Python酷库之旅-第三方库Pandas(010)

news2024/9/23 19:25:07

目录

一、用法精讲

22、pandas.read_hdf函数

22-1、语法

22-2、参数

22-3、功能

22-4、返回值

22-5、说明

22-6、用法

22-6-1、数据准备

22-6-2、代码示例

22-6-3、结果输出

23、pandas.HDFStore.put方法

23-1、语法

23-2、参数

23-3、功能

23-4、返回值

23-5、说明

23-6、用法

23-6-1、数据准备

23-6-2、代码示例

23-6-3、结果输出 

24、pandas.HDFStore.append方法

24-1、语法

24-2、参数

24-3、功能

24-4、返回值

24-5、说明

24-6、用法

24-6-1、数据准备

24-6-2、代码示例

24-6-3、结果输出 

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

22、pandas.read_hdf函数
22-1、语法
# 22、pandas.read_hdf函数
pandas.read_hdf(path_or_buf, key=None, mode='r', errors='strict', where=None, start=None, stop=None, columns=None, iterator=False, chunksize=None, **kwargs)
Read from the store, close it if we opened it.

Retrieve pandas object stored in file, optionally based on where criteria.

Warning

Pandas uses PyTables for reading and writing HDF5 files, which allows serializing object-dtype data with pickle when using the “fixed” format. Loading pickled data received from untrusted sources can be unsafe.

See: https://docs.python.org/3/library/pickle.html for more.

Parameters:
path_or_bufstr, path object, pandas.HDFStore
Any valid string path is acceptable. Only supports the local file system, remote URLs and file-like objects are not supported.

If you want to pass in a path object, pandas accepts any os.PathLike.

Alternatively, pandas accepts an open pandas.HDFStore object.

keyobject, optional
The group identifier in the store. Can be omitted if the HDF file contains a single pandas object.

mode{‘r’, ‘r+’, ‘a’}, default ‘r’
Mode to use when opening the file. Ignored if path_or_buf is a pandas.HDFStore. Default is ‘r’.

errorsstr, default ‘strict’
Specifies how encoding and decoding errors are to be handled. See the errors argument for open() for a full list of options.

wherelist, optional
A list of Term (or convertible) objects.

startint, optional
Row number to start selection.

stopint, optional
Row number to stop selection.

columnslist, optional
A list of columns names to return.

iteratorbool, optional
Return an iterator object.

chunksizeint, optional
Number of rows to include in an iteration when using an iterator.

**kwargs
Additional keyword arguments passed to HDFStore.

Returns:
object
The selected object. Return type depends on the object stored.
22-2、参数

22-2-1、path_or_buf(必须)：字符串或文件样对象(如文件句柄或类似文件的对象)，指定要读取的HDF5文件的路径或文件对象。

22-2-2、key(可选，默认值为None)：字符串或列表，指定要从HDF5文件中读取的键(即数据集/表的名称)。如果文件包含多个数据集，则需要使用此参数来指定要读取哪一个；如果未指定，则尝试读取默认的数据集(如果存在)。

22-2-3、mode(可选，默认值为'r')：字符串，指定文件打开模式。其他可能的值包括'r+'(读写模式)，但注意在使用pandas时，通常不需要写模式，因为read_hdf专门用于读取数据。

22-2-4、errors(可选，默认值为'strict')：字符串，指定错误处理模式。默认为'strict'，表示如果发生错误则抛出异常，其他选项包括'ignore'，表示忽略错误。

22-2-5、where(可选，默认值为None)：字符串或表达式，用于在读取数据之前对数据进行过滤，这可以是一个字符串表达式，Pandas会尝试在读取数据时应用此表达式以筛选行。

22-2-6、start/stop(可选，默认值为None)：用于指定要读取的行范围(基于0的索引)，这可以用于分块读取大型数据集的一部分。

22-2-7、columns(可选，默认值为None)：字符串或列表，指定要读取的列名列表。如果指定，则只读取这些列。

22-2-8、iterator(可选，默认值为False)：布尔值，如果设置为True，则返回一个迭代器，该迭代器在每次迭代时返回下一块数据(由chunksize指定大小)，这对于处理非常大的数据集非常有用，因为它允许逐个处理数据块而不是一次性将所有数据加载到内存中。

22-2-9、chunksize(可选，默认值为None)：整数，当iterator=True时有效。指定每次迭代时返回的块的大小(以行为单位)。

22-2-10、**kwargs(可选)：其他关键字参数，这些参数将被传递给底层的PyTables或HDFStore对象，这些参数通常用于控制更底层的HDF5文件操作，如压缩选项等。

22-3、功能

        从HDF5文件中读取数据。

22-4、返回值

22-4-1、DataFrame或Series：默认情况下，read_hdf返回一个Pandas DataFrame对象，该对象包含了从HDF5文件中读取的数据，如果HDF5数据集只包含一列，并且用户没有指定squeeze=False(尽管在read_hdf的典型用法中，squeeze参数不是直接暴露的，但在Pandas的其他读取函数中，如read_csv，squeeze可以用来控制单列数据的返回类型)，则可能会返回一个Pandas Series对象。

22-4-2、迭代器：如果设置了iterator=True，则read_hdf返回一个迭代器，该迭代器在每次迭代时返回下一块数据(由chunksize指定大小)，这允许用户以流式方式处理大型数据集，减少内存使用。

22-5、说明

        HDF5(Hierarchical Data Format version 5)是一种用于存储和组织大量数据的文件格式，它特别适合于存储和组织大量科学数据。

22-6、用法
22-6-1、数据准备
# 22、pandas.read_hdf函数
# 22-1、创建.h5文件example.h5
import pandas as pd
import numpy as np
# 创建一个示例DataFrame
data = {
    'column1': np.random.randint(0, 100, size=100),
    'column2': np.random.random(size=100),
    'column3': np.random.choice(['A', 'B', 'C', 'D'], size=100)
}
df = pd.DataFrame(data)
# 定义HDF5文件路径和要保存的key
hdf5_file_path = 'example.h5'
key = 'dataset1'
try:
    # 使用to_hdf函数将DataFrame写入HDF5文件
    df.to_hdf(hdf5_file_path, key=key, mode='w', format='table', complevel=9, complib='blosc')
    print(f"数据已成功写入 {hdf5_file_path} 文件中的 {key} 数据集")

    # 验证写入的文件
    read_df = pd.read_hdf(hdf5_file_path, key=key)
    print("读取写入的数据:")
    print(read_df.head())
except Exception as e:
    print(f"发生错误: {e}")
22-6-2、代码示例
# 22、pandas.read_hdf函数
# 22-2、读取HDF5文件
import pandas as pd
# 定义HDF5文件路径和要读取的key
hdf5_file_path = 'example.h5'
key = 'dataset1'
# 使用read_hdf函数读取HDF5文件
try:
    df = pd.read_hdf(hdf5_file_path, key=key, mode='r', errors='strict', where=None, start=None, stop=None, columns=None, iterator=False, chunksize=None)
    print("数据读取成功:")
    print(df)
except Exception as e:
    print(f"读取HDF5文件时发生错误: {e}")
22-6-3、结果输出
# 22、pandas.read_hdf函数
# 22-1、创建.h5文件example.h5
# 数据已成功写入 example.h5 文件中的 dataset1 数据集
# 读取写入的数据:
#    column1   column2 column3
# 0       40  0.530045       C
# 1       80  0.769853       C
# 2        9  0.437948       B
# 3       47  0.896335       D
# 4       12  0.017834       B

# 22-2、读取HDF5文件
# 数据读取成功:
#     column1   column2 column3
# 0        40  0.530045       C
# 1        80  0.769853       C
# 2         9  0.437948       B
# 3        47  0.896335       D
# 4        12  0.017834       B
# ..      ...       ...     ...
# 95       70  0.172173       B
# 96        2  0.077893       C
# 97        4  0.825904       D
# 98       52  0.092274       A
# 99        7  0.210899       C
# 
# [100 rows x 3 columns]
23、pandas.HDFStore.put方法
23-1、语法
# 23、pandas.HDFStore.put函数
HDFStore.put(key, value, format=None, index=True, append=False, complib=None, complevel=None, min_itemsize=None, nan_rep=None, data_columns=None, encoding=None, errors='strict', track_times=True, dropna=False)
Store object in HDFStore.

Parameters:
keystr
value{Series, DataFrame}
format‘fixed(f)|table(t)’, default is ‘fixed’
Format to use when storing object in HDFStore. Value can be one of:

'fixed'
Fixed format. Fast writing/reading. Not-appendable, nor searchable.

'table'
Table format. Write as a PyTables Table structure which may perform worse but allow more flexible operations like searching / selecting subsets of the data.

indexbool, default True
Write DataFrame index as a column.

appendbool, default False
This will force Table format, append the input data to the existing.

data_columnslist of columns or True, default None
List of columns to create as data columns, or True to use all columns. See here.

encodingstr, default None
Provide an encoding for strings.

track_timesbool, default True
Parameter is propagated to ‘create_table’ method of ‘PyTables’. If set to False it enables to have the same h5 files (same hashes) independent on creation time.

dropnabool, default False, optional
Remove missing values.
23-2、参数

23-2-1、key(必须)：字符串，表示要存储的数据在HDF5文件中的键(或路径)，这个键用于后续从文件中检索数据。

23-2-2、value(必须)：要存储的DataFrame或Series对象。

23-2-3、format(可选，默认值为None)：字符串，指定存储格式。对于表格数据，通常使用'table'，它支持更复杂的查询和数据操作。对于简单的数据，可以使用'fixed'，但它不支持查询。如果为None，则根据value的类型自动选择。

23-2-4、index(可选，默认值为True)：布尔值，指定是否将DataFrame的索引也存储在文件中。

23-2-5、append(可选，默认值为False)：布尔值，如果为True，则尝试将数据追加到已存在的键下，而不是覆盖它，这要求format='table'。

23-2-6、complib(可选，默认值为None)：字符串，指定用于压缩的库。pandas支持多种压缩库，如'zlib'、'lzo'、'blosc'等，选择合适的压缩库可以显著减少文件大小，但会增加存储和检索时间。如果为None，则不压缩。

23-2-7、complevel(可选，默认值为None)：整数，指定压缩级别。级别越高，压缩率越高，但处理速度越慢，范围从0(无压缩)到9(最大压缩)，如果complib为None，则此参数无效。

23-2-8、min_itemsize(可选，默认值为None)：字典，指定列中字符串的最小存储大小(以字节为单位)，这有助于避免在追加数据时截断字符串，键是列名，值是整数。

23-2-9、nan_rep(可选，默认值为None)：用于表示NaN值的字符串。默认为None，表示使用HDF5的NaN表示。

23-2-10、data_columns(可选，默认值为None)：列表或布尔值，指定哪些列应该作为数据列进行索引，以便可以进行快速查询。如果为True，则所有列都作为数据列；如果为False，则没有列作为数据列；如果为列表，则列表中的列名作为数据列。

23-2-11、encoding(可选，默认值为None)：字符串，指定用于写入文件的编码，这对于存储包含非ASCII字符的字符串列很有用。

23-2-12、errors(可选，默认值为'strict')：字符串，指定在编码或解码字符串时如何处理错误，'strict'表示抛出异常，'ignore'表示忽略错误，'replace'表示用占位符替换错误字符。

23-2-13、track_times(可选，默认值为True)：布尔值，如果为True，则跟踪数据的创建和修改时间，并作为元数据存储在文件中，这对于数据版本控制可能很有用。

23-2-14、dropna(可选，默认值为False)：布尔值，当与append=True一起使用时，如果为True，则在追加之前从DataFrame中删除包含NaN值的行。注意，这仅影响要追加的数据，不会影响已存储在文件中的数据。

23-3、功能

        将一个DataFrame或Series对象保存到HDF5文件中。

23-4、返回值

        没有直接的返回值，它的主要目的是将数据写入文件，而不是返回任何数据给调用者。

23-5、说明

        无      

23-6、用法
23-6-1、数据准备
无
23-6-2、代码示例
# 23、pandas.HDFStore.put方法
import pandas as pd
# 创建一个示例DataFrame
data = {
    'A': [1, 2, 3, 4, 5],
    'B': ['a', 'b', 'c', 'd', 'e'],
    'C': [True, False, True, False, True]
}
df = pd.DataFrame(data)
# 使用HDFStore保存DataFrame
with pd.HDFStore('example.h5') as store:
    # 使用put方法将数据保存到HDF5文件中
    # 这里我们指定键为'dataset1'，格式为'table'，并使用Blosc压缩
    store.put('dataset1', df, format='table', complib='blosc', complevel=9)
# 从HDF5文件中读取数据
with pd.HDFStore('example.h5') as store:
    # 使用get方法(或read_hdf函数，但在这里我们使用get来展示HDFStore的用法)
    # 根据键'dataset1'检索数据
    retrieved_df = store.get('dataset1')
# 显示检索到的DataFrame
print("Retrieved DataFrame:")
print(retrieved_df)
23-6-3、结果输出 
# 23、pandas.HDFStore.put方法
# Retrieved DataFrame:
#    A  B      C
# 0  1  a   True
# 1  2  b  False
# 2  3  c   True
# 3  4  d  False
# 4  5  e   True
24、pandas.HDFStore.append方法
24-1、语法
# 24、pandas.HDFStore.append方法
HDFStore.append(key, value, format=None, axes=None, index=True, append=True, complib=None, complevel=None, columns=None, min_itemsize=None, nan_rep=None, chunksize=None, expectedrows=None, dropna=None, data_columns=None, encoding=None, errors='strict')
Append to Table in file.

Node must already exist and be Table format.

Parameters:
keystr
value{Series, DataFrame}
format‘table’ is the default
Format to use when storing object in HDFStore. Value can be one of:

'table'
Table format. Write as a PyTables Table structure which may perform worse but allow more flexible operations like searching / selecting subsets of the data.

indexbool, default True
Write DataFrame index as a column.

appendbool, default True
Append the input data to the existing.

data_columnslist of columns, or True, default None
List of columns to create as indexed data columns for on-disk queries, or True to use all columns. By default only the axes of the object are indexed. See here.

min_itemsizedict of columns that specify minimum str sizes
nan_repstr to use as str nan representation
chunksizesize to chunk the writing
expectedrowsexpected TOTAL row size of this table
encodingdefault None, provide an encoding for str
dropnabool, default False, optional
Do not write an ALL nan row to the store settable by the option ‘io.hdf.dropna_table’.
24-2、参数

24-2-1、key(必须)：字符串，表示要追加数据的键(或路径)在HDF5文件中，如果键已存在且format='table'，则数据将被追加到该键下的表中。

24-2-2、value(必须)：要追加的DataFrame或Series对象。

24-2-3、 format(可选，默认值为None)：字符串，指定存储格式。对于追加操作，通常使用'table'，因为它支持追加和复杂查询。如果为None，则根据value的类型和已存在的数据集(如果有的话)来推断。

24-2-4、 axes(可选，默认值为None)：已弃用，不推荐使用。

24-2-5、 index(可选，默认值为True)：布尔值，指定是否将DataFrame的索引也追加到文件中。对于追加操作，这通常应该保持为True，以确保索引的连续性。

24-2-6、append(可选，默认值为True)：布尔值，对于append方法本身来说，这个参数实际上总是True，因为它就是用来追加数据的。但在某些上下文中，这个参数可能用于区分追加和覆盖操作，但在这里不适用。

24-2-7、complib(可选，默认值为None)：字符串，指定用于压缩的库。与put方法相同，pandas支持多种压缩库，如'zlib'、'lzo'、'blosc'等，选择合适的压缩库可以显著减少文件大小。

24-2-8、complevel(可选，默认值为None)：整数，指定压缩级别。级别越高，压缩率越高，但处理速度越慢，范围从0(无压缩)到9(最大压缩)。

24-2-9、columns(可选，默认值为None)：列表，指定要追加的列，如果为None，则追加所有列，这可以用于筛选要追加的列。

24-2-10、min_itemsize(可选，默认值为None)：字典，指定列中字符串的最小存储大小(以字节为单位)，这有助于避免在追加数据时截断字符串，键是列名，值是整数。

24-2-11、nan_rep(可选，默认值为None)：用于表示NaN值的字符串。默认为None，表示使用HDF5的NaN表示。

24-2-12、chunksize(可选，默认值为None)：整数，指定写入时的块大小(以行数为单位)，这对于处理大数据集时减少内存使用很有用，如果为None，则一次性写入整个数据集。

24-2-13、expectedrows(可选，默认值为None)：整数，预期要追加的行数，这可以帮助优化存储结构，但通常不是必需的。

24-2-14、dropna(可选，默认值为None)：布尔值，如果为True，则在追加之前从DataFrame中删除包含NaN值的行。请注意，这与put方法中的dropna参数不同，后者在append=True时无效。

24-2-15、data_columns(可选，默认值为None)：列表或布尔值，指定哪些列应该作为数据列进行索引，以便可以进行快速查询。如果为True，则所有列都作为数据列；如果为False，则没有列作为数据列；如果为列表，则列表中的列名作为数据列。

24-2-16、encoding(可选，默认值为None)：字符串，指定用于写入文件的编码，这对于存储包含非ASCII字符的字符串列很有用。

24-2-17、errors(可选，默认值为'strict')：字符串，指定在编码或解码字符串时如何处理错误，'strict'表示抛出异常，'ignore'表示忽略错误，'replace'表示用占位符替换错误字符。

24-3、功能

        用于将DataFrame或Series对象追加到已存在的HDF5文件中的数据集的一个方法。

24-4、返回值

        没有直接的返回值，它的主要作用是执行追加操作，并将数据写入到HDF5文件中。  

24-5、说明

        无

24-6、用法
24-6-1、数据准备
无
24-6-2、代码示例
# 24、pandas.HDFStore.append方法
import pandas as pd
# 创建一个示例DataFrame
df1 = pd.DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'c']})
df2 = pd.DataFrame({'A': [4, 5, 6], 'B': ['d', 'e', 'f']})
# 将df1保存到HDF5文件中
with pd.HDFStore('example.h5') as store:
    store.put('dataset', df1, format='table')
# 将df2追加到HDF5文件中的dataset数据集
with pd.HDFStore('example.h5') as store:
    store.append('dataset', df2, format='table', index=False)  # 假设我们不想追加索引
# 验证数据是否已追加
with pd.HDFStore('example.h5') as store:
    retrieved_df = store.get('dataset')
print(retrieved_df)
# 输出将显示包含df1和df2数据的完整DataFrame
24-6-3、结果输出 
# 24、pandas.HDFStore.append方法
#    A  B
# 0  1  a
# 1  2  b
# 2  3  c
# 0  4  d
# 1  5  e
# 2  6  f

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

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/1906404.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

【APK】Unity出android包，报错 Gradle build failed.See the Console for details

【APK】Unity出android包，报错 Gradle build failed.See the Console for details

参考大佬的博客：报错：Gradle build failed.See the Console for details.（已解决）_starting a gradle daemon, 1 incompatible daemon co-CSDN博客 本地出Android包，Build失败 解决办法： 1.下载一个低版本…
阅读更多...
防爆手机终端安全管理平台

防爆手机终端安全管理平台

防爆手机终端安全管理平台能够满足国家能源、化工企业对安全生产信息化运行需求，能够快速搭建起高效、快捷的移动终端管理平台，提高企业安全生产管理水平，保证企业的安全运行和可持续发展。#防爆手机 #终端安全 #移动安全 能源、化工等生产单…
阅读更多...
Thingsboard 系列之通过 ESP8266+MQTT 模拟设备上报数据到平台

Thingsboard 系列之通过 ESP8266+MQTT 模拟设备上报数据到平台

前置工作 Thingsboard平台ESP 8266 NodeMCU 开发板IDE： Arduino 或 VScode 均可 服务端具体对接流程 系统管理员账号通过 Thingsboard 控制面板创建租户等信息并以租户账号登录 实体 —> 设备维护具体设备信息 创建完成后通过管理凭据修改或直接复制访问令牌…
阅读更多...
docker安装oracle 11g

docker安装oracle 11g

最近把一些常用数据库都移到docker了，而且是windows下，很是方便。偶尔还是要用一下Oracle，今天就试一下安装oracle 11g 在docker上。 一、搜索并拉取镜像 docker search oracle_11gdocker pull ![在这里插入图片描述](https://i-blog.csdni…
阅读更多...
刷题之合并两个有序数组（leetcode）

刷题之合并两个有序数组（leetcode）

因为换了手机号码，之前leetcode的账号登不上去了，正好太久不刷题，很多思路都没了，所以重新开始刷leetcode！ 这道题很简单，指针模拟一下，从后往前考虑，先看最大值。 class Solution…
阅读更多...
STM32蓝牙HID实战：打造低功耗、高性能的客制化键盘

STM32蓝牙HID实战：打造低功耗、高性能的客制化键盘

一、项目概述 本项目旨在使用STM32单片机打造一款功能强大的蓝牙客制化键盘，它拥有以下特点： 九键布局，小巧便携: 满足日常使用需求，方便携带。全键可编程: 所有按键和旋钮均可通过电脑软件自定义快捷键，实现个性化功…
阅读更多...
LLM推理引擎怎么选？TensorRT vs vLLM vs LMDeploy vs MLC-LLM

LLM推理引擎怎么选？TensorRT vs vLLM vs LMDeploy vs MLC-LLM

LLM擅长文本生成应用程序，如聊天和代码完成模型，能够高度理解和流畅。但是它们的大尺寸也给推理带来了挑战。有很多个框架和包可以优化LLM推理和服务，所以在本文中我将整理一些常用的推理引擎并进行比较。 TensorRT-LLM TensorRT-LLM是NV发布…
阅读更多...
【数据结构】（C语言）：二叉搜索树（不使用递归）

【数据结构】（C语言）：二叉搜索树（不使用递归）

二叉搜索树： 非线性的，树是层级结构。基本单位是节点，每个节点最多2个子节点。有序。每个节点，其左子节点都比它小，其右子节点都比它大。每个子树都是一个二叉搜索树。每个节点及其所有子节点形成子树。可以是空树。 …
阅读更多...
控件-ProgressBar

控件-ProgressBar

常用属性 1.android:max:进度条的最大值 2. android: progress:进度条已完成进度值 3. android: indeterminate:如果设置成true,则进度条不精确显示进度 4.style"?android:attr/progressBarStyleHorizontal"水平进度条 案例 进度条加载
阅读更多...
基于Java+SpringMvc+Vue技术的就医管理系统设计与实现系统(源码+LW+部署讲解)

基于Java+SpringMvc+Vue技术的就医管理系统设计与实现系统(源码+LW+部署讲解)

目录 界面展示 第六章 部分代码实现 6.1 Spring boot 配置代码 6.2 用户管理及登录登出代码 6.3 Md5 加密算法代码 6.4 部分数据库代码 六、论文参考： 七、其他案例： 系统介绍： 就医管理系统，也称为医院管理系统&#…
阅读更多...
STM32自己从零开始实操08:STM32主控原理图

STM32自己从零开始实操08:STM32主控原理图

由于老师使用的各引脚分门别类的单片机原理图我没有找到，我使用是引脚按顺序摆放的，不方便一个模块一个模块截图展示，所以这部分使用老师的原理图。 一、电源 1.1电源的介绍 1.1.1数字电源和地（VDD和VSS） 数字电源…
阅读更多...
AIGC时代程序员的跃迁——编程高手的密码武器

AIGC时代程序员的跃迁——编程高手的密码武器

💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学…
阅读更多...
RocketMQ之消费者带你了解概念和消费流程

RocketMQ之消费者带你了解概念和消费流程

1. 背景 RocketMQ 的消费可以算是 RocketMQ 的业务逻辑中最复杂的一块。这里面涉及到许多消费模式和特性。本想一篇文章写完，写到后面发现消费涉及到的内容太多，于是决定分多篇来写。本文作为消费系列的第一篇，主要讲述 RocketMQ 消费涉及到…
阅读更多...
网络规划与设计————期末复习

网络规划与设计————期末复习

一、选择题（每题1分） 1、光纤线组建的标准以太网是______。 A.10BASE-5 B.10BASE-2 C.10BASE-T D.10BASE-F 其实也很好记，光纤的英文是 "Fiber Optic"，双绞线的英文是 "Twisted Pair"。 5呢…
阅读更多...
Redis核心问题总结(一)

Redis核心问题总结(一)

1、为什么要使用Redis做缓存 缓存的好处 使用缓存的目的就是提升读写性能。而实际业务场景下，更多的是为了提升读性能，带来更好的性 能，带来更高的并发量。Redis 的读写性能比 Mysql 好的多，我们就可以把 Mysql 中的热点数据缓 …
阅读更多...
Python28-8 GBM梯度提升算法

Python28-8 GBM梯度提升算法

梯度提升算法（Gradient Boosting Machine，GBM）是一种集成学习方法，通过逐步构建一系列简单模型（通常是决策树），并结合这些模型来提高整体预测性能。GBM广泛用于回归和分类任务，因为它…
阅读更多...
端到端自动驾驶新突破：Nvidia提出全并行PARA-Drive，斩获CVPR挑战赛冠军

端到端自动驾驶新突破：Nvidia提出全并行PARA-Drive，斩获CVPR挑战赛冠军

论文标题： PARA-Drive: Parallelized Architecture for Real-time Autonomous Driving 论文作者： Xinshuo Weng, Boris Ivanovic, Yan Wang, Yue Wang, Marco Pavone 导读： 本文系统分析了自动驾驶高级架构的设计空间，提出了关…
阅读更多...
单片机软件架构连载(3)-typedef

单片机软件架构连载(3)-typedef

今天给大家讲typedef，这个关键字在实际产品开发中，也是海量应用。 技术涉及知识点比较多，有些并不常用，我们以贴近实际为原则，让大家把学习时间都花在重点上。 1.typedef的概念 typedef 是 C 语言中的一个关键字&…
阅读更多...
artts升级版本后常见的编译错误（定期更新......）

artts升级版本后常见的编译错误（定期更新......）

1、设置泛型将参数配置为 null 时抛出了如下异常: Type null is not assignable to type T. T could be instantiated with an arbitrary type which could be unrelated to null. <ArkTSCheck> 解决办法 在 null 后面添加 ! 即可,以表示该值不会为 null data: T null!…
阅读更多...
【可能是全网最丝滑的LangChain教程】十七、LangChain进阶之Retrievers

【可能是全网最丝滑的LangChain教程】十七、LangChain进阶之Retrievers

人生不能像做菜&#xff0c;把所有的料都准备好了才下锅。 01 Retrievers介绍 检索器&#xff08;Retrievers&#xff09; 是一种接口&#xff0c;用于根据非结构化查询返回文档&#xff0c;它比向量存储更为通用&#xff0c;既可以使用向量存储作为底层&#xff0c;也可以是其…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023