Python酷库之旅-第三方库Pandas(074)

news2024/9/22 11:27:56

目录

一、用法精讲

301、pandas.Series.dt.components属性

301-1、语法

301-2、参数

301-3、功能

301-4、返回值

301-5、说明

301-6、用法

301-6-1、数据准备

301-6-2、代码示例

301-6-3、结果输出

302、pandas.Series.dt.to_pytimedelta方法

302-1、语法

302-2、参数

302-3、功能

302-4、返回值

302-5、说明

302-6、用法

302-6-1、数据准备

302-6-2、代码示例

302-6-3、结果输出

303、pandas.Series.dt.total_seconds方法

303-1、语法

303-2、参数

303-3、功能

303-4、返回值

303-5、说明

303-6、用法

303-6-1、数据准备

303-6-2、代码示例

303-6-3、结果输出

304、pandas.Series.str.capitalize方法

304-1、语法

304-2、参数

304-3、功能

304-4、返回值

304-5、说明

304-6、用法

304-6-1、数据准备

304-6-2、代码示例

304-6-3、结果输出

305、pandas.Series.str.casefold方法

305-1、语法

305-2、参数

305-3、功能

305-4、返回值

305-5、说明

305-6、用法

305-6-1、数据准备

305-6-2、代码示例

305-6-3、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

301、pandas.Series.dt.components属性
301-1、语法
# 301、pandas.Series.dt.components属性
pandas.Series.dt.components
Return a Dataframe of the components of the Timedeltas.

Returns:
DataFrame
301-2、参数

        无

301-3、功能

        从一个时间序列对象中提取项的各个部分，如年份、月份、日、小时、分钟、秒、毫秒、微秒、纳秒等。

301-4、返回值

        返回一个DataFrame，其中每一列代表时间序列的一个组成部分。

301-5、说明

        使用场景：

301-5-1、财务数据分析：在金融数据分析中，通常需要对日期进行分解，以便按年、月、日、季度等进行聚合和分析。例如，按季度计算股票平均价格。

301-5-2、运营数据分析：在运营数据分析中，可以根据时间的不同组成部分对数据进行拆分和聚合。例如，按周统计网站访问量。

301-5-3、机器学习中的特征工程：在机器学习的特征工程中，时间序列数据的不同组成部分可以作为特征，以提高模型的性能。例如，构建包含时间特征的机器学习数据集。

301-5-4、物流和供应链管理：在物流和供应链管理中，可以根据时间的不同组成部分优化运输和库存管理。例如，根据小时分析仓库入库量。

301-5-5、电商数据分析：在电商平台的数据分析中，可以根据时间的不同组成部分分析销售趋势和用户行为。例如，按月统计商品销售量。

301-6、用法
301-6-1、数据准备
无
301-6-2、代码示例
# 301、pandas.Series.dt.components属性
# 301-1、按季度计算股票平均价格
import pandas as pd
# 创建示例数据
date_range = pd.date_range(start='2024-01-01', periods=100, freq='D')
stock_prices = pd.Series(range(100), index=date_range)
df = pd.DataFrame({'date': date_range, 'price': stock_prices})
# 提取日期各部分
df['quarter'] = df['date'].dt.quarter
# 按季度计算平均价格
quarterly_avg_price = df.groupby('quarter')['price'].mean()
print(quarterly_avg_price, end='\n\n')

# 301-2、按周统计网站访问量
import pandas as pd
# 创建示例数据
date_range = pd.date_range(start='2024-01-01', periods=30, freq='D')
visit_counts = pd.Series(range(30), index=date_range)
df = pd.DataFrame({'date': date_range, 'visits': visit_counts})
# 提取日期各部分
df['week'] = df['date'].dt.isocalendar().week
# 按周统计访问量
weekly_visits = df.groupby('week')['visits'].sum()
print(weekly_visits, end='\n\n')

# 301-3、构建包含时间特征的机器学习数据集
import pandas as pd
# 创建示例数据
date_range = pd.date_range(start='2024-01-01', periods=50, freq='h')
values = pd.Series(range(50), index=date_range)
df = pd.DataFrame({'datetime': date_range, 'value': values})
# 提取日期时间各部分
df['year'] = df['datetime'].dt.year
df['month'] = df['datetime'].dt.month
df['day'] = df['datetime'].dt.day
df['hour'] = df['datetime'].dt.hour
df['weekday'] = df['datetime'].dt.weekday
print(df.head(), end='\n\n')

# 301-4、根据小时分析仓库入库量
import pandas as pd
# 创建示例数据
date_range = pd.date_range(start='2024-01-01', periods=24, freq='h')
inbound_quantities = pd.Series(range(24), index=date_range)
df = pd.DataFrame({'datetime': date_range, 'quantity': inbound_quantities})
# 提取时间各部分
df['hour'] = df['datetime'].dt.hour
# 按小时统计入库量
hourly_inbound = df.groupby('hour')['quantity'].sum()
print(hourly_inbound, end='\n\n')

# 301-5、按月统计商品销售量
import pandas as pd
# 创建示例数据
date_range = pd.date_range(start='2024-01-01', periods=100, freq='D')
sales_quantities = pd.Series(range(100), index=date_range)
df = pd.DataFrame({'date': date_range, 'sales': sales_quantities})
# 提取日期各部分
df['month'] = df['date'].dt.month
# 按月统计销售量
monthly_sales = df.groupby('month')['sales'].sum()
print(monthly_sales, end='\n\n')

# 301-6、网站每日访问量分析(可视化)
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 生成日期范围
date_range = pd.date_range(start='2024-07-01', end='2024-07-31', freq='D')
# 模拟每日访问量数据
np.random.seed(42)
visits = np.random.poisson(lam=100, size=len(date_range))
# 创建数据框
df = pd.DataFrame({'date': date_range, 'visits': visits})
print(df.head())
# 设置图形大小
plt.figure(figsize=(12, 6))
# 绘制时间序列图
plt.plot(df['date'], df['visits'], marker='o', linestyle='-', color='b', label='Daily Visits')
plt.scatter(df['date'], df['visits'], color='red')  # 设置数据点为红色
# 添加标题和标签
plt.title('Daily Website Visits in July 2024')
plt.xlabel('Date')
plt.ylabel('Number of Visits')
plt.xticks(rotation=15)
plt.grid(True)
# 添加平均线
average_visits = df['visits'].mean()
plt.axhline(y=average_visits, color='r', linestyle='--', label=f'Average Visits ({average_visits:.1f})')
# 添加图例
plt.legend()
# 显示图形
plt.tight_layout()
# 显示数据标签并设置为红色
for i in range(len(df)):
    plt.annotate(text=str(df['visits'][i]), xy=(df['date'][i], df['visits'][i]),
                 xytext=(-5, 5), textcoords='offset points', ha='center', va='bottom', color='red', fontweight='bold')
plt.show()
301-6-3、结果输出
# 301、pandas.Series.dt.components属性
# 301-1、按季度计算股票平均价格
# quarter
# 1    45.0
# 2    95.0
# Name: price, dtype: float64

# 301-2、按周统计网站访问量
# week
# 1     21
# 2     70
# 3    119
# 4    168
# 5     57
# Name: visits, dtype: int64

# 301-3、构建包含时间特征的机器学习数据集
#                                datetime  value  year  month  day  hour  weekday
# 2024-01-01 00:00:00 2024-01-01 00:00:00      0  2024      1    1     0        0
# 2024-01-01 01:00:00 2024-01-01 01:00:00      1  2024      1    1     1        0
# 2024-01-01 02:00:00 2024-01-01 02:00:00      2  2024      1    1     2        0
# 2024-01-01 03:00:00 2024-01-01 03:00:00      3  2024      1    1     3        0
# 2024-01-01 04:00:00 2024-01-01 04:00:00      4  2024      1    1     4        0

# 301-4、根据小时分析仓库入库量
# hour
# 0      0
# 1      1
# 2      2
# 3      3
# 4      4
# 5      5
# 6      6
# 7      7
# 8      8
# 9      9
# 10    10
# 11    11
# 12    12
# 13    13
# 14    14
# 15    15
# 16    16
# 17    17
# 18    18
# 19    19
# 20    20
# 21    21
# 22    22
# 23    23
# Name: quantity, dtype: int64

# 301-5、按月统计商品销售量
# month
# 1     465
# 2    1305
# 3    2325
# 4     855
# Name: sales, dtype: int64

# 301-6、网站每日访问量分析(可视化)
# 见图1
#         date  visits
# 0 2024-07-01      96
# 1 2024-07-02     107
# 2 2024-07-03      88
# 3 2024-07-04     103
# 4 2024-07-05     111

图1：

302、pandas.Series.dt.to_pytimedelta方法
302-1、语法
# 302、pandas.Series.dt.to_pytimedelta方法
pandas.Series.dt.to_pytimedelta()
Return an array of native datetime.timedelta objects.

Python’s standard datetime library uses a different representation timedelta’s. This method converts a Series of pandas Timedeltas to datetime.timedelta format with the same length as the original Series.

Returns:
numpy.ndarray
Array of 1D containing data with datetime.timedelta type.
302-2、参数

        无

302-3、功能

        用于将pandas.Series对象中的时间差(Timedelta)数据转换为Python的datetime.timedelta对象。

302-4、返回值

        返回一个pandas.Series对象，其中的每一个元素都是一个datetime.timedelta对象。

302-5、说明

        使用场景：

302-5-1、与其他库兼容：某些库或函数可能不直接支持pandas的Timedelta类型，但可以接受标准Python的timedelta类型。在这种情况下，可以使用to_pytimedelta()进行转换。

302-5-2、标准化处理：在数据分析中，如果你需要将时间差数据传递给其他只接受Python原生数据类型的工具或函数(例如自定义代码、第三方库等)，使用to_pytimedelta()可以确保数据格式的一致性。

302-5-3、调试和测试：在调试代码时，可能需要将pandas的Timedelta对象转换为Python标准库的timedelta对象，以便更容易地验证和比较结果。

302-6、用法
302-6-1、数据准备
无
302-6-2、代码示例
# 302、pandas.Series.dt.to_pytimedelta方法
# 302-1、与其他库兼容
import pandas as pd
# 创建一个包含时间差的Series
timedelta_series = pd.Series(pd.to_timedelta(['1 days', '2 days', '3 days']))
# 将Series转换为Python的timedelta对象
pytimedelta_series = timedelta_series.dt.to_pytimedelta()
# 例如，假设你有一个自定义的函数需要标准的timedelta对象
def custom_function(timedeltas):
    for delta in timedeltas:
        print(f"Processed timedelta: {delta}")
custom_function(pytimedelta_series)
print('\n')

# 302-2、标准化处理
import pandas as pd
from datetime import timedelta
# 创建一个包含时间差的Series
timedelta_series = pd.Series(pd.to_timedelta(['10 hours', '5 hours', '8 hours']))
# 将Series转换为Python的timedelta对象
pytimedelta_series = timedelta_series.dt.to_pytimedelta()
# 使用标准Python的timedelta对象
total_duration = sum(pytimedelta_series, timedelta())
print(f"Total duration: {total_duration}", end='\n\n')

# 302-3、调试和测试
import pandas as pd
# 创建一个包含时间差的 Series
timedelta_series = pd.Series(pd.to_timedelta(['1 days 2 hours', '3 days 4 hours']))
# 将 Series 转换为 Python 的 timedelta 对象
pytimedelta_series = timedelta_series.dt.to_pytimedelta()
# 假设你要验证转换后的结果
for original, converted in zip(timedelta_series, pytimedelta_series):
    print(f"Original timedelta: {original}, Converted timedelta: {converted}")
302-6-3、结果输出
# 302、pandas.Series.dt.to_pytimedelta方法
# 302-1、与其他库兼容
# Processed timedelta: 1 day, 0:00:00
# Processed timedelta: 2 days, 0:00:00
# Processed timedelta: 3 days, 0:00:00

# 302-2、标准化处理
# Total duration: 23:00:00

# 302-3、调试和测试
# Original timedelta: 1 days 02:00:00, Converted timedelta: 1 day, 2:00:00
# Original timedelta: 3 days 04:00:00, Converted timedelta: 3 days, 4:00:00
303、pandas.Series.dt.total_seconds方法
303-1、语法
# 303、pandas.Series.dt.total_seconds方法
pandas.Series.dt.total_seconds(*args, **kwargs)
Return total duration of each element expressed in seconds.

This method is available directly on TimedeltaArray, TimedeltaIndex and on Series containing timedelta values under the .dt namespace.

Returns:
ndarray, Index or Series
When the calling object is a TimedeltaArray, the return type is ndarray. When the calling object is a TimedeltaIndex, the return type is an Index with a float64 dtype. When the calling object is a Series, the return type is Series of type float64 whose index is the same as the original.
303-2、参数

303-2-1、*args(可选)：其他位置参数，为后续扩展功能做预留。

303-2-2、**kwargs(可选)：其他关键字参数，为后续扩展功能做预留。

303-3、功能

        用于将Timedelta对象的时间差转换为秒数，该功能特别适用于时间差数据的处理与分析。

303-4、返回值

        返回一个浮点数，表示时间差的总秒数，对于Series对象，返回一个包含总秒数的Series。

303-5、说明

        使用场景：

303-5-1、计算总秒数：假设你有一个pandas.Series对象，其中包含多个时间差数据，你可以使用该方法将其转换为秒数

303-5-2、数据分析：在数据分析中，可能需要将时间差转换为秒数以便进行统计分析，例如，计算平均时间差。

303-5-3、转换为其他单位：将时间差数据转换为秒数后，可以方便地进行其他单位的转换，例如，小时或分钟。

303-6、用法
303-6-1、数据准备
无
303-6-2、代码示例
# 303、pandas.Series.dt.total_seconds方法
# 303-1、计算总秒数
import pandas as pd
# 创建一个包含时间差的Series
timedelta_series = pd.Series(pd.to_timedelta(['1 days 2 hours', '3 days 4 hours']))
# 计算总秒数
seconds_series = timedelta_series.dt.total_seconds()
print(seconds_series, end='\n\n')

# 303-2、数据分析
import pandas as pd
# 创建一个包含时间差的Series
timedelta_series = pd.Series(pd.to_timedelta(['10 minutes', '20 minutes', '30 minutes']))
# 计算总秒数
seconds_series = timedelta_series.dt.total_seconds()
# 计算平均时间差（以秒为单位）
average_seconds = seconds_series.mean()
print(f"Average duration in seconds: {average_seconds}", end='\n\n')

# 303-3、转换为其他单位
import pandas as pd
# 创建一个包含时间差的Series
timedelta_series = pd.Series(pd.to_timedelta(['2 hours', '3.5 hours', '1 hour 45 minutes']))
# 计算总秒数
seconds_series = timedelta_series.dt.total_seconds()
# 转换为小时
hours_series = seconds_series / 3600
print(hours_series)
303-6-3、结果输出
# 303、pandas.Series.dt.total_seconds方法
# 303-1、计算总秒数
# 0     93600.0
# 1    273600.0
# dtype: float64

# 303-2、数据分析
# Average duration in seconds: 1200.0

# 303-3、转换为其他单位
# 0    2.00
# 1    3.50
# 2    1.75
# dtype: float64
304、pandas.Series.str.capitalize方法
304-1、语法
# 304、pandas.Series.str.capitalize方法
pandas.Series.str.capitalize()
Convert strings in the Series/Index to be capitalized.

Equivalent to str.capitalize().

Returns:
Series or Index of object.
304-2、参数

        无

304-3、功能

        用于将字符串中的每个元素的首字母大写，其余字母小写，这对于标准化文本数据中的字符串格式非常有用。

304-4、返回值

        返回一个新的Series对象，其中每个字符串的首字母被大写化，其余字母则转为小写。

304-5、说明

        无

304-6、用法
304-6-1、数据准备
无
304-6-2、代码示例
# 304、pandas.Series.str.capitalize方法
# 304-1、基本使用
import pandas as pd
# 创建包含字符串的Series
string_series = pd.Series(['hello world', 'python programming', 'data science'])
# 首字母大写
capitalized_series = string_series.str.capitalize()
print(capitalized_series, end='\n\n')

# 304-2、处理含有多单词的字符串
import pandas as pd
# 创建包含多单词字符串的Series
string_series = pd.Series(['machine learning', 'deep learning', 'natural language processing'])
# 首字母大写
capitalized_series = string_series.str.capitalize()
print(capitalized_series, end='\n\n')

# 304-3、处理不同类型的字符串
import pandas as pd
# 创建包含各种字符串的 Series
string_series = pd.Series(['123abc', 'FOO', 'bar123'])
# 首字母大写
capitalized_series = string_series.str.capitalize()
print(capitalized_series)
304-6-3、结果输出
# 304、pandas.Series.str.capitalize方法
# 304-1、基本使用
# 0           Hello world
# 1    Python programming
# 2          Data science
# dtype: object

# 304-2、处理含有多单词的字符串
# 0               Machine learning
# 1                  Deep learning
# 2    Natural language processing
# dtype: object

# 304-3、处理不同类型的字符串
# 0    123abc
# 1       Foo
# 2    Bar123
# dtype: object
305、pandas.Series.str.casefold方法
305-1、语法
# 305、pandas.Series.str.casefold方法
pandas.Series.str.casefold()
Convert strings in the Series/Index to be casefolded.

Equivalent to str.casefold().

Returns:
Series or Index of object
305-2、参数

        无

305-3、功能

        用于将字符串中的每个元素转换为小写形式，具备更强的Unicode比较能力，它在文本处理时提供了一种比常规小写转换更为强大的方法，尤其是在处理不同语言和区域的字符时。

305-4、返回值

        返回一个新的Series对象，其中每个字符串元素都被转换为小写，适用于多种语言字符。

305-5、说明

        无

305-6、用法
305-6-1、数据准备
无
305-6-2、代码示例
# 305、pandas.Series.str.casefold方法
# 305-1、基本使用
import pandas as pd
# 创建包含字符串的Series
string_series = pd.Series(['Hello World', 'Python Programming', 'Data Science'])
# 使用casefold转换为小写
casefolded_series = string_series.str.casefold()
print(casefolded_series, end='\n\n')

# 305-2、处理特殊字符
import pandas as pd
# 创建包含特殊字符的Series
string_series = pd.Series(['Sträßchen', 'ß', 'Öl', 'Äpfel'])
# 使用casefold转换为小写
casefolded_series = string_series.str.casefold()
print(casefolded_series, end='\n\n')
305-6-3、结果输出
# 305、pandas.Series.str.casefold方法
# 305-1、基本使用
# 0           hello world
# 1    python programming
# 2          data science
# dtype: object

# 305-2、处理特殊字符
# 0    strässchen
# 1            ss
# 2            öl
# 3         äpfel
# dtype: object

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/1994159.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

17.1 分布式限流组件Sentinel

17.1 分布式限流组件Sentinel

17.1 分布式限流组件Sentinel 1. Sentinel介绍1.1 Sentinel 介绍1.2 Sentinel 功能和设计理念流量控制2. Sentinel安装控制台2.1 概述2.2 启动控制台*****************************************************************************1. Sentinel介绍 github 官方中文文档 1.…
阅读更多...
Rest风格快速开发

Rest风格快速开发

Rest风格开发简介 简单点来说，Rest风格的开发就是让别人不知道你在做什么，以deleteUserById和selectUserById为例： 普通开发：路径 /users/deleteById?Id666 /users/selectById?Id666 别人很容易知道你这是在干什么 Rest风…
阅读更多...
半导体行业人士宋仕强谈生产力

半导体行业人士宋仕强谈生产力

近日，半导体行业人士，金航标电子和萨科微创始人宋仕强强调了技术进步与管理创新在提升生产效率中的作用。深圳作为中国效率驱动发展模式的典范，其核心竞争力在于高效利用资源。从早期的快速城市建设到现今华强北电子市场的繁荣，深…
阅读更多...
批量ncm转mp3

批量ncm转mp3

软件上线一段时间后发现大家用ncm转MP3功能比较多，并且很多用户都是同时转换好几个音乐，为了方便大家使用这里就给大家提供了一个批量ncm转MP3的功能，下面简单介绍一下如何使用 打开智游剪辑（zyjj.cc），搜索…
阅读更多...
Mouser中元件特性对比功能

Mouser中元件特性对比功能

搜索所需的元件，并点击比对 在比对界面里搜索所需比对的另外元器件，并比对3.得到的结果
阅读更多...
深入探索 Wireshark——网络封包分析的利器

深入探索 Wireshark——网络封包分析的利器

一、引言 在当今数字化的时代，网络通信变得日益复杂和关键。无论是企业的网络运维，还是网络安全研究，都需要深入了解网络中传输的数据。Wireshark 作为一款强大的网络封包分析工具，成为了网络工程师、安全研究人员和技术爱好者不…
阅读更多...
linux 查看端口占用并处理

linux 查看端口占用并处理

lsof 命令 lsof -i:端口注意pid netstat 命令 netstat -tnpla | grep 端口注意pid 查看详情 ps -ef | grep 3766607删除 kill -9 PIDkill -9 3766607
阅读更多...
OpenCV图像滤波(7)cv::getDerivKernels() 函数的使用

OpenCV图像滤波(7)cv::getDerivKernels() 函数的使用

操作系统：ubuntu22.04 OpenCV版本：OpenCV4.9 IDE:Visual Studio Code 编程语言：C11 算法描述 函数返回用于计算空间图像导数的滤波系数。 该函数计算并返回用于空间图像导数的滤波系数。当 ksizeFILTER_SCHARR 时，生成 Scharr 3…
阅读更多...
【Python机器学习】树回归——复杂数据的局部性建模

【Python机器学习】树回归——复杂数据的局部性建模

线性回归包含一些强大的方法，但这些方法创建的模型需要拟合所有的样本（局部加权线性回归除外），当数据拥有众多特征并且特征之间关系十分复杂时，构建全局模型的想法就显得很困难，也略显笨拙。而且&#xff0…
阅读更多...
MySql 5.7.1 分区的实践

MySql 5.7.1 分区的实践

在性能优化中，Mysql 进行分区，能有效提高查询效率，因此开始百度了起来。但是结果总不是那么一番风顺的。如今使用 uuid 作为主键的情况已是主流，因此在给表增加分区时，出现了如下错误： 错误： A …
阅读更多...
FishSpeech 实测，免费语音克隆神器，5分钟部署实战，让川普给你来段中文绕口令？

FishSpeech 实测，免费语音克隆神器，5分钟部署实战，让川普给你来段中文绕口令？

拍短视频，开始的时候是真人语音，之后是电脑配音，今年年初剪映上线了克隆语音，很多人都用起来了。 想要克隆别人的语音怎么办？ 之前需要用 GPT-SoVITS 训练声音模型，操作复杂，对电脑配置要求较…
阅读更多...
【算法设计】深入理解波兰表达式与逆波兰表达式

【算法设计】深入理解波兰表达式与逆波兰表达式

文章目录 介绍1. 波兰表达式（Prefix Notation）2. 逆波兰表达式（Postfix Notation）3. 比较与优劣4. 简单示例5. 实例演示6. 应用场景和案例7. 中缀表达式转后缀表达式8. 结论 更多相关内容可查看 应用场景：Excel自定义公…
阅读更多...
Mozilla Firefox侧边栏和垂直标签在131 Nightly版本中开始试用

Mozilla Firefox侧边栏和垂直标签在131 Nightly版本中开始试用

垂直选项卡和全新的侧边栏体验现已在Mozilla Firefox Nightly 131 中提供。这一更新备受社区期待和要求，我们期待看到它如何提高您的浏览效率和工作效率。如果您想体验一下这项正在进行中的工作，请这样操作： 更新到最新的Nightly版 转到设置…
阅读更多...
LeetCode刷题笔记第49题：字母异位词分组

LeetCode刷题笔记第49题：字母异位词分组

LeetCode刷题笔记第49题：字母异位词分组 题目： 想法： 遍历列表中的所有字符串，将字符串中字符进行排序并作为字典的键，并将原字符串做为值保存，最终输出字典的值就是最终的答案。 class Solution:def gr…
阅读更多...
MySQL 日志表改造为分区表

MySQL 日志表改造为分区表

文章目录 前言1. 分区表改造方法2. 操作步骤2.1 调整主键2.2 无锁变更2.3 回滚策略 3. 分区表维护3.1 创建分区3.2 删除分区3.3 分区表查询 后记 前言 业务有一张日志表，只需要保留 3 个月的数据，仅 3 月的数据就占用 80G 的存储空间，如果不…
阅读更多...
二维数组指针，指针数组，指针函数

二维数组指针，指针数组，指针函数

指针 操作 二维字符型数组 1、 首先理解二维数组指针 int a[3][4]; 第一步，确定基类型：上面的数组从本质上讲，是一维数组的数组，写成int[4] a[3]可以更好的理解，a[3]是一个一维数组，其数组…
阅读更多...
【机器学习sklearn实战】岭回归、Lasso回归和弹性网络

【机器学习sklearn实战】岭回归、Lasso回归和弹性网络

一 sklean中模型详解 1.1 Ride regression 1.2 Lasso regression 1.3 ElasticNet 二 算法实战 2.1 导入包 import numpy as np import pandas as pd from sklearn import datasets from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.linear…
阅读更多...
【开源分享】PHP在线客服系统网站源码 附搭建教程

【开源分享】PHP在线客服系统网站源码 附搭建教程

在互联网时代，用户对于线上服务的便捷性和高效性要求越来越高。官网在线客服系统作为企业与用户之间实时沟通的工具，不仅能够提高用户满意度，还能够有效促进业务转化。然而，市面上的在线客服系统大多价格昂贵且功能单一&#xff0…
阅读更多...
[论文翻译] LTAChecker：利用注意力时态网络基于 Dalvik 操作码序列的轻量级安卓恶意软件检测

[论文翻译] LTAChecker：利用注意力时态网络基于 Dalvik 操作码序列的轻量级安卓恶意软件检测

LTAChecker: Lightweight Android Malware Detection Based on Dalvik Opcode Sequences using Attention Temporal Networks 摘要： Android 应用程序已成为黑客攻击的主要目标。安卓恶意软件检测是一项关键技术，对保障网络安全和阻止异常情况至关重要。…
阅读更多...
1.redis7安装

1.redis7安装

安装： redis下载地址： Index of /releases/ 本次使用的版本为7.0.0. yum install gcc-c 下载上传到 /opt/redis 目录，tar -zxvf redis-7.0.0.tar.gz 解压缩 cd redis-7.0.0 执行make 执行make install. 默认会安装到 /usr/local/bi…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023