumPy. NumPy是 Python 科学计算的基本包,几乎所有用 Python 工作的科学家都利用了NumPy的强大功能.此外,它也广泛应用在开源的项目中 ...
- python提取数据包中的文件_Python-对Pcap文件进行处理，获取指定TCP流
通过对TCP/IP协议的学习,本人写了一个可以实现对PCAP文件中的IPV4下的TCP流提取,以及提取指定的TCP流,鉴于为了学习,没有采用第三方包解析pcap,而是对bytes流进行解析,其核心思想 ...
- python拦截数据包_使用Python进行TCP数据包注入（伪造）
数据包注入是对已经建立的网络连接通过构建任意协议(TCP...UDP...)然后用原始套接字发送的方式进行妨碍的过程,这种方法被广泛使用在网络渗透测试中,比如DDOS,端口扫描等. 一个数据包由IP头 ...
- python分析数据包_Python解析pcap数据包
Post Views: 29,789 零.前言 历时数月,终于结束了考研初试,Blog也很长时间没有更新了,期间还是有些小伙伴来Blog看文章很是感动.以后一定会坚持更新,尽量给大家推送一些干货.这次 ...
最新文章
- 输电线路巡检机器人PPT_超高压输电线路巡检机器人系统
- LeetCode Reverse Linked List II
- 一个自己写的PHP模板引擎
- 【转】SAP的标准委外采购中都有哪些坑
- [阅读笔记] Java 7 新特性
- aliyun折腾记录
- （软件工程复习核心重点）第九章软件项目管理
- 《Oracle高性能自动化运维》一一第1章 Linux下的Oracle
- C#中如何跨窗体传值
- 如何快速提交网站备案 ICP备案
- 腾达路由器linux开发,Tenda无线路由器远程命令执行后门漏洞
- Google Chrome谷歌浏览器清除缓存以及清除Cookie快捷键
- 【DG】物理DG中LNSn、NSS、NSA进程
- 学习笔记（2):程序员的数学：微积分-常用导数（二）：最常用到的技巧
- gin-binding参数效验
- java ppt 转pdf_Java 将PPT转为PNG/PDF/SVG/PPTX
- 【Pytorch】rgb转lab颜色空间转换
- Google Chrome即将开始警告—停止支持Flash Player
- UOJ#414. 【APIO2018】新家
- Docker 安装配置Crowd
热门文章
- 关于CSDN中IP变化的提醒
- 数据库开发及ADO.NET(6)——新增 - Inert into Table(col,col2...)values(data1,data2...)
- MYSQL:Inert、IGNORE、REPLACE INTO的功能与用法
- 闲鱼卖书上架难，那是你不知道这个bug……
- Linux shell判断cpu架构
- EOJ Monthly 2019.5 (based on May Selection) B. 幂运算
- MacOS ping命令 ｜MacOS测试服务器连接｜Mac ping服务器端口
- Protecting World Leaders Against Deep Fakes(CVPR 2020)
- 刷卡门禁或PN532刷卡门禁
- （C语言）BinarySearch二分搜索/折半查找 --- 递归、非递归