【四 （4）数据可视化之 Ploty Express常用图表及代码实现 】

目录

    • 文章导航
    • 一、介绍
    • 二、安装Plotly Express
    • 三、导入Plotly Express
    • 四、占比类图表
      • 1、饼图
      • 2、环形图
      • 3、堆叠条形图
      • 4、百分比堆叠条形图
    • 五、比较排序类
      • 1、条形图
      • 2、漏斗图
      • 3、面积漏斗图
    • 六、趋势类图表
      • 1、折线图
      • 2、多图例折线图
      • 3、分列折线图
      • 4、面积图
      • 5、多图例面积图
    • 七、频率分布类
      • 1、直方图
      • 2、箱线图
    • 八、关系类图表
      • 1、散点图
      • 2、分列散点图
      • 3、气泡图
      • 4、热力图
      • 5、成对关系图

文章导航

【一 简明数据分析进阶路径介绍（文章导航）】

一、介绍

plotly是一个基于javascript的绘图库，python语言对相关参数进行了封装，ploty默认是生成HTML网页文件，通过浏览器查看，也可以在jupyter notebook中显示。

二、安装Plotly Express

pip install plotly

三、导入Plotly Express

import plotly.express as px

四、占比类图表

1、饼图

import plotly.express as px  
import pandas as pd  
  
# 假设我们有以下数据  
data = {  
    '类别': ['类别A', '类别B', '类别C', '类别D'],  
    '值': [20, 30, 15, 35]  
}  
df = pd.DataFrame(data)  
  
# 绘制饼图  
fig = px.pie(df, values='值', names='类别', title='饼图示例')  

fig.update_traces(textposition='inside', textinfo='percent+label')  
fig.show()

在这里插入图片描述

2、环形图

import plotly.express as px  
import pandas as pd  

# 环形图其实就是带孔的饼图  
fig = px.pie(df, values='值', names='类别', title='环形图示例', hole=.3)  
fig.update_layout(  
    font_family="SimHei",  
    title_font_size=16,  
    legend_title_text='类别',  
    legend_font_size=12  
)  
fig.update_traces(textposition='inside', textinfo='percent+label')  
fig.show()

在这里插入图片描述

3、堆叠条形图

import plotly.express as px  
import pandas as pd  
# 假设我们有以下数据，包含多个分类和它们的值  
data = {  
    '年份': ['2020', '2020', '2021', '2021'],  
    '类别': ['A', 'B', 'A', 'B'],  
    '值': [10, 15, 20, 25]  
}  
df = pd.DataFrame(data)  
  
# 绘制堆叠条形图  
fig = px.bar(df, x='年份', y='值', color='类别', barmode='stack', title='堆叠条形图示例')    

def set_text(trace):  
    trace.text = [f"{val:.1f}" for val in trace.y]  
    trace.textposition = 'outside'  
  
fig.for_each_trace(set_text)  
fig.show()

在这里插入图片描述

4、百分比堆叠条形图

import plotly.express as px  
import pandas as pd  
  
# 假设数据  
data = {  
    '年份': ['2020', '2020', '2021', '2021'],  
    '类别': ['A', 'B', 'A', 'B'],  
    '值': [10, 15, 20, 25]  
}  
df = pd.DataFrame(data)  
  
# 计算每个年份的总值，用于计算百分比  
df['总值'] = df.groupby('年份')['值'].transform('sum')  
df['百分比'] = (df['值'] / df['总值']) * 100  
  
# 绘制堆叠条形图  
fig = px.bar(df, x='年份', y='百分比', color='类别', barmode='stack', title='百分比堆叠条形图示例')  
  
 
  
# 遍历每个轨迹并设置文本  
def set_text(trace):  
    trace.text = [f"{val:.1f}%" for val in trace.y]  
    trace.textposition = 'outside'  
  
fig.for_each_trace(set_text)  
  
# 显示图表  
fig.show()

在这里插入图片描述

五、比较排序类

1、条形图

import plotly.express as px  
import pandas as pd  
  
# 假设我们有以下数据  
data = {  
    '类别': ['A', 'B', 'C', 'D'],  
    '值': [20, 35, 30, 25]  
}  
df = pd.DataFrame(data)  
  
# 绘制条形图  
fig = px.bar(df, x='类别', y='值', title='条形图示例')  

# 遍历每个轨迹并设置文本  
def set_text(trace):  
    trace.text = [f"{val:.1f}" for val in trace.y]  
    trace.textposition = 'outside'  
  
fig.for_each_trace(set_text)  
  
# 显示图表  
fig.show()

在这里插入图片描述

2、漏斗图

import plotly.express as px  
import pandas as pd  

data = dict(
    number=[10000,7000,4000,2000,1000],
    stage=["浏览次数","关注数量","下载数量","咨询数量","成交数量"])
fig = px.funnel(data,x='number',y='stage')

# 显示图表  
fig.show()

在这里插入图片描述

3、面积漏斗图

import plotly.express as px  
import pandas as pd  

data = dict(
    number=[10000,7000,4000,2000,1000],
    stage=["浏览次数","关注数量","下载数量","咨询数量","成交数量"])
fig = px.funnel_area(names=data['stage'],values=data['number'])

# 显示图表  
fig.show()

在这里插入图片描述

六、趋势类图表

1、折线图

import plotly.express as px  
import pandas as pd  
  
# 假设的数据集  
data = {  
    '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  
    '销售额': [12000, 15000, 18000, 13000, 16000, 19000]  
}  
  
# 创建Pandas DataFrame  
df = pd.DataFrame(data)  
  
# 使用Plotly Express绘制折线图  
fig = px.line(df, x='月份', y='销售额', title='每月销售额趋势', labels={'月份': '月份', '销售额': '销售额'})  

  
# 显示图表  
fig.show()

在这里插入图片描述

2、多图例折线图

import plotly.express as px  
import pandas as pd  
  
# 假设的数据集，包含两个不同类别的销售额  
data = {  
    '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  
    '线上销售额': [12000, 15000, 18000, 13000, 16000, 19000],  
    '线下销售额': [8000, 10000, 12000, 14000, 11000, 13000]  
}  
  
# 创建Pandas DataFrame  
df = pd.DataFrame(data)  
  
# 使用Plotly Express绘制多图例折线图  
fig = px.line(df, x='月份', y=['线上销售额', '线下销售额'], title='每月线上与线下销售额趋势')  
  
  
# 显示图表  
fig.show()

在这里插入图片描述

3、分列折线图

import plotly.express as px  
import pandas as pd  
import numpy as np  
  
# 创建示例数据  
np.random.seed(0)  
date_rng = pd.date_range(start='2023-01-01', periods=12, freq='M')  # 生成12个月的日期范围  
categories = ['Category1', 'Category2']  # 分类变量  
subcategories = ['Sub1', 'Sub2', 'Sub3']  # 子分类变量  
  
# 生成时间序列数据  
df = pd.DataFrame()  
for cat in categories:  
    for subcat in subcategories:  
        data = np.random.rand(len(date_rng))  # 随机生成数据  
        df = df.append(pd.DataFrame({  
            'Date': date_rng,  
            'Category': cat,  
            'Subcategory': subcat,  
            'Value': data  
        }), ignore_index=True)  
  
# 将Date列转换为pandas的日期格式  
df['Date'] = pd.to_datetime(df['Date'])  
  
# 设置Date列为索引，以便在折线图中使用它作为x轴  
df.set_index('Date', inplace=True)  
  
# 绘制分列折线图  
fig = px.line(df, x=df.index, y='Value', color='Subcategory',  
               #facet_row='Category',  # 按照Category进行分行展示  
               facet_col='Category',  # 按照Category进行分列展示  
               title='分列折线图示例',  
               labels={'Value': '数值', 'Subcategory': '子类别'},  
               width=1000, height=600
              )  

  
# 显示图表  
fig.show()

在这里插入图片描述

4、面积图

import plotly.express as px  
import pandas as pd  
  
# 假设的数据集  
data = {  
    '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  
    '销售额': [12000, 15000, 18000, 13000, 16000, 19000]
}  
  
# 创建Pandas DataFrame  
df = pd.DataFrame(data)  
  
# 计算累积销售额  
df['累积销售额'] = df['销售额'].cumsum()  
# 使用Plotly Express绘制面积图  
fig = px.area(df, x='月份', y='累积销售额', title='累积销售额趋势', labels={'月份': '月份', '累积销售额': '累积销售额'})  

# 设置面积图的颜色填充
fig.update_traces(fill='tonexty', fillcolor='lightskyblue')

# 显示图表
fig.show()

在这里插入图片描述

5、多图例面积图

import plotly.express as px  
import pandas as pd  
  
# 假设的数据集  
data = {  
    '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  
    '产品A销售额': [1000, 1200, 1500, 1300, 1600, 1800],  
    '产品B销售额': [800, 1000, 1100, 1400, 1500, 1700]  
}  
  
# 创建Pandas DataFrame  
df = pd.DataFrame(data)  
  
# 使用Plotly Express绘制多图例面积图  
fig = px.area(df, x='月份', y=['产品A销售额', '产品B销售额'],   
               title='不同产品销售额趋势',  
               labels={'月份': '月份', '产品A销售额': '产品A销售额', '产品B销售额': '产品B销售额'},  
               color_discrete_sequence=['#1f77b4', '#ff7f0e'])  
  
# 更新图表的样式和布局  
fig.update_layout(  
    xaxis=dict(  
        titlefont=dict(size=16, color='black'),  
        tickfont=dict(size=12),  
    ),  
    yaxis=dict(  
        titlefont=dict(size=16, color='black'),  
        tickfont=dict(size=12),  
    ),  
    legend=dict(  
        x=0.01,  
        y=0.99,  
        bgcolor='rgba(255, 255, 255, 0.8)',  
        bordercolor='rgba(0, 0, 0, 0.5)'  
    ),  
    font=dict(  
        size=12,  
        color='black'  
    ),  
    plot_bgcolor='rgba(240, 240, 240, 1)',  # 设置背景色  
    paper_bgcolor='rgba(240, 240, 240, 1)',  # 设置画布背景色  
    margin=dict(l=40, r=40, t=60, b=30)  # 设置图表边距  
)  
  
# 显示图表  
fig.show()

在这里插入图片描述

七、频率分布类

1、直方图

import plotly.express as px  
import numpy as np  
  
# 生成一个正态分布的数据集  
np.random.seed(0)  # 设置随机种子以便结果可复现  
data = np.random.normal(loc=0, scale=1, size=1000)  # 生成均值为0，标准差为1的正态分布数据  
  
# 创建一个简单的DataFrame来存储数据  
df = pd.DataFrame(data, columns=['值'])

# 绘制直方图  
fig = px.histogram(df, x='值', nbins=30, title='数据集的直方图示例',  
                    histnorm='probability density',  # 归一化为概率密度  
                    opacity=0.8,  # 设置条形的透明度  
                    color_discrete_sequence=['#4E79A7'])  # 设置条形的颜色  
  
# 更新布局以美化图表  
fig.update_layout(  
    font_family="SimHei",  # 使用支持中文的字体  
    title_font_size=16,  # 标题字体大小  
    xaxis_title_text='值',  # x轴标题  
    yaxis_title_text='概率密度',  # y轴标题  
    xaxis_tickfont_size=12,  # x轴刻度字体大小  
    yaxis_tickfont_size=12,  # y轴刻度字体大小  
    barmode='overlay',  # 设置条形的堆叠模式（如果需要的话）  
    bargap=0.1,  # 设置条形之间的间隙  
    bargroupgap=0.1  # 设置组之间的间隙  
)  
  
# 显示图表  
fig.show()

在这里插入图片描述

2、箱线图

import plotly.express as px  

# 假设我们有以下数据，包含分类列'category'和数值列'value'  
data = {  
    'category': ['A', 'A', 'B', 'B', 'C', 'C', 'D', 'D'],  
    'value': [1, 2, 5, 4, 3, 7, 6, 8]  
}  
df = pd.DataFrame(data)  
  
# 绘制箱线图  
fig = px.box(df, x='category', y='value', title='箱线图示例')  
 
fig.show()

在这里插入图片描述

八、关系类图表

1、散点图

import plotly.express as px  
import pandas as pd  
import numpy as np  
  
# 创建示例数据  
np.random.seed(0)  
df = pd.DataFrame({  
    'x': np.random.randn(200),  
    'y': np.random.randn(200),  
    'category': np.random.choice(['A', 'B', 'C'], 200)  
})  
  
# 绘制散点图  
fig = px.scatter(df, x='x', y='y', color='category',  
                  title='散点图示例',  
                  labels={'x': 'X轴变量', 'y': 'Y轴变量', 'category': '类别'},  
                  width=800, height=600)  
  
  
# 显示图表  
fig.show()

在这里插入图片描述

2、分列散点图

import plotly.express as px  
import pandas as pd  
import numpy as np  
  
# 创建示例数据  
np.random.seed(0)  
df = pd.DataFrame({  
    'Category': np.repeat(['A', 'B'], 200),  
    'X': np.concatenate((np.random.randn(200) + 2, np.random.randn(200) - 2)),  
    'Y': np.concatenate((np.random.randn(200) + 2, np.random.randn(200) - 2)),  
    'Subcategory': np.tile(['Sub1', 'Sub2', 'Sub3', 'Sub4'], 100)  
})  
  
# 绘制分列散点图  
fig = px.scatter(df, x='X', y='Y', color='Subcategory',  
                  facet_col='Category',  
                  title='分列散点图示例',  
                  labels={'X': 'X轴数据', 'Y': 'Y轴数据', 'Subcategory': '子类别'},  
                  width=1000, height=600,  
                  facet_col_wrap=2 # 设置每行显示的子图数量  
                 )  

  
# 显示图表  
fig.show()

在这里插入图片描述

3、气泡图

import plotly.express as px  
import pandas as pd  
import numpy as np  
  
# 创建一个简单的DataFrame作为示例  
np.random.seed(0)  # 设置随机种子以便结果可复现  
df = pd.DataFrame({  
    'x': np.random.randn(200),  # x轴数据  
    'y': np.random.randn(200),  # y轴数据  
    'size': np.random.uniform(10, 50, 200),  # 气泡大小  
    'category': np.random.choice(['A', 'B', 'C', 'D'], 200)  # 气泡的类别  
})  
  
# 使用px.scatter绘制气泡图  
fig = px.scatter(df, x='x', y='y', size='size', color='category',  
                  title='气泡图示例',  
                  labels={'x': 'X轴数据', 'y': 'Y轴数据', 'size': '大小', 'category': '类别'},  
                  hover_data=['size', 'category'],  # 鼠标悬停时显示的数据  
                  log_x=False,  # 是否对X轴使用对数尺度，这里我们不使用  
                  width=800, height=600)  
  
# 显示图表  
fig.show()

在这里插入图片描述

4、热力图

import seaborn as sns  
  
# 创建随机二维数据矩阵  
data = np.random.rand(10, 12)  
df_heat = pd.DataFrame(data, columns=[f'Col{i}' for i in range(1, 13)],  
                        index=[f'Row{i}' for i in range(1, 11)])  
  
# 绘制热力图  
fig = px.imshow(df_heat,  
                 title='热力图示例',  
                 labels=dict(x="列", y="行", color="值"),  
                 x=df_heat.columns, y=df_heat.index,  
                 color_continuous_scale='viridis',  
                 width=800, height=600)  
  
# 显示图表  
fig.show()

在这里插入图片描述

5、成对关系图

import seaborn as sns  

# 使用内置的iris数据集作为示例  
df_iris = px.data.iris()  
  
# 绘制成对关系图  
fig = px.scatter_matrix(df_iris,  
                         dimensions=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'],  
                         color='species',  
                         title='成对关系图示例',  
                         width=1000, height=800)  
  
# 显示图表  
fig.show()

在这里插入图片描述

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/460215.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

【回归预测】基于DBO-RF(蜣螂优化算法优化随机森林)的回归预测 多输入单输出【Matlab代码#67】

【回归预测】基于DBO-RF(蜣螂优化算法优化随机森林)的回归预测 多输入单输出【Matlab代码#67】

文章目录 【可更换其他算法，获取资源请见文章第6节：资源获取】1. 随机森林RF算法2. 蜣螂优化算法3. 实验模型4. 部分代码展示5. 仿真结果展示6. 资源获取 【可更换其他算法，获取资源请见文章第6节：资源获取】 1. 随机森林RF算法 …
阅读更多...
MM1: Methods, Analysis Insights from Multimodal LLM Pre-training

MM1: Methods, Analysis Insights from Multimodal LLM Pre-training

MM1: Methods, Analysis & Insights from Multimodal LLM Pre-training 相关链接：arxiv 关键字：多模态学习、大型语言模型、预训练、视觉语言连接、混合专家模型 摘要 本文讨论了构建高性能的多模态大型语言模型（MLLMs）。特别…
阅读更多...
[SAP ABAP] 异常处理

[SAP ABAP] 异常处理

异常 是在程序执行期间出现的问题 当异常发生时，程序的正常流程被中断，应用程序将会异常终止 例1 执行上述代码出现以下错误 我们可以使用TRY和CATCH关键字的组合捕获异常 执行上述代码出现以下结果 例2 执行上述代码出现以下错误 我们可以使用TRY和CAT…
阅读更多...
springboot+poi-tl根据模板导出word（含动态表格和图片），并将导出的文档压缩zip导出

springboot+poi-tl根据模板导出word（含动态表格和图片），并将导出的文档压缩zip导出

springbootpoi-tl根据模板导出word&#xff08;含动态表格和图片&#xff09; 官网&#xff1a;http://deepoove.com/poi-tl/ 参考网站&#xff1a;https://blog.csdn.net/M625387195/article/details/124855854 pom导入的maven依赖 <dependency><groupId>com.dee…
阅读更多...
Soft Robotics 变结构手掌和变刚度手指的仿人软体手的人机交互操作-武科大ESIR课题组师兄成果

Soft Robotics 变结构手掌和变刚度手指的仿人软体手的人机交互操作-武科大ESIR课题组师兄成果

一、引言 在当今的机器人技术领域&#xff0c;人类对机器人的需求日益增长&#xff0c;涉及到工业生产、医疗护理、服务业等各个领域。然而&#xff0c;由于任务的多样性和复杂性&#xff0c;单独依靠自主机器人操作往往难以满足实际需求。为了解决这一问题&#xff0c;人机协作…
阅读更多...
白话微机：9.解释SoC和Linux

白话微机：9.解释SoC和Linux

一. 前言&#xff08;回顾世界观&#xff09; 在“微机世界”&#xff0c;普通的城市(单片机)里&#xff0c;人又有一个别的名字叫做“数据”&#xff0c;人有0有1&#xff1b;人们也有住房&#xff0c;这些住房在这个世界叫做“存储器”&#xff1b;地上有路&#xff0c;这些路…
阅读更多...
鸿蒙开发实战：【音频组件】

鸿蒙开发实战：【音频组件】

简介 音频组件用于实现音频相关的功能&#xff0c;包括音频播放&#xff0c;录制&#xff0c;音量管理和设备管理。 图 1 音频组件架构图 基本概念 采样 采样是指将连续时域上的模拟信号按照一定的时间间隔采样&#xff0c;获取到离散时域上离散信号的过程。 采样率 采样…
阅读更多...
数据仓库的设计开发应用（一）

数据仓库的设计开发应用（一）

目录 一、数据仓库设计的特点二、数据仓库系统开发过程三、数据仓库系统的规划 一、数据仓库设计的特点 1、“数据驱动” 的设计 数据仓库是从已有数据出发的设计方法&#xff0c;即从数据源抽取数据&#xff0c;经转换形成面向主题&#xff0c;支持决策的数据集合。 以全面了…
阅读更多...
MapReduce的原理分析

MapReduce的原理分析

1.概述 MapReduce的思想核心是“分而治之,先分再合”&#xff0c;适用于大量复杂任务处理场景(大规模数据处理场景)。 MapReduce分两个阶段: map阶段(分)&#xff1a;如果任何可以拆分并且没有依赖&#xff0c;那么就把复杂的任务拆分成小任务&#xff0c;拆分成小任务之后&a…
阅读更多...
【云原生-kubernetes系列】--kubernetes日志收集

【云原生-kubernetes系列】--kubernetes日志收集

1、ELK架构 1.1、部署ES集群 https://mirrors.tuna.tsinghua.edu.cn/elasticstack/apt/7.x/pool/main/e/elasticsearch/ 1、下载软件包 rootes-server1:~# wget https://mirrors.tuna.tsinghua.edu.cn/elasticstack/apt/7.x/pool/main/e/elasticsearch/elasticsearch-7.12.0-…
阅读更多...
QMI8658芯片I2C驱动开发指南

QMI8658芯片I2C驱动开发指南

这个芯片纯国产挺好用的&#xff0c;电路很好设计&#xff0c;我这垃圾焊功&#xff0c;纯手焊&#xff0c;&#xff0c;居然能用。 第一部分 硬件连接 画的很简陋&#xff0c;看看就可以了&#xff0c;这里I2C总线需要接10K上拉没有画出来&#xff0c;这个需要注意一下。 …
阅读更多...
【XR806开发板试用】基于WEBSOCKET实现人机交互（控制开关灯）以及开发问题记录

【XR806开发板试用】基于WEBSOCKET实现人机交互（控制开关灯）以及开发问题记录

一、开发板编译、功能介绍 根据官方文档编译烧录成功后&#xff0c;我们修改下官方例子&#xff0c;进行开发来实现websocket。 整体流程&#xff1a;开发板先自动寻找指定的wifi并且连接&#xff0c;连接成功后&#xff0c;通过websocket来与服务端连接&#xff0c;连接成功后…
阅读更多...
idea项目mapper.xml中的SQL语句黄色下划线去除

idea项目mapper.xml中的SQL语句黄色下划线去除

问题描述 当我们使用idea开发java项目时&#xff0c;经常会与数据库打交道&#xff0c;一般在使用mybatis的时候需要写一大堆的mapper.xml以及SQL语句&#xff0c;每当写完SQL语句的时候总是有黄色下划线&#xff0c;看着很不舒服。 解决方案&#xff1a; 修改idea的配置 Edi…
阅读更多...
实验01 ASP.NET网站的建立及运行

实验01 ASP.NET网站的建立及运行

【实验目的】 &#xff08;1&#xff09;能熟悉ASP.NET的开发环境Visual Studio Community 2019&#xff08;VSC 2019&#xff09;。 &#xff08;2&#xff09;能通过解决方案管理网站&#xff0c;会在解决方案中创建网站。 &#xff08;3&#xff09;会设置IIS 10中的网站…
阅读更多...
Node.js（1）

Node.js（1）

跨平台的node.js运行环境&#xff0c;使开发者可以搭建服务器端的js应用程序 它可以编写服务器端程序&#xff1b; 编写数据接口&#xff1b;提供网页资源浏览功能 前端工程化&#xff1a;开发集成的所有工具和技术 与浏览器环境的区别 node.js环境中没有DOM和BOM fs模块-读…
阅读更多...
Linux下安装多个nodejs并映射Jenkins

Linux下安装多个nodejs并映射Jenkins

背景 需要Jenkins中切换多个Node&#xff0c;比如nodejs16和nodesjs18,所以在宿主机按照好这两个版本&#xff0c;然后再映射到Jenkins容器中 步骤 1.下载地址 https://nodejs.org/dist/ 放到 cd /opt/soft/2.解压 tar -xzvf node-v16.20.0-linux-x64.tar.gz tar -xzvf n…
阅读更多...
SSM SpringBoot vue智能手机参数分析平台

SSM SpringBoot vue智能手机参数分析平台

SSM SpringBoot vue智能手机参数分析平台 系统功能 首页 图片轮播 新闻资讯 手机信息 手机百科 登录注册 个人中心 后台管理 登录注册 个人中心 手机百科管理 用户管理 手机对比管理 配置管理 新闻资讯管理 手机信息管理 对比信息管理 我的收藏管理 开发环境和技术 开发语言…
阅读更多...
Kafka配置SASL_PLAINTEXT权限。常用操作命令，创建用户，topic授权

Kafka配置SASL_PLAINTEXT权限。常用操作命令，创建用户，topic授权

查看已经创建的topic ./bin/kafka-topics.sh --bootstrap-server localhost:9092 --list 创建topic 创建分区和副本数为1的topic ./bin/kafka-topics.sh --create --bootstrap-server localhost:9092 --topic acltest --partitions 1 --replication-factor 1 创建kafka用户 …
阅读更多...
迷宫寻路[天梯赛 -- 栈]

迷宫寻路[天梯赛 -- 栈]

文章目录 题目描述思路AC代码 题目描述 输入样例 8 8 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 1 1 0 0 0 1 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 1 1 0 1 1 0 1 0 0 0 0 0 0 0 4 4 0 0 1 0 0 0 0 0 0 0 1 1 0 1 0 0 -1 -1输出样例 1,1 2,1 3,1 4,1 5,1 5,2 5…
阅读更多...
修复ElementUI中el-select与el-option无法通过v-model实现数据双向绑定的问题

修复ElementUI中el-select与el-option无法通过v-model实现数据双向绑定的问题

1. 问题描述 需求&#xff1a;在使用ElementUI时&#xff0c;通过el-select和el-option标签实现下拉列表功能&#xff0c;当el-option中的选项被选中时&#xff0c;被选中的选项可以正确回显到已选择的列表中。 对于上面的下拉列表&#xff0c;当我们选中“超级管理员”的选项…
阅读更多...
最新文章

Copyright @ 2022~2023