JSON vs. CSV vs. YAML vs. XML vs. HDF5vs. XLS:数据格式之争

news2024/11/23 7:10:43

前言

数据处理是现代计算机科学和信息技术中至关重要的一部分。有效地选择和处理数据格式是数据科学、工程和各种应用中的关键环节。本文将深入探讨各种常见数据格式及其Python库的应用,旨在帮助读者更好地理解和应用这些数据格式,以及如何选择最适合自己需求的格式。
在当今数字化时代,数据处理和序列化是数据驱动型应用的核心。本文涵盖了JSON、CSV、Pickle、YAML、XML、HDF5、Parquet、Avro、Msgpack和XLS等常见数据格式以及对应Python库的使用。每种格式都有其独特的优势和适用场景,从简单的文本格式到适合大规模科学数据的专业格式,读者将能够全面了解和运用这些格式。

文章目录

      • 前言
      • 1. 引言
      • 2. JSON (JavaScript Object Notation)
        • 基础结构
        • 应用和优势
          • 应用示例:Web开发与API
          • 优势和特点
          • 数据交换示例:Python和JavaScript通信
      • 3. CSV (Comma-Separated Values)
        • 读写操作实践
          • 写入CSV文件
          • 读取CSV文件
        • 应用和优势
          • 应用示例:数据导出和处理
        • 优势和限制
          • 优势:
          • 限制:
      • 4. YAML (YAML Ain't Markup Language)
        • 复杂数据结构
          • 复杂对象的YAML表示
        • 应用和优势
          • 复杂数据结构示例
          • 应用示例:解析复杂YAML数据
          • 优势和适用场景
      • 5. XML (eXtensible Markup Language)
        • XML处理库的应用和基本用法
        • 应用场景示例
          • Web服务
          • 配置文件
          • 数据交换
      • 6. HDF5 (Hierarchical Data Format version 5)
        • HDF5库在科学数据处理中的使用
          • Python代码示例
        • 应用和特点
          • 存储大型科学数据集
          • 高效的数据压缩和检索
      • 7. Pickle
        • 序列化和反序列化操作
        • 安全性和使用注意事项
      • 8. Parquet
        • Parquet文件格式及其在大数据领域中的应用
        • 应用场景和优势
      • 9. Avro
        • Apache Avro数据序列化系统的介绍和用法
        • 应用和优势
      • 10. Msgpack
        • Msgpack库用于高效的二进制序列化
        • 应用场景和特点
      • 11. XLS (Excel文件格式)
        • XLS文件的读取与写入
        • 应用场景和优势
      • 12. 比较与总结
        • 各种数据格式和库的比较
        • 数据处理需求和选择最佳工具的匹配
      • 总结

1. 引言

在计算机科学和数据处理领域,数据格式和序列化处理是至关重要的。数据格式是数据在计算机中的组织方式,而序列化是将数据转换为特定格式以便存储或传输的过程。选择合适的数据格式和序列化方法对于数据的处理、传输和存储具有重要意义。

数据格式的选择直接影响着数据的可读性、存储效率和传输速度。不同的数据格式适用于不同的场景,因此了解各种格式的特点和用途是十分重要的。同时,序列化方法能够将数据转换为计算机能够识别的格式,并在需要时还原成原始数据,这在数据的持久化存储和网络传输中尤为重要。

选择合适的数据格式和序列化方法可以提高数据处理的效率、减少存储和传输的开销,同时确保数据的完整性和安全性。在不同的应用场景中,选择合适的数据格式是保证数据质量和系统性能的关键因素之一。

2. JSON (JavaScript Object Notation)

基础结构

JSON是一种常见的数据交换格式,以文本方式表示数据。在Python中,json模块提供了处理JSON数据的方法。

import json

# JSON数据表示一个用户
user = {
    "id": 1,
    "name": "Alice",
    "email": "alice@example.com"
}

# 将Python对象转换为JSON字符串
json_str = json.dumps(user)
print(json_str)

# 将JSON字符串转换为Python对象
decoded_user = json.loads(json_str)
print(decoded_user)
应用和优势
应用示例:Web开发与API

JSON在Web开发和API中发挥着重要作用,例如通过Python发送和接收JSON数据:

import requests

# 模拟一个API端点,此处为示例
api_endpoint = 'https://jsonplaceholder.typicode.com/posts'

# 假设有一些数据要发送到API
data_to_send = {
    'title': 'foo',
    'body': 'bar',
    'userId': 1
}

# 向API发送JSON数据
response = requests.post(api_endpoint, json=data_to_send)

# 检查响应
if response.status_code == 201:
    print("Data sent successfully!")
    received_data = response.json()
    print("Received data:", received_data)
else:
    print("Failed to send data. Status code:", response.status_code)

优势和特点
  • 易读性和可理解性:文本格式易于阅读和编写,方便人类理解。
  • 跨平台和语言兼容性:几乎所有编程语言都能够解析和生成JSON数据。
  • 数据传输和存储:适用于网络传输和数据持久化存储。
数据交换示例:Python和JavaScript通信

在Web开发中,Python后端和JavaScript前端之间通过JSON进行数据交换是常见的场景:

Python后端发送JSON数据给JavaScript前端:

from flask import Flask, jsonify

app = Flask(__name__)

@app.route('/data')
def get_data():
    data = {"key": "value"}
    return jsonify(data)

if __name__ == '__main__':
    app.run()

JavaScript前端接收Python后端发送的JSON数据:

fetch('/data')
  .then(response => response.json())
  .then(data => console.log(data));

这些示例展示了JSON在不同领域中的应用,包括Web开发、数据交换和API通信。如果需要更多示例或其他方面的帮助,请告诉我。
在这里插入图片描述

3. CSV (Comma-Separated Values)

读写操作实践

CSV是一种以逗号分隔字段的表格数据存储格式。

写入CSV文件
import csv

# 数据
data = [
    {'Name': 'Alice', 'Age': 25, 'Email': 'alice@example.com'},
    {'Name': 'Bob', 'Age': 30, 'Email': 'bob@example.com'}
]

# 写入CSV文件
with open('users.csv', 'w', newline='') as csvfile:
    fieldnames = ['Name', 'Age', 'Email']
    writer = csv.DictWriter(csvfile, fieldnames=fieldnames)

    writer.writeheader()
    for user in data:
        writer.writerow(user)
读取CSV文件
# 读取CSV文件
with open('users.csv', newline='') as csvfile:
    reader = csv.DictReader(csvfile)
    for row in reader:
        print(row['Name'], row['Age'], row['Email'])
应用和优势
应用示例:数据导出和处理
import csv

# 从数据库中获取数据
data_from_db = [
    {'Name': 'Alice', 'Age': 25, 'Email': 'alice@example.com'},
    {'Name': 'Bob', 'Age': 30, 'Email': 'bob@example.com'}
]

# 导出为CSV文件
with open('exported_data.csv', 'w', newline='') as csvfile:
    fieldnames = ['Name', 'Age', 'Email']
    writer = csv.DictWriter(csvfile, fieldnames=fieldnames)

    writer.writeheader()
    for user in data_from_db:
        writer.writerow(user)

# 读取CSV文件并处理数据
with open('exported_data.csv', newline='') as csvfile:
    reader = csv.DictReader(csvfile)
    for row in reader:
        # 在这里可以对读取的每一行数据进行处理
        print(row['Name'], row['Age'], row['Email'])
优势和限制
优势:
  • 简单易用:适用于简单的表格数据存储和处理。
  • 通用性:几乎所有数据处理工具都支持CSV格式。
  • 轻量级:文本文件大小相对较小。
限制:
  • 不适合复杂数据结构:不推荐存储包含嵌套型或复杂数据结构的数据。
  • 有限的类型支持:CSV文件并不总是适合所有数据类型,比如日期时间等复杂类型。

4. YAML (YAML Ain’t Markup Language)

复杂数据结构

YAML格式不仅适用于简单的数据结构,还适用于更复杂的场景,比如嵌套型数据和复杂对象。

复杂对象的YAML表示
import yaml

# 复杂对象示例
data = {
    'users': [
        {'name': 'Alice', 'age': 30},
        {'name': 'Bob', 'age': 35}
    ],
    'settings': {
        'theme': 'light',
        'font_size': 16
    }
}

# 将Python对象转换为YAML字符串
yaml_str = yaml.dump(data)
print("Complex YAML data:\n", yaml_str)

# 将YAML字符串转换为Python对象
decoded_data = yaml.safe_load(yaml_str)
print("Decoded data:", decoded_data)
应用和优势
复杂数据结构示例

这是一个包含了用户信息和设置的复杂YAML数据示例:

users:
  - name: Alice
    age: 30
  - name: Bob
    age: 35
settings:
  theme: light
  font_size: 16
应用示例:解析复杂YAML数据
import yaml

# 读取并解析复杂YAML数据
with open('complex_data.yaml', 'r') as file:
    complex_data = yaml.safe_load(file)

# 处理解析后的数据
if 'users' in complex_data:
    for user in complex_data['users']:
        print("User:", user['name'], "- Age:", user['age'])

if 'settings' in complex_data:
    print("Theme:", complex_data['settings']['theme'])
    print("Font Size:", complex_data['settings']['font_size'])
优势和适用场景
  • 复杂结构表示:YAML允许清晰地表示嵌套型数据和复杂对象。
  • 配置文件和数据存储:适用于配置文件和一些需要易读性和灵活性的数据存储需求。

5. XML (eXtensible Markup Language)

XML处理库的应用和基本用法

XML是一种可扩展的标记语言,用于存储和传输结构化数据。Python中的xml模块提供了处理XML数据的工具。

import xml.etree.ElementTree as ET

# 创建XML元素
root = ET.Element("users")
user = ET.SubElement(root, "user")
name = ET.SubElement(user, "name")
name.text = "Alice"
age = ET.SubElement(user, "age")
age.text = "25"

# 生成XML字符串
xml_str = ET.tostring(root)
print(xml_str)
应用场景示例
Web服务

SOAP(Simple Object Access Protocol)和RESTful服务常用XML作为数据交换格式。以下是一个简化的SOAP消息示例:

<SOAP-ENV:Envelope xmlns:SOAP-ENV="...">
    <SOAP-ENV:Header>
        <!-- 头部信息 -->
    </SOAP-ENV:Header>
    <SOAP-ENV:Body>
        <!-- 数据体 -->
    </SOAP-ENV:Body>
</SOAP-ENV:Envelope>
配置文件

许多应用程序使用XML格式作为配置文件的一种选择。以下是一个简单的配置文件示例:

<config>
    <database>
        <host>localhost</host>
        <port>3306</port>
        <username>user</username>
        <password>password</password>
    </database>
    <server>
        <ip>192.168.1.100</ip>
        <port>8080</port>
    </server>
</config>
数据交换

某些系统和应用程序使用XML作为数据交换格式。以下是一个简化的数据交换示例:

<transaction>
    <from>Company A</from>
    <to>Company B</to>
    <amount>1000</amount>
    <date>2023-11-15</date>
</transaction>

以上示例展示了XML在Web服务、配置文件和数据交换中的具体应用场景。这些示例突出了XML作为一种通用的、结构化的数据表示格式的优势。需要更多详细信息或其他示例吗?

明白了,让我为每个HDF5文件的内容补充具体的数据,以更清楚地展示这些示例文件中存储的数据内容。

6. HDF5 (Hierarchical Data Format version 5)

HDF5库在科学数据处理中的使用

HDF5是一种用于存储和组织大规模科学数据的文件格式。Python中的h5py库提供了HDF5文件的读写操作。

Python代码示例
import h5py
import numpy as np

# 创建HDF5文件并写入数据集
with h5py.File('data.h5', 'w') as hf:
    hf.create_dataset('dataset1', data=[1, 2, 3, 4, 5])
    hf.create_dataset('dataset2', data=[[1, 2], [3, 4]])

# 读取HDF5文件中的数据
with h5py.File('data.h5', 'r') as hf:
    dataset1 = hf['dataset1'][:]
    dataset2 = hf['dataset2'][:]
    print("Dataset 1:", dataset1)
    print("Dataset 2:", dataset2)
应用和特点
存储大型科学数据集
import h5py
import numpy as np

# 创建一个较大的数据集
large_data = np.random.random(size=(1000, 1000))

with h5py.File('large_data.h5', 'w') as hf:
    hf.create_dataset('large_dataset', data=large_data)

# Open the HDF5 file in read mode
with h5py.File('large_data.h5', 'r') as hf:
    # Access the dataset
    dataset = hf['large_dataset']

    # Read the dataset into a NumPy array
    loaded_data = np.array(dataset)

# Now, you can use the loaded_data array as needed
print(loaded_data)
高效的数据压缩和检索
import h5py
import numpy as np

# 创建一个较大的数据集
large_data = np.random.random(size=(1000, 1000))

# 使用gzip进行数据压缩
with h5py.File('large_data_compressed.h5', 'w') as hf:
    # 使用gzip进行数据压缩,compression_opts参数设置压缩级别为9(最大压缩)
    hf.create_dataset('large_dataset', data=large_data, compression='gzip', compression_opts=9)

# 以只读模式打开压缩后的HDF5文件
with h5py.File('large_data_compressed.h5', 'r') as hf:
    # 访问数据集
    dataset = hf['large_dataset']

    # 将数据集读入NumPy数组
    loaded_data = np.array(dataset)

# 现在,可以根据需要使用loaded_data数组
print(loaded_data)

7. Pickle

序列化和反序列化操作

Pickle是Python特有的序列化模块,用于将Python对象序列化为字节流。

import pickle

# 将对象序列化为字节流
data = {'name': 'Alice', 'age': 30}
serialized_data = pickle.dumps(data)
print(serialized_data)

# 将字节流反序列化为对象
deserialized_data = pickle.loads(serialized_data)
print(deserialized_data)
安全性和使用注意事项

Pickle可以序列化任何Python对象,但要谨慎处理不受信任源的Pickle数据,以防安全风险。

8. Parquet

Parquet文件格式及其在大数据领域中的应用

Parquet是一种列式存储的文件格式,特别适用于大数据处理。Python中的pyarrowpandas库可以读写Parquet文件。

import pandas as pd

# 创建DataFrame
data = {'name': ['Alice', 'Bob', 'Charlie'],
        'age': [25, 30, 35],
        'city': ['NY', 'LA', 'SF']}
df = pd.DataFrame(data)

# 将DataFrame写入Parquet文件
df.to_parquet('data.parquet')

# 从Parquet文件读取数据
df_read = pd.read_parquet('data.parquet')
print(df_read)
应用场景和优势

Parquet在大数据领域中有着高效的读写速度和压缩功能,适合于海量数据的存储和处理。

9. Avro

Apache Avro数据序列化系统的介绍和用法

Avro是一种基于JSON的数据序列化系统,设计用于大规模数据交换。Python中的fastavro库提供了Avro数据的读写操作。

import fastavro
import io

# 定义Avro模式
schema = {
    'type': 'record',
    'name': 'User',
    'fields': [
        {'name': 'name', 'type': 'string'},
        {'name': 'age', 'type': 'int'},
        {'name': 'city', 'type': 'string'}
    ]
}

# 写入Avro文件
avro_data = [
    {'name': 'Alice', 'age': 25, 'city': 'NY'},
    {'name': 'Bob', 'age': 30, 'city': 'LA'}
]

with io.BytesIO() as out:
    fastavro.writer(out, schema, avro_data)
    out.seek(0)
    avro_bytes = out.read()

# 从Avro文件读取数据
with io.BytesIO(avro_bytes) as avro_io:
    avro_reader = fastavro.reader(avro_io)
    for record in avro_reader:
        print(record)
应用和优势

Avro提供了紧凑的数据序列化格式和动态模式定义,适用于大规模数据交换和数据存储。

10. Msgpack

Msgpack库用于高效的二进制序列化

Msgpack是一种高效的二进制序列化格式,Python中的msgpack库可以用于Msgpack数据的处理。

import msgpack

# 序列化和反序列化数据
data = {'name': 'Alice', 'age': 30}
packed = msgpack.packb(data)
unpacked = msgpack.unpackb(packed, raw=False)
print(unpacked)
应用场景和特点

Msgpack在网络传输和高性能的数据序列化场景中表现优异,适合于需要高效率的二进制数据传输和存储。

11. XLS (Excel文件格式)

XLS文件的读取与写入

Excel文件是一种常见的电子表格文件格式,在Python中,pandas库提供了处理Excel文件的功能。

import pandas as pd

# 创建DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'],
        'Age': [25, 30, 35],
        'City': ['NY', 'LA', 'SF']}
df = pd.DataFrame(data)

# 将DataFrame写入Excel文件
df.to_excel('data.xlsx', index=False)

# 从Excel文件读取数据
df_read = pd.read_excel('data.xlsx')
print(df_read)
应用场景和优势

Excel文件格式常用于存储和传输表格数据,Python中的pandas库提供了便捷的读写Excel文件的功能,便于数据处理和分析。

12. 比较与总结

各种数据格式和库的比较
  1. JSON (JavaScript Object Notation)

    • 特点: 轻量、易读、易写。
    • 适用场景: 配置文件、Web应用中的数据交换。
    • 优势: 人类可读,广泛支持。
    • 劣势: 相对冗长,不适合大规模数据存储。
  2. CSV (Comma-Separated Values)

    • 特点: 简单、通用。
    • 适用场景: 表格数据、电子表格。
    • 优势: 易于处理,广泛支持。
    • 劣势: 不支持复杂嵌套数据结构。
  3. Pickle

    • 特点: Python专用,支持多种数据类型。
    • 适用场景: Python对象的序列化。
    • 优势: 支持几乎所有Python数据类型。
    • 劣势: 与Python紧密耦合,不适用于跨语言场景。
  4. YAML (YAML Ain’t Markup Language)

    • 特点: 易读、易写,支持复杂数据结构。
    • 适用场景: 配置文件、数据交换。
    • 优势: 人类可读,支持嵌套数据结构。
    • 劣势: 相对于JSON,解析性能较差。
  5. XML (eXtensible Markup Language)

    • 特点: 标记语言,支持树形结构。
    • 适用场景: Web服务、配置文件。
    • 优势: 结构化,广泛支持。
    • 劣势: 冗长,解析相对复杂。
  6. HDF5 (Hierarchical Data Format version 5)

    • 特点: 支持大规模科学数据集。
    • 适用场景: 科学数据、大规模数据存储。
    • 优势: 高效存储和检索大型数据。
    • 劣势: 不适合小规模数据。
  7. Parquet

    • 特点: 列式存储格式,高效压缩。
    • 适用场景: 大规模数据仓库、数据分析。
    • 优势: 高性能、高压缩比。
    • 劣势: 不适合频繁更新的数据。
  8. Avro

    • 特点: 基于JSON的数据序列化系统,支持动态模式定义。
    • 适用场景: 大规模数据交换、数据存储。
    • 优势: 紧凑的二进制格式,动态模式定义。
    • 劣势: 相对于JSON,解析性能较低。
  9. Msgpack

    • 特点: 二进制格式,高效、紧凑。
    • 适用场景: 高性能要求的数据交换。
    • 优势: 高性能、紧凑的二进制格式。
    • 劣势: 不人类可读。
  10. XLS (Excel Spreadsheet)

    • 特点: Microsoft Excel的电子表格格式。
    • 适用场景: 电子表格数据。
    • 优势: 广泛支持,适合办公文档。
    • 劣势: 不适合大规模数据存储。
数据处理需求和选择最佳工具的匹配

选择最佳数据格式和库取决于以下因素:

  • 数据复杂性: 对于简单结构的数据,如配置文件或表格数据,使用JSON、CSV等可能更合适。对于复杂结构和大规模科学数据,HDF5、Parquet、Avro等更为适用。

  • 存储需求: 如果需要高效的大规模数据存储,可以考虑使用HDF5、Parquet。如果需要高性能的列式存储,Parquet是一个不错的选择。

  • 传输效率: 对于网络传输,考虑使用紧凑的二进制格式,如Msgpack、Avro。如果需要人类可读的格式,可以选择JSON或YAML。

总结

数据格式的选择对于数据处理和存储至关重要。JSON作为轻量级的数据交换格式,在Web开发和API中广泛应用;CSV适合简单表格数据的存储;Pickle提供了Python特有的序列化方式,适合存储Python对象;YAML强调易读性,适合配置文件;XML适合各种领域的结构化数据存储;HDF5和Parquet等专业格式则针对大规模科学数据提供高效的存储和检索功能。综合考虑数据的特性、存储需求和使用场景,选择最合适的格式对于数据处理至关重要。

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:http://www.coloradmin.cn/o/1212653.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

UE5 - UI Material Lab 学习笔记

1、学习资料收集 UI Material Lab : https://www.unrealengine.com/marketplace/zh-CN/product/ui-material-lab 视频1&#xff1a;https://www.bilibili.com/video/BV1Hm4y1t7Kn/?spm_id_from333.337.search-card.all.click&vd_source707ec8983cc32e6e065d5496a7f79ee6 视…

FDTD自定义材料

官方原文档链接 该文档内容摘自原文档及相关链接 从txt导入材料数据 各项同性材料的3Dmaterials数据 txt文件中应包含以下三列。第一列为波长或频率&#xff1b;第二列为折射率或介电常数实部&#xff1b;第三列为折射率或介电常数虚部。 420 5.08894 0.237724 440 4.78…

性能测试场景的设计方法

作者&#xff5c;李文&#xff0c;自如-质量中心 来源&#xff5c;自如技术公众号 背景 引用&#xff1a;根据2008年Aberdeen Group的研究报告&#xff0c;对于Web网站&#xff0c;1秒的页面加载延迟相当于少了11%的PV&#xff08;page view&#xff09;&#xff0c;相当于降低…

Unity--互动组件(Toggle Group)||Unity--互动组件(Slider)

Toggle Group 属于同一组的切换开关受到限制&#xff0c;因此一次只能打开其中一个开关&#xff0c;按下其中一个开关时&#xff0c;其他的开关将会自动关闭&#xff1b; Allow Switch Off&#xff1a;&#xff08;允许关闭&#xff09; 如果禁用此设置&#xff0c;则按下当前…

Hadoop的概述

1、Hadoop的发展史&#xff1a; Google首先发布三篇文章&#xff1a;GFS(Google File System)、Mapreduce&#xff08;计算引擎&#xff09;、Bigtable &#xff0c;随着时间的推移&#xff1a; hadoop1.0与2.0 的区别是在2.0的版本中出现了yarn&#xff0c;主要是负责资源的调…

【轨道机器人】实现Windows与下位机串口通信(未完成)

方案一&#xff1a;QT&#xff0c;编写类似串口调试助手的APP&#xff0c;连接上硬件&#xff0c;qt有个好像是串口缓存函数&#xff0c;可以防止占用CPU。&#xff08;缺点qt估计要时间学&#xff09; 方案二&#xff1a;利用vscode、C&#xff0c;编写一个可执行exe文件&…

面向对象和原型/原型链学习

##构造函数执行的机制 函数的其中一个作用,就是构造函数. ###new关键字 1.创建一个对象; 2.这个对象的原型,可以看到这个Function 3.该对象,实现了这个构造函数的方法. 4.根据一些特定情况,返回: (1)如果没有返回值,就返回一个对象; (2)如果返回一个基本类型,则还是返回…

利用Vue+Echarts完成可视化任务

文章目录 任务一&#xff1a;用柱状图展示消费额最高的省份&#xff08;一&#xff09;提出任务&#xff08;二&#xff09;准备工作1、利用postman访问接口数据2、安装node.js3、输入更换镜像源为淘宝源4、清除npm缓存5、安装vue脚手架 任务一&#xff1a;用柱状图展示消费额最…

2023.11.15-hivesql之炸裂函数explode练习

把一个容器的多个数据炸裂出单独展示: explode(容器) 需求:将NBA总冠军球队数据使用explode进行拆分&#xff0c;并且根据夺冠年份进行倒序排序。 1.建表 --step1:建表 create table the_nba_championship(team_name string,champion_year array<string> ) row format…

手摸手入门Springboot2.7集成Swagger2.9.2

环境介绍 技术栈 springbootmybatis-plusmysqloracleSwagger 软件 版本 mysql 8 IDEA IntelliJ IDEA 2022.2.1 JDK 1.8 Spring Boot 2.7.13 mybatis-plus 3.5.3.2 REST软件架构风格 REST即表述性状态传递&#xff08;英文&#xff1a;Representational State T…

【informer】 时间序列的预测学习 2021 AAAI best paper

文章目录 前言1.引入2.数据集训练 前言 数据集 https://github.com/zhouhaoyi/ETDataset/blob/main/README_CN.md 代码&#xff1a;https://github.com/zhouhaoyi/Informer2020#reproducibility 21年的paper:https://arxiv.org/pdf/2012.07436.pdf 论文在代码上有连接&#xf…

Promise 重写 (第一部分)

学习关键语句&#xff1a; promise 重写 写在前面 重新学习了怎么重写 promise &#xff0c; 我觉得最重要的就是要有思路&#xff0c;不然有些 A 规范是完全想不到的 开始 重写函数的过程中, 最重要的是有思路 我们从哪里获取重写思路? 从正常的代码中 我们先看正常的代码…

C语言判断水仙花数(ZZULIOJ1027:判断水仙花数)

题目描述 春天是鲜花的季节&#xff0c;水仙花就是其中最迷人的代表&#xff0c;数学上有个水仙花数&#xff0c;他是这样定义的&#xff1a;“水仙花数”是指一个三位数&#xff0c;它的各位数字的立方和等于其本身&#xff0c;比如153135333。 现在要求输入一个三位数&#…

delete 与 truncate 命令的区别

直接去看原文 原文链接:【SQL】delete 与 truncate 命令的区别_truncate和delete的区别-CSDN博客 -------------------------------------------------------------------------------------------------------------------------------- 1. 相同点 二者都能删除表中的数据…

不敢信,30+岁的项目经理会是这样

大家好&#xff0c;我是老原。 你们知道&#xff0c;每个阶段的项目经理都是什么样的吗&#xff1f; 20多岁时&#xff0c;刚踏入项目管理的你可能是个什么都不懂的职场小白&#xff0c;或者只能在旁边打打下手&#xff1b; 到了30岁&#xff0c;经历了项目的人情冷暖&#…

QT中的鼠标事件

鼠标追踪打开后进去一动就显示

我把微信群聊机器人项目开源

▍PART 序 开源项目地址》InsCode - 让你的灵感立刻落地 目前支持的回复 ["抽签", "天气", "讲笑话", "讲情话", "梦到", "解第", "动漫图", "去水印-", "历史今天", "星座-…

Linux控制---进程程序替换

前言&#xff1a;前面我们学洗了Linux进程退出的相关知识&#xff0c;了解了什么是进程退出&#xff0c;已经进程等待的相关话题&#xff0c;今天&#xff0c;我们来学习Linux中的进程程序替换&#xff0c;进程程序替换在Linux中可以用于实现新程序的启动、程序升级、多进程程序…

k8s-集群升级 2

在每个集群节点都安装部署cir-docker 配置cri-docker 升级master节点 导入镜像到本地并将其上传到仓库 修改节点套接字 升级kubelet 注&#xff1a;先腾空后进行升级&#xff0c;顺序不能搞反&#xff0c;否则会导致严重问题 配置kubelet使用cri-docker 解除节点保护 升级wor…

传统企业如何利用软文营销突破重围

数字经济的发展让企业有了更多发展的可能&#xff0c;通过线下线上齐发展能够助力企业推广品牌&#xff0c;获得不错的销量。传统的线下门店销售在数字化时代下还是有一定的局限性&#xff0c;转型只是时间问题&#xff0c;然而有些企业在面对网络营销的时候却束手无策&#xf…