Numpy基础与实例——人工智能基础——机器学习

news2024/11/23 20:38:41

文章目录

  • 一、Numpy概述
    • 1. 优势
    • 2. numpy历史
    • 3. Numpy的核心:多维数组
    • 4. 内存中的ndarray对象
      • 4.1 元数据(metadata)
        • 4.2 实际数据
  • 二、numpy基础
    • 1. ndarray数组
    • 2. arange、zeros、ones、zeros_like
    • 3. ndarray对象属性的基本操作
      • 3.1 修改数组维度
      • 3.2 修改数组元素类型
      • 3.3 数组的size
    • 4. 数组元素索引
    • 5. Numpy内部基本数据类型
      • 5.1 基本数据类型简写的应用案例
      • 5.2 将列表强转为数组
        • 方式1 通过字符串的方式指定dtype(不常用)
        • 方式2:通过列表套元组(不常用)
        • 方式3:通过字典的固定键设置dtype
      • 5.3 datetime64
    • 6. ndarray数组维度操作
      • 6.1 视图变维(数据共享):reshape()与ravel()
      • 6.2 赋值变维(数据独立)
      • 6.3 就地变维:直接改变原数组的维度,不返回新数组
    • 7. ndarray数组切片操作
      • 7.1 一维数组切片
      • 7.2 多维数组切片
      • 7.3 ndarray数组的掩码操作
        • 布尔掩码
        • 布尔掩码操作案例:求100以内3的倍数的数字
        • 标签掩码:掩码数组中为索引值
      • 7.4 多维数组的组合与拆分
        • stack and split
        • concatenate
        • 长度不等的数组组合
        • 简单一维数组组合方案
        • ndarray类的其他属性

一、Numpy概述

1. 优势

  1. Numpy(Nummerical Python),补充了Python语言所欠缺的数值计算能力;
  2. Numpy是其它数据分析及机器学习库的底层库;
  3. Numpy完全标准的C语言实现,运行效率充分优化(Python 1989年出现,1991年发布);
  4. Numpy开源免费。

2. numpy历史

  1. 1995年,Numeric,Python语言数值计算扩充;
  2. 2001年,Scipy->Numarray,多维数组运算;
  3. 2005年,Numeric+Numarray->Numpy。
  4. 2006年,Numpy脱离Scipy成为独立的项目。

3. Numpy的核心:多维数组

  1. 代码简洁:减少Python代码中的循环
  2. 底层实现: 厚内核©+薄接口(Python),保证性能.

4. 内存中的ndarray对象

4.1 元数据(metadata)

存储对目标数组的描述信息,如: ndim、shape、dtype、data等.
在这里插入图片描述

4.2 实际数据

完整的数组数据
将实际数据与元数据分开存放,一方面提高了内存空间的使用效率另一方面减少对实际数据的访问频率,提高性能。
ndarray数组对象的特点

  1. Numpy数组是同质数组,即所有元素的数据类型必须相同
  2. Numpy数组的下标从0开始,最后一个元素的下标为数组长度减1
    ndarray数组对象的特点
  3. Numpy数组是同质数组,即所有元素的数据类型必须相同
  4. Numpy数组的下标从0开始,最后一个元素的下标为数组长度-1

二、numpy基础

1. ndarray数组

import numpy as np

# 通过array创建ndarray
ary = np.array([1, 2, 3 , 4, 5])
print(ary)
print(type(ary))

# 数组与元素的运算是数组与每个元素分别运算
print(ary+2)
print(ary*2)
print(ary == 3)

# 数组与数组之间的运算 是 对应位置对应计算,数组不等不能计算
print(ary + ary)
print(ary * ary)

# 输出:
# [1 2 3 4 5]
# <class 'numpy.ndarray'>
# [3 4 5 6 7]
# [ 2  4  6  8 10]
# [False False  True False False]
#[ 2  4  6  8 10]
#[ 1  4  9 16 25]

数组元素的运算数组与每个元素分别运算;
数组数组之间的运算对应位置对应计算
数组长度不等不能计算

2. arange、zeros、ones、zeros_like

import numpy as np

ary = np.array([1, 2, 3 , 4, 5])
print(ary)

print(ary + ary)
print(ary * ary)
aryrange = np.arange(1,3)
print(aryrange)
aryrange = np.arange(1,3,0.1)
print(aryrange)

ary = np.zeros(10) # 生成0数组
print(ary)
ary = np.zeros(10, dtype='int64')  # 设置数据类型
print(ary)

ary = np.zeros((2 ,2)) # 生成2*2的矩阵
print(ary)
print(ary.shape)

ary = np.array([1, 2, 3 , 4, 5])  # 拿到一个数组,用0填充
print(np.zeros_like(ary))

# 输出
# [1 2 3 4 5]
# [ 2  4  6  8 10]
# [ 1  4  9 16 25]
# [1 2]
# [1.  1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.  2.1 2.2 2.3 2.4 2.5 2.6 2.7
#  2.8 2.9]

# [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
# [0 0 0 0 0 0 0 0 0 0]

# [[0. 0.]
# [0. 0.]]

# (2, 2)

# [1 2 3 4 5]
# [0 0 0 0 0]

python的range只能生成整数,而arange可生成浮点数
zeros_like拿到一个数组,用0填充
ones_like用法类似

3. ndarray对象属性的基本操作

3.1 修改数组维度

import numpy as np

ary = np.arange(1, 9)
print(ary)

# 直接修改原始数据的维度
ary.shape = (2, 4)  
print(ary)
print(ary.shape)

# 修改为3维数据
ary.shape = (2, 2, 2)
print(ary)
print(ary.shape)

# [1 2 3 4 5 6 7 8]

# [[1 2 3 4]
# [5 6 7 8]]
# (2, 4)

# [1 2 3 4 5 6 7 8]
# [[[1 2]
#   [3 4]]
# 
#  [[5 6]
#   [7 8]]]
# (2, 2, 2)

直接使用shape修改数组形状

3.2 修改数组元素类型

ary = np.arange(1, 9)
ary.dtype = "float64"  # 只能修改解析方式,修改数据类型只能用astype
print(ary)

ary = np.arange(1, 9)
c = ary.astype(float)  # 不会修改原始数据,可用一个变量去接收
print(c)

# 输出
# [4.24399158e-314 8.48798317e-314 1.27319747e-313 1.69759663e-313]
# [1. 2. 3. 4. 5. 6. 7. 8.]

修改数组类型不可使用dtype,此方式只能修改解析方式,会得到一个错误的值
可使用astype()去修改,此方式不会修改原始数据可用一个新变量去接收

3.3 数组的size

import numpy as np

ary = np.arange(1, 9)
print(ary)

print(ary.shape)
print(ary.size)
print(len(ary))
ary.shape = (2, 4)
print(ary.shape)
print(ary.size)
print(len(ary))

# 输出
# [1 2 3 4 5 6 7 8]
# (8,)
# 8
# 8
# (2, 4)
# 8
# 2

size是指数组元素个数,一维数组的len和size是一样的,二多维数组则不一样,在二维数组时,size是指二维数组中第二维度的个数。

4. 数组元素索引

import numpy as np

ary = np.arange(1, 9)
ary.shape = (2, 2, 2)
print(ary)

print(ary[0])  # 访问三维数组的第一个二维数组
print(ary[0][0])   # 访问二维数组的第一一维数组
print(ary[0][0][0]) # 访问一维数组的第一个元素

print(ary[0,0,0]) # numpy的全新写法

# 输出

# [[[1 2]
#   [3 4]]
#
#  [[5 6]
#   [7 8]]]

# [[1 2]
#  [3 4]]

# [1 2]

# 1

# 1

5. Numpy内部基本数据类型

在这里插入图片描述
类型字符码

5.1 基本数据类型简写的应用案例

import numpy as np

data = [('zs', [100, 90, 95], 18),
        ('ls', [100, 95, 93], 22),
        ('ww', [98, 98, 98], 20)]

print(data)

ary = np.array(data)
print(ary)

ary = np.array(data, dtype='U2, 3int8, int8')
print(ary)

5.2 将列表强转为数组

方式1 通过字符串的方式指定dtype(不常用)

import numpy as np

data = [('zs', [100, 90, 95], 18),
        ('ls', [100, 95, 93], 22),
        ('ww', [98, 98, 98], 20)]

ary = np.array(data, dtype='U2, 3int8, int8')

sum = 0
for i in data:
    sum = i[2]+sum
print(sum/3)

print(ary['f2'].mean())

以上代码使用2种方式求年龄的平均值

方式2:通过列表套元组(不常用)

import numpy as np
import warnings
warnings.filterwarnings('ignore')

data = [('zs', [100, 90, 95], 18),
        ('ls', [100, 95, 93], 22),
        ('ww', [98, 98, 98], 20)]

# print(data)

ary = np.array(data)
# print(ary)

ary = np.array(data, dtype=[('name', 'str', 2),
                            ('score', 'int32', 3),
                            ('age', 'int32', 1)])
print(ary['score'].mean())
# 输出
# 20

方式3:通过字典的固定键设置dtype

import numpy as np
import warnings
warnings.filterwarnings('ignore')

data = [('zs', [100, 90, 95], 18),
        ('ls', [100, 95, 93], 22),
        ('ww', [98, 98, 98], 20)]

# print(data)

ary = np.array(data)
# print(ary)

ary = np.array(data, dtype={'names': ['name', 'score', 'age'], 'formats': ['U2', '3int32', 'int32']})

print(ary['age'])
# 输出
# [18 22 20]

5.3 datetime64

import numpy as np
import warnings
warnings.filterwarnings('ignore')

data = np.array(['2011', '2012-12-12', '2023-02-13 08:08:08'])

# 将字符串转成时间日期(精确到日)类型
pretty_data = data.astype("datetime64[D]")
print(pretty_data)

# 转成整形
res = pretty_data.astype('int64')  
print(res)  # 返回距1970年1月1日的天数

# 将字符串转成时间日期(精确到秒)类型
pretty_data = data.astype("datetime64[s]")
print(pretty_data)

# 转成整形
res = pretty_data.astype('int64')
print(res)  # 返回距1970年1月1日的秒数

# 输出

# ['2011-01-01' '2012-12-12' '2023-02-13']

# [14975 15686 19401]

# ['2011-01-01T00:00:00' '2012-12-12T00:00:00' '2023-02-13T08:08:08']

# [1293840000 1355270400 1676275688]

numpy的日期格式要求严格
字符串的格式不能形如 2021-1-1也不能形如2021/01/01

6. ndarray数组维度操作

容器:酒瓶 元素:酒
赋值拷贝:酒瓶装旧酒
浅拷贝:新瓶装旧酒
深拷贝:新瓶装新酒

6.1 视图变维(数据共享):reshape()与ravel()

import numpy as np
import warnings
warnings.filterwarnings('ignore')

ary = np.arange(1, 9)
print(ary)
# 视图变维
bry = ary.reshape(2, 4)
print(bry)
print(ary)
ary[0] = 123
print("修改后的ary:", ary)
print("bry:", bry)
# 输出
# [1 2 3 4 5 6 7 8]
# [[1 2 3 4]
# [5 6 7 8]]
# [1 2 3 4 5 6 7 8]
# 修改后的ary: [123   2   3   4   5   6   7   8]
# bry: [[123   2   3   4]
# [  5   6   7   8]]

只是形状发生了改变,修改了原始数据,变维后的数据跟着变,这就是所谓的数据共享
变维后的数据虽然在形状上发生了变化,但不影响变维前的数据
ravel将数组(不管几维)拉伸为1维

6.2 赋值变维(数据独立)

import numpy as np
import warnings
warnings.filterwarnings('ignore')

ary = np.arange(1, 9).reshape(2, 4)
print(ary)

bry = ary.flatten()
print(bry)

ary[0] = 666
print(ary)

print(bry)

# 输出
# [[1 2 3 4]

#  [5 6 7 8]]

# [1 2 3 4 5 6 7 8]

# [[666 666 666 666]
#  [  5   6   7   8]]

# [1 2 3 4 5 6 7 8]

6.3 就地变维:直接改变原数组的维度,不返回新数组

import numpy as np
import warnings
warnings.filterwarnings('ignore')

ary = np.arange(1, 9)
ary.resize(2, 2, 2)
print(ary)

ary = np.arange(1, 9)
ary.resize(2, 2, 2)
print(ary)

7. ndarray数组切片操作

7.1 一维数组切片

数组对象切片的参数设置与列表切片参数类似
步长+:默认切从首到尾
步长-:默认切从尾到头
数组对象[起始位置终止位置步长,…]
默认步长:1

在这里插入图片描述

7.2 多维数组切片

import numpy as np
import warnings
warnings.filterwarnings('ignore')

ary = np.arange(1, 9)
ary.resize(3,3)
print(ary)
print(ary[:2])  # 前两行
print(ary[:2, :2])  # 前两行的前两列
print(ary[::2, ::2])  # 1 3行,1 3列

# 输出
# [[1 2 3]
#  [4 5 6]
#  [7 8 0]]
# [[1 2 3]
#  [4 5 6]]
# [[1 2]
#  [4 5]]
# [[1 3]
#  [7 0]]

import numpy as np
import warnings
warnings.filterwarnings('ignore')

ary =np.arange(1, 101).reshape(20, 5)
print(ary)
# 所有行不要最后一列
print("所有行不要最后一列")
print(ary[:, :-1])
# 所有行只要最后一列
print(ary[:, -1])

7.3 ndarray数组的掩码操作

布尔掩码

import numpy as np
import warnings
warnings.filterwarnings('ignore')

ary = np.arange(1, 10)
mask = [True, False, True, True, False, True, True, True, False]
res = ary[mask]
print(res)

# 输出
# [1 3 4 6 7 8]

布尔掩码操作案例:求100以内3的倍数的数字

import numpy as np
import warnings
warnings.filterwarnings('ignore')

ary = np.arange(1, 101)
print(ary[ary % 3 == 0])

标签掩码:掩码数组中为索引值

import numpy as np
import warnings
warnings.filterwarnings('ignore')

car = np.array(['bwm', 'benzi', 'audi', 'hongqi'])
mask = [0, 2, 1, 3]
res = car[mask]
print(res)
mask = [0, 0, 0, 0, 0, 2, 1, 1, 1, 1, 1, 1, 3]
res = car[mask]
print(res)


# 输出
# ['bwm' 'audi' 'benzi' 'hongqi']
# ['bwm' 'bwm' 'bwm' 'bwm' 'bwm' 'audi' 'benzi' 'benzi' 'benzi' 'benzi' 'benzi' 'benzi' 'hongqi']

7.4 多维数组的组合与拆分

stack and split

垂直方向 vstack vsplit
水平方向 hstack hsplit
深度方向 dstack dsplit

import numpy as np

ary = np.arange(1, 7).reshape(2, 3)
bry = np.arange(7, 13).reshape(2, 3)
res = np.dstack((ary, bry))
print(ary)
print(bry)
print(res)
print(res.shape)

print("-"*30)

ary, bry = np.dsplit(res, 2)
print(ary)
print(bry)

# 输出
[[1 2 3]
 [4 5 6]]
[[ 7  8  9]
 [10 11 12]]
[[[ 1  7]
  [ 2  8]
  [ 3  9]]

 [[ 4 10]
  [ 5 11]
  [ 6 12]]]
(2, 3, 2)
------------------------------
[[[1]
  [2]
  [3]]

 [[4]
  [5]
  [6]]]
[[[ 7]
  [ 8]
  [ 9]]

 [[10]
  [11]
  [12]]]

三维数组拆分后依然3维数组,想变成2维只能采用变维的方式。

concatenate

若待组合的数组都是二维数组:
0: 垂直方向组合
1: 水平方向组合
若待组合的数组都是三维数组:
0: 垂直方向组合
1: 水平方向组合
2: 深度方向组合
np.concatenate((a,b),axis=0)
通过给出的数组与要拆分的份数,按照某个方向进行拆分,axis的取值同上
np.split(c,2,axis=0)

长度不等的数组组合

先填充,再组合

简单一维数组组合方案

a = np.arange(1,9)
b = np.arange(9,17)

#把两个数组摞在一起成两行
c = np.row_stack((a,b))
print(c)

#把两个数组组合在一起成两列
d = np.column_stack((a,b))
print(d)

ndarray类的其他属性

  • shape-维度
  • dtype-元素类型
  • size-元素数量
  • ndim-维数,len(shape)
  • itemsize-元素字节数
  • nbytes -总字节数= size x itemsize
  • real-复数数组的实部数组
  • imag-复数数组的虚部数组
  • T-数组对象的转置视图
  • flat-扁平选代器

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/344007.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

dubbo接口自动化用例性能优化

dubbo接口自动化用例性能优化 目录&#xff1a;导读 前言 优化本地调试时间 单用例执行时间的优化 提高并发 最后 前言 去年换了一个新部门&#xff0c;看了下当前的自动化用例的情况&#xff0c;发现存在三类性能问题&#xff1a; 本地调试运行时等待时间较长&#xf…

C++学习记录——팔 内存管理

文章目录1、动态内存管理2、内存管理方式operator new operator delete3、new和delete的实现原理1、动态内存管理 C兼容C语言关于内存分配的语法&#xff0c;而添加了C独有的东西。 //int* p1 (int*)malloc(sizeof(int));int* p1 new int;new是一个操作符&#xff0c;C不再需…

【工具】图片和PDF批量区域OCR识别图片文字并重命名,如何批量图片识别文字并将识别的文字改名该图片

前段时间接到一个棘手的难题&#xff08;识别图片文字&#xff0c;将图片文件名改成该文字&#xff09; 因为不解决就得手动挨个挨个输入然后把文件命名好 今天又一个文件需求是这样的 图上有姓名文字&#xff0c;要识别出来改成每一张图跟这个一样&#xff0c;有的人说了缩…

学习笔记——吴恩达《神经网络与深度学习》

神经网络与深度学习1. 基础知识神经网络用神经网络进行监督学习2. 神经网络基础知识二分分类logistic回归logistic回归损失函数梯度下降法导数计算图logistic回归中的梯度下降法m个样本的梯度下降向量化Python中的广播3. 浅层神经网络神经网络概述神经网络表示计算神经网络的输…

Android自动化测试——Monkey

本来是做Web后端的&#xff0c;来公司实习变成微信小程序前端了&#xff0c;到这周变成Android APP测试人员了&#xff0c;也是微醺啊。 由于对手工测试终究是有些抵触&#xff0c;所有昨天小试了一下不用写代码的自动化压力测试&#xff0c;在此记下我的心得。 一、Monkey与…

TOOM互联网舆情监测中心,互联网舆情监测系统为何出现以及由来?

互联网舆情监测中心是指负责收集、分析和评估互联网上的舆情信息的组织或机构&#xff0c;旨在帮助政府、企业、媒体和其他相关组织了解公众对特定话题的看法、情感和态度&#xff0c;并采取相应的措施应对和管理舆情事件&#xff0c;TOOM互联网舆情监测中心&#xff0c;互联网…

Hudi-集成Spark之spark-shell 方式

Hudi集成Spark之spark-shell 方式 启动 spark-shell &#xff08;1&#xff09;启动命令 #针对Spark 3.2 spark-shell \--conf spark.serializerorg.apache.spark.serializer.KryoSerializer \--conf spark.sql.catalog.spark_catalogorg.apache.spark.sql.hudi.catalog.Hoo…

leaflet 本地上传shp文件,在map上解析显示图形(058)

第058个 点击查看专栏目录 本示例的目的是介绍演示如何在vue+leaflet中本地上传shp文件,利用shapefile读取shp数据,并在地图上显示图形。 直接复制下面的 vue+openlayers源代码,操作2分钟即可运行实现效果 文章目录 示例效果加载shapefile.js方式配置方式示例源代码(共126…

GBDT+LR

为什么需要GBDTLR 协同过滤和矩阵分解存在问题: 仅利用了用户与物品相互行为信息进行推荐&#xff0c; 忽视了用户自身特征&#xff0c; 物品自身特征以及上下文信息等&#xff0c;导致生成的结果往往会比较片面。 FFM 存在问题 FFM特征交叉能力有限&#xff1a;虽然 FFM 模型…

Excel里数字太长显示为科学计数法如何显示完整数字

Excel里数字太长显示为科学计数法如何显示完整数字 注意&#xff1a;以下测试都是在macos的Microsoft Excel for Mac的16.53版本中实际测试的&#xff0c;在windows中应该也是一样的。 一、问题描述 数字太长在Excel中会显示为E形式 有些值&#xff0c;比如身份证号、银行卡…

编译原理(第3版-王生原)课后习题答案-第三章

1.构造下列正规式相应的 DFA。(1)1(0|1) *101(2)1(1010* |1(010)*1) *0(3)a((a|b)* |ab*a)*b(4)b((ab)* bb)*ab答案&#xff1a;(2)(3)(4)略。 写1个(1)体现解题思路。2.已知 NFA ((x,yz),{0,1}M,{x},{z})&#xff0c;其中:M(x,0){z}, M(y,0){x,y}, M(z,0){x,z}, M(x,1){x}, M(…

Linux文件默认权限:umask

umask就是指定目前用户在建立文件或目录时候的权限默认值 查看方式有两种&#xff1a;一种可以直接输入umask&#xff0c;就可以看到数字类型的权限设置值&#xff0c;一种则是加入umask后加入-S&#xff08;Symbolic&#xff09;选项&#xff0c;就会以符号类型的方式来显示出…

HJY-E1A/4D AC220V数字式交流【电压继电器】

系列型号 HJY-2B-2H2D DC220V欠电压继电器 HJY-1A-2H2D DC220V过压继电器 一、用途 本系列电压继电器为瞬时动作特性&#xff0c;用于发电机&#xff0c;变压器&#xff0c;输电线路的继电保护装置中作为过压或欠压的闭锁启动元件。 二、特点 (1).采用拨盘设定;或数码管显…

Spring Batch ItemReader组件-读数据库

目录 引言 数据准备 游标方式 分页方式 转视频版 引言 接着上篇&#xff1a;Spring Batch ItemReader组件-Json文件&#xff0c;了解Spring Batch 读取Json文件后&#xff0c;接下来一起学习一下Spring Batch 如何读数据库中的数据 数据准备 下面是一张用户表user&…

UnityShader35:光晕光效

一、光晕逻辑 光晕的逻辑很简单&#xff0c;就是在屏幕上画上一个一个方形的 Mesh&#xff0c;然后采样带 Alpha 通道的光晕贴图&#xff0c;效果就出来了&#xff0c;其中方形 Mesh 的大小、位置、纹理表现全部都由美术配置&#xff0c;因此效果好坏主要取决于光晕贴图以及是…

ESP8266点亮 0.96 英寸 OLED 显示屏,基于Arduino IDE

本指南介绍如何使用 Arduino IDE 将 0.96 英寸 SSD1306 OLED 显示屏与 ESP8266 结合使用。我们将向您展示如何编写文本、设置不同的字体、绘制形状和显示位图图像。安装 SSD1306 OLED 库 – ESP8266有几个库可用于使用 ESP8266 控制 OLED 显示屏。在本教程中&#xff0c;我们将…

IP地址与用户行为

IP地址能够解决网络风险和提高网络安全的原因是&#xff1a;所有的网络请求都会带有IP信息&#xff0c;是访问者的独立标识&#xff0c;另外ip地址的分配和管理比较严格&#xff0c;难以造假。另外ip属于网络层&#xff0c;可以轻松的对其进行阻断。现有的各种网络安全、负载均…

操作系统开发:BIOS/MBR基础与调试

这里在实验之前需要下载 Bochs-win32-2.6.11 作者使用的是Linux版本的&#xff0c;在Linux写代码不太舒服&#xff0c;所以最好在Windows上做实验&#xff0c;下载好虚拟机以后还需要下载Nasm汇编器&#xff0c;以及GCC编译器&#xff0c;为了能够使用DD命令实现磁盘拷贝&#…

树莓派 安装 宝塔linux面板5.9. 2023-2-14

一.环境 1.硬件环境: 树莓派3b , 8GB tf卡 ,micro usb电源 2.网络环境: 网线直连路由器 , 可访问互联网 3.软件环境: 树莓派操作系统 CentOS-Userland-7-armv7hl-RaspberryPI-Minimal-2009-sda(linux) 系统刻录工具 Win32DiskImager (win) ip扫描工具 Advanced IP Scanne…

公司招聘:33岁以上的和两年一跳的不要,开出工资我还以为看错了...

导读&#xff1a;对于公司来说&#xff0c;肯定是希望花最少的钱招到最优秀的员工&#xff0c;但事实上这个想法是不太现实的&#xff0c;虽然如今互联网不太好找工作&#xff0c;但要员工降薪去入职&#xff0c;相信还是有很大难度的&#xff0c;很多人宁可在家休息&#xff0…