python绘图matplotlib——使用记录1

本博文来自于网络收集，如有侵权请联系删除

使用matplotlib绘图

  • 1 常用函数汇总
    • 1.1 plot
    • 1.2 legend
    • 1.3 scatter
    • 1.4 xlim
    • 1.5 xlabel
    • 1.6 grid
    • 1.7 axhline
    • 1.7 axvspan
    • 1.8 annotate
    • 1.9 text
    • 1.10 title
  • 2 常见图形绘制
    • 2.1 bar——柱状图
    • 2.2 barh——条形图
    • 2.3 hist——直方图
      • 堆积直方图
    • 阶梯型直方图
    • 2.4 pie——饼图
      • 示例1
      • 示例2
      • 内嵌环饼形图
    • 2.5 polar——极线图
    • 2.6 scatter——气泡图
    • 2.7 stem——棉棒图
    • 2.8 boxplot——箱线图
      • 示例1
      • 示例2
    • 2.9 errorbar——误差棒图
  • 3 常用统计图
    • 3.1 堆积柱状图
    • 3.2 堆积条形图
    • 3.3 并列柱状图
    • 3.4 并列条形图
    • 3.5 堆积折线图
    • 3.6 间断条形图
    • 3.7 阶梯图

matplotlib的具体用法 官网的介绍是最全的，此处只针对平时常用的绘图进行了记录

1 常用函数汇总

1.1 plot

reference：https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.plot.html
函数：plt.plot(x, y, c=‘r’, marker=‘o’, ls=‘-’, lw=1, ms=1, label=‘line1’)
参数：

  • x: x轴上的数值
  • y: y轴上的数值
  • marker：点的形状
  • c: color, 颜色
  • ls: Line Styles，如，‘-’，‘–’，‘-.’，‘:’
  • lw: linewidth，线条宽度
  • label: 标记图形内容的标签文本

注，plt.plot(x, y, ‘r^:’, lw=1, ms=5, label=‘line1’)
点的颜色、形状、线型通常写在一起，如
label需要与plt.legend配合使用，

1.2 legend

reference：https://matplotlib.org/stable/api/legend_api.html
函数：plt.legend(loc=‘best’)
参数：

  • loc：图例在途中的位置，如，‘upper right’, ‘lower left’, '‘upper center’'等

代码示例

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0.05, 10, 1000)
y = np.sin(x)

plt.plot(x, y, marker='o', ls='-', c='r', lw=1, ms=1, label='line1')
# plt.plot(x, y, 'r^:', lw=1, ms=5, label='line1')
plt.legend(loc='best')
plt.show()

1.3 scatter

函数：plt.scatter(x, y, c=‘b’, label=‘scatter1’)
参数：

  • x: x轴上的数值
  • y: y轴上的数值
  • c:颜色
  • label: 标记图形内容的标签文本
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0.05, 10, 50)
y = np.sin(x)
y2 = np.cos(x)

plt.scatter(x, y, c='b', label='scatter1')
plt.scatter(x, y2, c='r', label='scatter1')
plt.legend()
plt.show()

在这里插入图片描述

1.4 xlim

函数：plt.xlim(xmin, xmax)
参数：

  • xmin: x轴上的最小值
  • ymin: x轴上的最大值
  • 平移性：plt.ylim(ymin, ymax)

1.5 xlabel

函数：plt.xlabel(string)
参数：

  • string: 标签文本内容
  • 平移性：plt.ylabel(string)

1.6 grid

函数：plt.grid(linestyle=‘:’, color="r)
参数：

  • linestyle: 网格线的线条风格
  • color: 网格线的线条颜色

1.7 axhline

绘制平行与x轴的水平参考线
函数：plt.axhline(y=0, c=‘b’, ls=‘–’, lw=2)
参数:

  • y: 水平参考线的出发点
  • c: 参考线的线条颜色
  • ls: 参考线的线条风格
  • lw: 参考线的线条宽度
  • 平移性: plt.axvline(), 绘制平行与y轴的参考线

1.7 axvspan

绘制垂直于x轴的参考区域。
函数：plt.axvspan(xmin=1, xmax=2, facecolor=‘y’, alpha=0.3)
参数：

  • xmin: 参考区域的起始位置。
  • ymin: 参考区域的终止位置。
  • facecolor: 参看区域的填充颜色。
  • alpha: 参考区域的填充颜色的透明度。
  • 平移性: axhspan()
import numpy as np
from matplotlib import pyplot as plt

x = np.linspace(0.05, 10, 1000)
y = np.sin(x)

plt.plot(x, y, ls='-.', c="c", label="sin(x)")

plt.legend()

plt.axvspan(xmin=4.0, xmax=6.0, facecolor="y", alpha=0.3)
plt.axhspan(ymin=0.0, ymax=0.5, facecolor="y", alpha=0.3)

plt.show()

在这里插入图片描述

1.8 annotate

添加图形内容细节的指向型注释文本。
函数：plt.annotate(“maximum”, xy=(np.pi / 2, 1), xytext=((np.pi / 2) + 1, .8), weight=“bold”, color=‘b’, arrowprops=dict(arrowstyle=“->”, connectionstyle=“arc3”, color=“b”))
参数：

  • string: 图形内容的注释文本。
  • xy: 被注释图形内容的位置坐标。
  • xytext: 注释文本的位置坐标。
  • weight: 注释文本的字体粗细风格。
  • color: 注释文本的字体颜色。
  • arrowprops: 指示被注释内容的箭头的属性字典。
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0.05, 10, 1000)
y = np.sin(x)

plt.plot(x, y, ls="-.", lw=2, c="g", label='sin(x)')
plt.legend()

plt.annotate("maximum", xy=(np.pi / 2, 1), xytext=((np.pi / 2) + 1, .8), weight="bold", color='black',
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3", color="r"))

plt.show()

在这里插入图片描述

1.9 text

添加图形内容细节的无指向型注释文本
函数：plt.text(4, 0.1, “y=sin(x)”, weight=“bold”, color=“b”)
参数：

  • x: 注释文本内容所在位置的横坐标
  • y: 注释文本内容所在位置的纵坐标
  • string： 注释文本内容
  • weight: 注释文本内容的粗细风格
  • color: 注释文本内容的字体颜色
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0.05, 10, 1000)
y = np.sin(x)

plt.plot(x, y, ls='-.', lw=2, c="c", label="sin(x)")

plt.legend()
plt.text(4, 0.1, "y=sin(x)", weight="bold", color="b")
plt.show()

在这里插入图片描述

1.10 title

添加图形内容的标题
函数：plt.title(string)
参数：

  • string: 图形内容的标题文本

2 常见图形绘制

2.1 bar——柱状图

函数：plt.bar(x, y, align=“center”, color=“c”, tick_label=x_label, hatch=“/”)
参数：

  • x: 柱状图中的柱体标签值。
  • y: 柱状图中的柱体高度。
  • align: 柱体对齐方式
  • color: 柱体颜色
  • tick_label: 刻度标签值
  • alpha: 柱体的透明度
  • hatch: 柱体的填充样式，如"/", “\”, “|”, "-"等，符号字符串的符号数量越多，柱体的几何图形的密集程度就越高。
import matplotlib as mpl
import matplotlib.pyplot as plt
from plotly.figure_factory import np

mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

x = [i for i in range(0, 10, 1)]
y = np.random.randint(1, 20, size=10)

x_label = [chr(i) for i in range(97, 97+10, 1)]
plt.bar(x, y, align="center", color="c", tick_label=x_label, hatch="/")

plt.xlabel("x")
plt.ylabel("y")
plt.show()

在这里插入图片描述

2.2 barh——条形图

import matplotlib as mpl
import matplotlib.pyplot as plt
from plotly.figure_factory import np

mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

x = [i for i in range(0, 10, 1)]
y = np.random.randint(1, 20, size=10)

x_label = [chr(i) for i in range(97, 97+10, 1)]
plt.barh(x, y, align="center", color="c", tick_label=x_label, hatch="/")

plt.xlabel("x")
plt.ylabel("y")
plt.show()

在这里插入图片描述

2.3 hist——直方图

直方图是用来展现连续型数据分布特征的统计图形，利用直方图可直观地分析出数据的集中趋势和波动情况。
函数：plt.hist(x)
参数：

  • x: 连续型数据输入值
  • bins: 用于确定柱体的个数或是柱体边缘范围
  • color: 柱体的颜色
  • histtype: 柱体类型
  • label: 图例内容
  • rwidth: 柱体宽度
import matplotlib as mpl
import matplotlib.pyplot as plt
from plotly.figure_factory import np

mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

x = np.random.randint(0, 10, 100)
y = range(0, 6, 1)

plt.hist(x, bins=y, color='c', histtype="bar", rwidth=1, alpha=0.6)

plt.xlabel("x")
plt.ylabel("y")
plt.show()

在这里插入图片描述
除最后一个柱体的数据范围是闭区间，其它柱体的数据范围都是左闭右开区间。
总结，柱状图与直方图的区别：
直方图描述的是连续型数据的分布，柱状图描述的是离散型数据分布；柱状图的柱体之间有空隙，直方图的柱体之间无空隙。

堆积直方图

import matplotlib as mpl
import matplotlib.pyplot as plt
from plotly.figure_factory import np

mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

x1 = np.random.randint(0, 10, 100)
x2 = np.random.randint(0, 10, 100)
y = range(0, 10, 1)

plt.hist([x1, x2], bins=y, color=['c', 'y'], histtype="bar", rwidth=1, stacked=True, alpha=0.6)

plt.xlabel("x")
plt.ylabel("y")
plt.show()

在这里插入图片描述

阶梯型直方图

将hist()的histtype改为stepfilled即可绘制阶梯型直方图

import matplotlib as mpl
import matplotlib.pyplot as plt
from plotly.figure_factory import np

mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

x1 = np.random.randint(0, 10, 100)
x2 = np.random.randint(0, 10, 100)
y = range(0, 10, 1)
labels = ['a', 'b']
plt.hist([x1, x2], bins=y, color=['c', 'y'], histtype="stepfilled", rwidth=1, stacked=True, label=labels)

plt.xlabel("x")
plt.ylabel("y")
plt.legend()
plt.show()

在这里插入图片描述

2.4 pie——饼图

绘制不同类型数据的百分比，通过饼图可以清楚地观察数据的占比情况。
函数：plt.pie(soldNums, explode=explode, labels=kinds, autopct=“%3.1f%%”, startangle=45, shadow=True, colors=colors)
参数：

  • soldNums: 相当于x，并不是参数名称，要绘制的百分比列表
  • explode：饼片边缘偏离半径的百分比
  • labels: 标记每份饼片的文本标签内容
  • autopct: 饼片文本标签内容对应的数值百分比样式
  • startangle: 从x轴作为起始位置，第一个饼片逆时针旋转的角度
  • shadow: 是否绘制饼片的阴影
  • colors: 饼片的颜色
  • 其它参数，pctdistance: 百分比数值的显示位置，以半径长度比例值作为显示位置依据
  • 其它参数，labeldistance: 标签值的显示位置，以半径长度比例值作为显示位置依据

示例1

import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

kinds = "a", "b", "c", "d"
soldNums = [0.3, 0.2, 0.4, 0.1]
colors = ['g', 'r', 'b', 'black']
plt.pie(soldNums, labels=kinds, autopct="%3.2f%%", startangle=60, colors=colors)

plt.title("不同类型占比")
plt.show()

在这里插入图片描述

示例2

import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

kinds = "a", "b", "c", "d"
soldNums = [0.3, 0.2, 0.4, 0.1]
colors = ['g', 'r', 'b', 'black']
explode = (0.1, 0.1, 0.1, 0.1)
plt.pie(soldNums, explode=explode, labels=kinds, autopct="%3.1f%%", startangle=45, shadow=True, colors=colors)

plt.title("不同类型占比")
plt.show()

在这里插入图片描述

内嵌环饼形图

将饼图嵌套，可观察多组数据的比例分布

import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

kinds = ["a", "b", "c", "d"]
weight1 = [0.3, 0.2, 0.4, 0.1]
weight2 = [0.2, 0.25, 0.35, 0.2]
colors = ['g', 'r', 'b', 'black']
outer_colors = colors
inner_colors = colors
wedges1, texts1, autotexts1 = plt.pie(weight1, autopct="%3.1f%%", radius=1, pctdistance=0.85, colors=outer_colors, textprops=dict(color="w"),
        wedgeprops=dict(width=0.3, edgecolor="w"))
wedges2, texts2, autotexts2 = plt.pie(weight2, autopct="%3.1f%%", radius=0.65, pctdistance=0.7, colors=inner_colors, textprops=dict(color="w"),
        wedgeprops=dict(width=0.3, edgecolor="w"))
plt.legend(wedges1, kinds, fontsize=12, title="比例", loc="best", bbox_to_anchor=(0.6, 0, 0.4, 1))
plt.setp(autotexts1, size=12, weight="bold")
plt.setp(autotexts2, size=12, weight="bold")
plt.setp(texts1, size=12)
plt.title("不同类型占比")
plt.show()

在这里插入图片描述

2.5 polar——极线图

在极坐标轴上绘制折线图
函数：plt.plot(theta, r)
参数：

  • theta: 每个标记所在射线与极径的夹角。
  • r: 每个标记到原点的距离。
import matplotlib.pyplot as plt
import numpy as np

barSlices = 12

theta = np.linspace(0, 2*np.pi, barSlices, endpoint=False)
r = 30*np.random.rand(barSlices)
plt.polar(theta, r, color="chartreuse", linewidth=2, marker="*", mfc="b", ms=10)
plt.show()

在这里插入图片描述

2.6 scatter——气泡图

二维数据借助气泡大小展示三维数据
函数：plt.scatter(x, y)
参数：

  • x: x轴上的数值。
  • y: y轴上的数值。
  • c: 散点标记的颜色。
  • cmap: 将浮点数映射成颜色的颜色映射表。
import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np

a = np.random.randn(50)
b = np.random.randn(50)

plt.scatter(a, b, s=np.power(10*a+20*b, 2), c=np.random.rand(50), cmap=mpl.cm.RdYlBu, marker="o")
plt.show()

在这里插入图片描述

2.7 stem——棉棒图

绘制离散有序数据
函数: plt.stem(x, y)
参数：

  • x: 指定棉棒的x轴基线上的位置
  • y: 绘制棉棒的长度
  • linefmt: 棉棒的样式
  • markerfmt : 棉棒末端的样式
  • basefmt: 指定基线的样式
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0.5, 2*np.pi, 20)
y = np.random.randn(20)

plt.stem(x, y, linefmt="-.", markerfmt="o", basefmt="-")
plt.show()

在这里插入图片描述

2.8 boxplot——箱线图

箱线图是由一个箱体和一对箱须所组成的统计图形。箱体是由第一四分位数、中位数(第二四分位数)和第三分位数所组成的。在箱须的末端之外的数值可以理解为离群值。箱须是对一组数据范围的大致直观描述。

示例1

  • x: 绘制箱线图的输入数据
import matplotlib.pyplot as plt
import numpy as np

x = np.random.randn(100)

plt.boxplot(x)

plt.xticks([1], ["x"])
plt.ylabel("y")

plt.grid(axis="y", ls=":", lw=1, color="black", alpha=0.5)
plt.show()

在这里插入图片描述

示例2

函数：bplot = plt.boxplot(testList, whis=whis, widths=width, sym=“o”, labels=labels, patch_artist=True)
参数：

  • testList: 绘制箱线图的输入数据
  • whis: 四分位间距的倍数，用来确定箱须包含数据的范围大小
  • widths: 设置箱体的宽度
  • sym: 离群值的标记样式
  • labels: 每一个数据集的刻度标签
  • patch_artist: 是否给箱体添加颜色
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"]=False	# 显示负数

testA = np.random.randn(1000)
testB = np.random.randn(1000)

testList = [testA, testB]
labels = ["A", "B"]
colors = ["y", "g"]

whis = 1.6
width = 0.35

bplot = plt.boxplot(testList, whis=whis, widths=width, sym="o", labels=labels, patch_artist=True)
for patch, color in zip(bplot["boxes"], colors):
    patch.set_facecolor(color)

plt.ylabel("随机数值")
plt.grid(axis="y", ls=":", lw=1, color="gray", alpha=0.4)
plt.show()

在这里插入图片描述

2.9 errorbar——误差棒图

绘制y轴方向或是x轴方向的误差范围
函数：

  • x: 数据点的水平位置
  • y: 数据点的垂直位置
  • yerr: y轴方向的数据点的误差计算方法
  • xerr: x轴方向的数据点的误差计算方法
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0.1, 1, 10)
y = np.exp(x)

plt.errorbar(x, y, fmt="bo:", yerr=0.2, xerr=0.05)

plt.xlim(0, 1.1)
plt.show()

在这里插入图片描述

3 常用统计图

3.1 堆积柱状图

令函数bar中的参数bottom=y可输出堆积柱状图

import matplotlib as mpl
import matplotlib.pyplot as plt

mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

x = [i for i in range(5)]
y = [i for i in range(5)]
y1 = [1 for i in range(5)]

plt.bar(x, y, align="center", color="c", tick_label=["a", "b", "c", "d", "e"], label='y')
plt.bar(x, y1, align="center", bottom=y, color="g", tick_label=["a", "b", "c", "d", "e"], label='y1')

plt.xlabel("x")
plt.ylabel("y")
plt.legend()

plt.show()

在这里插入图片描述

3.2 堆积条形图

令函数bar中的参数left=y可输出堆积柱状图

import matplotlib as mpl
import matplotlib.pyplot as plt

mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

x = [i for i in range(5)]
y = [i for i in range(5)]
y1 = [1 for i in range(5)]

plt.barh(x, y, align="center", color="c", tick_label=["a", "b", "c", "d", "e"], label='y')
plt.barh(x, y1, align="center", left=y, color="g", tick_label=["a", "b", "c", "d", "e"], label='y1')

plt.xlabel("x")
plt.ylabel("y")
plt.legend()

plt.show()

在这里插入图片描述

3.3 并列柱状图

并列柱状图的只是单个柱状图的叠加而已，仅需注意叠加的柱状图的x的起始位置。

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

x = np.arange(5)
y = [i for i in range(5)]
y1 = [1 for i in range(5)]

bar_width = 0.35
tick_label = ["a", "b", "c", "d", "e"]

plt.bar(x, y, bar_width, align="center", color="c",  label='y', alpha=0.5)
plt.bar(x+bar_width, y1, bar_width, align="center", color="g", label='y1', alpha=0.5)

plt.xlabel("x")
plt.ylabel("y")
plt.legend()

plt.show()

在这里插入图片描述

3.4 并列条形图

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

mpl.rcParams["font.sans-serif"] = ["SimHei"]
mpl.rcParams["axes.unicode_minus"] = False

x = np.arange(5)
y = [i for i in range(5)]
y1 = [1 for i in range(5)]

bar_width = 0.35
tick_label = ["a", "b", "c", "d", "e"]

plt.barh(x, y, bar_width, align="center", color="c",  label='y', alpha=0.5)
plt.barh(x+bar_width, y1, bar_width, align="center", color="g", label='y1', alpha=0.5)

plt.xlabel("x")
plt.ylabel("y")
plt.legend()

plt.show()

在这里插入图片描述

3.5 堆积折线图

堆积折线图是通过绘制不同数据集的折线图而产生的。堆积折线图是按照垂直方向上彼此堆叠且又不相互覆盖的排列顺序，绘制若干条折线图而形成的组合图形。

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1, 5, 1)
y = [i for i in range(4)]
y1 = [1 for i in range(4)]
y2 = [2, 3, 1, 4]

labels = ['y', 'y1', 'y2']
colors = ['b', 'g', 'c', 'yellow']

plt.stackplot(x, y, y1, y2, labels=labels, colors=colors)
plt.legend(loc="best")

plt.show()

在这里插入图片描述

3.6 间断条形图

间断条形图是在条形图的基础上绘制而成的，主要用来可视化定向数据的相同指标在时间维度上的指标值的变化情况，实现定性数据的相同指标的变化情况的有效直观比较。

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

mpl.rcParams["font.sans-serif"]=["SimHei"]
mpl.rcParams["axes.unicode_minus"]=False

plt.broken_barh([(10, 15), (35, 20), (60, 5)], (12, 8), facecolors="yellow")
plt.broken_barh([(5, 10), (20, 2), (28, 6), (40, 3)], (2, 8), facecolors=("r", 'b', 'g', 'c'))

plt.xlim(0, 70)
plt.ylim(0, 20)
plt.xlabel("播放时间")

plt.xticks(np.arange(0, 70, 10))
plt.yticks([16, 6], ["公益性广告", "食品类广告"])
plt.grid(ls=":", lw=1, color="gray")
plt.title("不同广告的播放时长")

plt.show()

在这里插入图片描述
(10, 15)表示从起点是x轴的数值为10的位置起，沿x轴正方向移动15个单位。
(12, 8)表示从起点是y轴的数值为10的位置起，沿y轴正方向移动8个单位，即柱体的高度和垂直起始位置。

3.7 阶梯图

阶梯图常用中时间序列数据的可视化任务中，表示时序数据的波动周期和规律

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(1, 7, 7)
y = np.sin(x)

plt.step(x, y, color="r", where="pre", lw=2)
plt.xlim(0, 8)
plt.xticks(np.arange(1,7,1))
plt.ylim(-1.1, 1.1)

plt.show()

在这里插入图片描述

where的取值"pre”, 表示x轴上的每个数据点对应的y轴上的数值向左侧绘制水平线直x轴上的此数据点的左侧相邻数据点为止，取值是按照左开右闭区间进行数据点选取的。除“pre”外也可取值"post", 表示在x轴上的相邻数据点的取值是按照左闭右开区间进行数据点选取的。

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/485616.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

计算机三级——网络技术（综合题第五题）

计算机三级——网络技术（综合题第五题）

第一题 填写路由器RG的路由表项①至④。 目的网络／掩码长度输出端口输出端口172.19.63.192／30S0(直接连接)172.19.63.188／30S1(直接连接) 路由器RG的S0的IP地址是172.19.63.193，路由器RE的S0的IP地址是172.19.63.194。 【解析】…
阅读更多...
【Hive】HIVE运行卡死没反应

【Hive】HIVE运行卡死没反应

Hive运行卡死 再次强调 hive：小兄弟，没想到吧，咱可不是随便的人。😄 那么，这次又遇见了hadoop问题，问题描述是这样的。 hive> insert into test values(1, nucty, 男); Query ID atguigu_202403241754…
阅读更多...
Spring Boot整合Spring Security

Spring Boot整合Spring Security

Spring Boot 专栏：Spring Boot 从零单排 Spring Cloud 专栏：Spring Cloud 从零单排 GitHub：SpringBootDemo Gitee：SpringBootDemo Spring Security是针对Spring项目的安全框架，也是Spring Boot底层安全模块的默认技术…
阅读更多...
MRC是谁？- 媒体评级委员会 Media Rating Council

MRC是谁？- 媒体评级委员会 Media Rating Council

在在线广告的世界里，有许多不同的技术和实践用于提供和衡量广告。对于广告商、出版商和营销人员来说，了解这些技术是如何工作的以及如何有效使用这些技术很重要。在这方面发挥关键作用的一个组织是媒体评级委员会（MRC）。 1. 了解…
阅读更多...
[Linux]文件系统

[Linux]文件系统

1.理解文件系统 Linux磁盘文件特性：内容加属性，内容大小是不确定的，但是属性大小是一定的，并且内容和属性是分开存储的。文件属性是用一个结构体来定义的，在Linux中，该结构体是固定128字节大小如下代码: …
阅读更多...
LC 98.验证二叉搜索树

LC 98.验证二叉搜索树

98.验证二叉搜索树 给你一个二叉树的根节点 root ，判断其是否是一个有效的二叉搜索树。 有效 二叉搜索树定义如下： 节点的左子树只包含 小于 当前节点的数。节点的右子树只包含 大于 当前节点的数。所有左子树和右子树自身必须也是二叉搜索树。 示例…
阅读更多...
Vue cli创建项目时键盘操作无效；vue3.0项目搭建自定义配置

Vue cli创建项目时键盘操作无效；vue3.0项目搭建自定义配置

一. 问题描述 在创建vue3.0项目时，在建好的文件夹，鼠标右键 git bash 使用 vue create my-vue3.0创建新项目时，键盘方向键失效，无法选中对应的选项（交互提示符不工作） 解决方案： 方案一 使用…
阅读更多...
架构评估方法相关知识总结

架构评估方法相关知识总结

一、架构评估中的重要概念 定义：软件架构评估是在对架构分析、评估的基础上，对架构策略的选取进行决策。 常用系统架构评估的方式： 1. 基于调查问卷或检查表的方法：该方法的关键是设计好问卷或检查表。缺点是在很大 程度上依赖于评…
阅读更多...
华为北向网管NCE开发教程（5）打包org.omg.CosNotification找不到

华为北向网管NCE开发教程（5）打包org.omg.CosNotification找不到

1问题描述 在IDE中，代码能正常运行，但是打包的时候，会抱不到一些类 2问题原因 导入的本地包中，能在IDE中找到，但是在使用maven打包时，maven找不到这些依赖包 3解决办法 将依赖包通过maven安装到maven…
阅读更多...
算法沉淀 —— 动态规划篇（斐波那契数列模型）

算法沉淀 —— 动态规划篇（斐波那契数列模型）

算法沉淀 —— 动态规划篇（斐波那契数列模型） 前言一、第 N 个泰波那契数二、三步问题三、使用最小花费爬楼梯四、解码方法 前言 几乎所有的动态规划问题大致可分为以下5个步骤，后续所有问题分析都将基于此 1.、状态表示：通常状态…
阅读更多...
Matlab|【免费】基于数据驱动的模型预测控制电力系统机组组合优化

Matlab|【免费】基于数据驱动的模型预测控制电力系统机组组合优化

目录 1 主要内容 2 部分代码 3 程序结果 4 下载链接 1 主要内容 该程序复现文章《Feature-Driven Economic Improvement for Network-Constrained Unit Commitment: A Closed-Loop Predict-and-Optimize Framework》，程序主要做的是一个基于数据驱动的电力系统机…
阅读更多...
YOLO算法改进Backbone系列之：CoaT

YOLO算法改进Backbone系列之：CoaT

在本文中，我们提出了co-scale conv-attention image transformer（CoaT），这是一种基于Transformer的图像分类器，配备了co-scale和conv-attention机制。首先，co-scale机制在各个尺度上保持Transformer编码器支…
阅读更多...
09、ArrayList

09、ArrayList

ArrayList 文章目录 ArrayList集合与数组ArrayList集合进阶集合体系结构Collection集合List集合（接口）数据结构ArrayList集合LinkedList集合 Set集合HashSet 双列集合创建不可变集合 集合与数组 自动扩容 无法存储基本数据类型，只能将其变为…
阅读更多...
【C++】CC++内存管理

【C++】CC++内存管理

目录 一、C/C内存分布二 、C语言中动态内存管理方式：malloc/calloc/realloc/free三、 C内存管理方式3.1 new/delete操作内置类型3.2 new和delete操作自定义类型3.3 长度域 四、operator new与operator delete函数五、new和delete的实现原理5.1 内置类型5.2 自定义类…
阅读更多...
K8S--水平自动扩缩容实战演练

K8S--水平自动扩缩容实战演练

原文网址：K8S--水平自动扩缩容实战演练-CSDN博客 简介 本文用实例来展示K8S的自动扩缩容（水平方向）。 官网网址 HorizontalPodAutoscaler 演练 | Kubernetes 为 Pod 和容器管理资源 | Kubernetes 水平扩缩的原理 水平扩缩容&#xff…
阅读更多...
阿里云-零基础入门NLP【基于深度学习的文本分类3-BERT】

阿里云-零基础入门NLP【基于深度学习的文本分类3-BERT】

文章目录 学习过程赛题理解学习目标赛题数据数据标签评测指标解题思路BERT代码 学习过程 20年当时自身功底是比较零基础(会写些基础的Python[三个科学计算包]数据分析)，一开始看这块其实挺懵的，不会就去问百度或其他人，当时遇见困难挺害怕的…
阅读更多...
NKCTF2024-Eznative

NKCTF2024-Eznative

首先使用blutter解析，拿到如上的output文件 先看看asm 都被混淆了，真的是太可恶了。 查看libapp.so的内容 一点符号都不给，首先我们使用LoadScript File去添加一部分符号 加载之前解析的 恢复了一部分，但是没有什么乱用啊 这个时候…
阅读更多...
微服务（基础篇-002-Ribbon）

微服务（基础篇-002-Ribbon）

目录 Ribbon负载均衡（1） 负载均衡的原理（1.1） 负载均衡策略（1.2） Ribbon-IRule(1.2.1) 修改负载均衡的方法（1.2.2） 懒加载（1.3） 饥饿加载（1…
阅读更多...
吴恩达2022机器学习专项课程(一） 3.3 成本函数的公式

吴恩达2022机器学习专项课程(一） 3.3 成本函数的公式

问题预览 模型的参数（w和b）有什么作用？不同的w和b对线性回归模型有什么影响？训练集里的y和线性回归模型预测的y（y帽）的区别是什么？成本函数的作用是什么？成本函数的公式是什么&…
阅读更多...
【PyQt】19-数据操作

【PyQt】19-数据操作

数据表 前言一、显示二维表数据（QTableView控件）扩展知识---MVC模式1.1 代码1.2 运行结果 二、显示列数据（QListView控件）2.1 代码2.2 运行结果2.3 扩展---列表控件（QListWidget）运行结果 总结 前言 一、显…
阅读更多...
最新文章

Copyright @ 2022~2023