Python数据分析NumPy和pandas(二十七、数据可视化 matplotlib API 入门)

数据可视化或者数据绘图是数据分析中最重要的任务之一,是数据探索过程的一部分,数据可视化可以帮助我们识别异常值、识别出需要的数据转换以及为模型生成提供思考依据。对于Web开发人员,构建基于Web的数据可视化显示也是一种重要的方式。Python 有许多用于制作静态或动态可视化的附加库,我主要学习的是 matplotlib库 以及基于它构建的库。

matplotlib 是一个桌面绘图包,旨在创建适合发布的绘图和图形。该项目由 John Hunter 于 2002 年启动,目的是在 Python 中启用类似 MATLAB 的绘图界面。matplotlib 和 IPython 社区合作简化了 IPython shell(现在是 Jupyter notebook)的交互式绘图。matplotlib 支持所有操作系统上的各种 GUI 后端,并且可以将可视化导出为所有常见的矢量和光栅图形格式(PDF、SVG、JPG、PNG、BMP、GIF 等)。

随着时间的推移,matplotlib 催生了许多用于数据可视化的附加工具包,这些工具包使用 matplotlib 进行底层绘图。其中之一是 seaborn,seaborn库也经常用。可以通过Jupyter notebook来演示示例代码和输出绘图。要使用Jupyter notebook我们可以通过vs code的扩展商店安装它,如下图所示:

02f141db305546759e34ea11845e4c74.png

安装之后就可以直接使用了,编码方式和输出方式相比于用编辑器要简单些,可以动手试试。我还是沿用编辑器来做代码示例。

对于 matplotlib 库,我们使用以下导入约定:import matplotlib.pyplot as plt

下面我们先创建一个简单的绘图看看:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data = np.arange(10)
plt.plot(data)
plt.show()

生成如下图形:

223690e633b546b8a12b327657680290.png

如果想要自定义图形展示的外观等细节,我们需要学习一些matplotlib API的知识。当然要学习matplotlib的高级功能,可以查阅它的官方文档。

一、Figures 和 Subplots

用 matplotlib 绘制图形,实在 Figure 对象的图窗中进行的。我们可以使用 plt.figure 创建一个新图窗:

import matplotlib.pyplot as plt

fig = plt.figure()

plt.figure 有很多参数选项,如果要把图形保存到磁盘,可以用 figsize 参数设置图形的大小和纵横比。不能使用空白数字制作绘图,必须使用 add_subplot 创建一个或多个子图:

import matplotlib.pyplot as plt

fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1)

fig.add_subplot(2, 2, 1)这行代码表示该图有 2 × 2(总共最多四个)子图,并且我们选择四个子图中的第一个(从 1 开始编号)。如果我们创建接下来的两个子图,则最终会得到一个如下所示的可视化效果:

import matplotlib.pyplot as plt

fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)

plt.show()

5c88c845df4f456da9a8bb55b83686a9.png

这些绘图轴对象(如上面的ax1、ax2、ax3)具有创建不同类型绘图的各种方法,最好使用他们的方法来绘制图像而不是使用 plt.plot 等最顶级的绘图函数。例如,我们可以使用轴对象的 plot 方法制作线图如下:

import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)
ax3.plot(np.random.standard_normal(50).cumsum(), color="black", linestyle="dashed")

plt.show()

8c5ac742f96c4a798c7591ebf229e86a.png

color="black", linestyle="dashed"参数选项指示 matplotlib 绘制一条黑色虚线。fig.add_subplot 返回的对象是 AxesSubplot 对象。您可以通过调用每个 AxesSubplot 对象的实例方法在其他空子图上绘制图形:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)

# plot绘制曲线图
ax3.plot(np.random.standard_normal(50).cumsum(), color="black", linestyle="dashed")
# hist绘制直方图
ax1.hist(np.random.standard_normal(100), bins=20, color="black", alpha=0.3)
# scatter绘制散点图
ax2.scatter(np.arange(30), np.arange(30) + 3 * np.random.standard_normal(30))

plt.show()

 94f521db1b4a4b10af3433ce41d72db7.png

参数选项 alpha=0.3 设置图形的透明度。我们可以查看 matplotlib 文档,了解所有的绘图类型。

为了更方便地创建子图网格,matplotlib 有一个 plt.subplots 方法,该方法创建一个新图形并返回一个包含创建的子图对象的 NumPy 数组:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

fig, axes = plt.subplots(2, 3)
print(axes)

plt.show()

print(axes)输出:

[[<Axes: > <Axes: > <Axes: >] 
 [<Axes: > <Axes: > <Axes: >]]

表示生成了6个子图对象,这6个子图对象2行3列排列。输出如下图:

4ca0c69066b34aa0b56444c2567f6458.png

然后,可以像二维数组一样对 axes 数组进行索引,例如:例如,axes[0, 1] 引用第一行中间的子图。还可以分别使用 sharex 和 sharey 指示子图应具有相同的 x 轴或 y 轴。当我们比较相同尺度的数据时,这可能很有用;否则,matplotlib 会独立自动缩放绘图限制。matplotlib.pyplot.subplots 方法的参数选项见下图列表:

19990d90fbda46c2b5a6c5035d360f3f.png

 二、调整子图周围的间距

默认情况下,matplotlib 在子图的外部和子图之间的间距中保留一定量的填充。此间距都是相对于绘图的高度和宽度指定的,因此,如果您以编程方式或使用 GUI 窗口手动调整绘图大小,绘图将动态调整自身。您可以使用 subplots_adjust 方法对 Figure 对象更改间距:

subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)

wspace 和 hspace 分别控制图形宽度和图形高度的百分比,以用作子图之间的间距。下面是一个代码小示例,将间距一直缩小到零:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)
for i in range(2):
    for j in range(2):
        axes[i, j].hist(np.random.standard_normal(500), bins=50, color="black", alpha=0.5)
fig.subplots_adjust(wspace=0, hspace=0)

plt.show()

cbcf19424e45441785f1164921e9cae5.png

上面图形中轴标签重叠了。matplotlib 不会检查标签是否重叠,因此在这种情况下,需要通过指定显式刻度位置和刻度标签来修复标签(在后面的“刻度、标签和图例”部分中学习如何执行此操作)。

三、颜色、标记和线条样式

matplotlib 的绘制线图函数 plot() 接受 x 和 y 坐标数组以及可选的颜色样式。例如,要用绿色破折号绘制 x 与 y 的关系,可以执行:ax.plot(x, y, linestyle="--", color="green")

matplotlib 提供了许多颜色名称,但是我们也可以通过指定颜色的十六进制代码(例如,“#CECECE”)来使用光谱上的任何颜色。我们可以通过查看官方文档来查询 plt.plot 支持的线条样式。

由于 matplotlib 的 plot 函数创建一个连续的线图,因此有时不清楚点的位置,我们可以用标记突出显示某些数据点:

import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure()
ax = fig.add_subplot()
ax.plot(np.random.standard_normal(30).cumsum(), color="black", linestyle="dashed", marker="o")

plt.show()

1c30558b326d4d93b205fc624120dd10.png

对于线图,我们注意到默认情况下,后续点是线性插值的。这可以通过 drawstyle 参数选项进行更改:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

fig = plt.figure()
ax = fig.add_subplot()
data = np.random.standard_normal(30).cumsum()
ax.plot(data, color="black", linestyle="dashed", label="Default")
ax.plot(data, color="black", linestyle="dashed", drawstyle="steps-post", label="steps-post")
ax.legend()

plt.show()

在这里,由于我们将标签参数传递给了 plot,因此我们能够创建一个 plot legend 来使用 ax.legend 标识每一行。我在 “Ticks, Labels, and Legends” 中详细讨论了图例。 81ed86d2376c435badf0b12c56c1e85b.png

在这里,我们将标签参数传递给了 plot,因此我们能够创建一个 plot.legend 来使用 ax.legend 标识每一行。注意,无论在绘制数据时是否传递了标签选项,必须调用 ax.legend 来创建图例。

四、刻度、标签和图例

大多数类型的绘图装饰都可以通过 matplotlib axes 对象上的方法访问。这包括 xlim、xticks 和 xticklabels 等方法。它们分别控制绘图范围、刻度位置和刻度标签。它们可以通过两种方式使用:

不带参数的调用返回当前参数值(例如,ax.xlim() 返回当前 x 轴绘图范围)

带参数调用 设置参数值(例如,ax.xlim([0, 10])将 x 轴范围设置为 0 到 10)

所有这些方法都作用于活动或最近创建的 AxesSubplot。subplot 对象本身都有这几个方法的get和set方法,例如:对于 xlim,是 ax.get_xlim 和 ax.set_xlim。

设置标题、轴标签、刻度和刻度标签。我们用代码示例来学习,创建一个随机游走绘图。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot(np.random.standard_normal(1000).cumsum());
plt.show()

以上代码随机生成1000个随机数的累积和,来表示随机游走的每一步。输出绘图如下:

8ac76e43004f4a1b8b019576f06e5da3.png

要更改 x 轴刻度,最简单的方法是使用 set_xticks 和 set_xticklabels。前者指示 matplotlib 沿数据范围将刻度线放置在何处;默认情况下,这些位置也将成为标签。但是我们可以使用 set_xticklabels 将任何其他值设置为标签。如下代码示例:

import numpy as np
import matplotlib.pyplot as plt

fig, ax = plt.subplots()
ax.plot(np.random.standard_normal(1000).cumsum());

# 设置刻度
ticks = ax.set_xticks([0, 250, 500, 750, 1000])
# rotation 参数将 x 刻度标签设置为旋转 30 度
labels = ax.set_xticklabels(["one", "two", "three", "four", "five"], rotation=30, fontsize=8)
# set_xlabel 为 x 轴命名
ax.set_xlabel("Stages")
# set_title 为子图命名
ax.set_title("我的第一个 matplotlib plot")

plt.show()

e0aad48546c0439eb21c21f4f318d921.png

修改 y 轴由相同的过程组成,在此示例中,用 y 代替 x。axes 类有一个 set 方法,允许批量设置绘图属性。前面的例子中,我们也可以这样写:

ax.set(title="我的第一个 matplotlib plot", xlabel="Stages") 

添加图例

图例是识别绘制的图形中情节元素的另一个关键元素。有几种方法可以添加,最简单的是在添加每个 plot 时传递 label 参数:

import numpy as np
import matplotlib.pyplot as plt

fig, ax = plt.subplots()

ax.plot(np.random.randn(1000).cumsum(), color="black", label="one")
ax.plot(np.random.randn(1000).cumsum(), color="black", linestyle="dashed", label="two")
ax.plot(np.random.randn(1000).cumsum(), color="black", linestyle="dotted", label="three")

# 完成label设置,调用 ax.legend() 来自动创建图例。
ax.legend()

plt.show()

输出:

838408d72cc7454c861f826ce8745b4a.png

legend() 方法还有几个其他的 location loc 参数选项。有关更多信息,请参阅官方文档。loc legend 选项告诉 matplotlib 将绘图放置在何处。默认值为 “best”,它尝试选择一个最不碍事的位置。要从图例中排除一个或多个元素,传递 no label 或 label=“_nolegend_”。

五、子图上的注释和绘图

除了标准绘图类型之外,有时候我们希望绘制自己的绘图注释,我们的注释可以由文本、箭头或其他形状组成。那我们可以使用 text、arrow 和 annotate 函数添加注释和文本。text() 在给定坐标 (x, y) 处绘制文本,具有可选的自定义样式,例如:

ax.text(x, y, "Hello world!", family="monospace", fontsize=10)

annotate 函数可以绘制适当排列的文本和箭头。我们用代码示例来学习,让我们绘制自 2007 年以来标准普尔 500 指数的收盘价(从雅虎财经获得),并用 2008-2009 年金融危机的一些重要日期对其进行注释。用到数据文件csv内容如下图所示。

bf1eba6169be4898a81f127875397fad.png

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime

fig, ax = plt.subplots()

data = pd.read_csv("examples/spx.csv", index_col=0, parse_dates=True)
spx = data["SPX"]

spx.plot(ax=ax, color="black")

crisis_data = [
    (datetime(2007, 10, 11), "Peak of bull market"),
    (datetime(2008, 3, 12), "Bear Stearns Fails"),
    (datetime(2008, 9, 15), "Lehman Bankruptcy")
]

for date, label in crisis_data:
    ax.annotate(label, xy=(date, spx.asof(date) + 75),
                xytext=(date, spx.asof(date) + 225),
                arrowprops=dict(facecolor="black", headwidth=4, width=2,
                                headlength=4),
                horizontalalignment="left", verticalalignment="top")

# Zoom in on 2007-2010
ax.set_xlim(["1/1/2007", "1/1/2011"])
ax.set_ylim([600, 1800])

ax.set_title("Important dates in the 2008–2009 financial crisis")

plt.show()

输出图形如下:

c36706e117ca486c9a49ed714d347f27.png

此图中有几个要点需要强调。ax.annotate 方法可以在指示的 x 和 y 坐标处绘制标签。我们使用 set_xlim 和 set_ylim 方法来手动设置绘图的开始和结束边界,而不是使用 matplotlib 的默认值。最后,ax.set_title 添加了一个主要标题。(请参阅在线 matplotlib 库,了解更多可供学习的注释示例)。

matplotlib 具有表示许多常见形状(称为面片)的对象。其中一些,如 Rectangle 和 Circle,可以在 matplotlib.pyplot 中找到,但完整的集合位于 matplotlib.patches 中。要向绘图添加形状,需创建 patch 对象,并将 patch 传递给 ax.add_patch 将其添加到子图轴中:

import matplotlib.pyplot as plt

fig, ax = plt.subplots()

rect = plt.Rectangle((0.2, 0.75), 0.4, 0.15, color="black", alpha=0.3)
circ = plt.Circle((0.7, 0.2), 0.15, color="blue", alpha=0.3)
pgon = plt.Polygon([[0.15, 0.15], [0.35, 0.4], [0.2, 0.6]], color="green", alpha=0.5)

ax.add_patch(rect)
ax.add_patch(circ)
ax.add_patch(pgon)

plt.show()

输出:

62a95012e60840dbb2790da7509da59c.png

如果我们仔细看一下许多熟悉的 plot 类型的实现,会发现它们是由 patchs 组装而成的。

六、将绘图保存到文件 

 可以使用 figure 对象的 savefig 实例方法将活动图窗保存到文件中。例如,要保存图形的 SVG 版本,只需键入这行代码:fig.savefig("figpath.svg")

文件类型是从文件扩展名推断出来的。因此,如果您使用 .pdf 代替,您将获得 PDF。我们经常用于发布图形的一个重要选项是 dpi,它控制每英寸点数的分辨率。要在 400 DPI 下获得与 PNG 相同的绘图,您可以执行以下操作:fig.savefig("figpath.png", dpi=400)

有关 savefig 的一些其他参数选项的见如下列表:

ca5d10ba98ca42f58bc10c081d3e0348.png

七、matplotlib 配置

matplotlib 一般情况下设置好了要绘制发布图表的配色方案的默认值以及其他选项的默认值。但我们也可以使用它的全局参数自定义控制图形大小、子图间距、颜色、字体大小、网格样式等。 以Python编程方式修改配置的一种方法是使用 rc() 方法。例如,要将全局默认窗口大小设置为 10 × 10,可以输入:plt.rc("figure", figsize=(10, 10))

所有当前配置设置都可以在 plt.rcParams 字典中找到,并且可以通过调用 plt.rcdefaults() 函数将它们恢复为默认值。rc 的第一个参数是你想要自定义的组件,比如 “figure”, “axes”, “xtick”, “ytick”, “grid”, “legend” 等等。

要进行更广泛的自定义并查看所有选项的列表,matplotlib 在 matplotlib/mpl-data 目录中提供了一个配置文件 matplotlibrc。如果您自定义此文件并将其放在名为 .matplotlibrc 的主目录中,则每次使用 matplotlib 时都会加载该文件。

 

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/915601.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

【前端】深入浅出 - TypeScript 的详细讲解

TypeScript 是一种静态类型编程语言&#xff0c;它是 JavaScript 的超集&#xff0c;添加了类型系统和编译时检查。TypeScript 的主要目标是提高大型项目的开发效率和可维护性。本文将详细介绍 TypeScript 的核心概念、语法、类型系统、高级特性以及最佳实践。 1. TypeScript…

查询DBA_FREE_SPACE缓慢问题

这个是一个常见的问题&#xff0c;理论上应该也算是一个bug&#xff0c;在oracle10g&#xff0c;到19c&#xff0c;我都曾经遇到过&#xff1b;今天在给两套新建的19C RAC添加监控脚本时&#xff0c;又发现了这个问题&#xff0c;在这里记录一下。 Symptoms 环境&#xff1a;…

The Internals of PostgreSQL 翻译版 持续更新...

为了方便自己快速学习&#xff0c;整理了翻译版本&#xff0c;目前翻译的还不完善&#xff0c;后续会边学习边完善。 文档用于自己快速参考&#xff0c;会持续修正&#xff0c;能力有限,无法确保正确!!! 《The Internals of PostgreSQL 》 不是 《 PostgreSQL14 Internals 》…

机器学习 ---模型评估、选择与验证(1)

目录 前言 一、为什么要有训练集与测试集 1、为什么要有训练集与测试集 2、如何划分训练集与测试集 二、欠拟合与过拟合 1、什么是欠拟合与欠拟合的原因 2、什么是过拟合与过拟合的原因 一些解决模型过拟合和欠拟合问题的常见方法&#xff1a; 解决过拟合问题&#…

一文简单了解Android中的input流程

在 Android 中&#xff0c;输入事件&#xff08;例如触摸、按键&#xff09;从硬件传递到应用程序并最终由应用层消费。整个过程涉及多个系统层次&#xff0c;包括硬件层、Linux 内核、Native 层、Framework 层和应用层。我们将深入解析这一流程&#xff0c;并结合代码逐步了解…

【JavaEE初阶 — 多线程】单例模式 & 指令重排序问题

目录 1. 单例模式 (1) 饿汉模式 (2) 懒汉模式 1. 单线程版本 2. 多线程版本 2. 解决懒汉模式产生的线程安全问题 (1) 产生线程安全的原因 (2) 解决线程安全问题 1. 通过加锁让读写操作紧密执行 方法一 方法二 2. 处理加锁引入的新问题 问题描述 …

二叉树搜索树(下)

二叉树搜索树&#xff08;下&#xff09; 二叉搜索树key和key/value使用场景 key搜索场景 只有key作为关键码&#xff0c;结构中只需要存储key即可&#xff0c;关键码即为需要搜索到的值&#xff0c;搜索场景只需要判断 key在不在。key的搜索场景实现的二叉树搜索树支持增删查…

Web项目版本更新及时通知

背景 单页应用&#xff0c;项目更新时&#xff0c;部分用户会出更新不及时&#xff0c;导致异常的问题。 技术方案 给出版本号&#xff0c;项目每次更新时通知用户&#xff0c;版本已经更新需要刷新页面。 版本号更新方案版本号变更后通知用户哪些用户需要通知&#xff1f;…

D64【python 接口自动化学习】- python基础之数据库

day64 SQL-DQL-基础查询 学习日期&#xff1a;20241110 学习目标&#xff1a;MySQL数据库-- 133 SQL-DQL-基础查询 学习笔记&#xff1a; 基础数据查询 基础数据查询-过滤 总结 基础查询的语法&#xff1a;select 字段列表|* from 表过滤查询的语法&#xff1a;select 字段…

Unity插件-Smart Inspector 免费的,接近虚幻引擎的蓝图Tab管理

习惯了虚幻的一张蓝图&#xff0c;关联所有Tab &#xff08;才发现Unity&#xff0c;的Component一直被人吐槽&#xff0c;但实际上是&#xff1a;本身结构Unity 的GameObject-Comp结构&#xff0c;是好的不能再好了&#xff0c;只是配上 smart Inspector就更清晰了&#xff0…

2024 年Postman 如何安装汉化中文版?

2024 年 Postman 的汉化中文版安装教程

单元测试、集成测试、系统测试、验收测试、压力测试、性能测试、安全性测试、兼容性测试、回归测试(超详细的分类介绍及教学)

目录 1.单元测试 实现单元测试的方法&#xff1a; 注意事项&#xff1a; 2.集成测试 需注意事项&#xff1a; 实现集成测试的方法&#xff1a; 如何实现高效且可靠的集成测试&#xff1a; 3.系统测试 实现系统测试的方法: 须知注意事项&#xff1a; 4.验收测试 实现验…

MySQL 忘记 root 密码,使用跳过密码验证进行登录

操作系统版本&#xff1a;CentOS 7 MySQL 忘记 root 密码&#xff0c;使用跳过密码验证进行登录 修改 /etc/my.cnf 配置文件&#xff0c;在 [mysqld] 后面任意一行添加 skip-grant-tables vim /etc/my.cnf 重启 MySQL systemctl restart mysqld 登录 MySQL&#xff08;无 -…

3D Web渲染引擎HOOPS Communicator:助力企业打造定制化3D可视化产品的强大工具

HOOPS Communicator为开发人员提供了多样化的定制手段&#xff0c;使其在3D网页可视化领域保持领先地位。很多潜在客户都关心如何利用HOOPS Communicator将其打造成自己产品的独特解决方案。展示我们现有合作伙伴的成功案例正是分享此信息的最佳方式。 每家合作伙伴都在产品中…

【stablediffusion】阿里发布新ID保持项目EcomID, 可从单个ID参考图像生成定制的保ID图像,ComfyUI可使用。

今天&#xff0c;我们将向您介绍一款令人兴奋的更新——阿里发布的ID保持项目EcomID。这是一款基于Stable Diffusion技术的AI绘画工具&#xff0c;旨在为您提供一键式生成高质量保ID图像的便捷体验。无论您是AI绘画的新手还是专业人士&#xff0c;这个工具都能为您带来极大的便…

计算机网络(11)和流量控制补充

这一篇对数据链路层中的和流量控制进行详细学习 流量控制&#xff08;Flow Control&#xff09;是计算机网络中确保数据流平稳传输的技术&#xff0c;旨在防止数据发送方发送过多数据&#xff0c;导致接收方的缓冲区溢出&#xff0c;进而造成数据丢失或传输失败。流量控制通常…

【VLANPWN】一款针对VLAN的安全研究和渗透测试工具

关于VLANPWN VLANPWN是一款针对VLAN的安全研究和渗透测试工具&#xff0c;该工具可以帮助广大研究人员通过对VLAN执行渗透测试&#xff0c;来研究和分析目标VLAN的安全状况。该工具专为红队研究人员和安全学习爱好者设计&#xff0c;旨在训练网络工程师提升网络的安全性能&…

ES6代理和反射新特性,详细讲解

代理与反射 es6新增了代理和反射特性&#xff0c;这两个特性为开发者提供了拦截并向基本操作嵌入额外行为的能力。 代理基础 <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8"><meta charset"UTF-8"&g…

MYSQL 精通索引【快速理解】

目录 1、什么是索引&#xff1f; 2、索引结构 1.为什么不使用二叉树呢&#xff1f; 2.B树数据结果 3.B树 4.Hash结构 3、索引语法 1.创建索引 2.查看索引 3.删除索引 4、SQL性能分析 1.SQL执行频次 2.慢查询日志 3.profile详情 4.EXPLAIN 5、索引规则 1.最左前缀法则 2.索…

光驱验证 MD5 校验和

步骤 1&#xff1a;在 Ubuntu 上打包文件并生成 MD5 校验和 打包文件 使用 tar 命令将文件夹打包成 tar.gz 文件&#xff1a; tar -czvf my_files.tar.gz /path/to/folder 生成 MD5 校验和 使用 md5sum 命令生成打包文件的 MD5 校验和&#xff1a; md5sum my_files.tar.g…