Python酷库之旅-第三方库Pandas(066)

news2024/9/29 11:25:21

目录

一、用法精讲

261、pandas.Series.dt.year属性

261-1、语法

261-2、参数

261-3、功能

261-4、返回值

261-5、说明

261-6、用法

261-6-1、数据准备

261-6-2、代码示例

261-6-3、结果输出

262、pandas.Series.dt.month属性

262-1、语法

262-2、参数

262-3、功能

262-4、返回值

262-5、说明

262-6、用法

262-6-1、数据准备

262-6-2、代码示例

262-6-3、结果输出

263、pandas.Series.dt.day属性

263-1、语法

263-2、参数

263-3、功能

263-4、返回值

263-5、说明

263-6、用法

263-6-1、数据准备

263-6-2、代码示例

263-6-3、结果输出

264、pandas.Series.dt.hour属性

264-1、语法

264-2、参数

264-3、功能

264-4、返回值

264-5、说明

264-6、用法

264-6-1、数据准备

264-6-2、代码示例

264-6-3、结果输出

265、pandas.Series.dt.minute属性

265-1、语法

265-2、参数

265-3、功能

265-4、返回值

265-5、说明

265-6、用法

265-6-1、数据准备

265-6-2、代码示例

265-6-3、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

261、pandas.Series.dt.year属性
261-1、语法
# 261、pandas.Series.dt.year属性
pandas.Series.dt.year
The year of the datetime.
261-2、参数

        无

261-3、功能

        用于从包含日期时间数据的pandas.Series中提取年份信息的工具，该属性能够将日期时间数据中的年份部分提取出来，并以整数形式返回。

261-4、返回值

        返回的Series对象的每个元素都是整数，表示对应日期的年份。

261-5、说明

        使用场景：

261-5-1、数据分析：当你需要对数据进行按年份分组、汇总或者统计时，提取年份信息非常有用。例如，分析销售数据按年份的趋势。

261-5-2、时间序列分析：在处理时间序列数据时，可能需要从日期时间数据中提取年份来进行更深入的分析，例如查看不同年份的变化。

261-5-3、报告生成：如果需要生成包含年份的报告或图表，可以通过提取年份来轻松地将数据按照年份进行组织和展示。

261-6、用法
261-6-1、数据准备
无
261-6-2、代码示例
# 261、pandas.Series.dt.year属性
# 261-1、按年份统计订单数量
import pandas as pd
# 创建一个包含订单日期的Series
orders = pd.Series(pd.to_datetime([
    '2024-01-15',
    '2023-06-30',
    '2022-12-25',
    '2023-03-15',
    '2024-08-10'
]))
# 提取年份
years = orders.dt.year
# 计算每年的订单数量
order_counts = years.value_counts().sort_index()
print(order_counts, end='\n\n')

# 261-2、按年份分析销售额
import pandas as pd
# 创建一个包含销售数据的DataFrame
data = pd.DataFrame({
    'date': pd.to_datetime([
        '2024-01-15', '2023-06-30', '2022-12-25',
        '2023-03-15', '2024-08-10'
    ]),
    'sales': [100, 200, 150, 300, 250]
})
# 提取年份
data['year'] = data['date'].dt.year
# 按年份汇总销售额
yearly_sales = data.groupby('year')['sales'].sum()
print(yearly_sales, end='\n\n')

# 261-3、时间序列数据的年度趋势分析
import pandas as pd
# 创建一个包含时间序列数据的DataFrame
data = pd.DataFrame({
    'date': pd.date_range(start='2024-01-01', periods=12, freq='ME'),
    'value': range(1, 13)
})
# 提取年份
data['year'] = data['date'].dt.year
# 计算每年的平均值
annual_average = data.groupby('year')['value'].mean()
print(annual_average, end='\n\n')

# 261-4、按年份生成报告
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个包含订单日期的Series
orders = pd.Series(pd.to_datetime([
    '2024-01-15', '2023-06-30', '2022-12-25',
    '2023-03-15', '2024-08-10'
]))
# 提取年份
years = orders.dt.year
# 计算每年的订单数量
order_counts = years.value_counts().sort_index()
# 生成柱状图
order_counts.plot(kind='bar', color='skyblue')
plt.xlabel('Year')
plt.ylabel('Number of Orders')
plt.title('Number of Orders per Year')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()
261-6-3、结果输出
# 261、pandas.Series.dt.year属性
# 261-1、按年份统计订单数量
# 2022    1
# 2023    2
# 2024    2
# Name: count, dtype: int64

# 261-2、按年份分析销售额
# year
# 2022    150
# 2023    500
# 2024    350
# Name: sales, dtype: int64

# 261-3、时间序列数据的年度趋势分析
# year
# 2024    6.5
# Name: value, dtype: float64

# 261-4、按年份生成报告
# 见图1

图1：

 

262、pandas.Series.dt.month属性
262-1、语法
# 262、pandas.Series.dt.month属性
pandas.Series.dt.month
The month as January=1, December=12.
262-2、参数

        无

262-3、功能

        从datetime数据中提取出月份，以整数形式表示(1表示一月，12表示十二月)。

262-4、返回值

        返回一个整数序列，每个整数表示相应的月份。

262-5、说明

        无

262-6、用法
262-6-1、数据准备
无
262-6-2、代码示例
# 262、pandas.Series.dt.month属性
# 262-1、按月份统计订单数量
import pandas as pd
# 创建一个包含订单日期的Series
orders = pd.Series(pd.to_datetime([
    '2024-01-15',
    '2023-06-30',
    '2022-12-25',
    '2023-03-15',
    '2024-08-10'
]))
# 提取月份
months = orders.dt.month
# 计算每月的订单数量
order_counts = months.value_counts().sort_index()
print(order_counts, end='\n\n')

# 262-2、按月份分析销售额
import pandas as pd
# 创建一个包含销售数据的DataFrame
data = pd.DataFrame({
    'date': pd.to_datetime([
        '2024-01-15', '2023-06-30', '2022-12-25',
        '2023-03-15', '2024-08-10'
    ]),
    'sales': [100, 200, 150, 300, 250]
})
# 提取月份
data['month'] = data['date'].dt.month
# 按月份汇总销售额
monthly_sales = data.groupby('month')['sales'].sum()
print(monthly_sales, end='\n\n')

# 262-3、时间序列数据的月度趋势分析
import pandas as pd
# 创建一个包含时间序列数据的DataFrame
data = pd.DataFrame({
    'date': pd.date_range(start='2024-01-01', periods=12, freq='ME'),
    'value': range(1, 13)
})
# 提取月份
data['month'] = data['date'].dt.month
# 计算每月的平均值
monthly_average = data.groupby('month')['value'].mean()
print(monthly_average, end='\n\n')

# 262-4、按月份生成报告
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个包含订单日期的Series
orders = pd.Series(pd.to_datetime([
    '2024-01-15', '2023-06-30', '2022-12-25',
    '2023-03-15', '2024-08-10'
]))
# 提取月份
months = orders.dt.month
# 计算每月的订单数量
order_counts = months.value_counts().sort_index()
# 生成柱状图
order_counts.plot(kind='bar', color='skyblue')
plt.xlabel('Month')
plt.ylabel('Number of Orders')
plt.title('Number of Orders per Month')
plt.xticks(ticks=range(12), labels=['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'], rotation=45)
plt.tight_layout()
plt.show()
262-6-3、结果输出
# 262、pandas.Series.dt.month属性
# 262-1、按月份统计订单数量
# 1     1
# 3     1
# 6     1
# 8     1
# 12    1
# Name: count, dtype: int64

# 262-2、按月份分析销售额
# month
# 1     100
# 3     300
# 6     200
# 8     250
# 12    150
# Name: sales, dtype: int64

# 262-3、时间序列数据的月度趋势分析
# month
# 1      1.0
# 2      2.0
# 3      3.0
# 4      4.0
# 5      5.0
# 6      6.0
# 7      7.0
# 8      8.0
# 9      9.0
# 10    10.0
# 11    11.0
# 12    12.0
# Name: value, dtype: float64

# 262-4、按月份生成报告
# 见图2

图2：

 

263、pandas.Series.dt.day属性
263-1、语法
# 263、pandas.Series.dt.day属性
pandas.Series.dt.day
The day of the datetime.
263-2、参数

        无

263-3、功能

        从datetime数据中提取出天数，以整数形式表示(1表示一个月的第一天，31表示一个月的最后一天)。

263-4、返回值

       返回一个整数序列，每个整数表示相应日期的天数。

263-5、说明

        无

263-6、用法
263-6-1、数据准备
无
263-6-2、代码示例
# 263、pandas.Series.dt.day属性
# 263-1、按天数统计订单数量
import pandas as pd
# 创建一个包含订单日期的Series
orders = pd.Series(pd.to_datetime([
    '2024-01-15',
    '2023-06-30',
    '2022-12-25',
    '2023-03-15',
    '2024-08-10'
]))
# 提取天数
days = orders.dt.day
# 计算每个天数的订单数量
day_counts = days.value_counts().sort_index()
print(day_counts, end='\n\n')

# 263-2、按天数分析销售额
import pandas as pd
# 创建一个包含销售数据的DataFrame
data = pd.DataFrame({
    'date': pd.to_datetime([
        '2024-01-15', '2023-06-30', '2022-12-25',
        '2023-03-15', '2024-08-10'
    ]),
    'sales': [100, 200, 150, 300, 250]
})
# 提取天数
data['day'] = data['date'].dt.day
# 按天数汇总销售额
daily_sales = data.groupby('day')['sales'].sum()
print(daily_sales, end='\n\n')

# 263-3、时间序列数据的日趋势分析
import pandas as pd
# 创建一个包含时间序列数据的DataFrame
data = pd.DataFrame({
    'date': pd.date_range(start='2024-01-01', periods=31, freq='D'),
    'value': range(1, 32)
})
# 提取天数
data['day'] = data['date'].dt.day
# 计算每天的平均值
daily_average = data.groupby('day')['value'].mean()
print(daily_average, end='\n\n')

# 263-4、按天数生成报告
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个包含订单日期的Series
orders = pd.Series(pd.to_datetime([
    '2024-01-15', '2023-06-30', '2022-12-25',
    '2023-03-15', '2024-08-10'
]))
# 提取天数
days = orders.dt.day
# 计算每个天数的订单数量
day_counts = days.value_counts().sort_index()
# 生成柱状图
day_counts.plot(kind='bar', color='skyblue')
plt.xlabel('Day of Month')
plt.ylabel('Number of Orders')
plt.title('Number of Orders per Day of Month')
plt.xticks(ticks=range(1, 32), rotation=45)
plt.tight_layout()
plt.show()
263-6-3、结果输出
# 263、pandas.Series.dt.day属性
# 263-1、按天数统计订单数量
# 10    1
# 15    2
# 25    1
# 30    1
# Name: count, dtype: int64

# 263-2、按天数分析销售额
# day
# 10    250
# 15    400
# 25    150
# 30    200
# Name: sales, dtype: int64

# 263-3、时间序列数据的日趋势分析
# day
# 1      1.0
# 2      2.0
# 3      3.0
# 4      4.0
# 5      5.0
# 6      6.0
# 7      7.0
# 8      8.0
# 9      9.0
# 10    10.0
# 11    11.0
# 12    12.0
# 13    13.0
# 14    14.0
# 15    15.0
# 16    16.0
# 17    17.0
# 18    18.0
# 19    19.0
# 20    20.0
# 21    21.0
# 22    22.0
# 23    23.0
# 24    24.0
# 25    25.0
# 26    26.0
# 27    27.0
# 28    28.0
# 29    29.0
# 30    30.0
# 31    31.0
# Name: value, dtype: float64

# 263-4、按天数生成报告
# 见图3

图3：

 

264、pandas.Series.dt.hour属性
264-1、语法
# 264、pandas.Series.dt.hour属性
pandas.Series.dt.hour
The hours of the datetime.
264-2、参数

        无

264-3、功能

        从datetime数据中提取出小时，以整数形式表示(0表示午夜12点，23表示晚上11点)。

264-4、返回值

        返回一个整数序列，每个整数表示相应时间的小时数。

264-5、说明

        无

264-6、用法
264-6-1、数据准备
无
264-6-2、代码示例
# 264、pandas.Series.dt.hour属性
# 264-1、按小时统计事件数量
import pandas as pd
# 创建一个包含事件时间的Series
events = pd.Series(pd.to_datetime([
    '2024-01-15 08:30',
    '2023-06-30 14:45',
    '2022-12-25 08:30',
    '2023-03-15 22:15',
    '2024-08-10 14:00'
]))
# 提取小时数
hours = events.dt.hour
# 计算每个小时的事件数量
hour_counts = hours.value_counts().sort_index()
print(hour_counts, end='\n\n')

# 264-2、按小时分析销售额
import pandas as pd
# 创建一个包含销售数据的DataFrame
data = pd.DataFrame({
    'time': pd.to_datetime([
        '2024-01-15 08:30', '2023-06-30 14:45', '2022-12-25 08:30',
        '2023-03-15 22:15', '2024-08-10 14:00'
    ]),
    'sales': [100, 200, 150, 300, 250]
})
# 提取小时数
data['hour'] = data['time'].dt.hour
# 按小时汇总销售额
hourly_sales = data.groupby('hour')['sales'].sum()
print(hourly_sales, end='\n\n')

# 264-3、时间序列数据的小时趋势分析
import pandas as pd
# 创建一个包含时间序列数据的DataFrame
data = pd.DataFrame({
    'time': pd.date_range(start='2024-01-01 00:00', periods=24, freq='h'),
    'value': range(24)
})
# 提取小时数
data['hour'] = data['time'].dt.hour
# 计算每小时的平均值
hourly_average = data.groupby('hour')['value'].mean()
print(hourly_average, end='\n\n')

# 264-4、按小时生成报告
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个包含事件时间的Series
events = pd.Series(pd.to_datetime([
    '2024-01-15 08:30', '2023-06-30 14:45', '2022-12-25 08:30',
    '2023-03-15 22:15', '2024-08-10 14:00'
]))
# 提取小时数
hours = events.dt.hour
# 计算每个小时的事件数量
hour_counts = hours.value_counts().sort_index()
# 生成柱状图
hour_counts.plot(kind='bar', color='skyblue')
plt.xlabel('Hour of Day')
plt.ylabel('Number of Events')
plt.title('Number of Events per Hour of Day')
plt.xticks(ticks=range(0, 24), rotation=45)
plt.tight_layout()
plt.show()
264-6-3、结果输出
# 264、pandas.Series.dt.hour属性
# 264-1、按小时统计事件数量
# 8     2
# 14    2
# 22    1
# Name: count, dtype: int64

# 264-2、按小时分析销售额
# hour
# 8     250
# 14    450
# 22    300
# Name: sales, dtype: int64

# 264-3、时间序列数据的小时趋势分析
# hour
# 0      0.0
# 1      1.0
# 2      2.0
# 3      3.0
# 4      4.0
# 5      5.0
# 6      6.0
# 7      7.0
# 8      8.0
# 9      9.0
# 10    10.0
# 11    11.0
# 12    12.0
# 13    13.0
# 14    14.0
# 15    15.0
# 16    16.0
# 17    17.0
# 18    18.0
# 19    19.0
# 20    20.0
# 21    21.0
# 22    22.0
# 23    23.0
# Name: value, dtype: float64

# 264-4、按小时生成报告
# 见图4

图4：

 

265、pandas.Series.dt.minute属性
265-1、语法
# 265、pandas.Series.dt.minute属性
pandas.Series.dt.minute
The minutes of the datetime.
265-2、参数

        无

265-3、功能

        从datetime数据中提取出分钟，以整数形式表示(0表示整点，59表示接近下一个小时的最后一分钟)。

265-4、返回值

        返回一个整数序列，每个整数表示相应时间的分钟数。

265-5、说明

        无

265-6、用法
265-6-1、数据准备
无
265-6-2、代码示例
# 265、pandas.Series.dt.minute属性
# 265-1、按分钟统计事件数量
import pandas as pd
# 创建一个包含事件时间的Series
events = pd.Series(pd.to_datetime([
    '2024-01-15 08:30',
    '2023-06-30 14:45',
    '2022-12-25 08:15',
    '2023-03-15 22:05',
    '2024-08-10 14:30'
]))
# 提取分钟数
minutes = events.dt.minute
# 计算每分钟的事件数量
minute_counts = minutes.value_counts().sort_index()
print(minute_counts, end='\n\n')

# 265-2、按分钟分析销售额
import pandas as pd
# 创建一个包含销售数据的DataFrame
data = pd.DataFrame({
    'time': pd.to_datetime([
        '2024-01-15 08:30', '2023-06-30 14:45', '2022-12-25 08:15',
        '2023-03-15 22:05', '2024-08-10 14:30'
    ]),
    'sales': [100, 200, 150, 300, 250]
})
# 提取分钟数
data['minute'] = data['time'].dt.minute
# 按分钟汇总销售额
minute_sales = data.groupby('minute')['sales'].sum()
print(minute_sales, end='\n\n')

# 265-3、时间序列数据的分钟趋势分析
import pandas as pd
# 创建一个包含时间序列数据的DataFrame
data = pd.DataFrame({
    'time': pd.date_range(start='2024-01-01 00:00', periods=60, freq='min'),
    'value': range(60)
})
# 提取分钟数
data['minute'] = data['time'].dt.minute
# 计算每分钟的平均值
minute_average = data.groupby('minute')['value'].mean()
print(minute_average, end='\n\n')

# 265-4、按分钟生成报告
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个包含事件时间的Series
events = pd.Series(pd.to_datetime([
    '2024-01-15 08:30', '2023-06-30 14:45', '2022-12-25 08:15',
    '2023-03-15 22:05', '2024-08-10 14:30'
]))
# 提取分钟数
minutes = events.dt.minute
# 计算每分钟的事件数量
minute_counts = minutes.value_counts().sort_index()
# 生成柱状图
minute_counts.plot(kind='bar', color='lightcoral')
plt.xlabel('Minute of Hour')
plt.ylabel('Number of Events')
plt.title('Number of Events per Minute of Hour')
plt.xticks(ticks=range(0, 60, 5), rotation=45)
plt.tight_layout()
plt.show()
265-6-3、结果输出
# 265、pandas.Series.dt.minute属性
# 265-1、按分钟统计事件数量
# 5     1
# 15    1
# 30    2
# 45    1
# Name: count, dtype: int64

# 265-2、按分钟分析销售额
# minute
# 5     300
# 15    150
# 30    350
# 45    200
# Name: sales, dtype: int64

# 265-3、时间序列数据的分钟趋势分析
# minute
# 0      0.0
# 1      1.0
# 2      2.0
# 3      3.0
# 4      4.0
# 5      5.0
# 6      6.0
# 7      7.0
# 8      8.0
# 9      9.0
# 10    10.0
# 11    11.0
# 12    12.0
# 13    13.0
# 14    14.0
# 15    15.0
# 16    16.0
# 17    17.0
# 18    18.0
# 19    19.0
# 20    20.0
# 21    21.0
# 22    22.0
# 23    23.0
# 24    24.0
# 25    25.0
# 26    26.0
# 27    27.0
# 28    28.0
# 29    29.0
# 30    30.0
# 31    31.0
# 32    32.0
# 33    33.0
# 34    34.0
# 35    35.0
# 36    36.0
# 37    37.0
# 38    38.0
# 39    39.0
# 40    40.0
# 41    41.0
# 42    42.0
# 43    43.0
# 44    44.0
# 45    45.0
# 46    46.0
# 47    47.0
# 48    48.0
# 49    49.0
# 50    50.0
# 51    51.0
# 52    52.0
# 53    53.0
# 54    54.0
# 55    55.0
# 56    56.0
# 57    57.0
# 58    58.0
# 59    59.0
# Name: value, dtype: float64

# 265-4、按分钟生成报告
# 见图5

图5：

 

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/1980387.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

Hibernate Validator 数据校验框架

Hibernate Validator 数据校验框架

文章目录 一、数据校验框架简介1、JSR(Java 规范提案)：Bean Validation2、javax.validation.api3、jakarta.validation.api 二、SpringBoot基础使用1、校验get请求参数2、校验post请求参数3、常用注解4、分组校验5、自定义校验规则5、校验模式6、全局异常处理 一、数…
阅读更多...
LabVIEW远程开发

LabVIEW远程开发

LabVIEW远程开发是指在不同地点的开发者通过网络协同工作，共同开发、调试和维护基于LabVIEW的应用程序。这种开发模式适用于分布式团队、远程办公和全球化项目合作，能够有效利用不同地区的人才和资源。以下是LabVIEW远程开发的详细介绍： 1. 远…
阅读更多...
elasticsearch的使用（二）

elasticsearch的使用（二）

DSL查询 Elasticsearch的查询可以分为两大类： 叶子查询（Leaf query clauses）：一般是在特定的字段里查询特定值，属于简单查询，很少单独使用。 复合查询（Compound query clauses）&am…
阅读更多...
C语言程序设计-[4] 算法和程序结构

C语言程序设计-[4] 算法和程序结构

1、算法 一个程序至少包含两个方面：数据结构和算法，算法就是为解决一个问题而采取的方法和步骤，即对程序操作步骤的描述。 算法有一定的评价标准和表示方法，其中流程图法和N-S结构图法是本章需要介绍的两种方法。 （…
阅读更多...
校园商铺管理小程序的设计

校园商铺管理小程序的设计

管理员账户功能包括：系统首页，个人中心，用户管理，商家管理，商品类型管理，商品信息管理，在线咨询管理，咨询回复管理，交流论坛，系统管理 微信端账号功能包括&a…
阅读更多...
LabVIEW工件表面瑕疵识别系统

LabVIEW工件表面瑕疵识别系统

开发了一种利用LabVIEW和IMAQ Vision视觉工具进行工件表面瑕疵识别的系统。该系统通过图像处理技术识别并分类工件表面的裂纹、划痕等缺陷，从而提升生产线的分拣效率和产品质量。 项目背景 工业生产中，工件表面的缺陷直接影响产品质量和生产效率。传统人…
阅读更多...
Web开发-html篇-下

Web开发-html篇-下

这篇是接着上篇的内容&#xff0c;接着介绍html的其他标签及属性的用法&#xff0c;感兴趣的可以从我的html上篇看起 1. 超链接示例 <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta name"viewport&…
阅读更多...
打造干净的Git历史：本地仓库整理操作详解

打造干净的Git历史：本地仓库整理操作详解

让你的Git提交如行云流水&#xff1a;本地仓库整理指南 一、背景二、整理上一次提交三、整理多次提交四、注意事项五、总结 一、背景 为什么需要本地仓库整理操作呢&#xff1f; 因为本地仓库提交到远程仓库是无法撤回的&#xff0c;只能是从远端仓库拉取数据到本地&#xff0…
阅读更多...
安装ubuntu server24.04系统

安装ubuntu server24.04系统

0.写在前面 Legacy和UEFI比较legacyUEFI定义基于BIOS的传统引导模式新一代的系统引导模式兼容性较好&#xff0c;支持多数系统主要支持64位系统&#xff0c;对旧版本系统支持较差磁盘分区MBR,最大2.2TB&#xff0c;最多4个主分区GPT&#xff0c;最大16TB&#xff0c;理论上无分…
阅读更多...
临床试验设计的干预、受试者和结果指标

临床试验设计的干预、受试者和结果指标

临床试验是医学研究中至关重要的一环。通过科学设计和严格实施的临床试验&#xff0c;我们能够系统地评估新药、新疗法以及其他医学干预措施的安全性和有效性。临床试验的设计需考虑多个因素&#xff0c;其中干预、受试者和结局是三大关键要素。本文将详细探讨这些要素在临床试…
阅读更多...
基于Jeecgboot3.6.3的vue3版本的流程中仿钉钉流程的鼠标拖动功能支持

基于Jeecgboot3.6.3的vue3版本的流程中仿钉钉流程的鼠标拖动功能支持

因为这个项目license问题无法开源&#xff0c;更多技术支持与服务请加入我的知识星球。 1、因为原先仿钉钉流程里不能进行鼠标拖动来查看流程&#xff0c;所以根据作者提供的信息进行修改&#xff0c;在hooks下增加下面文件useDraggableScroll.ts import { ref, onMounted, on…
阅读更多...
【Python】操作数据库

【Python】操作数据库

一、数据库编程接口 为了对数据库进行统一的操作&#xff0c;大多数语言都提供了标准化的数据库接口&#xff08;API&#xff09;。数据库提供了接口&#xff0c;Python定义了规范&#xff08;包括数据操作的对象、函数等&#xff09;&#xff0c;通过Python定义的对象就能直接…
阅读更多...
对称加密 和 非对称加密

对称加密 和 非对称加密

对称加密 和 非对称加密 文章目录 对称加密 和 非对称加密对称解密——异或运算非对称解密——RSA算法问题RSA算法社会地位缺点 PS&#xff1a;RSA算法的攻击方式 如果对你有帮助&#xff0c;就点赞收藏把&#xff01;(&#xff61;&#xff65;ω&#xff65;&#xff61;)&am…
阅读更多...
支持10K长视频理解的多模态大模型MovieChat（CVPR 2024）

支持10K长视频理解的多模态大模型MovieChat（CVPR 2024）

MovieChat: From Dense Token to Sparse Memory for Long Video Understanding 论文信息 paper&#xff1a;CVPR 2024 code&#xff1a;https://rese1f.github.io/MovieChat/ 视觉模型大语言模型&#xff1a;首个支持10K帧长视频理解任务的新型框架&#xff08;推荐这篇公众号…
阅读更多...
小程序开发全攻略：从零到上线的实战历程

小程序开发全攻略：从零到上线的实战历程

引言 在当今的数字化时代&#xff0c;小程序凭借其轻便、快捷的特点&#xff0c;成为了连接用户与服务的桥梁。作为一名开发者&#xff0c;你可能正考虑踏入小程序开发的领域&#xff0c;但面对纷繁复杂的开发流程和技术要点&#xff0c;或许会感到无从下手。今天&#xff0c;我…
阅读更多...
C 语言文件操作详解

C 语言文件操作详解

目录 引言 一、基本概念 1.什么是文件 2.文件的属性 3.为什么使用文件 4.二进制文件和文本文件 二、文件的打开和关闭 1.流和标准流 2.文件指针 3.文件的打开和关闭 三、⽂件的顺序读写 1.顺序读写函数 2.详细介绍 1.fgetc 2.fputc 3.fgets 4.fputs 5.fscan…
阅读更多...
统计：多变量时间序列分析 — VMA、VAR、VARMA

统计：多变量时间序列分析 — VMA、VAR、VARMA

统计&#xff1a;多变量时间序列分析 — VMA、VAR、VARMA 一、说明 多变量时间序列是一个在大学课堂上经常被忽视的话题。然而&#xff0c;真实世界的数据通常具有多个维度&#xff0c;我们需要多变量时间序列分析技术。在这篇博客中&#xff0c;我们将通过可视化和 Python 实现…
阅读更多...
【GLM-4开发实战】Function Call进阶实战：外部函数调用回顾

【GLM-4开发实战】Function Call进阶实战：外部函数调用回顾

系列篇章&#x1f4a5; No.文章1【GLM-4开发实战】Function Call进阶实战&#xff1a;外部函数调用回顾2【GLM-4开发实战】Function Call进阶实战&#xff1a;常见挑战之意图识别处理3【GLM-4开发实战】Function Call进阶实战&#xff1a;常见挑战之海量函数处理4【GLM-4开发实…
阅读更多...
【STM32】GPIO和AFIO标准库使用框架

【STM32】GPIO和AFIO标准库使用框架

本篇博客重点在于标准库函数的理解与使用&#xff0c;搭建一个框架便于快速开发 目录 GPIO简介 GPIO时钟使能 GPIO初始化 工作模式 选择引脚 输出速度 函数应用 GPIO初始化框架 8个电平读写函数 写端口电平 读端口电平 GPIO框架汇总 AFIO简介 AFIO时钟使能 函数应…
阅读更多...
【Material-UI】深入理解useAutocomplete Hook：自定义与高级用法

【Material-UI】深入理解useAutocomplete Hook：自定义与高级用法

文章目录 一、什么是useAutocomplete&#xff1f;导入useAutocomplete 二、基本用法代码解析 三、高级定制1. 自定义选项渲染2. 分组和排序3. 自定义输入框行为4. 与其他组件集成 四、注意事项1. 类型安全2. 性能优化 五、总结 Material-UI提供了强大的Autocomplete组件&#x…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023