Python酷库之旅-第三方库Pandas(061)

news2024/9/22 15:37:07

目录

一、用法精讲

236、pandas.Series.explode方法

236-1、语法

236-2、参数

236-3、功能

236-4、返回值

236-5、说明

236-6、用法

236-6-1、数据准备

236-6-2、代码示例

236-6-3、结果输出

237、pandas.Series.searchsorted方法

237-1、语法

237-2、参数

237-3、功能

237-4、返回值

237-5、说明

237-6、用法

237-6-1、数据准备

237-6-2、代码示例

237-6-3、结果输出

238、pandas.Series.ravel方法

238-1、语法

238-2、参数

238-3、功能

238-4、返回值

238-5、说明

238-6、用法

238-6-1、数据准备

238-6-2、代码示例

238-6-3、结果输出

239、pandas.Series.repeat方法

239-1、语法

239-2、参数

239-3、功能

239-4、返回值

239-5、说明

239-6、用法

239-6-1、数据准备

239-6-2、代码示例

239-6-3、结果输出

240、pandas.Series.squeeze方法

240-1、语法

240-2、参数

240-3、功能

240-4、返回值

240-5、说明

240-6、用法

240-6-1、数据准备

240-6-2、代码示例

240-6-3、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

236、pandas.Series.explode方法
236-1、语法
# 236、pandas.Series.explode方法
pandas.Series.explode(ignore_index=False)
Transform each element of a list-like to a row.

Parameters:
ignore_index
bool, default False
If True, the resulting index will be labeled 0, 1, …, n - 1.

Returns:
Series
Exploded lists to rows; index will be duplicated for these rows.
236-2、参数

236-2-1、ignore_index(可选，默认值为False)：布尔值，若设置为False，则保持原始索引，展开后的新Series保持原始Series的索引；若设置为True，则忽略原始索引，展开后的新Series使用新的整数索引。

236-3、功能

        将包含列表、元组或类似的可迭代对象的Series进行展开，使每个元素在新Series中都有一行。简单来说，它可以将一个包含列表的Series转换为一个平坦的Series，其中每个列表元素占据一行。

236-4、返回值

        返回一个新的Series，其索引可能是原来的索引(如果ignore_index=False)或者是重新生成的整数索引(如果ignore_index=True)每个列表-like 元素中的项都变成新的行，如果某元素不是列表-like，则保持不变。

236-5、说明

        使用场景：

236-5-1、处理嵌套列表数据：在处理从JSON、数据库或其他数据源导入的嵌套数据时，常常会遇到列表嵌套在单个单元格中的情况。explode()方法可以将这些嵌套列表展开为单独的行，便于进一步分析。如：电商订单数据，每个订单包含多个商品。

236-5-2、数据清洗与预处理：在数据清洗过程中，常常需要将一个单元格中的多个值分成多行，以便进行进一步的操作和清洗。如：用户标签数据，每个用户可能有多个标签。

236-5-3、文本分析：在自然语言处理和文本分析中，常常需要将文本数据拆分成单词或短语，然后对这些拆分后的单词或短语进行分析，explode()方法可以帮助将分词后的列表展开为单独的行。如：分词后的文本数据。

236-5-4、时间序列数据处理：在时间序列数据处理中，可能会有某些时间点对应多个事件或值的情况，explode()方法可以将这些多值的时间点展开为多个时间点，以便于进一步分析和处理。如：某时间点的多个事件。

236-6、用法
236-6-1、数据准备
无
236-6-2、代码示例
# 236、pandas.Series.explode方法
# 236-1、处理嵌套列表数据
import pandas as pd
# 示例数据
orders = pd.Series([['item1', 'item2'], ['item3'], ['item4', 'item5', 'item6']])
# 使用explode方法展开商品列表
exploded_orders = orders.explode()
print(exploded_orders, end='\n\n')

# 236-2、数据清洗与预处理
import pandas as pd
# 示例数据
user_tags = pd.Series([['tag1', 'tag2'], ['tag3'], ['tag4', 'tag5', 'tag6']])
# 使用explode方法展开标签列表
exploded_tags = user_tags.explode()
print(exploded_tags, end='\n\n')

# 236-3、文本分析
import pandas as pd
# 示例数据
texts = pd.Series([['word1', 'word2', 'word3'], ['word4'], ['word5', 'word6']])
# 使用explode方法展开分词后的列表
exploded_texts = texts.explode()
print(exploded_texts, end='\n\n')

# 236-4、时间序列数据处理
import pandas as pd
# 示例数据
time_series = pd.Series([['event1', 'event2'], ['event3'], ['event4', 'event5', 'event6']])
# 使用explode方法展开时间点的事件列表
exploded_time_series = time_series.explode()
print(exploded_time_series)
236-6-3、结果输出
# 236、pandas.Series.explode方法
# 236-1、处理嵌套列表数据
# 0    item1
# 0    item2
# 1    item3
# 2    item4
# 2    item5
# 2    item6
# dtype: object

# 236-2、数据清洗与预处理
# 0    tag1
# 0    tag2
# 1    tag3
# 2    tag4
# 2    tag5
# 2    tag6
# dtype: object

# 236-3、文本分析
# 0    word1
# 0    word2
# 0    word3
# 1    word4
# 2    word5
# 2    word6
# dtype: object

# 236-4、时间序列数据处理
# 0    event1
# 0    event2
# 1    event3
# 2    event4
# 2    event5
# 2    event6
# dtype: object
237、pandas.Series.searchsorted方法
237-1、语法
# 237、pandas.Series.searchsorted方法
pandas.Series.searchsorted(value, side='left', sorter=None)
Find indices where elements should be inserted to maintain order.

Find the indices into a sorted Series self such that, if the corresponding elements in value were inserted before the indices, the order of self would be preserved.

Note

The Series must be monotonically sorted, otherwise wrong locations will likely be returned. Pandas does not check this for you.

Parameters:
value
array-like or scalar
Values to insert into self.

side
{‘left’, ‘right’}, optional
If ‘left’, the index of the first suitable location found is given. If ‘right’, return the last such index. If there is no suitable index, return either 0 or N (where N is the length of self).

sorter
1-D array-like, optional
Optional array of integer indices that sort self into ascending order. They are typically the result of np.argsort.

Returns:
int or array of int
A scalar or array of insertion points with the same shape as value.
237-2、参数

237-2-1、value(必须)：标量或数组型数据，表示要查找的值。

237-2-2、side(可选，默认值为'left')：{'left', 'right'}，表示在找到等于value的元素时，是插入到左边还是右边。'left'表示插入到等于value的元素的左侧，'right'表示插入到右侧。

237-2-3、sorter(可选，默认值为None)：可选数组型数据，表示Series排序后的索引。

237-3、功能

        用于查找一个值或一组值在一个排序好的Series中应插入的位置，以保持顺序不变，该方法对于二分查找、数据插入和位置索引等操作非常有用。

237-4、返回值

        返回整数或整数数组，表示插入位置的索引。

237-5、说明

        无

237-6、用法
237-6-1、数据准备
无
237-6-2、代码示例
# 237、pandas.Series.searchsorted方法
# 237-1、基本用法
import pandas as pd
# 创建一个排序好的Series
s = pd.Series([1, 2, 3, 4, 5])
# 查找插入值的位置
index = s.searchsorted(3)
print(index, end='\n\n')

# 237-2、使用'side'参数
import pandas as pd
# 创建一个排序好的Series
s = pd.Series([1, 2, 3, 3, 4, 5])
# 查找插入值的位置（插入左侧）
index_left = s.searchsorted(3, side='left')
print(index_left)
# 查找插入值的位置（插入右侧）
index_right = s.searchsorted(3, side='right')
print(index_right, end='\n\n')

# 237-3、处理未排序的Series
import pandas as pd
# 创建一个未排序的Series
s = pd.Series([5, 1, 4, 2, 3])
# 获取排序后的索引
sorter = s.argsort()
# 查找插入值的位置
index = s.searchsorted(3, sorter=sorter)
print(index)
237-6-3、结果输出
# 237、pandas.Series.searchsorted方法
# 237-1、基本用法
# 2

# 237-2、使用'side'参数
# 2
# 4

# 237-3、处理未排序的Series
# 2
238、pandas.Series.ravel方法
238-1、语法
# 238、pandas.Series.ravel方法
pandas.Series.ravel(order='C')
Return the flattened underlying data as an ndarray or ExtensionArray.

Deprecated since version 2.2.0: Series.ravel is deprecated. The underlying array is already 1D, so ravel is not necessary. Use to_numpy() for conversion to a numpy array instead.

Returns:
numpy.ndarray or ExtensionArray
Flattened data of the Series.
238-2、参数

238-2-1、order(可选，默认值为'C')：字符串类型，选项有：

  • 'C'：按照C语言的行优先顺序(行优先，即先按行读取再按列读取)展平数组。
  • 'F'：按照Fortran语言的列优先顺序(列优先，即先按列读取再按行读取)展平数组。
  • 'A'：如果原始数据在内存中是按行优先顺序存储的，则返回按行优先顺序展平的数组；如果原始数据在内存中是按列优先顺序存储的，则返回按列优先顺序展平的数组。
  • 'K'：尽可能保持原始数据的存储顺序。
238-3、功能

        用于将Series对象展平为一个一维的NumPy数组。

238-4、返回值

        返回一个一维的NumPy数组，其中包含了原Series对象中的所有数据。

238-5、说明

        此方法目前版本仍然能用，但后续将被pandas.Series.to_numpy方法替代。

238-6、用法
238-6-1、数据准备
无
238-6-2、代码示例
# 238、pandas.Series.ravel方法
import pandas as pd
import numpy as np
# 创建一个Pandas Series对象
data = pd.Series([1, 2, 3, 4, 5])
# 使用ravel()方法
flattened_data_C = data.ravel(order='C')
flattened_data_F = data.ravel(order='F')
print("Flattened data (C order):", flattened_data_C)
print("Flattened data (F order):", flattened_data_F)
238-6-3、结果输出
# 238、pandas.Series.ravel方法
# Flattened data (C order): [1 2 3 4 5]
# Flattened data (F order): [1 2 3 4 5]
239、pandas.Series.repeat方法
239-1、语法
# 239、pandas.Series.repeat方法
pandas.Series.repeat(repeats, axis=None)
Repeat elements of a Series.

Returns a new Series where each element of the current Series is repeated consecutively a given number of times.

Parameters:
repeats
int or array of ints
The number of repetitions for each element. This should be a non-negative integer. Repeating 0 times will return an empty Series.

axis
None
Unused. Parameter needed for compatibility with DataFrame.

Returns:
Series
Newly created Series with repeated elements.
239-2、参数

239-2-1、repeats(必须)：整数或整数数组，如果是单个整数，则Series中的每个元素都会被重复该整数指定的次数；如果是一个与Series等长的整数数组，则每个元素会按照对应位置的整数进行重复。

239-2-2、axis(可选，默认值为None)：参数在Series中无效，因为Series是一维的，因此这个参数在这里不被使用。

239-3、功能

        用于将Series中的每个元素按指定的次数重复，该方法对于数据扩展或增加数据量非常有用。

239-4、返回值

        返回一个新的Pandas Series对象，其中每个元素按指定的次数进行了重复。

239-5、说明

        无

239-6、用法
239-6-1、数据准备
无
239-6-2、代码示例
# 239、pandas.Series.repeat方法
import pandas as pd
# 创建一个Pandas Series对象
data = pd.Series([1, 2, 3])
# 每个元素重复3次
repeated_data_1 = data.repeat(3)
# 每个元素根据给定的数组分别重复
repeated_data_2 = data.repeat([1, 2, 3])
print("Repeated data (3 times):")
print(repeated_data_1)
print("\nRepeated data (1, 2, 3 times respectively):")
print(repeated_data_2)
239-6-3、结果输出
# 239、pandas.Series.repeat方法
# Repeated data (3 times):
# 0    1
# 0    1
# 0    1
# 1    2
# 1    2
# 1    2
# 2    3
# 2    3
# 2    3
# dtype: int64
# 
# Repeated data (1, 2, 3 times respectively):
# 0    1
# 1    2
# 1    2
# 2    3
# 2    3
# 2    3
# dtype: int64
240、pandas.Series.squeeze方法
240-1、语法
# 240、pandas.Series.squeeze方法
pandas.Series.squeeze(axis=None)
Squeeze 1 dimensional axis objects into scalars.

Series or DataFrames with a single element are squeezed to a scalar. DataFrames with a single column or a single row are squeezed to a Series. Otherwise the object is unchanged.

This method is most useful when you don’t know if your object is a Series or DataFrame, but you do know it has just a single column. In that case you can safely call squeeze to ensure you have a Series.

Parameters:
axis
{0 or ‘index’, 1 or ‘columns’, None}, default None
A specific axis to squeeze. By default, all length-1 axes are squeezed. For Series this parameter is unused and defaults to None.

Returns:
DataFrame, Series, or scalar
The projection after squeezing axis or all the axes.
240-2、参数

240-2-1、axis(可选，默认值为None)：{None, 0, 1}，选项有：

  • None：默认值，自动删除长度为1的维度。
  • 0或index：如果Series或DataFrame在索引轴上只有一个值，则压缩该维度。
  • 1或columns：如果Series或DataFrame在列轴上只有一个值，则压缩该维度。
240-3、功能

        用于去除Series中长度为1的维度，它常用于处理从DataFrame中提取的单列或单行结果，使得返回的结果更加简洁。

240-4、返回值

        返回一个去除了长度为1的维度后的对象，如果没有长度为1的维度，则返回原对象。

240-5、说明

        无

240-6、用法
240-6-1、数据准备
无
240-6-2、代码示例
# 240、pandas.Series.squeeze方法
# 240-1、从DataFrame提取单行或单列
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({
    'A': [10, 20, 30],
    'B': [15, 25, 35]
})
# 提取单列
single_column = df[['A']]
squeezed_column = single_column.squeeze()
# 提取单行
single_row = df.iloc[[0]]
squeezed_row = single_row.squeeze()
print("Original single column DataFrame:")
print(single_column)
print("Squeezed Series from single column:")
print(squeezed_column)
print("Original single row DataFrame:")
print(single_row)
print("Squeezed Series from single row:")
print(squeezed_row, end='\n\n')

# 240-2、数据分组后的操作
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({
    'Category': ['A', 'A', 'B'],
    'Value': [10, 20, 30]
})
# 按'Category'分组并计算均值
grouped = df.groupby('Category').mean()
# 获取特定类别的数据并使用squeeze
single_category_mean = grouped.loc[['A']]
squeezed_category_mean = single_category_mean.squeeze()
print("Grouped mean DataFrame:")
print(single_category_mean)
print("Squeezed mean for single category:")
print(squeezed_category_mean, end='\n\n')

# 240-3、提高内存效率和性能
import pandas as pd
# 创建一个大型DataFrame
large_df = pd.DataFrame({'Value': range(1000000)})
# 提取单列并使用squeeze
squeezed_series = large_df[['Value']].squeeze()
# 检查内存使用
print("Memory usage of original DataFrame:", large_df.memory_usage(deep=True).sum())
print("Memory usage of squeezed Series:", squeezed_series.memory_usage(deep=True), end='\n\n')

# 240-4、与函数进行交互
import matplotlib.pyplot as plt
# 定义一个只接受 Series 的绘图函数
def plot_series(series):
    series.plot(kind='line', title='Series Plot')
    plt.show()
# 提取数据并传递给函数
data = df[['Value']].iloc[0:3]  # 提取单列
plot_series(data.squeeze())

# 240-5、简化输出
# 计算平均值并使用squeeze
processed_result = df[['Value']].mean().squeeze()
def display_result(result):
    print(f"Processed Result: {result}")
# 使用squeeze简化输出
display_result(processed_result)

# 240-6、数据清洗与转换
import pandas as pd
# 创建一个包含冗余维度的DataFrame
redundant_df = pd.DataFrame({'Value': [[10], [20], [30]]})
# 使用apply和squeeze清理数据
cleaned_series = redundant_df['Value'].apply(lambda x: pd.Series(x).squeeze())
print("Original DataFrame with redundant dimension:")
print(redundant_df)
print("Cleaned Series:")
print(cleaned_series, end='\n\n')

# 240-7、数学与统计计算
import pandas as pd
# 创建一个DataFrame
df = pd.DataFrame({'Value': [10, 20, 30]})
# 计算总和并使用squeeze
total_sum = df[['Value']].sum().squeeze()
print("Total sum of values:", total_sum)
240-6-3、结果输出
# 240、pandas.Series.squeeze方法
# 240-1、从DataFrame提取单行或单列
# Original single column DataFrame:
#     A
# 0  10
# 1  20
# 2  30
# Squeezed Series from single column:
# 0    10
# 1    20
# 2    30
# Name: A, dtype: int64
# Original single row DataFrame:
#     A   B
# 0  10  15
# Squeezed Series from single row:
# A    10
# B    15
# Name: 0, dtype: int64

# 240-2、数据分组后的操作
# Grouped mean DataFrame:
#           Value
# Category       
# A          15.0
# Squeezed mean for single category:
# 15.0

# 240-3、提高内存效率和性能
# Memory usage of original DataFrame: 8000132
# Memory usage of squeezed Series: 8000132

# 240-4、与函数进行交互
# 见图1

# 240-5、简化输出
# Processed Result: 20.0

# 240-6、数据清洗与转换
# Original DataFrame with redundant dimension:
#   Value
# 0  [10]
# 1  [20]
# 2  [30]
# Cleaned Series:
# 0    10
# 1    20
# 2    30
# Name: Value, dtype: int64

# 240-7、数学与统计计算
# Total sum of values: 60

图1：

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/1973986.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

Linux 内核源码分析---插入和删除模块

Linux 内核源码分析---插入和删除模块

模块是一种向 Linux 内核添加设备驱动程序、文件系统及其他组件的有效方法，不需编译新内核或重启系统。 模块具有如下优点： • 通过使用模块，内核发布者能够预先编译大量驱动程序，而不会致使内核映像的尺寸发生膨胀； …
阅读更多...
PTA—基础编程题目集（7-18）

PTA—基础编程题目集（7-18）

7-18 二分法求多项式单根 目录 题目描述 输出格式： 输入样例： 输出样例： 参考代码 总结 题目描述 输入在第1行中顺序给出多项式的4个系数a3​、a2​、a1​、a0​，在第2行中顺序给出区间端点a和b。题目保证多项式在给定区间…
阅读更多...
60_1简单的学生管理系统【功能实现(查看所有学生(分页)、修改和删除学生信息)】

60_1简单的学生管理系统【功能实现(查看所有学生(分页)、修改和删除学生信息)】

功能实现 老师角色查看所有学生 获取学生列表和分页 1.修改index.jsp 不能直接跳stuList.jsp&#xff0c;没数据 <%if("teacher".equals(role)){%><a href"TeaInitModifyServlet?username<%username%>">修改信息</a><a href…
阅读更多...
设施农业“AutoML“时代:大模型自动调参,让农业算法模型更简单易用

设施农业“AutoML“时代:大模型自动调参,让农业算法模型更简单易用

&#xff08;于景鑫 北京市农林科学院智能装备技术研究中心&#xff09;设施农业是现代农业的重要发展方向,但在数字化、智能化的进程中仍面临诸多挑战。传统的农业算法模型虽然可以为设施农业提供一定的决策支持,但在实际应用中往往受限于参数调优复杂、模型泛化能力差等因素。…
阅读更多...
＜Rust＞＜iced＞基于rust使用iced构建GUI实例：一个CRC16校验码生成工具

＜Rust＞＜iced＞基于rust使用iced构建GUI实例：一个CRC16校验码生成工具

前言 本专栏是Rust实例应用。 环境配置 平台：windows 软件：vscode 语言：rust 库：iced、iced_aw 概述 本文是专栏第五篇实例，是一个CRC16校验码转换程序。 本篇内容： 1、CRC16校验码生成 代码介绍 本文的crc16校验码生成工具，主要设计两个方面，一个是crc16 modbus…
阅读更多...
PADS Router 扇出失败问题详细解决方法。

PADS Router 扇出失败问题详细解决方法。

第一步&#xff1a;确定单位是一致的,我的单位是 “密尔”&#xff0c;不是“公制”。 第二步&#xff1a;进去pads router 右键选择特性&#xff0c;注意&#xff0c;是右键点击任意板框内空白位置的特性&#xff0c;这个是涵盖整体的设置&#xff0c;和单独点击一个元器件选…
阅读更多...
react-native从入门到实战系列教程一Swiper组件的使用及bug修复

react-native从入门到实战系列教程一Swiper组件的使用及bug修复

轮播图&#xff0c;在app中随处可见&#xff0c;这么重要的功能我们怎么可能不学习下在react-native中的实现方式。 依然是第三方组件react-native-swiper 官网地址 https://www.npmjs.com/package/react-native-swiper 组件使用的组件及事件参考官方即可。 实现效果 官网…
阅读更多...
文件审查流程：使用指南

文件审查流程：使用指南

当您正在处理一个项目并且必须进行文档审查时&#xff0c;您可能会对这个过程到底涉及什么、谁是利益相关者以及审查过程的结果可能是什么感到困惑。在这篇博客文章中&#xff0c;让我们简单介绍一下文档审核过程及其对高质量内容的活力。 文件审查的定义 文件审查是文件经过…
阅读更多...
CMD运行指令

CMD运行指令

CMD运行指令 开始→运行→CMD→键入以下命令即可: ASSOC显示或修改文件扩展名关联。 AT计划在计算机上运行的命令和程序。 ATTRIB显示或更改文件属性。 BREAK设置或清除扩展式CTRLC检查。 CACLS显示或修改文件的访问控制列表(ACLs)。 CALL从另一个批处理程序调用这一个。 CD显示…
阅读更多...
不同类型游戏安全风险对抗概览（下）| FPS以及小游戏等外挂问题，一文读懂！

不同类型游戏安全风险对抗概览（下）| FPS以及小游戏等外挂问题，一文读懂！

FPS 游戏安全问题 由于射击类游戏本身需要大量数值计算&#xff0c;游戏方会将部分计算存放于本地客户端&#xff0c;而这为外挂攻击者提供了攻击的温床。可以说&#xff0c;射击类游戏是所有游戏中被外挂攻击最为频繁的游戏类型。 根据网易易盾游戏安全部门检测数据显示&#…
阅读更多...
未来十年机器人行业前景还好吗？

未来十年机器人行业前景还好吗？

未来十年机器人行业的前景非常乐观&#xff0c;这一行业预计将持续快速发展并深刻影响我们的工作、生活和社会。以下是对未来十年机器人行业前景的详细分析&#xff1a; 一、技术驱动的创新与发展 1. 智能化与自主化&#xff1a;随着深度学习和神经网络技术的进步&#xff0c;…
阅读更多...
MATLAB进阶：数据的拟合

MATLAB进阶：数据的拟合

几天我们继续深度学习MATLAB中的数据拟合 最小二乘拟合 假设已知经验公式yf(c,x)yf(c,x)&#xff08;c为参数&#xff0c;x为自变量&#xff09;&#xff0c;要求根据一批有误差的数据(xi,yi)&#xff0c;i0,1,...,n(xi​,yi​)&#xff0c;i0,1,...,n确定参数c。这样的问题称…
阅读更多...
SSM大学生就业咨询管理系统-计算机毕业设计源码79442

SSM大学生就业咨询管理系统-计算机毕业设计源码79442

目录 摘要 1 绪论 1.1 选题背景 1.2 研究目的和意义 1.3国内外研究现状 2系统分析 2.1.1 技术可行性分析 2.1.2 经济可行性分析 2.1.3 操作可行性分析 2.2 系统流程分析 2.2.1 数据流程 2.2.2 业务流程 2.3 系统功能分析 2.3.1 功能性分析 2.3.2 非功能性分析 2…
阅读更多...
python合并音视频-通过moviepy模块合并音视频

python合并音视频-通过moviepy模块合并音视频

&#x1f308;所属专栏&#xff1a;【python】✨作者主页&#xff1a; Mr.Zwq✔️个人简介&#xff1a;一个正在努力学技术的Python领域创作者&#xff0c;擅长爬虫&#xff0c;逆向&#xff0c;全栈方向&#xff0c;专注基础和实战分享&#xff0c;欢迎咨询&#xff01; 您的…
阅读更多...
从零开始的MicroPython(四) 串口

从零开始的MicroPython(四) 串口

上一篇&#xff1a;按键与外部中断 文章目录 前言串口&#xff08;UART&#xff09;简介MicroPython的UARTUART 类——双工串行通信 ESP32(NodeMCU-32S)GPIO简介引脚 文档代码ESP32&&PC通讯 前言 在嵌入式学习中&#xff0c;串口发挥着重要的作用&#xff0c;不仅仅是…
阅读更多...
C++ 随机单词(萌新练习项目)

C++ 随机单词(萌新练习项目)

目录 项目名称 项目目标 功能描述 技术要点 示例代码 扩展建议 学习资源 项目名称 随机单词生成器&#xff08;Random Word Generator&#xff09; 项目目标 学习C基本语法和数据结构。练习使用C标准库中的随机数生成功能。理解容器&#xff08;如std::vector&#xf…
阅读更多...
由浅入深的了解进程(5)--环境变量

由浅入深的了解进程(5)--环境变量

环境变量 前言环境变量1、更多的环境变量及添加和删除2、整体理解环境变量系统 前言 在上一篇文章中简单的介绍了环境变量&#xff0c;但是没有讲述的比较全面了&#xff0c;所以现在再写一篇来介绍环境变量。 环境变量 在上一篇文章中&#xff0c;我们已经简单的学习了如何…
阅读更多...
“网络身份证”来了，淘宝、微信、小红书等已上线试点版功能

“网络身份证”来了，淘宝、微信、小红书等已上线试点版功能

“网络身份证时代”即将开启。 近日&#xff0c;公安部、国家网信办共同起草《国家网络身份认证公共服务管理办法&#xff08;征求意见稿&#xff09;》公开征求意见后&#xff0c;未来是否需要“持证上网”一时间引发热议。而在征求意见的期间&#xff0c;小红书、淘宝、微信等…
阅读更多...
linux-环境变量，进程地址空间

linux-环境变量，进程地址空间

1.环境变量 1.1基本概念 环境变量 (environment variables) 一般是指在操作系统中用来指定操作系统运行环境的一些参数 如&#xff1a;我们在编写 C/C 代码的时候&#xff0c;在链接的时候&#xff0c;从来不知道我们的所链接的动态静态库在哪里&#xff0c;但 是照样可以链接…
阅读更多...
Stable Diffusion绘画 | 文生图设置详解—随机种子数（Seed）

Stable Diffusion绘画 | 文生图设置详解—随机种子数（Seed）

随机种子数&#xff08;Seed&#xff09; Midjourney 也有同样的概念&#xff0c;通过 --seed 种子数值 来使用。 每次操作「生成」所得到的图片&#xff0c;都会随机分配一个 seed值&#xff0c;数值不同&#xff0c;生成的画面就会不同。 默认值为 -1&#xff1a;每次随机分…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023