第一篇【传奇开心果系列】Python的自动化办公库技术点案例示例：深度解读Pandas库

传奇开心果博文系列

  • 系列博文目录
    • Python的自动化办公库技术点案例示例系列
  • 博文目录
    • 前言
    • 一、主要特点和功能介绍
    • 二、Series 示例代码
    • 三、DataFrame示例代码
    • 四、数据导入/导出示例代码
    • 五、数据清洗示例代码
    • 六、数据选择和过滤示例代码
    • 七、数据合并和连接示例代码
    • 八、数据分组和聚合示例代码
    • 九、数据转换示例代码
    • 十、时间序列数据处理示例代码
    • 十一、高效处理大型数据集示例代码
    • 十二、支持向量化操作示例代码
    • 十三、数据分析和可视化示例代码
    • 十四、社区支持举例说明
    • 十五、归纳总结

系列博文目录

Python的自动化办公库技术点案例示例系列

博文目录

前言

在这里插入图片描述
在这里插入图片描述Pandas是一个流行的Python数据处理库，提供了易于使用的数据结构和数据分析工具，使得在Python中进行数据清洗、数据分析和数据处理变得更加简单和高效。

一、主要特点和功能介绍

在这里插入图片描述
在这里插入图片描述以下是Pandas的一些主要特点和功能：

  1. 数据结构：
    -Series：类似于一维数组，可以存储不同类型的数据，并带有标签（索引）。
    -DataFrame：类似于二维表格，由多个Series组成，每列可以是不同的数据类型。

  2. 数据操作：
    -数据导入/导出：Pandas支持从各种数据源中导入数据，如CSV文件、Excel表格、数据库等，并可以将处理后的数据导出。
    -数据清洗：处理缺失数据、重复数据、异常值等。
    -数据选择和过滤：通过标签或位置选择数据，进行数据筛选和过滤。
    -数据合并和连接：合并多个数据集，支持不同类型的连接操作。
    -数据分组和聚合：按照指定的条件对数据进行分组，并进行聚合操作，如求和、平均值等。
    -数据转换：对数据进行排序、重塑、透视等操作。
    -时间序列数据处理：提供了强大的时间序列数据处理功能。

  3. 性能优势：
    -Pandas基于NumPy构建，能够高效处理大型数据集。
    -支持向量化操作，避免了使用显式循环，提高了数据处理的效率。

  4. 灵活性：
    -可以与其他Python库（如NumPy、Matplotlib等）结合使用，实现更复杂的数据分析和可视化任务。

  5. 社区支持：
    -Pandas拥有庞大的社区支持和活跃的开发者社区，提供了丰富的文档、教程和示例，便于学习和使用。

总的来说，Pandas是一个功能强大且灵活的数据处理工具，适用于各种数据分析和数据处理任务。如果你需要进行数据清洗、数据分析或数据处理，Pandas通常是一个很好的选择。

二、Series 示例代码

在这里插入图片描述
在这里插入图片描述当创建一个Pandas Series 对象时，你可以传入一个包含数据的列表或数组，并可以选择性地指定索引。以下是一个简单的示例代码，演示如何创建一个包含不同类型数据并具有标签索引的 Pandas Series：

import pandas as pd

# 创建一个包含不同类型数据的 Pandas Series
data = [10, 'Hello', 3.5, True]
index = ['A', 'B', 'C', 'D']

# 使用数据列表和索引列表创建 Series 对象
series = pd.Series(data, index=index)

# 打印 Series 对象
print(series)

在这个示例中，我们创建了一个包含整数、字符串、浮点数和布尔值的 Pandas Series，每个值都有一个对应的标签索引。运行这段代码后，你将看到类似以下输出：

A       10
B    Hello
C      3.5
D     True
dtype: object

这个 Series 包含了不同类型的数据，并且每个数据都与一个索引标签相关联。这使得在 Pandas 中处理数据时更加灵活和方便。

三、DataFrame示例代码

在这里插入图片描述
在这里插入图片描述当创建一个 Pandas DataFrame 时，你可以传入一个字典，其中键是列名，值是列数据（可以是列表、数组或 Series）。以下是一个简单的示例代码，演示如何创建一个包含不同数据类型的 Pandas DataFrame，每列可以是不同的数据类型：

import pandas as pd

# 创建一个包含不同数据类型的 Pandas DataFrame
data = {
    'A': [1, 2, 3, 4],
    'B': ['apple', 'banana', 'cherry', 'date'],
    'C': [2.5, 3.7, 1.2, 4.9],
    'D': [True, False, True, False]
}

# 使用字典创建 DataFrame 对象
df = pd.DataFrame(data)

# 打印 DataFrame 对象
print(df)

在这个示例中，我们创建了一个包含整数、字符串、浮点数和布尔值的 Pandas DataFrame。每列的数据类型可以是不同的，这是 Pandas DataFrame 的一个重要特性。运行这段代码后，你将看到类似以下输出：

   A       B    C      D
0  1   apple  2.5   True
1  2  banana  3.7  False
2  3  cherry  1.2   True
3  4    date  4.9  False

这个 DataFrame 包含了四列数据，每列可以是不同的数据类型，类似于一个二维表格。Pandas DataFrame 提供了强大的数据操作功能，使得数据分析和处理变得更加简单和高效。

四、数据导入/导出示例代码

在这里插入图片描述
在这里插入图片描述Pandas 提供了丰富的功能来导入和导出数据，包括从 CSV 文件、Excel 表格、数据库等数据源中导入数据，并将处理后的数据导出到各种格式。以下是一些示例代码，演示如何使用 Pandas 进行数据导入和导出：

  1. 从 CSV 文件导入数据并将处理后的数据导出到 CSV 文件：
import pandas as pd

# 从 CSV 文件导入数据
df = pd.read_csv('data.csv')

# 处理数据...

# 将处理后的数据导出到 CSV 文件
df.to_csv('processed_data.csv', index=False)
  1. 从 Excel 表格导入数据并将处理后的数据导出到 Excel 文件：
import pandas as pd

# 从 Excel 表格导入数据
df = pd.read_excel('data.xlsx')

# 处理数据...

# 将处理后的数据导出到 Excel 文件
df.to_excel('processed_data.xlsx', index=False)
  1. 从数据库导入数据并将处理后的数据导出到数据库表：
import pandas as pd
import sqlite3

# 连接到 SQLite 数据库
conn = sqlite3.connect('database.db')

# 从数据库表导入数据
query = "SELECT * FROM table"
df = pd.read_sql_query(query, conn)

# 处理数据...

# 将处理后的数据导出到数据库表
df.to_sql('processed_table', conn, index=False, if_exists='replace')

通过这些示例代码，你可以了解如何使用 Pandas 从不同数据源中导入数据，并在处理后将数据导出到所需的格式中。Pandas 提供了简单而强大的方法来处理各种数据导入和导出任务，使得数据分析工作更加高效和便捷。

五、数据清洗示例代码

在这里插入图片描述
在这里插入图片描述在数据分析中，数据清洗是一个非常重要的步骤，它包括处理缺失数据、重复数据、异常值等问题。Pandas 提供了丰富的功能来进行数据清洗。以下是一些示例代码，演示如何使用 Pandas 进行数据清洗：

  1. 处理缺失数据：
import pandas as pd

# 创建包含缺失数据的示例 DataFrame
data = {
    'A': [1, 2, None, 4],
    'B': ['apple', 'banana', 'cherry', None],
    'C': [2.5, None, 1.2, 4.9]
}

df = pd.DataFrame(data)

# 检查缺失数据
print(df.isnull())

# 填充缺失数据
df.fillna(0, inplace=True)
  1. 处理重复数据：
import pandas as pd

# 创建包含重复数据的示例 DataFrame
data = {
    'A': [1, 2, 2, 4],
    'B': ['apple', 'banana', 'banana', 'date']
}

df = pd.DataFrame(data)

# 检查重复数据
print(df.duplicated())

# 删除重复数据
df.drop_duplicates(inplace=True)
  1. 处理异常值：
import pandas as pd

# 创建包含异常值的示例 DataFrame
data = {
    'A': [1, 2, 3, 100],
    'B': ['apple', 'banana', 'cherry', 'date']
}

df = pd.DataFrame(data)

# 检查异常值
print(df[df['A'] > 10])

# 替换异常值
df.loc[df['A'] > 10, 'A'] = 10

通过这些示例代码，你可以了解如何使用 Pandas 处理缺失数据、重复数据和异常值。数据清洗是数据分析过程中的关键步骤，有效的数据清洗可以提高数据分析的准确性和可靠性。

六、数据选择和过滤示例代码

在这里插入图片描述

在这里插入图片描述在 Pandas 中，你可以通过标签或位置选择数据，进行数据筛选和过滤。以下是一些示例代码，演示如何使用 Pandas 进行数据选择和过滤：

  1. 通过标签选择数据：
import pandas as pd

# 创建示例 DataFrame
data = {
    'A': [1, 2, 3, 4, 5],
    'B': ['apple', 'banana', 'cherry', 'date', 'elderberry']
}

df = pd.DataFrame(data, index=['X', 'Y', 'Z', 'W', 'V'])

# 通过标签选择单列数据
column_data = df['A']

# 通过标签选择多列数据
multiple_columns_data = df[['A', 'B']]

# 通过标签选择单行数据
row_data = df.loc['Z']

# 通过标签选择多行数据
multiple_rows_data = df.loc[['X', 'Y']]
  1. 通过位置选择数据：
import pandas as pd

# 创建示例 DataFrame
data = {
    'A': [1, 2, 3, 4, 5],
    'B': ['apple', 'banana', 'cherry', 'date', 'elderberry']
}

df = pd.DataFrame(data)

# 通过位置选择单列数据
column_data = df.iloc[:, 0]

# 通过位置选择多列数据
multiple_columns_data = df.iloc[:, [0, 1]]

# 通过位置选择单行数据
row_data = df.iloc[2]

# 通过位置选择多行数据
multiple_rows_data = df.iloc[[0, 1]]

通过这些示例代码，你可以了解如何使用 Pandas 通过标签或位置选择数据，进行数据筛选和过滤。Pandas 提供了灵活的方法来选择和操作数据，使得数据分析工作更加高效和便捷。

七、数据合并和连接示例代码

在这里插入图片描述
在这里插入图片描述在 Pandas 中，你可以使用不同类型的连接操作来合并多个数据集。以下是一些示例代码，演示如何使用 Pandas 进行数据合并和连接：

  1. 使用 pd.concat() 进行数据合并：
import pandas as pd

# 创建示例 DataFrame
data1 = {
    'A': [1, 2, 3],
    'B': ['apple', 'banana', 'cherry']
}

data2 = {
    'A': [4, 5, 6],
    'B': ['date', 'elderberry', 'fig']
}

df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)

# 沿行方向合并两个 DataFrame
result = pd.concat([df1, df2])
  1. 使用 pd.merge() 进行数据连接：
import pandas as pd

# 创建示例 DataFrame
data1 = {
    'key': ['K0', 'K1', 'K2'],
    'A': [1, 2, 3]
}

data2 = {
    'key': ['K0', 'K1', 'K3'],
    'B': ['apple', 'banana', 'cherry']
}

df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)

# 内连接
result_inner = pd.merge(df1, df2, on='key', how='inner')

# 左连接
result_left = pd.merge(df1, df2, on='key', how='left')

# 右连接
result_right = pd.merge(df1, df2, on='key', how='right')

# 外连接
result_outer = pd.merge(df1, df2, on='key', how='outer')

通过这些示例代码，你可以了解如何使用 Pandas 进行数据合并和连接。Pandas 提供了丰富的功能来支持不同类型的连接操作，使得合并多个数据集变得简单和灵活。

八、数据分组和聚合示例代码

在这里插入图片描述
在这里插入图片描述在 Pandas 中，你可以使用数据分组和聚合功能来按照指定的条件对数据进行分组，并进行聚合操作，如求和、平均值等。以下是一些示例代码，演示如何使用 Pandas 进行数据分组和聚合：

import pandas as pd

# 创建示例 DataFrame
data = {
    'Category': ['A', 'B', 'A', 'B', 'A', 'B'],
    'Value': [10, 20, 30, 40, 50, 60]
}

df = pd.DataFrame(data)

# 按照 'Category' 列进行分组，并计算每组的平均值
grouped = df.groupby('Category').mean()

# 按照多列进行分组，并计算每组的总和
grouped_multiple = df.groupby(['Category']).sum()

# 对多列进行分组，并同时计算多个聚合函数
grouped_multiple_functions = df.groupby('Category').agg({'Value': ['sum', 'mean']})

# 对每个分组应用自定义的聚合函数
def custom_aggregation(x):
    return x.max() - x.min()

custom_aggregated = df.groupby('Category').agg({'Value': custom_aggregation})

# 对每个分组应用多个自定义的聚合函数
custom_aggregated_multiple = df.groupby('Category').agg({'Value': [custom_aggregation, 'mean']})

通过这些示例代码，你可以了解如何使用 Pandas 进行数据分组和聚合操作。Pandas 提供了强大的功能来轻松地对数据进行分组和应用各种聚合函数，帮助你更好地理解数据并进行数据分析。

九、数据转换示例代码

在这里插入图片描述
在这里插入图片描述在 Pandas 中，你可以对数据进行各种转换操作，包括排序、重塑、透视等。以下是一些示例代码，演示如何使用 Pandas 进行数据转换：

  1. 数据排序：
import pandas as pd

# 创建示例 DataFrame
data = {
    'A': [3, 2, 1, 4],
    'B': ['apple', 'banana', 'cherry', 'date']
}

df = pd.DataFrame(data)

# 按照 'A' 列进行升序排序
sorted_df = df.sort_values(by='A')
  1. 数据重塑（Pivot）：
import pandas as pd

# 创建示例 DataFrame
data = {
    'A': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'],
    'B': ['one', 'one', 'two', 'two', 'one', 'one'],
    'C': [1, 2, 3, 4, 5, 6]
}

df = pd.DataFrame(data)

# Pivot 操作
pivot_df = df.pivot(index='A', columns='B', values='C')
  1. 数据透视：
import pandas as pd

# 创建示例 DataFrame
data = {
    'A': ['foo', 'foo', 'foo', 'bar', 'bar', 'bar'],
    'B': ['one', 'one', 'two', 'two', 'one', 'one'],
    'C': [1, 2, 3, 4, 5, 6]
}

df = pd.DataFrame(data)

# 数据透视表
pivot_table = df.pivot_table(index='A', columns='B', values='C', aggfunc='sum')

通过这些示例代码，你可以了解如何使用 Pandas 进行数据转换操作，包括排序、重塑和透视等。Pandas 提供了丰富的功能来帮助你对数据进行灵活的转换和分析。

十、时间序列数据处理示例代码

在这里插入图片描述
在这里插入图片描述Pandas 提供了强大的时间序列数据处理功能，可以帮助你轻松处理时间序列数据。以下是一些示例代码，演示如何使用 Pandas 处理时间序列数据：

  1. 创建时间序列数据：
import pandas as pd
import numpy as np

# 创建一个时间范围为一周的时间序列数据
dates = pd.date_range('2024-02-26', periods=7)

# 创建一个 DataFrame，使用时间序列作为索引
df = pd.DataFrame(np.random.randn(7, 3), index=dates, columns=['A', 'B', 'C'])
  1. 时间序列重采样：
# 将时间序列数据按照每月重新采样，并计算每月的平均值
monthly_resampled = df.resample('M').mean()
  1. 移动窗口统计：
# 计算时间序列数据的滚动平均值
rolling_mean = df['A'].rolling(window=3).mean()
  1. 时间序列数据的时区转换：
# 创建一个带有时区信息的时间戳
ts = pd.Timestamp('2024-02-26 08:00', tz='Europe/London')

# 将时区转换为美国纽约时区
ts_ny = ts.tz_convert('America/New_York')

通过这些示例代码，你可以了解如何使用 Pandas 处理时间序列数据，包括创建时间序列数据、重采样、移动窗口统计以及时区转换等操作。Pandas 提供了丰富的功能来支持时间序列数据的处理和分析，让你能够更轻松地处理时间相关的数据。

十一、高效处理大型数据集示例代码

在这里插入图片描述

在这里插入图片描述Pandas 基于 NumPy 构建，能够高效处理大型数据集。以下是一些示例代码，演示如何使用 Pandas 处理大型数据集：

  1. 创建一个大型数据集：
import pandas as pd
import numpy as np

# 创建一个包含100万行和3列的随机数据集
n = 1000000
data = {
    'A': np.random.rand(n),
    'B': np.random.rand(n),
    'C': np.random.rand(n)
}

df = pd.DataFrame(data)
  1. 对大型数据集进行聚合操作：
# 计算每列的平均值
mean_values = df.mean()
  1. 对大型数据集进行筛选操作：
# 筛选出满足条件的行
filtered_data = df[df['A'] > 0.5]
  1. 对大型数据集进行分组和汇总操作：
# 按照 'B' 列进行分组，并计算每组的平均值
grouped_data = df.groupby('B').mean()

通过这些示例代码，你可以看到 Pandas 在处理大型数据集时的高效性。Pandas 提供了优化的数据结构和操作，使得处理大型数据集变得更加简单和高效。无论是数据聚合、筛选、分组还是其他操作，Pandas 都能够快速地处理大规模的数据，为数据分析和处理提供了强大的工具支持。

十二、支持向量化操作示例代码

在这里插入图片描述
在这里插入图片描述Pandas 支持向量化操作，这意味着你可以避免使用显式循环，而是直接对整个数据集执行操作，从而提高数据处理的效率。以下是一些示例代码，演示如何使用 Pandas 进行向量化操作：

  1. 向量化算术操作：
import pandas as pd
import numpy as np

# 创建一个包含随机数据的 DataFrame
df = pd.DataFrame(np.random.randint(0, 10, size=(5, 3)), columns=['A', 'B', 'C'])

# 对整个 DataFrame 执行向量化算术操作
result = df['A'] + df['B'] * df['C']
  1. 向量化函数应用：
# 使用 apply 函数对整列数据应用自定义函数
df['D'] = df['A'].apply(lambda x: x**2)
  1. 向量化条件操作：
# 根据条件对 DataFrame 进行填充
df['E'] = np.where(df['C'] > 5, 'High', 'Low')

通过这些示例代码，你可以看到 Pandas 如何支持向量化操作，从而避免显式循环，提高数据处理的效率。向量化操作利用了底层的 NumPy 数组实现，能够高效地处理大型数据集，使得数据处理变得更加简洁和快速。在实际数据处理过程中，推荐尽可能使用向量化操作，以提高代码的执行效率。

十三、数据分析和可视化示例代码

在这里插入图片描述
在这里插入图片描述当与其他 Python 库（如 NumPy、Matplotlib 等）结合使用时，Pandas 可以实现更复杂的数据分析和可视化任务。以下是一些示例代码，展示了 Pandas 与 NumPy 和 Matplotlib 结合使用的情况：

  1. 结合 NumPy 进行数据处理：
import pandas as pd
import numpy as np

# 创建一个包含随机数据的 DataFrame
df = pd.DataFrame(np.random.randint(0, 10, size=(5, 3)), columns=['A', 'B', 'C'])

# 使用 NumPy 函数对 DataFrame 进行操作
df['D'] = np.sqrt(df['A']**2 + df['B']**2)
  1. 结合 Matplotlib 进行数据可视化：
import matplotlib.pyplot as plt

# 创建一个包含随机数据的 DataFrame
df = pd.DataFrame(np.random.rand(50, 2), columns=['X', 'Y'])

# 绘制散点图
plt.scatter(df['X'], df['Y'])
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Scatter Plot')
plt.show()
  1. 结合 NumPy 和 Matplotlib 进行数据分析和可视化：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 创建一个包含随机数据的 DataFrame
df = pd.DataFrame(np.random.randn(100, 2), columns=['A', 'B'])

# 计算移动平均值
df['MA'] = df['A'].rolling(window=10).mean()

# 绘制折线图
plt.plot(df['A'], label='A')
plt.plot(df['MA'], label='Moving Average')
plt.legend()
plt.xlabel('Index')
plt.ylabel('Value')
plt.title('Moving Average Plot')
plt.show()

通过这些示例代码，你可以看到 Pandas 如何与 NumPy 和 Matplotlib 结合使用，实现更复杂的数据处理和可视化任务。这种结合可以让你充分利用各个库的优势，完成更多样化和复杂度更高的数据分析工作。无论是数据处理、分析还是可视化，这种结合都能为你提供强大的工具支持。

十四、社区支持举例说明

在这里插入图片描述Pandas拥有庞大的社区支持和活跃的开发者社区，提供了丰富的文档、教程和示例，让用户更容易学习和使用。以下是一些示例代码，展示了如何利用Pandas的文档、教程和示例资源：

  1. 查看Pandas官方文档：
import webbrowser

# 打开Pandas官方文档网站
webbrowser.open('https://pandas.pydata.org/docs/')
  1. 查看Pandas官方教程：
import webbrowser

# 打开Pandas官方教程网站
webbrowser.open('https://pandas.pydata.org/docs/getting_started/index.html')
  1. 查看Pandas官方示例库：
import webbrowser

# 打开Pandas官方示例库网站
webbrowser.open('https://pandas.pydata.org/docs/getting_started/index.html#tutorials')

通过这些示例代码，你可以方便地访问Pandas的官方文档、教程和示例资源，这些资源对于学习和使用Pandas都非常有帮助。官方文档提供了详细的API参考和用例说明，官方教程则提供了入门指导和实用技巧，而官方示例库则包含了丰富的示例代码，帮助你更好地理解和应用Pandas库。利用这些资源，你可以更高效地学习和使用Pandas，从而更好地处理和分析数据。

十五、归纳总结

在这里插入图片描述Pandas 是一个强大的数据处理库，主要用于数据清洗、数据转换和数据分析。以下是一些关键的 Pandas 知识点的归纳总结：

  1. 数据结构：
    -Series：一维数据结构，类似于数组或列表。
    -DataFrame：二维数据结构，类似于表格，由多个 Series 组成。

  2. 数据导入与导出：
    -从 CSV、Excel、SQL 数据库等不同数据源导入数据。
    -将处理后的数据导出为 CSV、Excel 等格式。

  3. 数据查看与处理：
    -查看数据：head()、tail()、info()、describe() 等方法。
    -选择数据：使用 loc、iloc、[] 运算符。
    -缺失值处理：dropna()、fillna()。
    -重复值处理：drop_duplicates()。

  4. 数据筛选与排序：
    -条件筛选：使用布尔索引、query() 方法。
    -排序：sort_values()、sort_index()。

  5. 数据分组与聚合：
    -groupby()：按照指定条件对数据进行分组。
    -聚合函数：sum()、mean()、count() 等。
    -多重索引：实现多层次的分组和聚合。

  6. 数据合并与连接：
    -concat()：沿着指定轴合并多个 DataFrame。
    -merge()：根据一个或多个键将不同 DataFrame 连接起来。

  7. 数据透视表与重塑：
    -pivot_table()：创建数据透视表。
    -stack()、unstack()：数据重塑操作。

  8. 时间序列数据处理：
    -时间索引：将时间列设置为索引。
    -日期范围：生成日期范围序列。
    -时序数据分析：时间重采样、移动窗口统计等操作。

  9. 大数据集处理：
    -分块处理：使用 chunksize 处理大型数据集。
    -内存优化：选择合适的数据类型、减少内存占用。

  10. 数据可视化：
    -与 Matplotlib、Seaborn 等库结合进行数据可视化。
    -绘制折线图、柱状图、散点图等图表。

在这里插入图片描述

以上是 Pandas 中一些常用的知识点，掌握这些知识可以帮助你更好地处理和分析数据。通过实践和不断学习，你可以更深入地了解 Pandas，并利用其强大功能解决实际数据处理问题。

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：/a/424401.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

Numpy教程

Numpy教程

文章目录 数组基础文件与字符串多项式分布实战 Numpy绝对可以说是支撑Python地位的最重要的包了，几乎所有能叫出名的Python计算库，都不可避免地调用了Numpy，Numpy官网也列出了一些，大致如下图这样，在科学计算领域&…
阅读更多...
Hololens 2应用开发系列（1）——使用MRTK在Unity中设置混合现实场景并进行程序模拟

Hololens 2应用开发系列（1）——使用MRTK在Unity中设置混合现实场景并进行程序模拟

Hololens 2应用开发系列（1）——使用MRTK在Unity中进行程序模拟 一、前言二、创建和设置MR场景三、MRTK输入模拟的开启 一、前言 在前面的文章中，我介绍了Hololens 2开发环境搭建和项目生成部署等相关内容，使我们能生成一个简单Ho…
阅读更多...
基于图数据库构建知识图谱平台应用实践

基于图数据库构建知识图谱平台应用实践

▏摘要 中信证券基于分布式图数据库StellarDB，替代国外开源图数据库产品，打造全新的企业级知识图谱平台，应用于同一客户集团画像、科创板关联发现、风险事件报告、全球企业关联图谱、产业链图谱、投研图谱、反洗钱与稽核图谱、元数据图谱等应…
阅读更多...
提升工作能力的方法

提升工作能力的方法

1.接受工作，只问标准 2.请示工作，必带方案； 3.汇报工作，突出成果； 4.分享工作，细说流程； 5.复盘工作，总结SOP 如果能这么做，那将是一个非常通透的高手，所以高…
阅读更多...
初探2b blender

初探2b blender

总结 按照youtube 教程 做了个雏形 心得 从正面, 侧面 视图整体上调整外轮廓流线型趋向, 比如正面看这个发型像个鸡蛋的外轮廓头发重要的是丝滑, 流畅 集束 层次 交错
阅读更多...
git的安装、使用

git的安装、使用

文章目录 安装gitgit学习网站git初始配置具体配置信息 新建版本库（仓库）git的工作区域和文件状态工作区域文件状态git文件提交的基础指令 git基础指令1. 版本提交2. 分支创建3. 分支切换4. 分支合并(1) git merge(2) git rebase 5. 在git的提交树上移动(…
阅读更多...
国内哪个工具可以平替chatgpt？国内有哪些比较好用的大模型gpt？

国内哪个工具可以平替chatgpt？国内有哪些比较好用的大模型gpt？

我自己试用了很多的平台，发现三个比较好的大模型平台，对普通用户也比较的友好的，而且返回内容相对来说，正确率更高的，并且相关场景插件比较丰富的国内厂商。 本文说的，是我自己觉得的，比较有主观…
阅读更多...
vue2结合electron开发桌面端应用

vue2结合electron开发桌面端应用

一、Electron是什么？ Electron是一个使用 JavaScript、HTML 和 CSS 构建桌面应用程序的框架。 嵌入 Chromium 和 Node.js 到 二进制的 Electron 。允许您保持一个 JavaScript 代码代码库并创建可在Windows、macOS和Linux上运行的跨平台应用 。 Electron 经常与 Ch…
阅读更多...
Python3零基础教程之数学运算专题初阶

Python3零基础教程之数学运算专题初阶

大家好，我是千与编程，在上一节课程我们讲解了Python3基础课程中的变量与数据专题项目,本章节中涉及的Python3编程语言中的基础的四则运算、赋值运算符号，赋值运算符号，比较运算符号，位运算符号的计算方法。 这一章的内容算是比较基础的部分，最后需要学会使用即可。以下是…
阅读更多...
Elasticsearch搜索引擎

Elasticsearch搜索引擎

目录 初识elasticsearch 了解ES 什么是elasticsearch elasticsearch的发展 搜索引擎技术排名： 总结 倒排索引 正向索引和倒排索引 正向索引 倒排索引 总结 es的一些概念 文档 索引 概念对比 架构 总结 安装es，kibana 安装es 安装kiba…
阅读更多...
在网页上踢球：打造我自己的python(Django)足球网站

在网页上踢球：打造我自己的python(Django)足球网站

足球不仅仅是球场上的90分钟。它是一个不断发展的故事，一个全球球迷社群的粘合剂，一个数据和热情交织的世界。作为一名开发者和球迷，我决定将这两大爱好结合起来，用 Django 打造一个足球网站，让球迷们能够追踪他们最爱…
阅读更多...
守护无价数据：文件备份的重要性与实用策略

守护无价数据：文件备份的重要性与实用策略

一、数据安全：为何文件备份至关重要 在数字化时代，我们的生活和工作越来越离不开电子设备与其中的文件数据。这些文件可能包含重要的工作文档、珍贵的家庭照片、个人的创意作品等，它们是我们回忆的载体，也是我们工作和创新的基石…
阅读更多...
xss.haozi.me靶机练习

xss.haozi.me靶机练习

目录 第零关： 第一关： 第二关： 第三关： 第四关： 第五关： 第六关： 第七关： 第八关： 第九关： 第十关： 第十一关： 第十二关…
阅读更多...
百度SEO快排原理是什么？如何快速排名方法？

百度SEO快排原理是什么？如何快速排名方法？

前言：我之前说过我不打算写这个快速排序。 首先，我从来没有在自己的网站上操作过所谓的快速排序。 其次，我不能像网上很多人写的那样透露百度快速排序的秘密（说实话，你可以透露秘密）。 方法是有了&#xff…
阅读更多...
unity 数学 如何计算线和平面的交点

unity 数学 如何计算线和平面的交点

已知一个平面上的一点P0和法向量n，一条直线上的点L0和方向L,求该直线与该平面的交点P 如下图 首先我们要知道向量归一化点乘之后得到就是两个向量的夹角的余弦值，如果两个向量相互垂直则值是0，小于0则两个向量的夹角大于90度，大于…
阅读更多...
Python3零基础教程之条件控制语句

Python3零基础教程之条件控制语句

大家好，我是千与编程，今天我们讲解Python3零基础教程中的If-else条件控制语句，这是Python3语言编程中非常重要的部分，是程序代码有逻辑性和决策性的根本。 尤其针对刷算法题的几乎每一道题都会使用，以下是本次教程内容的思维导图： 一、基本的条件控制语句 在Python 3中…
阅读更多...
Jenkins的安装和helloworld Pipeline

Jenkins的安装和helloworld Pipeline

文章目录 环境安装下载安装启动初始化 PipelineUISCM（Source Control Management）准备pipeline 参考 环境 RHEL 9.3Jenkins 2.44.0.1 安装 参考 https://www.jenkins.io/doc/book/installing/linux/#red-hat-centos 。 下载安装 [ding192 ~]$ sudo …
阅读更多...
2024新算法：鹅算法优化VMD参数，五种适应度函数任意切换，最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵...

2024新算法：鹅算法优化VMD参数，五种适应度函数任意切换，最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵...

本期采用鹅算法优化一下VMD参数。利用MATLAB官方自带的VMD函数。 替换为官方自带的VMD函数后，寻优速度真的大幅度提升！数据量大的不妨都试试这个官方的VMD函数。当然要下载2020a以上的MATLAB才可以哦！ 同样以西储大学数据集为例，选…
阅读更多...
vue 部署后修改配置文件（接口IP）

vue 部署后修改配置文件（接口IP）

近期，有一个项目，运维在部署的时候，接口ip还没有确定，而且ip后面的路径一直有变动，导致我这里一天打包至少四五次才行，很麻烦，然后看了下有没有打包后修改配置文件修改接口ip的方法，…
阅读更多...
【QT+QGIS跨平台编译】之六十四：【QGIS_CORE跨平台编译】—【错误处理：未定义类型QTemporaryDir - QgsSourceCache】

【QT+QGIS跨平台编译】之六十四：【QGIS_CORE跨平台编译】—【错误处理：未定义类型QTemporaryDir - QgsSourceCache】

文章目录 一、未定义类型QTemporaryDir二、解决办法 一、未定义类型QTemporaryDir 报错&#xff1a; 二、解决办法 QgsSourceCache.h文件中 第25行修改为&#xff1a; #include <QTemporaryDir>
阅读更多...
最新文章

Copyright @ 2022~2023