Python酷库之旅-第三方库Pandas(058)

news2024/9/23 1:40:05

目录

一、用法精讲

221、pandas.Series.interpolate方法

221-1、语法

221-2、参数

221-3、功能

221-4、返回值

221-5、说明

221-6、用法

221-6-1、数据准备

221-6-2、代码示例

221-6-3、结果输出

222、pandas.Series.isna方法

222-1、语法

222-2、参数

222-3、功能

222-4、返回值

222-5、说明

222-6、用法

222-6-1、数据准备

222-6-2、代码示例

222-6-3、结果输出

223、pandas.Series.isnull方法

223-1、语法

223-2、参数

223-3、功能

223-4、返回值

223-5、说明

223-6、用法

223-6-1、数据准备

223-6-2、代码示例

223-6-3、结果输出

224、pandas.Series.notna方法

224-1、语法

224-2、参数

224-3、功能

224-4、返回值

224-5、说明

224-6、用法

224-6-1、数据准备

224-6-2、代码示例

224-6-3、结果输出

225、pandas.Series.notnull方法

225-1、语法

225-2、参数

225-3、功能

225-4、返回值

225-5、说明

225-6、用法

225-6-1、数据准备

225-6-2、代码示例

225-6-3、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

221、pandas.Series.interpolate方法
221-1、语法
# 221、pandas.Series.interpolate方法
pandas.Series.interpolate(method='linear', *, axis=0, limit=None, inplace=False, limit_direction=None, limit_area=None, downcast=_NoDefault.no_default, **kwargs)
Fill NaN values using an interpolation method.

Please note that only method='linear' is supported for DataFrame/Series with a MultiIndex.

Parameters:
methodstr, default ‘linear’
Interpolation technique to use. One of:

‘linear’: Ignore the index and treat the values as equally spaced. This is the only method supported on MultiIndexes.

‘time’: Works on daily and higher resolution data to interpolate given length of interval.

‘index’, ‘values’: use the actual numerical values of the index.

‘pad’: Fill in NaNs using existing values.

‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘barycentric’, ‘polynomial’: Passed to scipy.interpolate.interp1d, whereas ‘spline’ is passed to scipy.interpolate.UnivariateSpline. These methods use the numerical values of the index. Both ‘polynomial’ and ‘spline’ require that you also specify an order (int), e.g. df.interpolate(method='polynomial', order=5). Note that, slinear method in Pandas refers to the Scipy first order spline instead of Pandas first order spline.

‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’, ‘akima’, ‘cubicspline’: Wrappers around the SciPy interpolation methods of similar names. See Notes.

‘from_derivatives’: Refers to scipy.interpolate.BPoly.from_derivatives.

axis{{0 or ‘index’, 1 or ‘columns’, None}}, default None
Axis to interpolate along. For Series this parameter is unused and defaults to 0.

limitint, optional
Maximum number of consecutive NaNs to fill. Must be greater than 0.

inplacebool, default False
Update the data in place if possible.

limit_direction{{‘forward’, ‘backward’, ‘both’}}, Optional
Consecutive NaNs will be filled in this direction.

If limit is specified:
If ‘method’ is ‘pad’ or ‘ffill’, ‘limit_direction’ must be ‘forward’.

If ‘method’ is ‘backfill’ or ‘bfill’, ‘limit_direction’ must be ‘backwards’.

If ‘limit’ is not specified:
If ‘method’ is ‘backfill’ or ‘bfill’, the default is ‘backward’

else the default is ‘forward’

raises ValueError if
limit_direction
is ‘forward’ or ‘both’ and
method is ‘backfill’ or ‘bfill’.

raises ValueError if
limit_direction
is ‘backward’ or ‘both’ and
method is ‘pad’ or ‘ffill’.

limit_area{{None, ‘inside’, ‘outside’}}, default None
If limit is specified, consecutive NaNs will be filled with this restriction.

None: No fill restriction.

‘inside’: Only fill NaNs surrounded by valid values (interpolate).

‘outside’: Only fill NaNs outside valid values (extrapolate).

downcastoptional, ‘infer’ or None, defaults to None
Downcast dtypes if possible.

Deprecated since version 2.1.0.

``**kwargs``optional
Keyword arguments to pass on to the interpolating function.

Returns:
Series or DataFrame or None
Returns the same object type as the caller, interpolated at some or all NaN values or None if inplace=True.
221-2、参数

221-2-1、method(可选，默认值为'linear')：表示插值方法，可以选择的插值方法有：

  • 'linear'：线性插值。
  • 'time'：基于时间序列的线性插值。
  • 'index'：基于索引的线性插值。
  • 'nearest'：使用最近的值插值。
  • 'zero'：阶梯插值。
  • 'slinear'：样条插值(一次)。
  • 'quadratic'：样条插值(二次)。
  • 'cubic'：样条插值(三次)。
  • 其他方法如'polynomial'、'barycentric'、'krogh'、'piecewise_polynomial' 等。

221-2-2、axis(可选，默认值为0)：沿着哪一个轴进行插值，对于Series对象，只能为0(索引)。

221-2-3、limit(可选，默认值为None)：限制可以填充的连续NaN的最大数量。例如，limit=2表示最多填充两个连续的NaN。

221-2-4、inplace(可选，默认值为False)：如果为True，直接在原来的Series对象上进行插值并返回None；否则，返回一个新对象。

221-2-5、limit_direction(可选，默认值为None)：指定填充方向，选项有：

  • 'forward'：向前填充。
  • 'backward'：向后填充。
  • 'both'：两方向填充。

221-2-6、limit_area(可选，默认值为None)：限制插值的区域，选项有：

  • 'inside'：只在NaN区域内部插值。
  • 'outside'：只在NaN区域外部插值。

221-2-7、downcast(可选)：选择是否将结果的数据类型向下转换为更低的数据类型，例如将float64转换为float32。

221-2-8、**kwargs(可选)：其他关键字参数，为后续扩展功能做预留。

221-3、功能

        用于填充或插值Series对象中的缺失值(NaN)，该方法可以使用多种插值方法，其中最常用的是线性插值。

221-4、返回值

        返回一个新的Series对象(除非设置了inplace=True)，通过合理选择插值方法和参数，可以有效地填补数据中的缺失值，从而提高数据的完整性和分析的准确性。

221-5、说明

        使用场景：

221-5-1、时间序列数据：在处理时间序列数据时，常常会遇到缺失值，使用插值方法可以填补这些缺失值，从而保持数据的连续性。例如，天气数据、股市数据等。

221-5-2、传感器数据：传感器数据可能由于设备故障或数据丢失出现缺失，插值可以帮助恢复这些数据，使数据分析更准确。

221-5​​​​​​​-3、实验数据：在实验过程中，某些测量值可能丢失或未能记录，插值可以用于推测这些缺失的数据点，以完成实验数据的完整性。

221-5​​​​​​​-4、数据清理：在数据清理过程中，插值可以用来填补因数据收集错误或其他问题造成的缺失值，确保数据集的完整性和一致性。

221-5​​​​​​​-5、模型训练：对于一些需要完整数据集的机器学习模型，插值可以帮助填补训练数据中的缺失值，避免因缺失值导致模型训练的失败或效果不佳。

221-5​​​​​​​-​​​​​​​6、数据可视化：在数据可视化过程中，插值可以使数据图表更加平滑，改善视觉效果，特别是在展示趋势和模式时。

221-6、用法
221-6-1、数据准备
无
221-6-2、代码示例
# 221、pandas.Series.interpolate方法
#221-1、时间序列数据
import pandas as pd
import numpy as np
# 创建时间序列数据
dates = pd.date_range('2024-01-01', periods=10)
data = pd.Series([20, np.nan, 22, np.nan, 23, 24, np.nan, 25, 26, 27], index=dates)
print("原始数据：")
print(data)
# 使用线性插值填补缺失值
interpolated_data = data.interpolate(method='linear')
print("插值后的数据：")
print(interpolated_data, end='\n\n')

#221-2、传感器数据
import pandas as pd
import numpy as np
# 创建传感器数据
timestamps = pd.date_range('2024-01-01', periods=10, freq='h')
sensor_data = pd.Series([1.2, np.nan, 1.5, np.nan, 1.7, 1.8, np.nan, 2.0, 2.1, 2.2], index=timestamps)
print("原始传感器数据：")
print(sensor_data)
# 使用时间插值填补缺失值
interpolated_sensor_data = sensor_data.interpolate(method='time')
print("插值后的传感器数据：")
print(interpolated_sensor_data, end='\n\n')

#221-3、实验数据
import pandas as pd
import numpy as np
# 创建实验数据
experiment_data = pd.Series([5.2, np.nan, 5.8, np.nan, 6.3, 6.5, np.nan], index=[1, 2, 3, 4, 5, 6, 7])
print("原始实验数据：")
print(experiment_data)
# 使用多项式插值填补缺失值
interpolated_experiment_data = experiment_data.interpolate(method='polynomial', order=2)
print("插值后的实验数据：")
print(interpolated_experiment_data, end='\n\n')

#221-4、数据清理
import pandas as pd
import numpy as np
# 创建数据集
data_cleaning = pd.Series([10, np.nan, np.nan, 12, 13, np.nan, 15], index=[1, 2, 3, 4, 5, 6, 7])
print("原始数据集：")
print(data_cleaning)
# 使用线性插值填补缺失值
cleaned_data = data_cleaning.interpolate(method='linear')
print("清理后的数据集：")
print(cleaned_data, end='\n\n')

#221-5、模型训练
import pandas as pd
import numpy as np
# 创建特征数据
features = pd.Series([1.1, np.nan, 1.3, np.nan, 1.5, 1.6, np.nan], index=[1, 2, 3, 4, 5, 6, 7])
print("原始特征数据：")
print(features)
# 使用线性插值填补缺失值
filled_features = features.interpolate(method='linear')
print("填补后的特征数据：")
print(filled_features, end='\n\n')

#221-6、数据可视化
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
# 配置字体，确保中文字符正常显示
matplotlib.rcParams['font.sans-serif'] = ['Microsoft YaHei']
# 创建数据
data_for_plot = pd.Series([10, np.nan, 12, 13, np.nan, 15, 16], index=[1, 2, 3, 4, 5, 6, 7])
# 插值
interpolated_data_for_plot = data_for_plot.interpolate(method='linear')
# 可视化
plt.figure(figsize=(10, 6))
plt.plot(data_for_plot, 'o', label='原始数据')
plt.plot(interpolated_data_for_plot, '-', label='插值数据')
plt.title('数据插值示例')
plt.xlabel('索引')
plt.ylabel('值')
plt.legend()
plt.show()
221-6-3、结果输出
# 221、pandas.Series.interpolate方法
#221-1、时间序列数据
# 原始数据：
# 2024-01-01    20.0
# 2024-01-02     NaN
# 2024-01-03    22.0
# 2024-01-04     NaN
# 2024-01-05    23.0
# 2024-01-06    24.0
# 2024-01-07     NaN
# 2024-01-08    25.0
# 2024-01-09    26.0
# 2024-01-10    27.0
# Freq: D, dtype: float64
# 插值后的数据：
# 2024-01-01    20.0
# 2024-01-02    21.0
# 2024-01-03    22.0
# 2024-01-04    22.5
# 2024-01-05    23.0
# 2024-01-06    24.0
# 2024-01-07    24.5
# 2024-01-08    25.0
# 2024-01-09    26.0
# 2024-01-10    27.0
# Freq: D, dtype: float64

#221-2、传感器数据
# 原始传感器数据：
# 2024-01-01 00:00:00    1.2
# 2024-01-01 01:00:00    NaN
# 2024-01-01 02:00:00    1.5
# 2024-01-01 03:00:00    NaN
# 2024-01-01 04:00:00    1.7
# 2024-01-01 05:00:00    1.8
# 2024-01-01 06:00:00    NaN
# 2024-01-01 07:00:00    2.0
# 2024-01-01 08:00:00    2.1
# 2024-01-01 09:00:00    2.2
# Freq: h, dtype: float64
# 插值后的传感器数据：
# 2024-01-01 00:00:00    1.20
# 2024-01-01 01:00:00    1.35
# 2024-01-01 02:00:00    1.50
# 2024-01-01 03:00:00    1.60
# 2024-01-01 04:00:00    1.70
# 2024-01-01 05:00:00    1.80
# 2024-01-01 06:00:00    1.90
# 2024-01-01 07:00:00    2.00
# 2024-01-01 08:00:00    2.10
# 2024-01-01 09:00:00    2.20
# Freq: h, dtype: float64

#221-3、实验数据
# 原始实验数据：
# 1    5.2
# 2    NaN
# 3    5.8
# 4    NaN
# 5    6.3
# 6    6.5
# 7    NaN
# dtype: float64
# 插值后的实验数据：
# 1    5.200000
# 2    5.511765
# 3    5.800000
# 4    6.064706
# 5    6.300000
# 6    6.500000
# 7         NaN
# dtype: float64

#221-4、数据清理
# 原始数据集：
# 1    10.0
# 2     NaN
# 3     NaN
# 4    12.0
# 5    13.0
# 6     NaN
# 7    15.0
# dtype: float64
# 清理后的数据集：
# 1    10.000000
# 2    10.666667
# 3    11.333333
# 4    12.000000
# 5    13.000000
# 6    14.000000
# 7    15.000000
# dtype: float64

#221-5、模型训练
# 原始特征数据：
# 1    1.1
# 2    NaN
# 3    1.3
# 4    NaN
# 5    1.5
# 6    1.6
# 7    NaN
# dtype: float64
# 填补后的特征数据：
# 1    1.1
# 2    1.2
# 3    1.3
# 4    1.4
# 5    1.5
# 6    1.6
# 7    1.6
# dtype: float64

#221-6、数据可视化
# 见图1

图1：

 

222、pandas.Series.isna方法
222-1、语法
# 222、pandas.Series.isna方法
pandas.Series.isna()
Detect missing values.

Return a boolean same-sized object indicating if the values are NA. NA values, such as None or numpy.NaN, gets mapped to True values. Everything else gets mapped to False values. Characters such as empty strings '' or numpy.inf are not considered NA values (unless you set pandas.options.mode.use_inf_as_na = True).

Returns:
Series
Mask of bool values for each element in Series that indicates whether an element is an NA value.
222-2、参数

        无

222-3、功能

        用于检测Series中的缺失值(NaN或None)。

222-4、返回值

        返回一个布尔类型的Series，其中缺失值的位置标记为True，非缺失值的位置标记为False。

222-5、说明

        无

222-6、用法
222-6-1、数据准备
无
222-6-2、代码示例
# 222、pandas.Series.isna方法
import pandas as pd
import numpy as np
# 创建一个包含缺失值的Series
data = pd.Series([1, 2, np.nan, 4, None, 6])
print("原始数据：")
print(data)
# 检测缺失值
na_mask = data.isna()
print("缺失值掩码：")
print(na_mask, end='\n\n')
222-6-3、结果输出
# 222、pandas.Series.isna方法
# 原始数据：
# 0    1.0
# 1    2.0
# 2    NaN
# 3    4.0
# 4    NaN
# 5    6.0
# dtype: float64
# 缺失值掩码：
# 0    False
# 1    False
# 2     True
# 3    False
# 4     True
# 5    False
# dtype: bool
223、pandas.Series.isnull方法
223-1、语法
# 223、pandas.Series.isnull方法
pandas.Series.isnull()
Series.isnull is an alias for Series.isna.

Detect missing values.

Return a boolean same-sized object indicating if the values are NA. NA values, such as None or numpy.NaN, gets mapped to True values. Everything else gets mapped to False values. Characters such as empty strings '' or numpy.inf are not considered NA values (unless you set pandas.options.mode.use_inf_as_na = True).

Returns:
Series
Mask of bool values for each element in Series that indicates whether an element is an NA value.
223-2、参数

        无

223-3、功能

        用于检测Series中的缺失值(NaN或None)。

223-4、返回值

        返回一个布尔类型的Series，其中缺失值的位置标记为True，非缺失值的位置标记为False。

223-5、说明

        与pandas.Series.isna方法的功能相同。

223-6、用法
223-6-1、数据准备
无
223-6-2、代码示例
# 223、pandas.Series.isnull方法
import pandas as pd
import numpy as np
# 创建一个包含缺失值的Series
data = pd.Series([1, 2, np.nan, 4, None, 6])
print("原始数据：")
print(data)
# 检测缺失值
null_mask = data.isnull()
print("缺失值掩码：")
223-6-3、结果输出
# 223、pandas.Series.isnull方法
# 原始数据：
# 0    1.0
# 1    2.0
# 2    NaN
# 3    4.0
# 4    NaN
# 5    6.0
# dtype: float64
# 缺失值掩码：
# 0    False
# 1    False
# 2     True
# 3    False
# 4     True
# 5    False
# dtype: bool
224、pandas.Series.notna方法
224-1、语法
# 224、pandas.Series.notna方法
pandas.Series.notna()
Detect existing (non-missing) values.

Return a boolean same-sized object indicating if the values are not NA. Non-missing values get mapped to True. Characters such as empty strings '' or numpy.inf are not considered NA values (unless you set pandas.options.mode.use_inf_as_na = True). NA values, such as None or numpy.NaN, get mapped to False values.

Returns:
Series
Mask of bool values for each element in Series that indicates whether an element is not an NA value.
224-2、参数

        无

224-3、功能

        用于检测Series中的非缺失值(即不是NaN或None的值)。

224-4、返回值

        返回一个布尔类型的Series，其中非缺失值的位置标记为True，缺失值的位置标记为False。

224-5、说明

        无

224-6、用法
224-6-1、数据准备
无
224-6-2、代码示例
# 224、pandas.Series.notna方法
import pandas as pd
import numpy as np
# 创建一个包含缺失值的Series
data = pd.Series([1, 2, np.nan, 4, None, 6])
print("原始数据：")
print(data)
# 检测非缺失值
not_na_mask = data.notna()
print("非缺失值掩码：")
print(not_na_mask, end='\n\n')
224-6-3、结果输出
# 224、pandas.Series.notna方法
# 原始数据：
# 0    1.0
# 1    2.0
# 2    NaN
# 3    4.0
# 4    NaN
# 5    6.0
# dtype: float64
# 非缺失值掩码：
# 0     True
# 1     True
# 2    False
# 3     True
# 4    False
# 5     True
# dtype: bool
225、pandas.Series.notnull方法
225-1、语法
# 225、pandas.Series.notnull方法
pandas.Series.notnull()
Series.notnull is an alias for Series.notna.

Detect existing (non-missing) values.

Return a boolean same-sized object indicating if the values are not NA. Non-missing values get mapped to True. Characters such as empty strings '' or numpy.inf are not considered NA values (unless you set pandas.options.mode.use_inf_as_na = True). NA values, such as None or numpy.NaN, get mapped to False values.

Returns:
Series
Mask of bool values for each element in Series that indicates whether an element is not an NA value.
225-2、参数

        无

225-3、功能

        用于检测Series中的非缺失值(即不是NaN或None的值)。

225-4、返回值

        返回一个布尔类型的Series，其中非缺失值的位置标记为True，缺失值的位置标记为False。

225-5、说明

        与pandas.Series.notna()方法的功能相同。

225-6、用法
225-6-1、数据准备
无
225-6-2、代码示例
# 225、pandas.Series.notnull方法
import pandas as pd
import numpy as np
# 创建一个包含缺失值的Series
data = pd.Series([1, 2, np.nan, 4, None, 6])
print("原始数据：")
print(data)
# 检测非缺失值
not_null_mask = data.notnull()
print("非缺失值掩码：")
print(not_null_mask, end='\n\n')
225-6-3、结果输出
# 225、pandas.Series.notnull方法
# 原始数据：
# 0    1.0
# 1    2.0
# 2    NaN
# 3    4.0
# 4    NaN
# 5    6.0
# dtype: float64
# 非缺失值掩码：
# 0     True
# 1     True
# 2    False
# 3     True
# 4    False
# 5     True
# dtype: bool

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/1966853.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

JAVA的String类的contains方法，Indexof方法不使用KMP算法

JAVA的String类的contains方法，Indexof方法不使用KMP算法

今天做力扣的一道题目，在一个字符串中找出字符串的时候，想到了JAVA有一个contains方法，于是我去看了一下源码，发现他就是简单地调用了一下java的indexof方法， 然后我又去看了Indexof的源码，发现他就是简单的…
阅读更多...
深入探讨C++编译期多态：提高效率与安全性

深入探讨C++编译期多态：提高效率与安全性

目录 一、引言 二、编译期多态技术详解 函数重载（Function Overloading） 运算符重载（Operator Overloading） 模板元编程（Template Metaprogramming） 使用std::enable_if实现条件模板特化 使用if con…
阅读更多...
让我们逐行重现 GPT-2：第 1 部分

让我们逐行重现 GPT-2：第 1 部分

欢迎来到雲闪世界。Andrej Karpathy 是人工智能 (AI) 领域的顶尖研究人员之一。他是 OpenAI 的创始成员之一，曾领导特斯拉的 AI 部门，目前仍处于 AI 社区的前沿。 在第一部分中，我们重点介绍如何实现 GPT-2 的架构。虽然 GPT-2 于 2018 年由 …
阅读更多...
Gradle下载的依赖jar包路径位置

Gradle下载的依赖jar包路径位置

Gradle依赖默认下载路径 Mac系统默认下载路径：C:/Users/(用户名)/.gradle/caches/modules-2/files-2.1 Windows系统默认下载路径：C:\Users(用户名).gradle\caches\modules-2\files-2.1 修改Gradle缓存文件夹路径 1. 配置环境变量 添加变量GRADLE_US…
阅读更多...
elementUI，vue，前端判断时间是否有交集(重合)方法

elementUI，vue，前端判断时间是否有交集(重合)方法

分成三个部分 html※ 具体实现方法methods帮助理解逻辑图：![smallredBook：灵魂画手，业余爱好支持支持](https://i-blog.csdnimg.cn/direct/665950ee60964ef8912ce4f1a98dcc0e.jpeg#pic_center) 简化：由上面的逻辑反推[^1] html &…
阅读更多...
与OpenAI合作：期待已久的苹果AI战略

与OpenAI合作：期待已久的苹果AI战略

探讨 Apple 和 OpenAI 合作的AI战略 ©作者|CodeDan 来源|神州问学 一．引言 在当今科技发展日新月异的背景下，大型科技公司的合作与联盟日益成为关注焦点。在最近的2024苹果全球开发者大会上，苹果展示了最新苹果系统上搭载的大模型应用…
阅读更多...
.net 7和core版 SignalR

.net 7和core版 SignalR

.net 7和core版 SignalR代码示例（手把手一起认识Websocket、SignalR） # 白话讲解 刚听到Websocket、SignalR有没有很迷茫，一脸懵逼的那种有没有，都是通信，这俩有什么区别，都是怎么实现的，什么时候该用哪一个， 苦于Websocket、SignalR久已，今天必须整出个一二三来，…
阅读更多...
UWA Gears使用指南：轻松掌握应用性能优化

UWA Gears使用指南：轻松掌握应用性能优化

UWA最新发布了无SDK性能分析工具 - UWA Gears。该工具能够实时监测应用的CPU和GPU性能，无需代码改动即可掌握性能动态。此外，Gears还能截取应用的渲染画面进行深度分析，帮助您快速找到性能瓶颈并进行精准优化。 本文为您提供快速上手UWA Gea…
阅读更多...
SpringMVC源码解析(二)：请求执行流程

SpringMVC源码解析(二)：请求执行流程

SpringMVC源码系列文章 SpringMVC源码解析(一)：web容器启动流程 SpringMVC源码解析(二)：请求执行流程 目录 前言DispatcherServlet入口一、获取HandlerExcutionChain(包括Handler)1、获取Handler1.1、通过request获取查找路径1.2、通过查找路径获取Han…
阅读更多...
昂贵的质量 —— 为什么bug总在发生？

昂贵的质量 —— 为什么bug总在发生？

“To err is human” 在过去相当长一段时间内，我都在一个负责项目维护的团队内工作。团队的特殊之处在于，我们从来不开发新功能，而是负责解决每天上报的线上问题。这些 bug 无奇不有，从无法打开页面到数据奇怪丢失，麻…
阅读更多...
关于伦敦金出金时间 你需要了解这些

关于伦敦金出金时间 你需要了解这些

​在伦敦金交易中，有很多基础因素是投资者在交易之前就需要了解的，其中就有伦敦金出金时间的问题。不过我们需要注意的是，伦敦金出金时间可能会有多种不同的含义，下面我们就这个问题进行一下讨论。 首先，伦敦金出金时间…
阅读更多...
软件测试必备技能

软件测试必备技能

在软件测试领域，以下是一些必备的技能和能力，可以帮助你成为一名优秀的软件测试工程师： 1. 测试基础知识： 熟悉软件测试的基本概念、原则和流程，包括不同类型的测试（如单元测试、集成测试、系统测试&#…
阅读更多...
局部路径规划论文汇总

局部路径规划论文汇总

文章目录 2021MRPB 1.0: A Unified Benchmark for the Evaluation of Mobile Robot Local Planning Approaches 2021 MRPB 1.0: A Unified Benchmark for the Evaluation of Mobile Robot Local Planning Approaches code: https://github.com/NKU-MobFly-Robotics/local-pla…
阅读更多...
无人配送，成不了美团的“萝卜快跑”

无人配送，成不了美团的“萝卜快跑”

文：互联网江湖 作者：刘致呈 萝卜快跑在武汉秀了秀肌肉，惊艳了四座。无人驾驶概念股，也在资本市场掀起了不小的轰动。萝卜快跑之所以能闹起来这么大动静，核心在于，萝卜快跑这个自变量一变，会导致…
阅读更多...
昇思25天学习打卡营第XX天|CycleGAN图像风格迁移互换

昇思25天学习打卡营第XX天|CycleGAN图像风格迁移互换

CycleGAN是一种用于图像到图像翻译的生成对抗网络，它突破了传统域迁移模型的限制，无需成对样本即可学习图像在不同域间的转换。这种无监督的方法特别适用于难以获取配对数据的场景，例如艺术风格迁移。与需要成对训练样本的Pix2Pix不同&#x…
阅读更多...
探索思维导图软件：让你的工作与学习更高效

探索思维导图软件：让你的工作与学习更高效

思维导图怎么做？作为策划界的老司机，我手里头可没少试过这些提升效率的神器。今儿，我就从亲身体验出发，给大家聊聊福昕思维导图、博思白板思维导图和知犀思维导图在咱们创建方案时的那些“独门绝技”。 一、福昕思维导图 网址&a…
阅读更多...
拓客新动力：揭秘拓客工具的三大优势，让业务增长不再难！

拓客新动力：揭秘拓客工具的三大优势，让业务增长不再难！

现如今，有效的客户拓展工具已成为提升业务增长的关键。拓客工具的出现，能够实现更高效的营销和客户管理。 下面，就和大家聊聊拓客工具的三大优势，使业务增长不再成为难题。 1、提高营销效率 这些工具通常集成了数据分析、活动管…
阅读更多...
闻味寻瓜部落+解压舔狗式聊天机器人：你说行不行？

闻味寻瓜部落+解压舔狗式聊天机器人：你说行不行？

大家好，我是一名_全栈_测试开发工程师，已经开源一套【自动化测试框架】和【测试管理平台】，欢迎大家关注我，和我一起【分享测试知识，交流测试技术，趣聊行业热点】。 ---- 首先 ---- 非常感谢您的关注 我将…
阅读更多...
最小例程上加OLED显示

最小例程上加OLED显示

最小例程上加OLED显示 本工程代码链接: https://ww0.lanzoul.com/i8lNa265gj7g 失效联系:qq2958360390 我们其实就加上这几个文件, 然后会调用就可以了, 具体的就看江协科技的OLED, 讲的很清楚, 我们这里只说应用, 我们的重点在使用. 下面跟着我来, 复制黏贴: 更详细请看哔哩…
阅读更多...
黑马程序员大事件springboot3+vue3

黑马程序员大事件springboot3+vue3

以下内容都是本人在听课时整理的，不是黑马官方的教程 环境搭建 准备数据表 -- 创建数据库 create database big_event;-- 使用数据库 use big_event;-- 用户表 create table user (id int unsigned primary key auto_increment comment ID,username varchar(20) no…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023