【学习笔记】《深入浅出Pandas》第16章：可视化

news2024/11/16 23:45:29

文章目录

  • 16.1 plot方法
    • 16.1.1 plot概述
    • 16.1.2 plot基础方法
    • 16.1.3 图形类型
    • 16.1.4 x轴和y轴
    • 16.1.5 图形标题
    • 16.1.6 字体大小
    • 16.1.7 线条样式
    • 16.1.8 背景辅助线
    • 16.1.9 图例
    • 16.1.10 图形大小
    • 16.1.11 色系
    • 16.1.12 绘图引擎
    • 16.1.14 图形叠加
    • 16.1.15 颜色的表示
    • 16.1.16 解决图形中的中文乱码问题
  • 16.2 常用可视化图形
    • 16.2.1 折线图plot.line
    • 16.2.2 饼图plot.pie
    • 16.2.3 柱状图plot.bar
    • 16.2.4 直方图plot.hist
    • 16.2.5 箱型图plot.box
    • 16.2.6 面积图plot.area
    • 16.2.7 散点图plot.scatter
    • 16.2.8 六边形分箱图plot.hexbin

16.1 plot方法

Pandas提供的plot()方法 可以将Series和DataFrame中的数据可视化，它是对matplotlib.axes.Axes.plot 的封装，执行完会生成一张可视化图形，直接显示在Jupyter Notebook上。

16.1.1 plot概述

plot默认是折线图，x轴为索引，y轴为数据。

（1）对于DataFrame，会将所有数字列以多条折线的形式显示在图形中。

# Series调用
s.plot()
# DataFrame调用
df.plot()

在这里插入图片描述
（2）其他图形：

df.plot.line() # 折线的全写方式
df.plot.bar() # 柱状图
df.plot.barh() # 横向柱状图（条形图）
df.plot.hist() # 直方图
df.plot.box() # 箱型图
df.plot.kde() # 核密度估计图
df.plot.density() # 同上
df.plot.area() # 面积图
df.plot.pie() # 饼图
df.plot.scatter() # 散点图
df.plot.hexbin() # 六边形图

16.1.2 plot基础方法

（1）Series数据调用plot方法，它的索引信息会显示在x轴，y轴则是x轴上的索引对应的具体数据值。

ts = pd.Series(list(range(5))+list(range(5)),
               index=pd.date_range('1/1/2020', periods=10))
"""
2020-01-01    0
2020-01-02    1
2020-01-03    2
2020-01-04    3
2020-01-05    4
2020-01-06    0
2020-01-07    1
2020-01-08    2
2020-01-09    3
2020-01-10    4
Freq: D, dtype: int64
"""

# 绘图
ts.plot()

在这里插入图片描述
（2）DataFrame数据：
①调用plot时，x轴为DataFrame的索引，y轴将显示多列的多条折线数据。

df = pd.DataFrame(np.random.randn(6, 4),
                  index=pd.date_range('1/1/2020', periods=6),
                  columns=list('ABCD'))
"""

				A 			B 			C 			D
2020-01-01 	-0.494067 	-1.326726 	1.017270 	0.969768
2020-01-02 	-1.094762 	-1.035891 	1.572841 	-0.310795
2020-01-03 	0.282873 	-0.000758 	-0.176886 	0.880761
2020-01-04 	-0.131953 	-1.828849 	-0.578733 	1.138348
2020-01-05 	0.327931 	0.793914 	0.251315 	0.348714
2020-01-06 	2.165683 	1.044589 	0.312085 	-0.335197
"""
# 绘图
df.plot()

在这里插入图片描述
②DataFrame在绘图时，可以指定x轴和y轴的列。

df.plot(x='A', y='B')

在这里插入图片描述
③如果y轴需要多个值，可以传入列表：

# y轴指定两列
df.plot(x='A', y=['B', 'C'])

16.1.3 图形类型

（1）kind参数，可以指定图形的类型：

ts.plot(kind='pie')

在这里插入图片描述（2）kind支持的参数如下：

  • line：折线图，默认；
  • pie：饼图；
  • bar：柱形图；
  • barh：横向柱状图；
  • hist：直方图；
  • kde、density：核密度估计图；
  • box：箱型图；
  • area：面积图；
  • scatter：散点图；
  • hexbin：六边形分箱图。

16.1.4 x轴和y轴

如果是Series，则索引是x轴，无须传入y轴的值。

# 可以不写参数名，直接按位置传入
df[:5].plot('name', 'Q1')
df[:5].plot.bar('name', ['Q1', 'Q2'])
df[:5].plot.barh(x='name', y='Q4')
df[:5].plot.area('name', ['Q1', 'Q2'])
df[:5].plot.scatter('name', 'Q3') # 散点图只允许有一个y值

16.1.5 图形标题

用title参数来指定图形标题，标题会显示在图形顶部。

df.head(5).plot.bar(title='前5位学生成绩分布图')

在这里插入图片描述

16.1.6 字体大小

fontsize指定轴上的字体大小，单位是pt（磅）。

# 指定轴上的字体大小
df.set_index('name')[:5].plot(fontsize=20)

16.1.7 线条样式

style可指定图的线条样式，并组合使用：

df[:5].plot(style=':') # 虚线
df[:5].plot(style='-.') # 虚实相间
df[:5].plot(style='--') # 长虚线
df[:5].plot(style='-') # 实线，默认
df[:5].plot(style='.') # 点
df[:5].plot(style='*-') # 实线，数值为星星
df[:5].plot(style='^-') # 实线，数值为三角形

16.1.8 背景辅助线

grid会给x方向和y方向增加背景辅助线：

df.set_index('name').head().plot(grid=True)

在这里插入图片描述

16.1.9 图例

（1）plot默认显示图例，传入参数legend=False 可隐藏。

df.set_index('name').head().plot(legend=False)

（2）将图例倒排（与之前的顺序相反）。

df.set_index('name').head().plot(legend='reverse')

16.1.10 图形大小

figsize参数传入一个元组，可以指定图形的宽、高（单位为英寸）。

df.set_index('name').head().plot.bar(figsize=(10.5, 5))

全局默认的图形大小：

import matplotlib.pyplot as plt
plt.rcParams['figure.figsize'] = (15.0, 8.0) # 固定显示大小

16.1.11 色系

colormap指定图形配色。

df.set_index('name').head().plot.barh(colormap='rainbow')

16.1.12 绘图引擎

backend参数可以指定一个新的绘图引擎，默认是Matplotlib。

（1）将绘图引擎更换成bokeh，它是一个优秀的可交互的Python可视化绘图库。

import pandas_bokeh
pandas_bokeh.output_notebook() # Notebook展示
df.head().plot.bar('name', ['Q1', 'Q2'], backend='pandas_bokeh')

以上代码执行后，会先加载bokeh的JavaScript等静态资源，然后显示交互式图形。可以点击页面上的各种操作按钮对数据进行探索。
在这里插入图片描述（2）Pandas支持以下绘图引擎：

  • Matplotlib（默认）
  • hvplot 0.5.1版本及以上
  • holoviews
  • pandas_bokeh
  • plotly 4.8版本及以上
  • Altair

16.1.14 图形叠加

为了实现两种类型的图形叠加，可以将两个图形的绘图语句组成一个元组或者列表。

(
    df['Q1'].head().plot.bar(),
    df.mean(1).head().plot(color='r')
)

在这里插入图片描述

16.1.15 颜色的表示

在可视化中颜色与CSS的表示方法相同，可以用CSS颜色名和CSS合法颜色值表示。

（1）17种标准颜色名称：aqua、black、blue、fuchsia、gray、green、lime、maroon、navy、olive、orange、purple、red、silver、teal、white、yellow。
（2）合法颜色值，在HTML和CSS中使用3位元素，共6个十六进制的数字表示一种颜色，每位元素的取值从00到FF，相当于十进制数字的0到255。按此顺序，前两位是红色的值，中间两位是绿色的值，最后两位是蓝色的值。
（3）rgb(red, green, blue)格式：如rgb(37,37,37)。

16.1.16 解决图形中的中文乱码问题

（1）临时方案

# Jupyter Notebooks plt 图表配置
import matplotlib.pyplot as plt
plt.rcParams['figure.figsize'] = (15.0, 8.0) # 固定显示大小
plt.rcParams['font.family'] = ['sans-serif'] # 显示中文问题
plt.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文问题
plt.rcParams['axes.unicode_minus'] = False # 显示负号

（2）永久方案：在配置文件中增加指定的中文字体。

16.2 常用可视化图形

本节将介绍plot()方法适配的几个最为常用的图形绘制方法，不需要额外的参数就能快速将数据可视化。

16.2.1 折线图plot.line

plot的默认图形是折线图，因此对于折线图，可以省略df.plot.line()中的line方法。

（1）DataFrame可以直接调用plot生成折线图。
①x轴为索引，其他数字类型的列为y轴上的线条。

df.plot()
df.plot.line()

②如果希望指定的列作为x轴，可以先将其设为索引。

(
    df.head()
    .set_index('name')
    .plot()
)

（2）Series索引作为x轴，值为y轴，如果值非数字则报错：

(
    df.set_index('name')
    .head()
    .Q1 # Series
    .plot()
)

（3）可以指定x轴和y轴：

df.plot(x='name', y='Q1')
df.plot(x='name', y=['Q1', 'Q2']) # 指定多条

（4）如果一个折线图中有多条线，可以使用subplots将它们区分，形成多张子图。

df.head().plot.line(subplots=True)

在这里插入图片描述

16.2.2 饼图plot.pie

饼图可以表示不同分类的数据在总体中的占比情况，将一个完整的圆形划分为若干个小饼，占比大小体现在弧度大小上。
如果数据中有NaN值，会自动将其填充为0；如果数据中有负值，则会引发ValueError错误。

（1）对于Series：

s = pd.Series(3 * np.random.rand(4),
              index=['a', 'b', 'c', 'd'], name='数列')
"""
a    0.423434
b    1.308394
c    0.100264
d    0.858464
Name: 数列, dtype: float64
"""

s.plot.pie()

在这里插入图片描述
（2）对于DataFrame，需要指定y值。

df1 = pd.DataFrame(3 * np.random.rand(4, 2),
                   index=['a', 'b', 'c', 'd'],
                   columns=['x', 'y'])
"""

		x 			y
a 	2.354850 	1.666088
b 	1.526937 	1.883375
c 	1.164212 	2.745225
d 	2.479957 	2.440313
"""

df1.plot.pie(y='x')

在这里插入图片描述
（3）如果数据总和小于1.0，则会绘制一个扇形。
（4）DataFrame可以传入subplots=True创建子图矩阵。

df1.plot.pie(subplots=True, figsize=(8, 4))

在这里插入图片描述（5）默认是有图例的，但是可以通过传入参数legend=False来设置。

（6）其他常用参数：

s.plot.pie(labels=['AA', 'BB', 'CC', 'DD'], # 标签，指定项目名称
           colors=['r', 'g', 'b', 'c'], # 指定颜色
           autopct='%.2f', # 数字格式
           fontsize=20, # 字体大小
           figsize=(6, 6) # 图大小
          )

16.2.3 柱状图plot.bar

（1）DataFrame直接调用plot.bar生成柱状图。
①x轴为索引，其他数字类型的列为y轴上的条形：

df1.plot.bar()
df1.plot.barh() # 横向
df[:5].plot.bar(x='name', y='Q4') # 指定x、y轴

②如果想将指定的列显示在x轴，可以将其设置为索引：

(
    df.head() 
    .set_index('name')
    .plot
    .bar()
)

（2）Series索引为x轴，值为y轴，有值为非数字的时候会报错。
①如果数据中有负值，则0刻度会在x轴上，不会在图形底边：

(
    df.assign(Q1=df.Q1 - 70)
    .loc[:6]
    .set_index('name')
    .plot
    .bar()
)

在这里插入图片描述②将同一索引的多个数据堆叠起来：

(
    df.loc[:6]
    .set_index('name')
    .plot
    .bar(stacked=True)
)

在这里插入图片描述
（3）柱状图同样支持子图，使用subplots=True。

16.2.4 直方图plot.hist

直方图又称质量分布图，由一系列高度不等的纵向条纹或线段表示数据分布情况。一般用横轴表示数据类型，纵轴表示分布情况。
直方图描述的是数据在不同区间内的分布情况，描述的数据量一般比较大。分组数据字段（统计结果）映射到横轴的位置，频数字段（统计结果）映射到矩形的高度，可以对分类数据设置颜色以增加分类的区分度。

（1）在下例中，随机生成三列数，每列1000个，其中一个在随机数上加一，一个减一，然后绘制直方图，默认分箱数为10个（bins=10），alpha为颜色的透明度（范围0~1）：

df2 = pd.DataFrame({'a': np.random.randn(1000) + 1,
                    'b': np.random.randn(1000),
                    'c': np.random.randn(1000) - 1},
                     columns=['a', 'b', 'c'])

df2.plot.hist(alpha=0.5)

在这里插入图片描述
（2）Series为单直方图：

# 单直方图
df2.a.plot.hist()

在这里插入图片描述（3）堆叠并指定分箱数量：

df2.plot.hist(stacked=True, bins=20)

在这里插入图片描述
（4）直接使用df.hist(alpha=0.5)来绘制子图：

df2.hist(alpha=0.5)

在这里插入图片描述（5）可以单独绘制子图，指定分箱数量：

df2.a.hist(bins=20, alpha=0.5)
df2.hist('a', bins=20, alpha=0.5) # 同上

在这里插入图片描述（6）by参数可用来分组，生成分组后的子图：

df.Q1.hist(by=df.team)

在这里插入图片描述

16.2.5 箱型图plot.box

箱型图又称盒形图、盒式图或箱线图，用来显示一组数据分布情况的统计图。
Series.plot.box()、DataFrame.plot.box() 和DataFrame.boxplot() 都可以绘制箱型图。
df.plot.box()无法使用，找不到原因

（1）箱型图可以观察到：

  • 一组数据的关键值，如中位数、最大值、最小值；
  • 数据集中是否存在异常值以及异常值的具体数值；
  • 数据是不是对称；
  • 数据分布是否密集；
  • 数据是否扭曲，即是否具有偏向性

（2）使用方法

df.plot.box() # 所有列 Fail

（3）其他方法：

df.A.plot.box() # 单列 Fail
df.boxplot()
df.boxplot('Q1')

（4）使用vert=False将图形设置为横向，用position控制位置：

# 横向+位置调整
df.plot.box(vert=False, positions=[1, 2, 5, 6])

16.2.6 面积图plot.area

面积图又叫区域图，将折线图中折线与自变量坐标轴之间的区域使用颜色或纹理填充，这样填充区域就叫做面积。填充颜色可以更好突出趋势信息。
默认情况下，面积图是堆叠的。
要生成堆积面积图，每列必须全部为正值或全部为负值。
当输入数据包含NaN时，它将被填充为0。
如果要删除或填充不同的值，需要在调用图之前使用DataFrame.dropna()或DataFrame.fillna()。

Series.plot.area() 和 **DataFrame.plot.area()**是面积图的基本操作，默认情况下，x轴为索引，y轴为值或者所有数据列。
（1）单列：

df4 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
df4.a.plot.area() # 单列

在这里插入图片描述（2）所有数据列：

df4.plot.area()

在这里插入图片描述
（3）生成未堆积、有一定透明度的图，传入stack=False，Alpha默认为0.5：
在这里插入图片描述（4）指定x轴和y轴：

df4.plot.area(y='a')
df4.plot.area(y=['b', 'c'])
df4.plot.area(x='a') # y轴为b、c、d

16.2.7 散点图plot.scatter

散点图也叫x-y图，它将所有数据以点的形式展现在直角坐标系上，以显示变量之间的相互影响程度，点的位置由变量的数值决定。

（1）可以使用DataFrame.plot.scatter()方法绘制散点图。散点图要求x轴和y轴为数字列，这些可以通过x和y关键字指定。

(
    df.assign(avg=df.mean(1))
    .plot
    .scatter(x='Q1', y='avg')
)

在这里插入图片描述
（2）使用c参数指定点的颜色：

df.plot.scatter(x='Q1', y='Q2', c='b', s=50)

在这里插入图片描述
c可以取如下值：

  • 字符，RGB或RGBA码，如red、#a98d19；
  • 序列，颜色列表，对应每个点的颜色；
  • 列名称或位置；
df.plot.scatter(x='Q1', y='Q2', c=['green', 'yellow']*50, s=50)

在这里插入图片描述（3）参数colorbar=True会在当前坐标区或者图的右侧显示一个垂直颜色栏，显示当前颜色图并指示数值到颜色图的映射。

df.plot.scatter(x='Q1', y='Q2', c='DarkBlue', colorbar=True)

在这里插入图片描述
（4）参数s用于指定点的大小。

16.2.8 六边形分箱图plot.hexbin

六边形分箱图也称六边形箱体图，它是一种以六边形为主要元素的统计图表。它既是散点图的延伸，又兼具直方图和热力图的特征。
df.plot.hexbin()无法使用，找不到原因

使用**DataFrame.plot.hexbin()**创建六边形图。如果数据过于密集，而无法单独绘制每个点，就可以使用六边形图。

# Fail
df = pd.DataFrame(np.random.randn(1000, 2), columns=['a', 'b'])
df['b'] = df['b'] + np.arange(1000)
df.plot.hexbin(x='a', y='b', gridsize=25)

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/1410.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

量子笔记：量子计算 toy python implementation from scratch

量子笔记：量子计算 toy python implementation from scratch

目录 0. 概要 1. 量子比特表示：用二维张量表示 2. 张量积的实现 2.1 用scipy.linalg.kron()实现张量积 2.2 用张量积计算双量子系统的基 3. 多量子系统基向量表示和生成 3.1 Helper function: bin_ext 3.2 多量子系统的基的生成 3.3 numpy.matrix numpy.m…
阅读更多...
基于多尺度注意力网络单图像超分（MAN）

基于多尺度注意力网络单图像超分（MAN）

引言 Transformer的自注意力机制可以进行远距离建模，在视觉的各个领域表现出强大的能力。然而在VAN中使用大核分解同样可以得到很好的效果。这也反映了卷积核的发展趋势，从一开始的大卷积核到vgg中采用堆叠的小卷积核代替大卷积核。 上图展现了MAN网络在…
阅读更多...
使用T0，方式2，在P1.0输出周期为400µs，占空比为4：1的矩形脉冲，要求在P1.0引脚接有虚拟示波器，观察P1.0引脚输出的矩形脉冲波形

使用T0，方式2，在P1.0输出周期为400µs，占空比为4：1的矩形脉冲，要求在P1.0引脚接有虚拟示波器，观察P1.0引脚输出的矩形脉冲波形

大家学过一段时间的单片机了，今天我们来说说单片机里的定时器，又叫计数器。首先，我们通过案例来了解一下什么是定时器。 【例】使用T0，方式2，在P1.0输出周期为400s，占空比为4：1的矩形脉冲&…
阅读更多...
如何编写优秀的测试用例，建议收藏和转发

如何编写优秀的测试用例，建议收藏和转发

1、测试点与测试用例 测试点不等于测试用例，这是我们首先需要认识到的。 问题1：这些测试点在内容上有重复，存在冗余。 问题2：一些测试点的测试输入不明确，不知道测试时要测试哪些。 问题3：总是在搭相似…
阅读更多...
串口通信协议【I2C、SPI、UART、RS232、RS485、CAN】

串口通信协议【I2C、SPI、UART、RS232、RS485、CAN】

（1）I2C 集成电路互连总线接口(Inter IC)：同步串行半双工传输总线，连接嵌入式处理器及其外围器件。 支持器件：LCD驱动器、Flash存储器 特点： ①有两根传输线（时钟线SCL、双向数据线SDA&#…
阅读更多...
python基础19-36题

python基础19-36题

题目： 代码十九二十二十一二十二二十三二十四二十五二十六二十七二十八二十九三十三十一三十二三十三三十四三十五三十六十九 birthday int(input(“请输入生日日期：”)) Set1 [1,3,5,7,9,11,13,15,17,19,21,23,25,27,29,31] Set2 [2,3,6,7,10,11,…
阅读更多...
【CV】第 7 章：目标检测基础

【CV】第 7 章：目标检测基础

🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎 📝个人主页－Sonhhxg_柒的博客_CSDN博客 📃 🎁欢迎各位→点赞…
阅读更多...
几何等变图神经网络综述

几何等变图神经网络综述

许多科学问题都要求以几何图形（geometric graphs）的形式处理数据。与一般图数据不同，几何图显示平移、旋转和反射的对称性。研究人员利用这种对称性的归纳偏差（inductive bias），开发了几何等变图神经网络&a…
阅读更多...
SpringMVC | 快速上手SpringMVC

SpringMVC | 快速上手SpringMVC

👑 博主简介：    🥇 Java领域新星创作者    🥇 阿里云开发者社区专家博主、星级博主、技术博主 🤝 交流社区：BoBooY（优质编程学习笔记社区） 前言：在上一节中我们了解…
阅读更多...
多分类评估指标计算

多分类评估指标计算

文章目录混淆矩阵回顾Precision、Recall、F1回顾多分类混淆矩阵宏平均（Macro-average）微平均（Micro-average）加权平均（Weighted-average）总结代码混淆矩阵回顾 若一个实例是正类，并且被预测为正…
阅读更多...
Linux（Nginx）

Linux（Nginx）

目录 一、Nginx简介 二、Nginx使用 Nginx安装 tomcat负载均衡 Nginx配置 三、Nginx部署项目 项目打包前 将前端项目打包（测试本地项目打包后没问题） ip/host主机映射 完成Nginx动静分离的default.conf的相关配置 将前台项目打包(配合Nginx动静…
阅读更多...
real-word super resulution: real-sr, real-vsr, realbasicvsr 三篇超分和视频超分论文

real-word super resulution: real-sr, real-vsr, realbasicvsr 三篇超分和视频超分论文

real-world image and video super-resolution 文章目录real-world image and video super-resolution1. Toward Real-World Single Image Super-Resolution:A New Benchmark and A New Model（2019）1.1 real-world数据集制作1.2 LP-KPN网络结构1.3 拉普拉…
阅读更多...
近八成中国程序员起薪过万人民币，你过了么？

近八成中国程序员起薪过万人民币，你过了么？

打工者联盟为了抵抗996、拖欠工资、黑心老板、恶心公司，让我们组成打工者联盟。客观评价自己任职过的公司情况，为其他求职者竖起一座引路的明灯。https://book.employleague.cn/一项调查显示，近八成中国程序员本科毕业生起薪过万（…
阅读更多...
Oracle数据库中的数据完整性

Oracle数据库中的数据完整性

目录 1.数据完整性约束作用 2.数据完整性约束的分类 3.完整性约束的状态 4.域完整性的实现 （1）check约束 ①可视化方式创建check约束 ②命令方式创建约束 ③修改表创建的约束 ④删除约束 （2）实体完整性约束实现 ①prim…
阅读更多...
思科dhcp服务器动态获取ip地址

思科dhcp服务器动态获取ip地址

项目要求: 某公司共有网管中心、行政部、技术部、三个部门，分别处在一栋大楼中的两个楼层，为了保证公司内部主机始终能够连接Internet，采用双向冗余设计，分别使用路由器R1与路由器R2连接中国电信和中国联通。 1.首先为了避免不必要…
阅读更多...
【算法详解】数据结构：7种哈希散列算法，你知道几个？

【算法详解】数据结构：7种哈希散列算法，你知道几个？

一、前言 哈希表的历史 哈希散列的想法在不同的地方独立出现。1953 年 1 月，汉斯彼得卢恩 ( Hans Peter Luhn ) 编写了一份IBM内部备忘录，其中使用了散列和链接。开放寻址后来由 AD Linh 在 Luhn 的论文上提出。大约在同一时间，IBM Researc…
阅读更多...
项目进度管理

项目进度管理

第3 章 项目进度管理 3.1 概述 1.项目进度管理是指在项目实施过程中，对各阶段的进展程度和项目最终完成的期限所进行的管理，是在 规定的时间内，拟定出合理且经济的进度计划（包括多级管理的子汁划)，在执行该计划的过程…
阅读更多...
常见的限流算法的原理以及优缺点

常见的限流算法的原理以及优缺点

原文网址：常见的限流算法的原理以及优缺点_IT利刃出鞘的博客-CSDN博客 简介 说明 本文介绍限流常用的算法及其优缺点。 常用的限流算法有： 计数器（固定窗口）算法滑动窗口算法漏桶算法令牌桶算法 下面将对这几种算法进行分别介绍…
阅读更多...
tmux的简单使用

tmux的简单使用

文章目录一、认识tmux1.1 会话1.2 tmux的作用1.3 tmux的安装二、tmux的使用2.1 会话管理2.1.1 创建会话2.1.2 退出会话2.1.3 从终端环境进入会话2.1.4 查看会话列表2.1.5 销毁会话2.1.6 重命名会话2.2 窗口管理2.3 窗格管理一、认识tmux 1.1 会话 命令行的典型使用方式是&…
阅读更多...
rocketmq是如何消费

rocketmq是如何消费

拉取消息的请求都在pullRequestQueue队列里， 拉取消息成功后设置下一次需要拉取的offset， boolean dispatchToConsume processQueue.putMessage(pullResult.getMsgFoundList()); 这个方法会把拉取回来的消息放进msgTreeMap里面 然后消费拉取回来的消…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023