数据科学中的Python：NumPy和Pandas入门指南【第121篇—NumPy和Pandas】

数据科学中的Python：NumPy和Pandas入门指南

数据科学是当今数字时代中的一个重要领域，而Python是数据科学家们最喜爱的编程语言之一。在这篇博客中，我们将介绍Python中两个强大的库——NumPy和Pandas，它们在数据处理和分析中发挥着重要作用。
在这里插入图片描述

NumPy简介

NumPy是用于科学计算的基础包，提供了高性能的多维数组对象（numpy.ndarray）和用于处理这些数组的工具。让我们从安装NumPy开始：

pip install numpy

接下来，我们将创建一个简单的NumPy数组并演示一些基本的操作：

import numpy as np

# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5])

# 打印数组
print("NumPy Array:", arr)

# 数组形状
print("Shape:", arr.shape)

# 数组类型
print("Type:", arr.dtype)

# 访问元素
print("Element at index 2:", arr[2])

# 数组运算
arr_squared = arr ** 2
print("Squared Array:", arr_squared)

以上代码创建了一个一维数组，展示了数组的形状、类型、访问元素以及简单的数组运算。NumPy的强大之处在于其支持高效的向量化操作，使得对整个数组进行操作更为方便。

Pandas简介

Pandas是建立在NumPy之上的数据处理库，提供了灵活的数据结构（DataFrame）以及用于数据操作和分析的工具。让我们继续安装Pandas并了解其基本用法：

pip install pandas

import pandas as pd

# 创建一个简单的DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'],
        'Age': [25, 30, 35],
        'City': ['New York', 'San Francisco', 'Los Angeles']}

df = pd.DataFrame(data)

# 显示DataFrame
print("Pandas DataFrame:")
print(df)

# 获取列
print("\nColumn 'Name':")
print(df['Name'])

# 描述性统计
print("\nDescriptive Statistics:")
print(df.describe())

上述代码创建了一个简单的DataFrame，演示了如何访问列和执行描述性统计。Pandas的DataFrame提供了类似于SQL表格的功能，可以轻松地进行数据筛选、切片和分组。

NumPy和Pandas是数据科学中的两个核心库，它们共同为数据处理、分析和建模提供了强大的工具。通过本文的简要介绍，读者可以开始探索这两个库的更多功能，并在实际项目中应用它们，提升数据科学的效率和灵活性。希望这篇入门指南能够为初学者提供一个良好的起点，引领他们进入数据科学的精彩世界。

数据科学中的Python：NumPy和Pandas深入进阶

在上一篇入门指南中，我们介绍了NumPy和Pandas这两个在数据科学中扮演关键角色的Python库。现在，让我们深入挖掘它们更高级的功能和应用。

NumPy进阶

1. 多维数组操作

NumPy的多维数组操作是其强大之处。我们可以执行各种矩阵运算和操作，例如矩阵乘法、转置等：

import numpy as np

# 创建两个矩阵
matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])

# 矩阵乘法
result_matrix = np.dot(matrix_a, matrix_b)
print("Matrix Multiplication Result:")
print(result_matrix)

# 矩阵转置
transposed_matrix_a = np.transpose(matrix_a)
print("\nTransposed Matrix A:")
print(transposed_matrix_a)
2. 数学函数和统计

NumPy提供了大量的数学函数和统计工具，方便进行数据分析。以下是一个简单的示例：

import numpy as np

# 创建一个数组
data_array = np.array([1, 2, 3, 4, 5])

# 计算平均值、标准差和总和
mean_value = np.mean(data_array)
std_deviation = np.std(data_array)
sum_value = np.sum(data_array)

print("Mean:", mean_value)
print("Standard Deviation:", std_deviation)
print("Sum:", sum_value)

Pandas进阶

1. 数据清洗和处理

Pandas是数据清洗的得力助手，支持缺失值处理、重复值删除等操作。以下是一个简单的数据清洗示例：

import pandas as pd

# 创建含有缺失值的DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'],
        'Age': [25, None, 35],
        'City': ['New York', 'San Francisco', 'Los Angeles']}

df = pd.DataFrame(data)

# 查找并处理缺失值
df_cleaned = df.dropna()

print("Original DataFrame:")
print(df)
print("\nCleaned DataFrame:")
print(df_cleaned)
2. 数据合并和分组

Pandas使得数据合并和分组变得非常简单，这对于复杂的数据分析任务至关重要。以下是一个示例：

import pandas as pd

# 创建两个DataFrame
df1 = pd.DataFrame({'Name': ['Alice', 'Bob', 'Charlie'],
                    'Score': [90, 85, 88]})

df2 = pd.DataFrame({'Name': ['Bob', 'Charlie', 'David'],
                    'Score': [85, 88, 92]})

# 合并DataFrame
merged_df = pd.merge(df1, df2, on='Name', how='outer')
print("Merged DataFrame:")
print(merged_df)

# 分组和计算平均值
grouped_df = merged_df.groupby('Name').mean()
print("\nGrouped DataFrame:")
print(grouped_df)

通过这些进阶示例，读者将更深入地了解NumPy和Pandas在数据科学中的强大功能。这两个库不仅提供了基础的数据结构和操作，还支持高级的数学、统计、数据清洗和分析任务。掌握这些工具将使你能够更高效地处理和分析各种类型的数据，为实际项目中的数据科学工作奠定坚实基础。

数据科学中的Python：NumPy和Pandas高级应用

在前两篇文章中，我们介绍了NumPy和Pandas的基础知识以及一些进阶功能。现在，让我们深入探讨这两个库的一些高级应用，包括数据可视化、时间序列处理和机器学习集成。

数据可视化与Matplotlib

1. Matplotlib基础

Matplotlib是Python中常用的数据可视化库，与NumPy和Pandas完美结合。以下是一个简单的绘图示例：

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

# 绘制正弦曲线
plt.plot(x, y, label='sin(x)')
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.title('Sine Function')
plt.legend()
plt.show()
2. Seaborn的使用

Seaborn是建立在Matplotlib基础上的统计数据可视化库，提供了更高层次的接口。以下是一个简单的Seaborn示例：

import seaborn as sns

# 使用Seaborn绘制散点图
sns.scatterplot(x='Age', y='Score', data=df_cleaned)
plt.title('Scatter Plot of Age vs Score')
plt.show()

时间序列处理与Pandas

1. 时间序列创建

Pandas对时间序列数据提供了强大的支持，包括日期范围生成和索引。以下是一个时间序列创建的例子：

import pandas as pd

# 生成日期范围
date_range = pd.date_range('2024-01-01', '2024-01-10', freq='D')

# 创建时间序列
time_series = pd.Series(np.random.randn(len(date_range)), index=date_range)

print("Time Series Data:")
print(time_series)
2. 时间序列分析

Pandas提供了丰富的时间序列分析功能，例如滚动统计、移动平均等。以下是一个简单的时间序列分析示例：

# 滚动均值
rolling_mean = time_series.rolling(window=3).mean()

# 绘制原始时间序列和滚动均值
plt.plot(time_series, label='Original')
plt.plot(rolling_mean, label='Rolling Mean')
plt.xlabel('Date')
plt.ylabel('Value')
plt.title('Time Series Analysis')
plt.legend()
plt.show()

机器学习与Scikit-Learn

1. 数据准备

在进行机器学习之前，通常需要对数据进行预处理。以下是一个简单的数据准备示例：

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 创建一个简单的数据集
X = np.random.rand(100, 2)
y = (X[:, 0] + X[:, 1] > 1).astype(int)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征缩放
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
2. 机器学习模型训练

使用Scikit-Learn，我们可以轻松训练机器学习模型。以下是一个简单的逻辑回归示例：

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 创建并训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train_scaled, y_train)

# 预测
y_pred = model.predict(X_test_scaled)

# 评估准确度
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

通过这些高级应用的示例，我们展示了NumPy和Pandas在数据科学中的广泛用途。这两个库与Matplotlib、Seaborn和Scikit-Learn等工具的协同作用，为数据科学家提供了丰富的工具箱，使其能够在数据处理、可视化和机器学习等领域取得卓越成就。希望这篇文章激发了你对数据科学高级应用的兴趣，并激发你深入学习这些领域。

数据科学中的Python：深度学习与TensorFlow

在前几篇文章中，我们已经涵盖了数据科学中常用的Python库，包括NumPy、Pandas、Matplotlib、Seaborn和Scikit-Learn。现在，让我们进一步探讨深度学习领域，并介绍使用TensorFlow进行神经网络建模的基础知识。

TensorFlow简介

TensorFlow是由Google开发的开源机器学习框架，广泛用于深度学习领域。以下是一个简单的TensorFlow示例，演示了如何创建一个基本的神经网络模型：

import tensorflow as tf
from tensorflow import keras
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 创建一个简单的数据集
X = np.random.rand(100, 2)
y = (X[:, 0] + X[:, 1] > 1).astype(int)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征缩放
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 构建神经网络模型
model = keras.Sequential([
    keras.layers.Dense(10, activation='relu', input_shape=(2,)),
    keras.layers.Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(X_train_scaled, y_train, epochs=10, batch_size=16, validation_data=(X_test_scaled, y_test))

模型评估与调优

在建立神经网络模型后，我们需要对其进行评估和调优。以下是一个简单的评估和调优过程：

# 模型评估
test_loss, test_accuracy = model.evaluate(X_test_scaled, y_test)
print("Test Accuracy:", test_accuracy)

# 进行预测
y_pred = model.predict(X_test_scaled)

# 将概率转换为二进制分类结果
y_pred_binary = (y_pred > 0.5).astype(int)

# 输出混淆矩阵
confusion_matrix = tf.math.confusion_matrix(y_test, y_pred_binary)
print("Confusion Matrix:")
print(confusion_matrix)

TensorFlow应用实例

TensorFlow不仅可以用于基础的神经网络构建，还支持各种深度学习模型的应用，包括图像分类、自然语言处理和强化学习等。以下是一个简单的图像分类实例：

# 导入TensorFlow和Keras中的数据集
from tensorflow.keras.datasets import mnist

# 载入MNIST数据集
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 归一化图像数据
X_train, X_test = X_train / 255.0, X_test / 255.0

# 构建卷积神经网络模型
model_cnn = keras.Sequential([
    keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model_cnn.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 训练模型
model_cnn.fit(X_train.reshape(-1, 28, 28, 1), y_train, epochs=5, validation_data=(X_test.reshape(-1, 28, 28, 1), y_test))

通过这个简单的示例，我们了解了如何使用TensorFlow构建、训练和评估神经网络模型。TensorFlow提供了丰富的工具和功能，使得深度学习在实际应用中更加便捷和灵活。希望这篇文章为你提供了一个深入学习深度学习的起点。

数据科学中的Python：深度学习与PyTorch

在前几篇文章中，我们已经涵盖了数据科学中常用的Python库，包括NumPy、Pandas、Matplotlib、Seaborn、Scikit-Learn和TensorFlow。现在，让我们继续深入学习深度学习领域，并介绍使用PyTorch进行神经网络建模的基础知识。

PyTorch简介

PyTorch是另一个流行的开源深度学习框架，由Facebook开发。与TensorFlow不同，PyTorch采用了动态计算图的方式，使得模型的构建和调试更为直观。以下是一个简单的PyTorch示例，演示了如何创建一个基本的神经网络模型：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 创建一个简单的数据集
X = torch.tensor(np.random.rand(100, 2), dtype=torch.float32)
y = torch.tensor((X[:, 0] + X[:, 1] > 1).astype(int), dtype=torch.float32)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征缩放
scaler = StandardScaler()
X_train_scaled = torch.tensor(scaler.fit_transform(X_train), dtype=torch.float32)
X_test_scaled = torch.tensor(scaler.transform(X_test), dtype=torch.float32)

# 构建神经网络模型
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(2, 10)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(10, 1)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        x = self.sigmoid(x)
        return x

model = SimpleNN()

# 定义损失函数和优化器
criterion = nn.BCELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 数据加载器
train_dataset = TensorDataset(X_train_scaled, y_train)
train_loader = DataLoader(train_dataset, batch_size=16, shuffle=True)

# 训练模型
num_epochs = 10
for epoch in range(num_epochs):
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs.squeeze(), labels)
        loss.backward()
        optimizer.step()

# 模型评估
with torch.no_grad():
    test_outputs = model(X_test_scaled)
    test_predictions = (test_outputs > 0.5).float()
    accuracy = torch.sum(test_predictions.squeeze() == y_test).item() / len(y_test)
    print("Test Accuracy:", accuracy)

PyTorch与卷积神经网络

PyTorch同样支持卷积神经网络（CNN）等更复杂的深度学习模型。以下是一个简单的图像分类CNN示例：

# 导入PyTorch中的数据集
import torchvision
from torchvision import transforms

# 载入MNIST数据集
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
mnist_train = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
mnist_test = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)

# 数据加载器
train_loader_cnn = DataLoader(mnist_train, batch_size=64, shuffle=True)
test_loader_cnn = DataLoader(mnist_test, batch_size=64, shuffle=False)

# 构建卷积神经网络模型
class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.flatten = nn.Flatten()
        self.fc1 = nn.Linear(14 * 14 * 32, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.maxpool(x)
        x = self.flatten(x)
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

model_cnn = SimpleCNN()

# 定义损失函数和优化器
criterion_cnn = nn.CrossEntropyLoss()
optimizer_cnn = optim.Adam(model_cnn.parameters(), lr=0.001)

# 训练卷积神经网络模型
num_epochs_cnn = 5
for epoch in range(num_epochs_cnn):
    for inputs, labels in train_loader_cnn:
        optimizer_cnn.zero_grad()
        outputs = model_cnn(inputs)
        loss = criterion_cnn(outputs, labels)
        loss.backward()
        optimizer_cnn.step()

# 模型评估
correct = 0
total = 0
with torch.no_grad():
    for inputs, labels in test_loader_cnn:
        outputs = model_cnn(inputs)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy_cnn = correct / total
print("Test Accuracy (CNN):", accuracy_cnn)

通过这些示例，我们了解了如何使用PyTorch构建、训练和评估神经网络模型，包括基本的全连接神经网络和卷积神经网络。PyTorch的动态计算图和直观的API设计使得深度学习任务更加灵活和容易实现。希望这篇文章能够为你提供深入学习PyTorch的基础。

总结

总结：

在这系列的文章中，我们深入探讨了数据科学中常用的Python库以及深度学习领域的两大主流框架：TensorFlow和PyTorch。以下是我们涵盖的主要内容：

  1. 基础工具： 我们从NumPy和Pandas开始，这两个库为数据科学家提供了强大的数据处理和分析工具。NumPy提供了高性能的数组操作，而Pandas则提供了灵活的数据结构和高级的数据操作方法。

  2. 数据可视化： 使用Matplotlib和Seaborn，我们学习了如何创建各种类型的图表和可视化，以便更好地理解数据分布、趋势和关系。

  3. 时间序列处理： 利用Pandas，我们介绍了如何处理和分析时间序列数据，包括日期范围生成、滚动统计和移动平均等常见操作。

  4. 机器学习： 使用Scikit-Learn，我们学习了如何准备数据、训练模型和评估性能，包括简单的逻辑回归模型和图像分类任务。

  5. 深度学习入门： 我们首先使用TensorFlow介绍了神经网络的基础概念，包括模型构建、训练和评估。然后，我们转向PyTorch，了解了其动态计算图和直观的API设计。

  6. 深度学习应用： 我们展示了如何使用TensorFlow和PyTorch构建和训练更复杂的深度学习模型，包括全连接神经网络和卷积神经网络。这些示例覆盖了从简单的数值数据到图像分类等多个领域。

通过这系列文章，我们提供了一个全面的学习路径，帮助读者建立起在数据科学和深度学习领域的坚实基础。这些工具和框架不仅仅是理论知识，更是实际应用中解决问题的有力工具。希望这些内容能够激发读者深入学习和探索更多领域，不断提升在数据科学和深度学习中的技能水平。

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/444894.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

java算法第十八天 | ● 110.平衡二叉树 ● 257. 二叉树的所有路径 ● 404.左叶子之和

java算法第十八天 | ● 110.平衡二叉树 ● 257. 二叉树的所有路径 ● 404.左叶子之和

110.平衡二叉树 leetcode链接 思路： 使用后序遍历分别求左右子树的高度，若高度只差大于一，则返回-1，否则返回当前节点的最大高度。 /*** Definition for a binary tree node.* public class TreeNode {* int val;* Tree…
阅读更多...
爬虫(五)

爬虫(五)

1. 前端JS相关 三元运算 v1 条件 ? 值A : 值B; # 如果条件成立v1值A，不成立v1等于值Bres 1 1 ? 99 : 88 # res99特殊的逻辑运算 v1 11 || 22 # Ture v2 9 || 14 # 9 v3 0 || 15 # 15 v3 0 || 15 || "zhangfei" # 15赋值和…
阅读更多...
x86 Ubuntu上编译eudev给龙芯loongarch64架构主机使用

x86 Ubuntu上编译eudev给龙芯loongarch64架构主机使用

1、下载eudev库eudev-master.zip，链接：eudev库官方地址 2、下载龙芯的交叉编译工具：loongson-gnu-toolchain-8.3-x86_64-loongarch64-linux-gnu-rc1.2.tar.xz，链接：龙芯交叉编译官方地址 3、交叉编译器环境搭建 (1)、…
阅读更多...
latex绘图中\begin{figure}[htbp]中的htbp什么意思

latex绘图中\begin{figure}[htbp]中的htbp什么意思

在LaTeX中，\begin{figure}[htbp] 用来开始一个图形环境，其中 [htbp] 是一个位置参数，用来指导LaTeX如何放置这个图形。 具体来说，[htbp] 中的每个字母代表一个放置选项： h：代表“here”，意味着…
阅读更多...
【LeetCode: 299. 猜数字游戏 - 模拟 + 计数】

【LeetCode: 299. 猜数字游戏 - 模拟 + 计数】

🚀 算法题 🚀 🌲 算法刷题专栏 | 面试必备算法 | 面试高频算法 🍀 🌲 越难的东西,越要努力坚持，因为它具有很高的价值，算法就是这样✨ 🌲 作者简介：硕风和炜，…
阅读更多...
springcloud第3季 consul服务发现注册，配置中心2

springcloud第3季 consul服务发现注册，配置中心2

一 consul的作用 1.1 为何使用注册中心 为何要用注册中心？ 1.A服务调用B服务，使用ip和端口，如果B服务的ip或者端口发生变化，服务A需要进行改动； 2.如果在分布式集群中，部署多个服务B，多个服…
阅读更多...
Linux（Ubuntu）中安装vscode

Linux（Ubuntu）中安装vscode

①首先去vscode的官网下载.deb文件 网址：https://code.visualstudio.com/docs/?dvlinuxarm64_deb 注：如果linux端无法打开网页下载文件，可以在Windows端下载好用WinSCP传输到Linux。下载前注意下你的系统架构是arm还是amd，系统…
阅读更多...
常用的加密算法

常用的加密算法

AES 高级加密标准（AES, Advanced Encryption Standard）是当今世界范围内应用最广泛的对称加密算法之一。在微信小程序加密传输等场景中，AES算法发挥着至关重要的作用。对称加密算法的特点在于加密和解密过程使用相同的密钥。具体来说&#x…
阅读更多...
【MybatisPlus】BaseMapper详解，举例说明

【MybatisPlus】BaseMapper详解，举例说明

一、BaseMapper 简介 MyBatis-Plus 的核心类 BaseMapper 主要是用于提供基本的 CRUD（创建、读取、更新、删除）操作的接口定义。它是 MyBatis-Plus 框架中的一个重要组成部分，可以大大简化基于 MyBatis 的数据访问层代码的编写。 BaseMapper…
阅读更多...
设计模式—桥接模式

设计模式—桥接模式

定义: 桥接模式是将抽象部分与它的实现部分分离，使它们都可以独立地变化。它是一种对象结构型模式，又称为柄体(Handle and Body)模式或接口(Interfce)模式。 本章代码:小麻雀icknn/设计模式练习 - Gitee.com 结构: 抽象化(Abstraction)角色&#xff1a…
阅读更多...
MMCV报错

MMCV报错

文章目录 mmcv1.x版本FAQ文档open-mmlab卸载环境中的mmcvImportError: cannot import name Config from mmcv (unknown location)problem description解决 ImportError: cannot import name mkdir_or_exist from mmcv.utils (unknown location)解决 AttributeError: module mmc…
阅读更多...
如何通过隐藏服务器真实IP来防御DDOS攻击

如何通过隐藏服务器真实IP来防御DDOS攻击

我们知道，服务器对外提供服务，基本上都是放置在公网上的。所以说服务器放置在公网上会面临很多攻击，如果不做好必要的防护措施，服务器被人攻击只是时间上的问题。 而我们面临的众多攻击中，DDoS攻击是最常见同时也是影响…
阅读更多...
企业AI转型之路：策略与实践

企业AI转型之路：策略与实践

目录 前言1 试点项目：积累AI经验1.1 选择有实际价值的项目1.2 创新氛围的激发1.3 员工对新技术的接受度提升 2 建立高效的内部AI团队2.1 团队独立性与高层直报2.2 初期资金支持与资源整合 3 提供全面的AI培训计划3.1 针对不同层次的培训3.2 多样化培训形式3.3 内部人…
阅读更多...
【蓝桥·算法双周赛】第七场分级赛——小白入门赛

【蓝桥·算法双周赛】第七场分级赛——小白入门赛

2.霓虹【算法赛】 - 蓝桥云课 (lanqiao.cn) st数组用来存第i个位置&#xff0c;这个字母有没有编号j #include<bits/stdc.h> const int N1e610; using lllong long; std::map<std::string,std::string> mp;std::string a,aa; int st[N][10];// int stt[N][10];//对…
阅读更多...
【Greenhills】MULTIIDE集成第三方的编辑器进行源文件编辑工作

【Greenhills】MULTIIDE集成第三方的编辑器进行源文件编辑工作

【更多软件使用问题请点击亿道电子官方网站查询】 1、 文档目标 在使用GHS进行工作的时候&#xff0c;可以集成第三方的编辑器进行源文件编辑工作 2、 问题场景 用于解决在GHS中进行项目开发时&#xff0c;对于GHS的编辑器使用不习惯&#xff0c;想要切换到其他第三方的编辑…
阅读更多...
遗传算法（GA）求解基于栅格地图的机器人最优路径规划，可以自行修改地图（提供MATLAB代码）

遗传算法（GA）求解基于栅格地图的机器人最优路径规划，可以自行修改地图（提供MATLAB代码）

通过栅格法建立栅格地图作为机器人路径规划的工作环境,采用遗传算法作为机器人路径搜索的规则.将所有机器人放置于初始位置.经过NC次无碰撞迭代运动找到最优路径.到达目标位置.为防止机器人在路径搜索过程中没有达到最大迭代次数时路径大小已不发生变化而陷入局部最优。 一、部…
阅读更多...
CentOS系统上安装Redis操作教程

CentOS系统上安装Redis操作教程

&#x1f31f; 前言 欢迎来到我的技术小宇宙&#xff01;&#x1f30c; 这里不仅是我记录技术点滴的后花园&#xff0c;也是我分享学习心得和项目经验的乐园。&#x1f4da; 无论你是技术小白还是资深大牛&#xff0c;这里总有一些内容能触动你的好奇心。&#x1f50d; &#x…
阅读更多...
【C++ vector 类】

【C++ vector 类】

1. 标准库中的vector类 vector 类 的介绍&#xff1a; 注意&#xff1a; 1. vector是表示可变大小数组的序列容器。 2. 就像数组一样&#xff0c;vector 也采用的连续存储空间来存储元素。也就是意味着可以采用下标对vector的元素进行访问&#xff0c;和数组一样高效。但是…
阅读更多...
第一代高通S7和S7 Pro音频平台：超旗舰性能，全面革新音频体验

第一代高通S7和S7 Pro音频平台：超旗舰性能，全面革新音频体验

以下文章来源于高通中国 如今&#xff0c;音频内容与形式日渐丰富&#xff0c;可满足人们放松心情、提升自我、获取资讯等需求。得益于手机、手表、耳机、车载音箱等智能设备的广泛应用&#xff0c;音频内容可以更快速触达用户。从《音频产品使用现状调研报告2023》中发现&…
阅读更多...
【Selenium】selenium介绍及工作原理

【Selenium】selenium介绍及工作原理

一、Selenium介绍 用于Web应用程序测试的工具&#xff0c;Selenium是开源并且免费的&#xff0c;覆盖IE、Chrome、FireFox、Safari等主流浏览器&#xff0c;通过在不同浏览器中运行自动化测试。支持Java、Python、Net、Perl等编程语言进行自动化测试脚本编写。 官网地址&…
阅读更多...
最新文章

Copyright @ 2022~2023