Python酷库之旅-第三方库Pandas(112)

news2024/11/15 21:29:15

目录

一、用法精讲

491、pandas.DataFrame.cumsum方法

491-1、语法

491-2、参数

491-3、功能

491-4、返回值

491-5、说明

491-6、用法

491-6-1、数据准备

491-6-2、代码示例

491-6-3、结果输出

492、pandas.DataFrame.describe方法

492-1、语法

492-2、参数

492-3、功能

492-4、返回值

492-5、说明

492-6、用法

492-6-1、数据准备

492-6-2、代码示例

492-6-3、结果输出

493、pandas.DataFrame.diff方法

493-1、语法

493-2、参数

493-3、功能

493-4、返回值

493-5、说明

493-6、用法

493-6-1、数据准备

493-6-2、代码示例

493-6-3、结果输出

494、pandas.DataFrame.eval方法

494-1、语法

494-2、参数

494-3、功能

494-4、返回值

494-5、说明

494-6、用法

494-6-1、数据准备

494-6-2、代码示例

494-6-3、结果输出

495、pandas.DataFrame.kurt方法

495-1、语法

495-2、参数

495-3、功能

495-4、返回值

495-5、说明

495-6、用法

495-6-1、数据准备

495-6-2、代码示例

495-6-3、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

491、pandas.DataFrame.cumsum方法
491-1、语法
# 491、pandas.DataFrame.cumsum方法
pandas.DataFrame.cumsum(axis=None, skipna=True, *args, **kwargs)
Return cumulative sum over a DataFrame or Series axis.

Returns a DataFrame or Series of the same size containing the cumulative sum.

Parameters:
axis
{0 or ‘index’, 1 or ‘columns’}, default 0
The index or the name of the axis. 0 is equivalent to None or ‘index’. For Series this parameter is unused and defaults to 0.

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

*args, **kwargs
Additional keywords have no effect but might be accepted for compatibility with NumPy.

Returns:
Series or DataFrame
Return cumulative sum of Series or DataFrame.
491-2、参数

491-2-1、axis(可选，默认值为None)：{0 or 'index', 1 or 'columns'}，指定沿哪个轴计算累积和，0表示按列计算，1表示按行计算。

491-2-2、skipna(可选，默认值为True)：布尔值，是否忽略缺失值(NaN)，如果为True，缺失值将被忽略；如果为False，结果中可能会出现NaN。

491-2-3、*args(可选)：其他的额外位置参数，通常在使用自定义函数时会用到。

491-2-4、**kwargs(可选)：其他的额外关键字参数，通常在使用自定义函数时会用到。

491-3、功能

        用于计算DataFrame中每列或每行的累积和，它返回一个与原DataFrame形状相同的新DataFrame，其中每个值是其前面所有值的和。

491-4、返回值

        返回一个与原DataFrame形状相同的新DataFrame，其中每个元素表示其前面所有元素的和。

491-5、说明

491-5-1、缺失值处理：如果skipna为True，所有NaN值将被忽略；如果为False，结果中的任何NaN都会导致后续的结果也为NaN。

491-5-2、适用于时间序列：cumsum方法也常用于处理时间序列数据，以帮助识别随时间变化的总和趋势。

491-5-3、效率：计算累积和的效率很高，适用于处理大规模数据集。

491-6、用法
491-6-1、数据准备
无
491-6-2、代码示例
# 491、pandas.DataFrame.cumsum方法
import pandas as pd
# 创建一个示例DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
}
df = pd.DataFrame(data)
# 计算累积和
cumsum_df = df.cumsum()
print(cumsum_df)
491-6-3、结果输出
# 491、pandas.DataFrame.cumsum方法
#    A   B   C
# 0  1   4   7
# 1  3   9  15
# 2  6  15  24
492、pandas.DataFrame.describe方法
492-1、语法
# 492、pandas.DataFrame.describe方法
pandas.DataFrame.describe(percentiles=None, include=None, exclude=None)
Generate descriptive statistics.

Descriptive statistics include those that summarize the central tendency, dispersion and shape of a dataset’s distribution, excluding NaN values.

Analyzes both numeric and object series, as well as DataFrame column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.

Parameters:
percentiles
list-like of numbers, optional
The percentiles to include in the output. All should fall between 0 and 1. The default is [.25, .5, .75], which returns the 25th, 50th, and 75th percentiles.

include
‘all’, list-like of dtypes or None (default), optional
A white list of data types to include in the result. Ignored for Series. Here are the options:

‘all’ : All columns of the input will be included in the output.

A list-like of dtypes : Limits the results to the provided data types. To limit the result to numeric types submit numpy.number. To limit it instead to object columns submit the numpy.object data type. Strings can also be used in the style of select_dtypes (e.g. df.describe(include=['O'])). To select pandas categorical columns, use 'category'

None (default) : The result will include all numeric columns.

exclude
list-like of dtypes or None (default), optional,
A black list of data types to omit from the result. Ignored for Series. Here are the options:

A list-like of dtypes : Excludes the provided data types from the result. To exclude numeric types submit numpy.number. To exclude object columns submit the data type numpy.object. Strings can also be used in the style of select_dtypes (e.g. df.describe(exclude=['O'])). To exclude pandas categorical columns, use 'category'

None (default) : The result will exclude nothing.

Returns:
Series or DataFrame
Summary statistics of the Series or Dataframe provided.
492-2、参数

492-2-1、percentiles(可选，默认值为None)：列表，指定要计算的百分位数的列表，所有值应该在[0, 1]范围内。

492-2-2、include(可选，默认值为None)：指定要包含的数据类型，可以是数据类型的字符串(如 'number', 'object', 'bool')，或者是数据类型的列表，如果该参数为None，将包含所有数据类型。

492-2-3、exclude(可选，默认值为None)：指定要排除的数据类型，使用方法与include相同。

492-3、功能

        用于生成DataFrame各列的描述性统计信息，它提供了数据的汇总，包括计数、均值、标准差、最小值、四分位数和最大值等，该方法对于快速了解数据分布非常有用。

492-4、返回值

        返回一个DataFrame，其中包含描述性统计信息，对于数值型列，输出包括以下值：

  • count：非空值的计数
  • mean：平均值
  • std：标准差
  • min：最小值
  • 25%：第 25 百分位数
  • 50%：中位数
  • 75%：第 75 百分位数
  • max：最大值

对于分类(object)类型的列，输出包括：

  • count：非空值的计数
  • unique：唯一值的数量
  • top：出现频率最高的值
  • freq： 最高频值的频率
492-5、说明

492-5-1、缺失值：该方法会自动忽略缺失值(NaN)进行统计。

492-5-2、数据类型：默认情况下，describe会根据数据类型自动选择要计算的列。

492-5-3、自定义百分位数：可以根据需求自定义百分位数，以便更好地理解数据分布。

492-6、用法
492-6-1、数据准备
无
492-6-2、代码示例
# 492、pandas.DataFrame.describe方法
import pandas as pd
# 创建一个示例DataFrame
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [10, 20, 30, 40, 50],
    'C': ['a', 'b', 'a', 'b', 'c']
}
df = pd.DataFrame(data)
# 计算描述性统计
description = df.describe()
print(description, end='\n\n')
# 包含特定百分位数
description_percentiles = df.describe(percentiles=[0.1, 0.5, 0.9])
print(description_percentiles, end='\n\n')
# 仅对数字列进行描述
description_numeric = df.describe(include=['number'])
print(description_numeric, end='\n\n')
# 仅对象列进行描述
description_object = df.describe(include=['object'])
print(description_object)
492-6-3、结果输出
# 492、pandas.DataFrame.describe方法
#               A          B
# count  5.000000   5.000000
# mean   3.000000  30.000000
# std    1.581139  15.811388
# min    1.000000  10.000000
# 25%    2.000000  20.000000
# 50%    3.000000  30.000000
# 75%    4.000000  40.000000
# max    5.000000  50.000000
# 
#               A          B
# count  5.000000   5.000000
# mean   3.000000  30.000000
# std    1.581139  15.811388
# min    1.000000  10.000000
# 10%    1.400000  14.000000
# 50%    3.000000  30.000000
# 90%    4.600000  46.000000
# max    5.000000  50.000000
# 
#               A          B
# count  5.000000   5.000000
# mean   3.000000  30.000000
# std    1.581139  15.811388
# min    1.000000  10.000000
# 25%    2.000000  20.000000
# 50%    3.000000  30.000000
# 75%    4.000000  40.000000
# max    5.000000  50.000000
# 
#         C
# count   5
# unique  3
# top     a
# freq    2
493、pandas.DataFrame.diff方法
493-1、语法
# 493、pandas.DataFrame.diff方法
pandas.DataFrame.diff(periods=1, axis=0)
First discrete difference of element.

Calculates the difference of a DataFrame element compared with another element in the DataFrame (default is element in previous row).

Parameters:
periods
int, default 1
Periods to shift for calculating difference, accepts negative values.

axis
{0 or ‘index’, 1 or ‘columns’}, default 0
Take difference over rows (0) or columns (1).

Returns:
DataFrame
First differences of the Series.
493-2、参数

493-2-1、periods(可选，默认值为1)：整数，指定计算差异时的步长，默认是计算当前行与前一行的差异，可以设置为其他整数值，例如2，则计算当前行与前两行的差异。

493-2-2、axis(可选，默认值为0)：{0或'index', 1或'columns'}，指定沿着哪个方向计算差异，axis=0表示按行计算(纵向)，axis=1表示按列计算(横向)。

493-3、功能

        用于计算DataFrame中某一列值与前一个(或指定间隔的)值之间的差异，这对于时间序列数据分析非常有用，尤其是在需要了解数据如何变化时。

493-4、返回值

        返回一个与原DataFrame同大小的DataFrame，包含每个元素的差异，其中第一个元素将会是NaN，因为没有前一个值可供计算。

493-5、说明

493-5-1、NaN 值：由于存在没有前一个值的情况，计算出的第一行/列会包含NaN值。

493-5-2、适用数据：该方法主要适用于数值型数据，对于其他类型的数据(如字符串)可能未按预期工作。

493-5-3、时间序列数据：在处理时间序列数据时，使用diff可以帮助了解数据的变化趋势。

493-6、用法
493-6-1、数据准备
无
493-6-2、代码示例
# 493、pandas.DataFrame.diff方法
import pandas as pd
# 创建一个示例DataFrame
data = {
    'A': [10, 20, 30, 25, 15],
    'B': [100, 200, 300, 250, 150],
}
df = pd.DataFrame(data)
# 计算差异(默认是前一行)
diff_default = df.diff()
print("默认差异：\n", diff_default)
# 计算与前两行的差异
diff_two_periods = df.diff(periods=2)
print("\n与前两行的差异：\n", diff_two_periods)
# 沿列方向计算差异
diff_axis1 = df.diff(axis=1)
print("\n沿列方向的差异：\n", diff_axis1)
493-6-3、结果输出
# 493、pandas.DataFrame.diff方法
# 默认差异：
#        A      B
# 0   NaN    NaN
# 1  10.0  100.0
# 2  10.0  100.0
# 3  -5.0  -50.0
# 4 -10.0 -100.0
# 
# 与前两行的差异：
#        A      B
# 0   NaN    NaN
# 1   NaN    NaN
# 2  20.0  200.0
# 3   5.0   50.0
# 4 -15.0 -150.0
# 
# 沿列方向的差异：
#      A    B
# 0 NaN   90
# 1 NaN  180
# 2 NaN  270
# 3 NaN  225
# 4 NaN  135
494、pandas.DataFrame.eval方法
494-1、语法
# 494、pandas.DataFrame.eval方法
pandas.DataFrame.eval(expr, *, inplace=False, **kwargs)
Evaluate a string describing operations on DataFrame columns.

Operates on columns only, not specific rows or elements. This allows eval to run arbitrary code, which can make you vulnerable to code injection if you pass user input to this function.

Parameters:
expr
str
The expression string to evaluate.

inplace
bool, default False
If the expression contains an assignment, whether to perform the operation inplace and mutate the existing DataFrame. Otherwise, a new DataFrame is returned.

**kwargs
See the documentation for eval() for complete details on the keyword arguments accepted by query().

Returns:
ndarray, scalar, pandas object, or None
The result of the evaluation or None if inplace=True.
494-2、参数

494-2-1、expr(必须)：字符串，要评估的表达式，该表达式可以使用DataFrame的列名，支持各种运算符，如加法、减法、乘法和除法。

494-2-2、inplace(可选，默认值为False)：布尔值，如果为True，则在原DataFrame上进行修改，而不是返回一个新的DataFrame。

494-2-3、**kwargs(可选)：额外的关键字参数，可以用于传递其他变量和参数。

494-3、功能

        用于在DataFrame上评估一个表达式，并返回一个新的DataFrame或对象，该方法能够利用numexpr(如果可用的话)来加速计算，适合处理大型数据集的情况。

494-4、返回值

        返回一个新的DataFrame(如果inplace=False)或原DataFrame(如果inplace=True)，表达式计算的结果。

494-5、说明

494-5-1、表达式限制：在表达式中只允许使用DataFrame的列名，表达式不能使用Python语言中的特殊功能。

494-5-2、运算符支持：支持基本的算术运算符和一些常见的数学函数。

494-5-3、效率：eval方法在处理大型DataFrame时通常比逐列计算要快，尤其是在numexpr可用的情况下。

494-6、用法
494-6-1、数据准备
无
494-6-2、代码示例
# 494、pandas.DataFrame.eval方法
import pandas as pd
# 创建示例DataFrame
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6],
}
df = pd.DataFrame(data)
# 使用eval计算新列C = A + B
df['C'] = df.eval('A + B')
print("新列C：\n", df)
# 或者在原地修改
df.eval('D = A * B', inplace=True)
print("\n新增列D，原地修改后：\n", df)
# 使用额外的变量
factor = 10
df['E'] = df.eval('A + B + @factor')
print("\n使用额外变量后的列E：\n", df)
494-6-3、结果输出
# 494、pandas.DataFrame.eval方法
# 新列C：
#     A  B  C
# 0  1  4  5
# 1  2  5  7
# 2  3  6  9
# 
# 新增列D，原地修改后：
#     A  B  C   D
# 0  1  4  5   4
# 1  2  5  7  10
# 2  3  6  9  18
# 
# 使用额外变量后的列E：
#     A  B  C   D   E
# 0  1  4  5   4  15
# 1  2  5  7  10  17
# 2  3  6  9  18  19
495、pandas.DataFrame.kurt方法
495-1、语法
# 495、pandas.DataFrame.kurt方法
pandas.DataFrame.kurt(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), columns (1)}
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:
Series or scalar.
495-2、参数

495-2-1、axis(可选，默认值为0)：{0或'index', 1或'columns'}，计算峭度的轴，0或'index'表示按列计算峭度，1或'columns'表示按行计算峭度。

495-2-2、skipna(可选，默认值为True)：布尔值，是否忽略缺失值(NaNs)，如果设置为False，将会计算缺失值。

495-2-3、numeric_only(可选，默认值为False)：布尔值，如果设置为True，只计算数值列的峭度，其他类型的列将会被排除。

495-2-4、**kwargs(可选)：额外的关键字参数，供底层函数使用。

495-3、功能

        用于计算DataFrame中每一列的峭度(Kurtosis)，峭度是描述概率分布形状的一种统计量，主要用于评估分布的尾部厚度。

495-4、返回值

        返回一个Series或DataFrame，包含每一列或每一行的峭度值。

495-5、说明

495-5-1、数值类型：峭度计算仅适用于数值类型的数据，非数值类型的数据将被忽略，或者如numeric_only=True，将会被排除。

495-5-2、缺失值：如果数据中存在缺失值，根据skipna参数的设置，峭度可能会受到影响。

495-5​​​​​​​-3、统计性质：峭度值可以用于判断数据的分布特征：较高的峭度值表示分布的尾部较重，较低的峭度值表示分布的尾部较轻。

495-6、用法
495-6-1、数据准备
无
495-6-2、代码示例
# 495、pandas.DataFrame.kurt方法
import pandas as pd
# 创建示例DataFrame
data = {
    'A': [4, 5, 8, 9],
    'B': [1, 2, None, 4],
    'C': [1, 1, 1, 1]
}
df = pd.DataFrame(data)
# 计算每列的峭度
kurtosis = df.kurt()
print("每列的峭度：\n", kurtosis)
# 计算每行的峭度
kurtosis_axis1 = df.kurt(axis=1)
print("每行的峭度：\n", kurtosis_axis1)
495-6-3、结果输出
# 495、pandas.DataFrame.kurt方法
# 每列的峭度：
#  A   -4.3391
# B       NaN
# C    0.0000
# dtype: float64
# 每行的峭度：
#  0   NaN
# 1   NaN
# 2   NaN
# 3   NaN
# dtype: float64

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/2091055.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

中国书法艺术孙溟㠭浅析《平复帖》

中国书法艺术孙溟㠭浅析《平复帖》

中国书法艺术孙溟㠭浅析《平复帖》 《平复帖》是西晋文学家、书法家陆机创作的书法作品，纵23.8厘米、横20.5厘米，共九行、八十四字，是陆机写给久病未愈朋友的问候信札，因其中有“恐难平复”字样，故得“平复帖”之名。 …
阅读更多...
【C++ 面试 - STL】每日 3 题（一）

【C++ 面试 - STL】每日 3 题（一）

✍个人博客：Pandaconda-CSDN博客 📣专栏地址：http://t.csdnimg.cn/fYaBd 📚专栏简介：在这个专栏中，我将会分享 C 面试中常见的面试题给大家~ ❤️如果有收获的话，欢迎点赞👍收藏&…
阅读更多...
2024最新最全：【计算机自学网站】大全，零基础入门到精通，看完这一篇就够了！

2024最新最全：【计算机自学网站】大全，零基础入门到精通，看完这一篇就够了！

分享32个鲜为人知并且完全免费的高质量自学网站，每个都是堪称神器，让你相见恨晚。 1：Oeasy 是一个完全免费的综合视频教程网站，非常良心实用。 它提供的视频教程非常丰富并且质量很高，包括：PS 教程、手机…
阅读更多...
通过 TS-Mixer 实现股票价格预测

通过 TS-Mixer 实现股票价格预测

作者：老余捞鱼 原创不易，转载请标明出处及原作者。 写在前面的话： 最近遇到了 Time Mixer 模型，该模型以在复杂数据集上提供令人印象深刻的结果而闻名。出于好奇，我决定将其应用于我在 Kaggle 上找到的数据集，其中包含 Microsoft 的历史股票价格。在本文中，我…
阅读更多...
盘点免费且靠谱的AI大模型 API，统一封装，任性调用！

盘点免费且靠谱的AI大模型 API，统一封装，任性调用！

现在做大模型，还有靠谱且免费的 API 接口吗? 靠谱的不免费，免费的不靠谱，鱼和熊掌不可兼得？ 非也！ 对于简单的指令而言，绝大部分免费的 LLM API 还是能打的，本文就给大家介绍几款&#xff0…
阅读更多...
22.缓存雪崩缓存击穿

22.缓存雪崩缓存击穿

定义 同一时段大量的缓存key同时失效或者redis服务宕机，导致大量请求到达数据库，带来巨大压力。 解决方案 1.给不同key的TTL添加随机值。 2.利用redis集群提高服务的可用性。 3.给缓存业务添加降级限流策略。 4.给业务添加多级缓存。 缓存击穿 缓…
阅读更多...
Redis持久化方式、常见问题及解决方案

Redis持久化方式、常见问题及解决方案

在现代电商交易系统中，Redis作为一种高性能的内存数据库，被广泛用于缓存和数据持久化。然而，Redis作为内存数据库，面临着数据持久化和数据与持久化存储如MySQL之间的一致性问题。本文将详细讲解Redis的持久化方式、常见问题及其解…
阅读更多...
常见框架报错信息

常见框架报错信息

一、报错信息（不同类型转换） 2024-08-28 14:57:15.450 ERROR 8272 --- [io-8080-exec-12] c.w.common.exception.RRExceptionHandler : class java.lang.String cannot be cast to class java.lang.Integer (java.lang.String and java.lang.Integer ar…
阅读更多...
IO进程练习：请在linux 利用c语言编程实现两个线程按照顺序依次输出”ABABABAB......“

IO进程练习：请在linux 利用c语言编程实现两个线程按照顺序依次输出”ABABABAB......“

例如&#xff1a;a线程输出”A”之后b线程输出”B”&#xff0c;然后a线程输出“A”&#xff0c;再b线程输出”B”&#xff0c;之后往复循环。 【1】使用信号量实现 代码展示&#xff1a; #include <stdio.h> #include <pthread.h> #include <string.h> #inc…
阅读更多...
Java 输入与输出之 NIO.2【AIO】【Path、Paths、Files】【walkFileTree接口】探索之【三】

Java 输入与输出之 NIO.2【AIO】【Path、Paths、Files】【walkFileTree接口】探索之【三】

在JDK 1.7 版本中对NIO进行了完善&#xff0c;推出了NIO.2&#xff0c;也称为AIO&#xff08;异步IO&#xff09;&#xff0c;在处理大量并发请求时具有优势&#xff0c;特别是在网络编程和高并发场景下&#xff0c;表现得更为出色。 对于输出流和输入流而言&#xff0c;操作的…
阅读更多...
sipp模拟uas发送update

sipp模拟uas发送update

概述 freeswitch是一款简单好用的VOIP开源软交换平台。 但是fs在处理update消息时候有BUG&#xff0c;为了复现问题&#xff0c;使用sipp模拟uas&#xff0c;发送update并发送DTMF码。 本文档记录sipp的配置方案。 环境 CentOS 7.9 freeswitch 1.10.7 sipp.3.6.2 问题描…
阅读更多...
【Hexo系列】【6】NexT主题使用

【Hexo系列】【6】NexT主题使用

本期将为大家讲解Hexo NexT主题的使用。 1. NexT介绍 NexT是Hexo的知名第三方主题&#xff0c;黑白极简风格四合一&#xff0c;有相当多的使用者&#xff0c;维护也相当给力&#xff0c;数年来一直都在频繁更新。 Next主题官网&#xff1a;https://github.com/next-theme/he…
阅读更多...
Mysql基础练习题 584.寻找用户推荐人 （力扣）

Mysql基础练习题 584.寻找用户推荐人 （力扣）

找出那些 没有被 id 2 的客户 推荐 的客户的姓名。 建表插入数据&#xff1a; Create table If Not Exists Customer (id int, name varchar(25), referee_id int) Truncate table Customer insert into Customer (id, name, referee_id) values (1, Will, None) insert int…
阅读更多...
大模型技术如何重塑物流供应链

大模型技术如何重塑物流供应链

一、大模型技术与物流供应链的融合现状 在物流供应链领域&#xff0c;大模型技术正逐渐崭露头角&#xff0c;并在各个环节实现了初步渗透。在需求预测环节&#xff0c;大模型凭借其强大的数据处理和分析能力&#xff0c;能够整合多种复杂的数据源&#xff0c;如历史销售数据、…
阅读更多...
Unet改进14：添加SEAttention||减少冗余计算和同时存储访问

Unet改进14：添加SEAttention||减少冗余计算和同时存储访问

本文内容：在不同位置添加SEAttention注意力机制 目录 论文简介 1.步骤一 2.步骤二 3.步骤三 4.步骤四 论文简介 卷积算子是卷积神经网络(cnn)的核心组成部分，它使网络能够通过融合每层局部接受域内的空间和通道信息来构建信息特征。之前的广泛研究已经调查了这种关系的…
阅读更多...
主流AI绘画工具-StableDiffusion本地部署方法（mac电脑版本）

主流AI绘画工具-StableDiffusion本地部署方法（mac电脑版本）

Stable Diffusion是一款强大的AI生成图像模型&#xff0c;它可以基于文本描述生成高质量的图像。对于想要在本地运行此模型的用户来说&#xff0c;使用Mac电脑部署Stable Diffusion是一个非常吸引人的选择&#xff0c;特别是对于M1或M2芯片的用户。本文将详细介绍如何在Mac上本…
阅读更多...
零基础入门天池镜像提交--windows场景VirtualBox虚拟机安装linux系统并ssh远程登录，直至镜像的制作及提交

零基础入门天池镜像提交--windows场景VirtualBox虚拟机安装linux系统并ssh远程登录，直至镜像的制作及提交

背景&#xff1a;由于本人只有一台windows,天池上的比赛需要提交镜像&#xff0c;自己试了好多方法给windows安装linux&#xff0c;但是始终没安装成功。最终采用在利用VirtualBox安装linux虚拟机&#xff0c;使用MobaXterm进行ssh登陆linux&#xff0c;镜像的制作、push、提交…
阅读更多...
单片机-初识单片机（keil安装以及编写简单驱动）（一）

单片机-初识单片机（keil安装以及编写简单驱动）（一）

目录 一、嵌入式介绍 1.嵌入式系统&#xff1a; 2.嵌入式操作系统 3.单片机&#xff1a; 二、STM32F103ZET6简介 1.单片机的组成&#xff1a; 2.单片机外观&#xff1a; 3.ARM公司 4.ST公司--意法半导体 三、资料部分 1.安装工具&#xff1a; 2.破解软件&#xff1…
阅读更多...
【学习笔记之vue】const fileFilter = options?.fileFilter || (() =＞ true)；

【学习笔记之vue】const fileFilter = options?.fileFilter || (() =＞ true)；

运行vue3时出现下面这个问题&#xff0c;大概就是不能识别出es6的格式 ERROR SyntaxError: Unexpected token . F:\front\node_modules\unimport\dist\shared\unimport.af6409e3.cjs:976const fileFilter options?.fileFilter || (() > true);检查了一下现node版本是12版…
阅读更多...
Self-study Python Fish-C Note19 P62to63

Self-study Python Fish-C Note19 P62to63

类和对象 (part 2) 本节主要介绍 类和对象的构造函数、重写、钻石继承、Mixin及案例源码剖析&#xff08;原视频P62-63)\ 构造函数 之前我们在函数章节里说&#xff0c;函数是可以通过参数来进行个性化定制的。类在实例化的时候其实也是支持个性化定制对象的。 定义类的时候…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023