数据可视化实验五：seaborn绘制进阶图形

目录

一、绘制动态轨迹图

1.1 代码实现

1.2 绘制结果

二、使用seaborn绘制关系图

2.1 绘制散点图分析产品开发部已离职的员工的评分与平均工作时间

2.1.1 代码实现

2.1.2 绘制结果

​编辑

2.2 基于波士顿房价数据，绘制房间数和房屋价格的折线图

2.2.1 代码实现

2.2.2 绘制结果

2.3 基于人员离职数据，绘制IT部部门员工工龄、年度评分折线图

2.3.1 代码实现

2.3.2 绘制结果

2.4 基于波士顿房价数据绘制热力图

2.4.1 代码实现

2.4.2 绘制结果

2.5 基于波士顿房价数据绘制犯罪率、一氧化氮含量、房间数与房屋价格两两之间的相关性

2.5.1 代码实现

2.5.2绘制结果

2.6 基于人员离职率数据，对销售部已离职的员工数据绘制不同颜色的数据子集

2.6.1 代码实现

2.6.2 绘制结果

2.7 根据销售部已离职的员工数据，通过relplot函数绘制单构面散点图

2.7.1 代码实现

2.7.2 绘制结果

2.8 根据部门为IT部的数据，传入分类变量薪资和工作事故到col和row中，绘制网格图

2.8.1 代码实现

2.8.2 绘制结果

三、使用seaborn绘制分类图

3.1基于离职率数据，使用barplot函数绘制各部门人员总数条形图

3.1.1 代码实现

3.1.2 绘制结果

3.2 基于人员离职率数据绘制x轴与y轴显示数据的计数图

3.2.1 代码实现

3.2.2 绘制结果

3.3 基于波士顿房价数据绘制单变量分布图

3.3.1 代码实现

3.3.2 绘制结果

3.4 基于人员离职率数据，绘制简单水平分布散点图分析销售部已离职的员工每月平均工作小时

3.4.1 代码实现

3.4.2 绘制结果

3.5 基于人员离职率数据，根据高薪在职的员工数据，使用swarmplot函数绘制简单的分布密度散点图

3.5.1 代码实现

3.5.2 绘制结果

3.6 波士顿房价数据绘制普通箱线图与增强箱线图

3.6.1 代码实现

3.6.2 绘制结果

3.7 基于波士顿房价数据，通过pairplot函数绘制多变量之间的关系图

3.7.1 代码实现

四、使用seaborn绘制回归图

4.1 基于波士顿房价数据，利用regplot函数绘制修改置信区间ci参数前后的线性回归拟合图

4.1.1 代码实现

4.1.2 绘制结果

4.2 基于波士顿房价数据，以河流穿行为类别绘制低收入人群与房屋价格两个变量的回归网格组合图

4.2.1 代码实现

4.2.2 绘制结果

end～

人的一生可能根本没有分明的四季，一直在光影斑驳的林子下走走停停。

一、绘制动态轨迹图

1.1 代码实现

# 导入必要库
from pyecharts.charts import Geo
from pyecharts.globals import ChartType
from pyecharts import options as opts

# 修改已有的数据
z1 = [
    ("四川省", "北京市"),
    ("江西省", "西安市"),
]

geo = (
    # 设置图形大小
    Geo(init_opts=opts.InitOpts(width="1200px", height="600px"))
    .add_schema(
        # 地图类型为中国地图
        maptype="china",
        itemstyle_opts=opts.ItemStyleOpts(color="#99CCCC", border_color="black"),
        label_opts=opts.LabelOpts(is_show=True),
    )
    .add(
        "动态轨迹图 ",
        z1,
        # 参数设计
        label_opts=opts.LabelOpts(is_show=False),
        type_=ChartType.LINES,
        effect_opts=opts.EffectOpts(symbol_size=8, color="red"),
        linestyle_opts=opts.LineStyleOpts(curve=0.3),
    )
    .set_global_opts(title_opts=opts.TitleOpts(title="动态轨迹图  author：张志豪  2024-4-8"))
)

# 保存为图片
geo.render("geo_dynamic_trajectory.png")

1.2 绘制结果

二、使用seaborn绘制关系图

2.1 绘制散点图分析产品开发部已离职的员工的评分与平均工作时间

2.1.1 代码实现

from matplotlib import pyplot as plt
import pandas as pd
import seaborn as sns

# 忽略警告
import warnings
warnings.filterwarnings('ignore')

# 使用seaborn库绘图
sns.set_style('whitegrid', {'font.sans-serif':['simhei', 'Arial']})

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 提取部门为产品开发部、离职为1的数据
product = hr.iloc[(hr['部门'].values == '产品开发部') & (hr['离职'].values == 1), :]

# 绘制评价分数与平均工作时间的散点图
ax = sns.scatterplot(x='评分', y='每月平均工作小时数（小时）', data=product)

# 设置图表标题
plt.title('评价分数与平均工作时间散点图1 --张志豪')

# 显示图表1
plt.show()

markers = {'低': 'o', '中': 'D', '高': 's'}

# 绘制评价分数与平均工作时间的散点图，并根据薪资水平使用不同的标记
sns.scatterplot(x='评分', y='每月平均工作小时数（小时）', hue='薪资', style='薪资', markers=markers, data=product)

# 设置图表标题
plt.title('评价分数与平均工作时间散点图2 --张志豪')

# 显示图表2
plt.show()

2.1.2 绘制结果

注：散点图2是在散点图1的基础上添加了第三个分类变量，可以通过对点着色（故称色调语义）和改变标记来显示分类变量，以突显每个类别。

2.2 基于波士顿房价数据，绘制房间数和房屋价格的折线图

2.2.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

# 绘制折线图
sns.lineplot(x='房间数（间）', y='房屋价格（千美元）', data=boston, ci=0)

# 添加标题和坐标轴标签
plt.title('房间数与房屋价格')
plt.xlabel('房间数（间）')
plt.ylabel('房屋价格（千美元）')

# 显示图例
plt.legend(['房屋价格'], loc='upper left')

# 显示图形
plt.show()

2.2.2 绘制结果

由下图可知，折线具有较大的波动性，但整体呈现向上的趋势，可以大致认为当房间数相对较少时，房屋价格也相对较低；当房间数相对较多时，房屋价格逐渐升高。

2.3 基于人员离职数据，绘制IT部部门员工工龄、年度评分折线图

2.3.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 提取IT部门的数据
IT = hr[hr['部门'] == 'IT部']

# 绘制折线图，修改线的颜色
sns.lineplot(x='工龄（年）', y='评分', hue='离职', data=IT, ci=0,
             color=['red', 'blue'], linewidth=2)

# 添加标题和坐标轴标签
plt.title('工龄与上年度评价 --张志豪')
plt.xlabel('工龄（年）')
plt.ylabel('评分')

# 显示图例
plt.legend(title='离职', loc='upper right')

# 显示图形
plt.show()

2.3.2 绘制结果

2.4 基于波士顿房价数据绘制热力图

2.4.1 代码实现


import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 加载波士顿房价数据集
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 设置负号显示正常
plt.rcParams['axes.unicode_minus'] = False

# 计算特征相关系数矩阵
corr = boston.corr()

# 绘制热力图，添加数据标记
plt.figure(figsize=(4, 4)) # 设置合适的大小
sns.heatmap(corr, annot=True, fmt='.2f')

# 添加标题
plt.title('特征矩阵热力图 --张志豪')

# 显示图形
plt.show()

2.4.2 绘制结果

2.5 基于波士顿房价数据绘制犯罪率、一氧化氮含量、房间数与房屋价格两两之间的相关性

2.5.1 代码实现

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

# 绘制两两变量之间的相关性矩阵图
g = sns.PairGrid(boston, vars=['犯罪率', '一氧化氮含量（ppm）', '房间数（间）', '房屋价格（千美元）'])
g = g.map(plt.scatter)

# 添加总标题
plt.suptitle('矩阵网格图 --张志豪', verticalalignment='bottom', y=0.98)

# 显示图形
plt.show()

2.5.2绘制结果

2.6 基于人员离职率数据，对销售部已离职的员工数据绘制不同颜色的数据子集

2.6.1 代码实现

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 提取部门为销售部，离职为1的数据
sell = hr.loc[(hr['部门'].values == '销售部') & (hr['离职'].values == 1), :]

# 设置图形大小
plt.figure(figsize=(10, 6))

# 绘制矩阵网格图
g = sns.PairGrid(sell,
                 vars=['满意度', '评分', '每月平均工作小时数（小时）'],
                 hue='薪资', palette='Set3')
g = g.map_diag(sns.kdeplot)
g = g.map_offdiag(plt.scatter)

# 添加总标题
plt.suptitle('不同颜色的矩阵网格图 --张志豪', verticalalignment='bottom', y=0.98)

# 显示图形
plt.show()

2.6.2 绘制结果

2.7 根据销售部已离职的员工数据，通过relplot函数绘制单构面散点图

2.7.1 代码实现

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 提取部门为销售部，离职为1的数据
sell = hr.loc[(hr['部门'].values == '销售部') & (hr['离职'].values == 1), :]

# 绘制单构面散点图
sns.relplot(x='满意度', y='评分', hue='薪资', data=sell)

# 添加标题
plt.title('满意度水平与上年度评价',loc='center')

# 显示图形
plt.show()

2.7.2 绘制结果

由图可知，在销售部部门且已经离职的员工中，人员评估分数越高，员工对公司的满意度越高。

2.8 根据部门为IT部的数据，传入分类变量薪资和工作事故到col和row中，绘制网格图

2.8.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 提取部门为IT部的数据
IT = hr[hr['部门'] == 'IT部']

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 绘制第一个网格图
sns.relplot(x='满意度', y='评分', hue='5年内升职', row='薪资', col='工作事故', data=IT)
# 设置主标题
plt.suptitle('IT网格图1 -- 张志豪', y=0.99)
plt.show()

# 绘制第二个网格图
sns.relplot(x='满意度', y='评分', hue='5年内升职', col='工作事故', col_wrap=1, data=IT)
# 设置主标题
plt.suptitle('IT网格图2 -- 张志豪', horizontalalignment='left', verticalalignment='bottom', x=0, y=0.98)

# 显示图形
plt.show()

# 显示图形
plt.show()

plt.show()

2.8.2 绘制结果

注：这两个图的title设置花了较多时间，包括一些参数的设置

三、使用seaborn绘制分类图

3.1基于离职率数据，使用barplot函数绘制各部门人员总数条形图

3.1.1 代码实现

from matplotlib import pyplot as plt
import pandas as pd
import seaborn as sns
import math

# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')
hr = pd.read_csv('hr.csv', encoding='gbk')

# 使用seaborn库绘图
sns.set_style('whitegrid', {'font.sans-serif': ['simhei', 'Arial']})

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']

# 计算各部门的人数并获取部门名称
count = hr['部门'].value_counts()
index = count.index

# 绘制各部门人数的条形图
sns.barplot(x=count, y=index)

# 设置x轴标签旋转角度
plt.xticks(rotation=45)

# 设置x轴和y轴的标签
plt.xlabel('部门')
plt.ylabel('总数')

# 设置图表标题
plt.title('各部门人数对比')

# 显示图表
plt.show()

3.1.2 绘制结果

3.2 基于人员离职率数据绘制x轴与y轴显示数据的计数图

3.2.1 代码实现

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

# 设置中文字体和绘图风格
sns.set_style('whitegrid', {'font.sans-serif': ['simhei', 'Arial']})
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 创建一个新的图形窗口，并设置大小为宽8英寸，高4英寸
plt.figure(figsize=(8, 4))

# 创建第一个子图（1行2列中的第1个）
plt.subplot(1, 2, 1)  # 子图参数为(行数, 列数, 子图索引)
# 绘制工龄(年）的计数图，并设置x轴标签
sns.countplot(x=hr['工龄（年）'])  # 使用列索引来引用数据
plt.title('x轴显示数据的计数图 --张志豪')  # 设置子图标题
plt.ylabel('计数')  # 设置y轴标签

# 创建第二个子图（1行2列中的第2个）
plt.subplot(1, 2, 2)  # 子图参数为(行数, 列数, 子图索引)
# 绘制工龄(年）的计数图，并设置y轴标签
sns.countplot(y=hr['工龄（年）'])  # 使用列索引来引用数据
plt.title('y轴显示数据的计数图 --张志豪')  # 设置子图标题
plt.xlabel('计数')  # 设置x轴标签

# 显示图表
plt.show()

3.2.2 绘制结果

由图可知，不同工龄的员工数量，其中工龄为3的员工数量最多，其次是工龄为2和4的，工龄为7、8、10的员工数量都相对较少，说明了公司员工在工作到一定时间后有离职的情况。

3.3 基于波士顿房价数据绘制单变量分布图

3.3.1 代码实现

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

# 使用seaborn库绘制单变量的分布图
sns.distplot(boston['财产税'], kde=False)

# 设置图表标题
plt.title('单变量的分布图 --张志豪')

# 设置y轴标签
plt.ylabel('数量')

# 添加网格线
plt.grid(True)

# 显示图表
plt.show()

3.3.2 绘制结果

由图可知，每1万美元的全额物业税率，即财产税，主要集中在200~400和600~700区间，且在200~400区间的数量相关较大。

3.4 基于人员离职率数据，绘制简单水平分布散点图分析销售部已离职的员工每月平均工作小时

3.4.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 提取部门为销售部、离职为1的数据
sale = hr.iloc[(hr['部门'].values == '销售部') & (hr['离职'].values == 1), :]

# 使用seaborn库绘制简单水平分布散点图
sns.stripplot(x='每月平均工作小时数（小时）', data=sale)

# 设置图表标题
plt.title('简单水平分布散点图 --张志豪')

# 显示图表
plt.show()

3.4.2 绘制结果

3.5 基于人员离职率数据，根据高薪在职的员工数据，使用swarmplot函数绘制简单的分布密度散点图

3.5.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 加载数据
hr = pd.read_csv('hr.csv', encoding='gbk')

# 创建一个新的图形窗口，并设置大小为宽10英寸，高13英寸
plt.figure(figsize=(10, 13))

# 创建第一个子图（2行1列中的第1个）
plt.subplot(2, 1, 1)  # 子图参数为(行数, 列数, 子图索引)
# 设置x轴标签旋转角度
plt.xticks(rotation=70)
# 设置图表标题
plt.title('不同部门的平均每月工作时长 --张志豪')
# 使用seaborn库绘制带hue的简单水平分布散点图
sns.stripplot(x='部门', y='每月平均工作小时数（小时）', hue='5年内升职', data=hr)

# 创建第二个子图（2行1列中的第2个）
plt.subplot(2, 1, 2)  # 子图参数为(行数, 列数, 子图索引)
# 设置x轴标签旋转角度
plt.xticks(rotation=70)
# 使用seaborn库绘制带hue和dodge的简单水平分布散点图
sns.stripplot(x='部门', y='每月平均工作小时数（小时）', hue='5年内升职', data=hr, dodge=True)

# 显示图表
plt.show()

3.5.2 绘制结果

由图可知，在高薪在职的员工数据中，不同部门每个月平均工作时长和近五年是否得到提升。其中，销售部部门、管理部部门、市场部部门和财务部部门有少数员工提升，其他部门基本没有得到提升。

3.6 波士顿房价数据绘制普通箱线图与增强箱线图

3.6.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import math

# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode MS']

# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

# 对房间数取整
boston['房间数(取整)'] = boston['房间数（间）'].map(math.floor)

# 创建一个包含两个子图的图形窗口，设置大小为宽8英寸，高4英寸
fig, axes = plt.subplots(1, 2, figsize=(8, 4))

# 第一个子图，绘制普通箱线图
axes[0].set_title('普通箱线图 --张志豪')  # 设置子图标题
sns.boxplot(x='房间数(取整)', y='房屋价格（千美元）', data=boston, orient='v', ax=axes[0])  # 绘制箱线图

# 第二个子图，绘制增强箱线图
axes[1].set_title('增强箱线图 --张志豪')  # 设置子图标题
sns.boxenplot(x='房间数(取整)', y='房屋价格（千美元）', data=boston, orient='v', ax=axes[1])  # 绘制增强箱线图

# 显示图表
plt.show()

3.6.2 绘制结果

由图可知，房间数目与房价有密切关系，房间数目少，房价低；房间数目多，则房价就明显升高。增强箱线图显示更广的分位数，并通过宽度展示出对应的分布，从而接纳了更多的异常值信息，减少了信息损失。

3.7 基于波士顿房价数据，通过pairplot函数绘制多变量之间的关系图

3.7.1 代码实现

1.import seaborn as sns
2.import matplotlib.pyplot as plt
3.import pandas as pd
4.
5.# 设置中文字体
6.plt.rcParams['font.family'] = ['Arial Unicode Ms']
7.
8.# 加载数据
9.boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')
10.
11.# 使用seaborn库绘制多变量散点图
12.sns.pairplot(boston[['犯罪率', '一氧化氮含量（ppm）', '房间数（间）', '低收入人群', '房屋价格（千美元）']])
13.
14.# 设置图表标题
15.plt.suptitle('多变量散点图 --张志豪', verticalalignment='bottom', y=0.98)
16.
17.# 显示图表
18.plt.show()

3.7.2 绘制结果

由图可知，犯罪率、一氧化氮含量、房间数、低收入人群、房屋价格几个字段的两两之间的相关关系，以及在对角线上显示了犯罪率、一氧化氮含量、房间数、低收入人群、房屋价格的分布情况。

四、使用seaborn绘制回归图

4.1 基于波士顿房价数据，利用regplot函数绘制修改置信区间ci参数前后的线性回归拟合图

4.1.1 代码实现

import pandas as pd
import seaborn as sns
from matplotlib import pyplot as plt
import warnings

# 设置中文字体
sns.set_style('whitegrid', {'font.sans-serif': ['SimHei', 'Arial']})
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 忽略警告
warnings.filterwarnings('ignore')

# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')

fig, axes = plt.subplots(1, 2, figsize=(12, 6))
# 设置主标题
plt.suptitle('线性拟合图 -张志豪', y=0.99)
axes[0].set_title('修改前的线性回归拟合图')
axes[1].set_title('修改后的线性回归拟合图')

sns.regplot(x='房间数（间）', y='房屋价格（千美元）', data=boston, ax=axes[0])
sns.regplot(x='房间数（间）', y='房屋价格（千美元）', data=boston, ci=50, ax=axes[1])

plt.show()

4.1.2 绘制结果

由图可知，房间数和房屋价格成线性相关关系。其中，修改置信区间ci参数前后得到的线性回归拟合图一致，准确度也不相同。

4.2 基于波士顿房价数据，以河流穿行为类别绘制低收入人群与房屋价格两个变量的回归网格组合图

4.2.1 代码实现

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
boston = pd.read_csv('boston_house_prices.csv', encoding='gbk')
# 设置中文字体
plt.rcParams['font.family'] = ['Arial Unicode Ms']
# 绘制回归网格组合图
sns.lmplot(x='低收入人群', y='房屋价格（千美元）', hue='河流穿行', data=boston, aspect=1.5)
plt.title('低收入人群与房屋价格回归网格组合图 --张志豪')
plt.xlabel('低收入人群')
plt.ylabel('房屋价格(千美元)')
plt.show()

4.2.2 绘制结果

由图可知，无论是否被河流穿过，变量低收入人群与变量房屋价格呈现较密切的线性拟合趋势，且绝大部分都是分布在未被河流穿过的情况下。

end～

人的一生可能根本没有分明的四季，一直在光影斑驳的林子下走走停停。

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/728242.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

Meta悄咪咪的发布多款AI新模型

Meta悄咪咪的发布多款AI新模型

大模型技术论文不断，每个月总会新增上千篇。本专栏精选论文重点解读，主题还是围绕着行业实践和工程量产。若在某个环节出现卡点，可以回到大模型必备腔调或者LLM背后的基础模型重新阅读。而最新科技（Mamba,xLSTM,KAN）则…
阅读更多...
数据资产与用户体验优化：深入挖掘用户数据，精准分析用户需求与行为，优化产品与服务，提升用户体验与满意度，打造卓越的用户体验，赢得市场认可

数据资产与用户体验优化：深入挖掘用户数据，精准分析用户需求与行为，优化产品与服务，提升用户体验与满意度，打造卓越的用户体验，赢得市场认可

一、引言 在数字化时代，数据已经成为企业最宝贵的资产之一。通过深入挖掘和分析用户数据，企业能够精准把握用户需求和行为，从而优化产品与服务，提升用户体验和满意度。这不仅有助于企业在激烈的市场竞争中脱颖而出，还…
阅读更多...
ECM和MEMS技术在心肺声学监测中的应用

ECM和MEMS技术在心肺声学监测中的应用

心肺疾病是全球范围内导致死亡的主要原因。因此，对这些疾病迹象的准确和快速评估对于为患者提供适当的医疗保健至关重要。心血管疾病最重要的迹象之一是心脏周期的异常。大多数呼吸系统疾病则表现为呼吸周期的异常。有多种方法可以监测心脏和肺部的周期。听诊是监测…
阅读更多...
windows服务器下jenkins c语言打包的一些经验share

windows服务器下jenkins c语言打包的一些经验share

前言 因为一些原因，需要从linux环境下的jenkins 打包c语言转移到使用windows环境下的jenkins打包c语言，从转移的过程中，发现了一些问题和解决方案，故在此和各位运维工程师分享一下。 一、windows 下的c语言编译环境配置 这边就…
阅读更多...
串口rx + RAM + LCD

串口rx + RAM + LCD

REVIEW 昨天摸鱼怪发现高两位的数据写入or读出存在问题： RAM 串口的简单应用-CSDN博客 1. 今日摸鱼任务 UART_RX RAM LCD 来显示一下是 rx or tx 的问题 2. 代码部分 rx_ram_lcd.v module rx_ram_lcd(input clk ,input reset_n ,input uart_rx ,output …
阅读更多...
【服务器03】之【Navicat完整版破解】

【服务器03】之【Navicat完整版破解】

首先清掉电脑所有Navicat组件 虽然被卸载掉了但是没有彻底清理掉Navicat组件 在原装盘里找到Navicat清楚碎片 清空之后开始下载 navicat16 https://www.alipan.com/s/GTvP93mn3sU 点击链接保存，或者复制本段内容，打开「阿里云盘」APP ，无需…
阅读更多...
ChatGPT提效：告别CRUD

ChatGPT提效：告别CRUD

前言 随着AIGC的发展以及大语言模型的成熟，各种AI应用眼花缭乱，以至于我们看到各种新奇的应用都会产生焦虑，我有一天会不会被淘汰？且看后文分析。AIGC的发展与逐渐成熟已经是无可逆转的局势，既然我们打不过为何不加入…
阅读更多...
财务RPA是什么？解析财务RPA的定义和功能

财务RPA是什么？解析财务RPA的定义和功能

RPA技术作为人工智能领域的代表之一，因其可以高效解决各种基于一定规则的重复而复杂的业务流程，帮助企业节约人工成本并提升效率，如今已经普及到各行各业。而财务领域存在大量规则明确但机械重复的工作和业务流程，这些工作场景是财…
阅读更多...
干货 | 使用 Navicat BI 解锁数据的力量

干货 | 使用 Navicat BI 解锁数据的力量

商业智能（BI）是一种将数据转化为可执行洞察的实践，能够帮助业务领导者提升整体业绩。这个过程中最重要的一个阶段是数据探索和可视化阶段，它涉及通过报告将数据组织并转化为有意义的信息。为了让数据更易于理解，BI 专业…
阅读更多...
了解CDN：提升网络性能和安全性的利器

了解CDN：提升网络性能和安全性的利器

在当今的数字时代，网站性能和安全性是每一个网站管理员必须关注的核心问题。内容分发网络（CDN，Content Delivery Network）作为解决这一问题的重要工具，逐渐成为主流。本文将详细介绍CDN的定义、作用及其工作原理&#…
阅读更多...
【投稿优惠|稳定出版】2024年体育、健康与食品安全国际学术会议（ICSHFS 2024）

【投稿优惠|稳定出版】2024年体育、健康与食品安全国际学术会议（ICSHFS 2024）

【投稿优惠|稳定出版】2024年体育、健康与食品安全国际学术会议（ICSHFS 2024） 2024 International Conference on Sports, Health, and Food Safety(ICSHFS 2024) 会议简介： 2024年体育、健康与食品安全国际学术会议（ICSHFS 2024…
阅读更多...
Linux源码学习笔记01-Linux内核源码结构

Linux源码学习笔记01-Linux内核源码结构

Linux内核特性 是一个类Unix操作系统，但不是简化的Unix；不仅继承了Unix的特征，还有其他特性。 Linux内核的组织形式：整体式的结构，方便每个领域的开发人员参与开发；Linux进程调度方式简单高效&#xff1a…
阅读更多...
打字速度对编程的影响大吗？

打字速度对编程的影响大吗？

知道打字速度对编程的影响大吗？实际上，在编程的世界里，关键在于思考，而非打字速度。要明白，编程与日常聊天中的打字有着本质的区别，如果编程仅仅取决于打字速度，那它岂不就等同于打字员的工作了…
阅读更多...
Rust中的数据抓取：代理和scraper的协同工作

Rust中的数据抓取：代理和scraper的协同工作

一、数据抓取的基本概念 数据抓取，又称网络爬虫或网页爬虫，是一种自动从互联网上提取信息的程序。这些信息可以是文本、图片、音频、视频等，用于数据分析、市场研究或内容聚合。 为什么选择Rust进行数据抓取？ 性能：…
阅读更多...
Nature正刊！亚利桑那大学博士生陈舒立一作兼通讯最新成果！揭示亚马逊雨林干旱响应的生物地理学机制

Nature正刊！亚利桑那大学博士生陈舒立一作兼通讯最新成果！揭示亚马逊雨林干旱响应的生物地理学机制

2024年6月19日，国际知名学术期刊《Nature》发表了一项美国亚利桑那大学Scott Saleska教授团队的最新成果“Amazon forest biogeography predicts resilience and vulnerability to drought”。通过将森林样地调查数据与遥感观测相结合系统揭示了亚马逊雨林干旱响应的…
阅读更多...
动态轮换代理在多账户管理中有何用处？

动态轮换代理在多账户管理中有何用处？

如果您要处理多个在线帐户，选择正确的代理类型对于实现流畅的性能至关重要。但最适合这项工作的代理类型是什么？ 为了更好地管理不同平台上的多个账户并优化成本，动态住宅代理IP通常作用在此。 一、什么是轮换代理？ 轮换代理充当…
阅读更多...
东芝-Soft Limit 报警及其解决办法

东芝-Soft Limit 报警及其解决办法

灵感来源与生活，在生活中总能有意想不到的惊喜，下面来看看小编今天的惊喜！！！ 今天不知道怎么了，有人来找就说是机器人坏了，一直报警，重启关机回原点也没有用。 意外到来，…
阅读更多...
Dynamics 365 on-premise 隐藏高级查找导出按钮

Dynamics 365 on-premise 隐藏高级查找导出按钮

提示 着急可以直接看结果代码部分 背景 Dynamics 365 on-premise中有个高级查找的功能，查询的结果支持导出，如下图 业务反馈这个有数据安全风险，要修改显示规则。 一开始想着能用RibbonWorkbench改，就很爽快得答应了业务。结果用RibbonWorkbench改不了。 反复尝试 既…
阅读更多...
【EI稳定检索】2024年经济发展与商业文化国际会议（ICEDBC 2024）

【EI稳定检索】2024年经济发展与商业文化国际会议（ICEDBC 2024）

2024年经济发展与商业文化国际会议 2024 International Conference on Economic Development and Business Culture 会议简介 2024年经济发展与商业文化国际会议即将在贵阳市盛大开幕。随着全球经济的持续发展，商业文化日益成为推动经济进步的重要力量。为了深入探讨…
阅读更多...
力扣144A

力扣144A

文章目录 1. 题目链接2. 题目代码3. 题目总结4. 代码分析 1. 题目链接 Arrival of the General 2. 题目代码 #include<iostream> using namespace std;int heightOfSoldier[110];int main(){int numberOfSoldier;cin >> numberOfSoldier;int maxHeight -1;int mi…
阅读更多...
最新文章

Copyright @ 2022~2023