Python酷库之旅-第三方库Pandas(050)

news2024/11/20 12:17:55

目录

一、用法精讲

181、pandas.Series.var方法

181-1、语法

181-2、参数

181-3、功能

181-4、返回值

181-5、说明

181-6、用法

181-6-1、数据准备

181-6-2、代码示例

181-6-3、结果输出

182、pandas.Series.kurtosis方法

182-1、语法

182-2、参数

182-3、功能

182-4、返回值

182-5、说明

182-6、用法

182-6-1、数据准备

182-6-2、代码示例

182-6-3、结果输出

183、pandas.Series.unique方法

183-1、语法

183-2、参数

183-3、功能

183-4、返回值

183-5、说明

183-6、用法

183-6-1、数据准备

183-6-2、代码示例

183-6-3、结果输出

184、pandas.Series.nunique方法

184-1、语法

184-2、参数

184-3、功能

184-4、返回值

184-5、说明

184-6、用法

184-6-1、数据准备

184-6-2、代码示例

184-6-3、结果输出

185、pandas.Series.is_unique属性

185-1、语法

185-2、参数

185-3、功能

185-4、返回值

185-5、说明

185-6、用法

185-6-1、数据准备

185-6-2、代码示例

185-6-3、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

181、pandas.Series.var方法
181-1、语法
# 181、pandas.Series.var方法
pandas.Series.var(axis=None, skipna=True, ddof=1, numeric_only=False, **kwargs)
Return unbiased variance over requested axis.

Normalized by N-1 by default. This can be changed using the ddof argument.

Parameters:
axis{index (0)}
For Series this parameter is unused and defaults to 0.

Warning

The behavior of DataFrame.var with axis=None is deprecated, in a future version this will reduce over both axes and return a scalar To retain the old behavior, pass axis=0 (or do not pass axis).

skipnabool, default True
Exclude NA/null values. If an entire row/column is NA, the result will be NA.

ddofint, default 1
Delta Degrees of Freedom. The divisor used in calculations is N - ddof, where N represents the number of elements.

numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.

Returns:
scalar or Series (if level specified)
181-2、参数

181-2-1、axis(可选，默认值为None)：用于指定计算沿哪个轴进行，对Series对象没有实际作用，因为Series是一维的。

181-2-2、skipna(可选，默认值为True)：当skipna=True时，忽略缺失值(NaN)进行计算；如果skipna=False，则包含缺失值，如果有缺失值，结果将为NaN。

181-2-3、ddof(可选，默认值为1)：自由度调整参数，ddof是“Delta Degrees of Freedom”的缩写，用于在方差计算公式中调整分母。

181-2-4、numeric_only(可选，默认值为False)：如果为True，则只对数字数据进行计算，忽略非数字列。在Series中此参数通常无效，因为Series只有一维数据。

181-2-5、**kwargs(可选)：其他关键字参数，为后续扩展功能做预留。

181-3、功能

        用于计算一维数据序列(Series)的样本方差，方差是度量数据集分散程度的统计指标，它表示数据点与均值之间的平均偏离程度的平方。

181-4、返回值

        返回一个浮点数，表示输入数据的样本方差，如果Series中所有值都为NaN，或者ddof参数的值大于非NaN值的数量，则返回NaN。

181-5、说明

        使用场景：

181-5-1、数据探索和预处理：在进行数据分析的初期，了解数据的分布和变异性是很重要的，通过计算方差，可以快速判断数据的离散程度，从而识别出数据中的异常值和极端值。

181-5-2、风险管理：在金融领域，方差常用于评估投资组合的风险。高方差意味着高风险，因为价格波动较大，通过计算投资组合中各资产的方差，可以更好地进行风险评估和管理。

181-5-3、质量控制：在制造业中，方差用于监控和控制产品质量。较低的方差表示产品的一致性较高，质量较稳定，通过定期计算生产数据的方差，可以及时发现生产过程中的问题。

181-5-4、教育评估：在教育领域，方差可以用来评估学生成绩的离散程度。较低的方差表示学生成绩较为集中，差距较小；较高的方差表示学生成绩差距较大。

181-5-5、科学研究：在科学研究中，方差用于分析实验数据的变异性。例如，在农业研究中，可以通过计算不同肥料处理的作物产量的方差，来评估肥料的效果。

181-6、用法
181-6-1、数据准备
无
181-6-2、代码示例
# 181、pandas.Series.var方法
# 181-1、数据探索和预处理
import pandas as pd
# 创建一个示例数据集
data = pd.Series([10, 12, 23, 23, 16, 23, 21, 16, 23, 21])
# 计算方差
variance = data.var()
print(f"数据的方差为: {variance}")

# 181-2、风险管理
import pandas as pd
# 创建一个包含股票回报率的Series
stock_returns = pd.Series([0.05, 0.02, 0.03, -0.02, 0.04, -0.01, 0.03])
# 计算股票回报率的方差
variance = stock_returns.var()
print(f"股票回报率的方差为: {variance}")

# 181-3、质量控制
import pandas as pd
# 创建一个包含产品重量的Series
product_weights = pd.Series([500, 502, 499, 501, 500, 498, 500])
# 计算产品重量的方差
variance = product_weights.var()
print(f"产品重量的方差为: {variance}")

# 181-4、教育评估
import pandas as pd
# 创建一个包含学生考试成绩的Series
student_scores = pd.Series([85, 88, 90, 92, 87, 85, 91])
# 计算学生考试成绩的方差
variance = student_scores.var()
print(f"学生考试成绩的方差为: {variance}")

# 181-5、科学研究
import pandas as pd
# 创建一个包含不同肥料处理的作物产量的Series
crop_yields = pd.Series([300, 320, 310, 305, 315, 300, 310])
# 计算作物产量的方差
variance = crop_yields.var()
print(f"作物产量的方差为: {variance}")
181-6-3、结果输出
# 181、pandas.Series.var方法
# 181-1、数据探索和预处理
# 数据的方差为: 24.4

# 181-2、风险管理
# 股票回报率的方差为: 0.0006666666666666669

# 181-3、质量控制
# 产品重量的方差为: 1.6666666666666667

# 181-4、教育评估
# 学生考试成绩的方差为: 7.904761904761904

# 181-5、科学研究
# 作物产量的方差为: 55.952380952380956
182、pandas.Series.kurtosis方法
182-1、语法
# 182、pandas.Series.kurtosis方法
pandas.Series.kurtosis(axis=0, skipna=True, numeric_only=False, **kwargs)
Return unbiased kurtosis over requested axis.

Kurtosis obtained using Fisher’s definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1.

Parameters:
axis{index (0)}
Axis for the function to be applied on. For Series this parameter is unused and defaults to 0.

For DataFrames, specifying axis=None will apply the aggregation across both axes.

New in version 2.0.0.

skipnabool, default True
Exclude NA/null values when computing the result.

numeric_onlybool, default False
Include only float, int, boolean columns. Not implemented for Series.

**kwargs
Additional keyword arguments to be passed to the function.

Returns:
scalar or scalar
182-2、参数

182-2-1、axis(可选，默认值为0)：指定计算沿着的轴，对于Series，这个参数没有实际作用，因为Series是一维的；对于DataFrame，0表示沿着列计算，1表示沿着行计算。

182-2-2、skipna(可选，默认值为True)：指定是否忽略缺失值，如果为True，将会跳过NaN值；如果为False，任何NaN值都会导致结果为NaN。

182-2-3、numeric_only(可选，默认值为False)：如果为True，只包括数值类型的列，如果为None，尝试包括所有数据类型，但在数据类型不支持计算时会导致错误。

182-2-4、**kwargs(可选)：可以接受并传递到其他函数中的额外关键字参数，通常在用户需要进行更高级的自定义时使用。

182-3、功能

        用于计算数据的峰度(Kurtosis)，也称为“超额峰度”，它衡量数据分布的形态与正态分布相比的陡峭程度。具体来说，峰度值可以描述数据分布在其平均值周围的形状特性：

182-3-1、正峰度(Kurtosis > 0)：表示分布在中心附近有更多高峰值，比正态分布更陡峭。

182-3-2、负峰度(Kurtosis < 0)：表示分布在中心附近有更多平坦值，比正态分布更平缓。

182-3-3、零峰度(Kurtosis = 0)：表示分布与正态分布相同。

182-4、返回值

        返回一个浮点数，表示计算得到的峰度值，如果Series为空或者全是NaN值，返回NaN。

182-5、说明

        使用场景：

182-5-1、数据分布分析：了解数据分布的形态，识别异常值或极端值的存在。例如，分析学生考试成绩的分布情况，识别是否存在大量的高分或低分。

182-5-2、金融数据分析：评估资产收益分布的风险特性，高峰度意味着更高的风险，因为极端收益的可能性较大。例如，分析股票回报率，识别是否有极端的收益或亏损。

182-5-3、风险管理：评估和管理风险时，理解数据分布的形态可以帮助识别潜在的高风险区域。例如，保险公司分析索赔金额的分布，识别高额索赔的可能性。

182-5-4、正态性检验：检验数据是否符合正态分布，正态分布的峰度值接近0。例如，分析实验数据，检验其是否符合正态分布以决定后续的统计分析方法。

182-5-5、品质控制：在制造业和品质控制中，分析产品测量数据的分布形态，识别是否存在批次间的差异或异常。例如，分析产品的尺寸测量数据，识别生产过程中的异常情况。

182-5-6、生态学和生物学：研究动物体重、植物高度等生物数据的分布，识别极端值的存在。例如，分析某种动物的体重数据，识别是否存在明显的肥胖或瘦弱个体。

182-6、用法
182-6-1、数据准备
无
182-6-2、代码示例
# 182、pandas.Series.kurtosis方法
# 182-1、数据分布分析
import pandas as pd
scores = pd.Series([65, 70, 75, 80, 85, 90, 95, 100, 105, 110])
kurtosis = scores.kurtosis()
print(f"考试成绩的峰度为: {kurtosis}")

# 182-2、金融数据分析
import pandas as pd
returns = pd.Series([0.01, 0.02, -0.01, 0.03, 0.05, -0.02, 0.04, 0.06, -0.03, 0.02])
kurtosis = returns.kurtosis()
print(f"股票回报率的峰度为: {kurtosis}")

# 182-3、风险管理
import pandas as pd
claims = pd.Series([100, 200, 300, 400, 500, 600, 700, 800, 900, 1000])
kurtosis = claims.kurtosis()
print(f"索赔金额的峰度为: {kurtosis}")

# 182-4、正态性检验
import pandas as pd
import numpy as np
data = pd.Series(np.random.normal(0, 1, 1000))
kurtosis = data.kurtosis()
print(f"实验数据的峰度为: {kurtosis}")

# 182-5、品质控制
import pandas as pd
measurements = pd.Series([15.5, 15.7, 15.6, 15.8, 15.7, 15.9, 16.0, 15.6, 15.8, 15.7])
kurtosis = measurements.kurtosis()
print(f"产品尺寸测量数据的峰度为: {kurtosis}")

# 182-6、生态学和生物学
import pandas as pd
weights = pd.Series([45, 50, 55, 60, 65, 70, 75, 80, 85, 90])
kurtosis = weights.kurtosis()
print(f"动物体重数据的峰度为: {kurtosis}")
182-6-3、结果输出
# 182、pandas.Series.kurtosis方法
# 182-1、数据分布分析
# 考试成绩的峰度为: -1.2000000000000002

# 182-2、金融数据分析
# 股票回报率的峰度为: -0.9774499371772465

# 182-3、风险管理
# 索赔金额的峰度为: -1.2000000000000002

# 182-4、正态性检验
# 实验数据的峰度为: 0.10963819497124572

# 182-5、品质控制
# 产品尺寸测量数据的峰度为: -0.15179963720841272

# 182-6、生态学和生物学
# 动物体重数据的峰度为: -1.2000000000000002
183、pandas.Series.unique方法
183-1、语法
# 183、pandas.Series.unique方法
pandas.Series.unique()
Return unique values of Series object.

Uniques are returned in order of appearance. Hash table-based unique, therefore does NOT sort.

Returns:
ndarray or ExtensionArray
The unique values returned as a NumPy array. See Notes.
183-2、参数

        无

183-3、功能

        用于返回系列中唯一值的NumPy数组。

183-4、返回值

        返回一个包含系列中所有唯一值的 NumPy 数组，这些值的顺序与它们在系列中首次出现的顺序一致。

183-5、说明

        使用场景：

183-5-1、数据去重：从数据集中提取唯一值，以便后续分析或处理。例如，提取一组客户ID中的唯一值。

183-5-2、类别数据分析：分析分类变量中的不同类别。例如，提取一组产品类型中的所有不同类型。

183-5-3、识别异常值：通过查看唯一值识别数据中的异常或错误值。例如，检查年龄数据中的异常值。

183-5-4、数据清洗：在数据清洗过程中，识别并处理重复或冗余数据。例如，清洗客户订单数据，提取唯一的订单编号。

183-5-5、数据转换：将序列转换为唯一值的数组，用于进一步的计算或转换。例如，提取唯一的城市名称并进行进一步分析。

183-5-6、性能优化：在处理大型数据集时，先提取唯一值可以提高计算效率。例如，处理大规模交易数据时，提取唯一的交易类型。

183-6、用法
183-6-1、数据准备
无
183-6-2、代码示例
# 183、pandas.Series.unique方法
# 183-1、数据去重
import pandas as pd
customer_ids = pd.Series([101, 102, 103, 101, 104, 102, 105])
unique_customer_ids = customer_ids.unique()
print(f"唯一的客户ID: {unique_customer_ids}")

# 183-2、类别数据分析
import pandas as pd
product_types = pd.Series(['电子产品', '家居用品', '服装', '电子产品', '食品', '家居用品'])
unique_product_types = product_types.unique()
print(f"唯一的产品类型: {unique_product_types}")

# 183-3、识别异常值
import pandas as pd
ages = pd.Series([25, 30, 35, 40, 45, 30, 1000])
unique_ages = ages.unique()
print(f"唯一的年龄值: {unique_ages}")

# 183-4、数据清洗
import pandas as pd
order_numbers = pd.Series(['A001', 'A002', 'A003', 'A001', 'A004', 'A002'])
unique_order_numbers = order_numbers.unique()
print(f"唯一的订单编号: {unique_order_numbers}")

# 183-5、数据转换
import pandas as pd
cities = pd.Series(['北京', '上海', '广州', '北京', '深圳', '上海'])
unique_cities = cities.unique()
print(f"唯一的城市名称: {unique_cities}")

# 183-6、性能优化
import pandas as pd
transaction_types = pd.Series(['购买', '出售', '退款', '购买', '出售', '转账'])
unique_transaction_types = transaction_types.unique()
print(f"唯一的交易类型: {unique_transaction_types}")
183-6-3、结果输出
# 183、pandas.Series.unique方法
# 183-1、数据去重
# 唯一的客户ID: [101 102 103 104 105]

# 183-2、类别数据分析
# 唯一的产品类型: ['电子产品' '家居用品' '服装' '食品']

# 183-3、识别异常值
# 唯一的年龄值: [  25   30   35   40   45 1000]

# 183-4、数据清洗
# 唯一的订单编号: ['A001' 'A002' 'A003' 'A004']

# 183-5、数据转换
# 唯一的城市名称: ['北京' '上海' '广州' '深圳']

# 183-6、性能优化
# 唯一的交易类型: ['购买' '出售' '退款' '转账']
184、pandas.Series.nunique方法
184-1、语法
# 184、pandas.Series.nunique方法
pandas.Series.nunique(dropna=True)
Return number of unique elements in the object.

Excludes NA values by default.

Parameters:
dropna
bool, default True
Don’t include NaN in the count.

Returns:
int
184-2、参数

184-2-1、dropna(可选，默认值为True)：布尔值，如果为True，则排除缺失值(NaN)；如果为False，则包括缺失值在内。

184-3、功能

        计算系列中唯一值的数量，该方法可以选择性地包含或排除缺失值(如NaN)。

184-4、返回值

        返回系列中唯一值的数量，类型为整数。

184-5、说明

        该方法在许多数据分析任务中都非常有用。例如，在数据预处理阶段，可以用它来检查分类变量的不同类别数量，或者在数据清洗过程中，快速了解数据集中有多少不同的值。

184-6、用法
184-6-1、数据准备
无
184-6-2、代码示例
# 184、pandas.Series.nunique方法
import pandas as pd
# 创建一个包含重复值和缺失值的系列
data = pd.Series([1, 2, 2, 3, 4, 4, 5, None, None])
# 计算唯一值的数量，排除缺失值
unique_count = data.nunique()
# 打印唯一值的数量
print(f"唯一值的数量(排除缺失值): {unique_count}")
# 计算唯一值的数量，包括缺失值
unique_count_including_nan = data.nunique(dropna=False)
# 打印唯一值的数量(包括缺失值)
print(f"唯一值的数量(包括缺失值): {unique_count_including_nan}")
184-6-3、结果输出
# 184、pandas.Series.nunique方法
# 唯一值的数量(排除缺失值): 5
# 唯一值的数量(包括缺失值): 6
185、pandas.Series.is_unique属性
185-1、语法
# 185、pandas.Series.is_unique属性
property pandas.Series.is_unique
Return boolean if values in the object are unique.

Returns:
bool
185-2、参数

        无

185-3、功能

        用于判断系列中的值是否唯一。

185-4、返回值

        返回一个布尔值，如果系列中的所有值都是唯一的(即没有重复值)，is_unique返回True；如果系列中存在重复值，is_unique返回False。

185-5、说明

        在数据分析过程中，is_unique属性可以用来快速检查数据的唯一性，例如验证主键列的唯一性、检查分类变量是否有重复类别等。

185-6、用法
185-6-1、数据准备
无
185-6-2、代码示例
# 185、pandas.Series.is_unique属性
import pandas as pd
# 创建一个系列，没有重复值
data_unique = pd.Series([3, 5, 6, 8, 10, 11, 24])
# 判断系列中的值是否唯一
is_unique = data_unique.is_unique
print(f"系列值是否唯一: {is_unique}")
# 创建一个系列，有重复值
data_not_unique = pd.Series([3, 5, 6, 8, 10, 10, 11, 24])
# 判断系列中的值是否唯一
is_unique = data_not_unique.is_unique
print(f"系列值是否唯一: {is_unique}")
185-6-3、结果输出
# 185、pandas.Series.is_unique属性
# 系列值是否唯一: True
# 系列值是否唯一: False

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/1954817.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

异步通信方式的两种消息传输模型

异步通信方式的两种消息传输模型

文章目录 一、点对点模型1.1 什么是点对点模型1.2 点对点模型的特点 二、发布订阅模型2.1 什么是发布订阅模型2.2 发布订阅模式的日常案例2.3 发布订阅模型的特点 三、总结参考资料 一、点对点模型 1.1 什么是点对点模型 点对点模型&#xff08;也叫队列模型&#xff09; 1.2…
阅读更多...
Shiro安全框架与SpringBoot的整合(下)

Shiro安全框架与SpringBoot的整合(下)

目录 一、整合前的配置 1.1 导入shiro依赖 1.2 config配置 1.2.1 ShiroConfig&#xff08;⭐&#xff09; 1.2.2 MyConfig(拦截器配置) 3. 拦截器(LoginInterceptor) 二、认证登录 2.1. controller 2.2 service和serviceImpl&#xff08;不用&#xff09; 2.3 mapper …
阅读更多...
[Meachines] [Easy] Blocky Jar包反编译

[Meachines] [Easy] Blocky Jar包反编译

信息收集 IP AddressOpening Ports10.10.10.37TCP:21,22,80,25565 $ nmap -p- 10.10.10.37 --min-rate 1000 -sC -sV PORT STATE SERVICE VERSION 21/tcp open ftp ProFTPD 1.3.5a 22/tcp open ssh OpenSSH 7.2p2 Ubuntu 4ubuntu2.2 (Ubuntu …
阅读更多...
自动驾驶的六个级别是什么？

自动驾驶的六个级别是什么？

自动驾驶汽车和先进的驾驶辅助系统&#xff08;ADAS&#xff09;预计将帮助拯救全球数百万人的生命&#xff0c;消除拥堵&#xff0c;减少排放&#xff0c;并使我们能够在人而不是汽车周围重建城市。 自动驾驶的世界并不只由一个维度组成。从没有任何自动化到完整的自主体验&a…
阅读更多...
VScode调试Python代码

VScode调试Python代码

用Python debugger 参考 vscode-python的debug 教学(最全)
阅读更多...
动手学深度学习55 循环神经网络 RNN 的实现

动手学深度学习55 循环神经网络 RNN 的实现

动手学深度学习55 循环神经网络 RNN 的实现 从零开始实现简洁实现QA 课件&#xff1a;https://zh-v2.d2l.ai/chapter_recurrent-neural-networks/rnn-scratch.html 从零开始实现 %matplotlib inline import math import torch from torch import nn from torch.nn import fun…
阅读更多...
【前端逆向】最佳JS反编译利器，原来就是chrome！

【前端逆向】最佳JS反编译利器，原来就是chrome！

有时候需要反编译别人的 min.js。 比如简单改库、看看别人的 min,js 干了什么&#xff0c;有没有重复加载&#xff1f;此时就需要去反编译Javascript。 Vscode 里面有一些反编译插件&#xff0c;某某Beautify等等。但这些插件看人品&#xff0c;运气不好搞的话&#xff0c;反…
阅读更多...
力扣高频SQL 50题（基础版）第二十题

力扣高频SQL 50题（基础版）第二十题

文章目录 力扣高频SQL 50题&#xff08;基础版&#xff09;第二十题2356.每位教师所教授的科目种类的数量题目说明思路分析实现过程准备数据实现方式结果截图 力扣高频SQL 50题&#xff08;基础版&#xff09;第二十题 2356.每位教师所教授的科目种类的数量 题目说明 表: Te…
阅读更多...
算法——二分查找（day10)

算法——二分查找（day10)

目录 69. x 的平方根 题目解析&#xff1a; 算法解析&#xff1a; 代码&#xff1a; 35. 搜索插入位置 题目解析&#xff1a; 算法解析&#xff1a; 代码&#xff1a; 69. x 的平方根 69. x 的平方根 - 力扣&#xff08;LeetCode&#xff09; 题目解析&#xff1a; 老…
阅读更多...
2025第十九届中国欧亚国际军民两用技术及西安国防电子航空航天暨无人机展

2025第十九届中国欧亚国际军民两用技术及西安国防电子航空航天暨无人机展

2025第十九届中国欧亚国际军民两用技术及西安国防电子航空航天暨无人机展 时间&#xff1a;2025年3月14-16日 地点&#xff1a;西安国际会展中心 详询主办方陆先生 I38&#xff08;前三位&#xff09; I82I&#xff08;中间四位&#xff09; 9I72&#xff08;后面四位&am…
阅读更多...
中间层 k8s（Kubernetes） 到底是什么，架构是怎么样的？

中间层 k8s（Kubernetes） 到底是什么，架构是怎么样的？

你是一个程序员&#xff0c;你用代码写了一个博客应用服务&#xff0c;并将它部署在了云平台上。 但应用服务太过受欢迎&#xff0c;访问量太大&#xff0c;经常会挂。 所以你用了一些工具自动重启挂掉的应用服务&#xff0c;并且将应用服务部署在了好几个服务器上&#xff0c;…
阅读更多...
【C++】实验六

【C++】实验六

题目&#xff1a; 1、苹果和虫子 描述&#xff1a;你买了一箱n个苹果&#xff0c;很不幸的是买完时箱子里混进了一条虫子。虫子每x小时能吃掉一个苹果&#xff0c;假设虫子在吃完一个苹果之前不会吃另一个&#xff0c;那么经过y小时你还有多少个完整的苹果&#xff1f; 输入…
阅读更多...
Linux基础复习（三）

Linux基础复习（三）

前言 接Linux基础复习二 一、常用命令及其解释 Tab补全 在上一篇文章配置了IP然后通过远程SSH连接软件控制主机&#xff0c;在配置过程中会发现有些命令过于长&#xff0c;那么&#xff0c;Tab键补全就可以很好的帮助我们去快速的敲出命令&#xff0c;同时如果有些命令有遗…
阅读更多...
AJAX(1)——axios库的使用

AJAX(1)——axios库的使用

什么是AJAX? AJAX是异步的JavaScript和XML。简单来说&#xff0c;就是使用XMLHttpRequest对象与服务器通信。它可以使用JSON,XML,HTML和text文本等格式发送和接收数据。AJAX最吸引人的就是它异步的特性&#xff0c;也就是说它可以在不重新刷新页面的情况下与服务器通信&#…
阅读更多...
免费【2024】springboot 宠物救助管理系统的设计与实现

免费【2024】springboot 宠物救助管理系统的设计与实现

博主介绍&#xff1a;✌CSDN新星计划导师、Java领域优质创作者、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流✌ 技术范围&#xff1a;SpringBoot、Vue、SSM、HTML、Jsp、PHP、Nodejs、Python、爬虫、数据可视化…
阅读更多...
成为git砖家(4): git status 命令简介

成为git砖家(4): git status 命令简介

1. untracked 和 tracked 状态 Remember that each file in your working directory can be in one of two states: tracked or untracked. Tracked files are files that were in the last snapshot, as well as any newly staged files; they can be unmodified, modified, o…
阅读更多...
Feign自定义调用第三方接口并实现负载均衡

Feign自定义调用第三方接口并实现负载均衡

Feign自定义调用第三方接口并实现负载均衡 Feign简介&#xff1a; Feign 是一个声明式的、模板化的HTTP客户端&#xff0c;用于简化HTTP客户端的开发。它是Spring Cloud Netflix微服务套件中的一部分&#xff0c;使得编写Java HTTP客户端变得更加容易。它的原理主要是代理模式…
阅读更多...
Rust |了解+ 环境配置（rust+vscode）

Rust |了解+ 环境配置（rust+vscode）

1 了解rust 1️⃣0️⃣0️⃣秒了解Rust_哔哩哔哩_bilibili 2 安装rust 前提安装过vs&#xff0c;有c环境 1.下载 根据自己的系统下载对应的版本&#xff1a;安装地址 查看自己版本&#xff1a; 右键 此电脑 &#xff1b;点击 属性 &#xff1b;查看 系统类型 点击 下载RU…
阅读更多...
智慧城管解决方案

智慧城管解决方案

1. 项目整体概述 智慧城管项目面临历史发展机遇&#xff0c;十九大提出以人为核心保障民生&#xff0c;推进新型城镇化。市民对政府服务有新诉求&#xff0c;同时云计算、物联网、移动互联网等技术迅速发展。 2. 传统城管业务模式问题 传统城管业务模式存在问题&#xff0c;…
阅读更多...
树莓派学习记录

树莓派学习记录

一&#xff0c;型号 第一代Raspberry Pi 1 Model B 第一代升级版 Raspberry Pi 1 B 第二代 Rasberry Pi 2 Model B 第三代及升级版 Rasberry Pi 3 Model B/B 第四代 Rasberry Pi 4 Model B Model A版 比B版便宜 Zero 版 售价更便宜 总结 二&#xff0c;树莓派接口 如下图…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023