Lesson5.1---Python 之 NumPy 简介和创建数组

news2024/11/15 10:12:23

一、NumPy 简介

  • NumPy（Numerical Python）是 Python 的一种开源的数值计算扩展。
  • 这种工具可用来存储和处理大型矩阵，比 Python 自身的嵌套列表（nested list structure）结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
  • 使用 NumPy 可以方便的使用数据、矩阵进行计算，包含线性代数、傅里叶变化、随机数生成等大量函数。

1. 为什么要使用 NumPy

  • Numpy 是 Python 各种数据科学类库的基础库，比如：Scipy，Scikit-Learn、TensorFlow、pandas等。
  • 对于同样的数值计算任务，使用 NumPy 比直接使用 Python 代码实现有如下优点:
    （1） 代码更简洁：NumPy 直接以数组、矩阵为粒度计算并且支撑大量的数学函数，而 python 需要用 for 循环从底层实现；
    （2） 性能更高效：NumPy 的数组存储效率和输入输出计算性能，比 Python 使用 List 或者嵌套 List 好很多。
  • 这里有两点需要注意需要注意是，其一，Numpy 的数据存储和 Python 原生的 List 是不一样的。
  • 其二，NumPy 的大部分代码都是 C 语言实现的，这是 Numpy 比纯 Python 代码高效的原因。

2. NumPy 数据类型

  • NumPy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。
  • 下表列举了常用 NumPy 基本类型:
名称描述
bool_布尔型数据类型（True 或者 False）
int_默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
intc与 C 的 int 类型一样，一般是 int32 或 int 64
intp用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
int8字节（-128 to 127）
int16整数（-32768 to 32767）
int32整数（-2147483648 to 2147483647）
int64整数（-9223372036854775808 to 9223372036854775807）
uint8无符号整数（0 to 255）
uint16无符号整数（0 to 65535）
uint32无符号整数（0 to 4294967295）
uint64无符号整数（0 to 18446744073709551615）
float_float64 类型的简写
float16半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
float32单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
float64双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
complex_complex128 类型的简写，即 128 位复数
complex64复数，表示双 32 位浮点数（实数部分和虚数部分）
complex128复数，表示双 64 位浮点数（实数部分和虚数部分）
  • NumPy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。

3. NumPy 数组属性

  • NumPy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。
  • 在 NumPy 中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。
  • 比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
  • 很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。
  • NumPy 的数组中比较重要 ndarray 对象属性有：
属性说明
ndarray.ndim秩，即轴的数量或维度的数量
ndarray.shape数组的维度，对于矩阵，n 行 m 列
ndarray.size数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtypendarray 对象的元素类型
ndarray.itemsizendarray 对象中每个元素的大小，以字节为单位
ndarray.flagsndarray 对象的内存信息
ndarray.realndarray 元素的实部
ndarray.imagndarray 元素的虚部
ndarray.data包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性
  • NumPy 定义了一个 n 维数组对象，简称 ndarray 对象，它是一个一系列相同类型元素组成的数组集合。数组中的每个元素都占有大小相同的内存块。
  • ndarray 对象采用了数组的索引机制，将数组中的每个元素映射到内存块上，并且按照一定的布局对内存块进行排列（行或列）。

4.NumPy 的 ndarray 对象

在这里插入图片描述

二、numpy.array() 创建数组

1. 基础理论

  • 基本的 ndarray 是使用 NumPy 中的数组函数创建的，如下所示：
numpy.array
  • 它从任何暴露数组接口的对象，或从返回数组的任何方法创建一个 ndarray。
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
  • 上面的构造器接受以下参数：
参数描述
object表示一个数组序列
dtype可选参数，通过它可以更改数组的数据类型
copy可选参数，当数据源是ndarray时表示数组能否被复制，默认是 True
order可选参数，以哪种内存布局创建数组，有 3 个可选值，分别是 C（行序列）、F（列序列）、A（默认）
subok可选参数，类型为bool值，默认 False。为 True，使用object的内部数据类型；False：使用object数组的数据类型
ndmin可选参数，用于指定数组的维度

2.基础操作演示

  • 在代码编写之前，我们需要先引入 NumPy。
# 注意默认都会给numpy包设置别名为np
import numpy as np
  • NumPy 引入完成后，实现 array 创建数组。
  • 在 array() 函数当中，括号内可以是列表、元组、数组、迭代对象,生成器等。
  • 其中，列表和元组的整体相同，但是列表属于可变序列，它的元素可以随时修改或删除，元组是不可变序列，其中元素不可修改，只能整体替换。

（1） 列表：

np.array([1,2,3,4,5])
#array([1, 2, 3, 4, 5])

（2） 元组：

np.array((1,2,3,4,5))
#array([1, 2, 3, 4, 5])

（3） 数组

a = np.array([1,2,3,4,5]) #创建一个数组
np.array(a)
#array([1, 2, 3, 4, 5])

（4） 迭代对象：

np.array(range(10))
#array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

（5） 生成器：

np.array([i**2 for i in range(10)])​
#array([ 0,  1,  4,  9, 16, 25, 36, 49, 64, 81])
  • 当数组内的元素数据类型不相同时，那么数组内哪种数据类型存储的结果最大，就按哪种数据类型进行存储。
  • 如下例子，在数组当中，包含整型，浮点型和字符串，其中字符串的数据类型存储结果最大，因此，数组内的所有元素均按字符串进行存储。
np.array([1,1.5,3,4.5,'5'])
#array(['1', '1.5', '3', '4.5', '5'], dtype='<U32')

（1） 整型：

ar1 = np.array(range(10))   # 整型
ar1
#array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

（2）浮点型（浮点型的数据存储大于整型的数据存储，因此全部转换为浮点型）：

ar2 = np.array([1,2,3.14,4,5])   
ar2
#array([1.  , 2.  , 3.14, 4.  , 5.  ])

（3） 二维数组（嵌套序列（列表，元组均可））：

ar3 = np.array([
                [1,2,3],
                ('a','b','c')
               ])   
ar3
#array([['1', '2', '3'],
#       ['a', 'b', 'c']], dtype='<U11')

（4） 当二维数组嵌套序列数量不一致：

ar4 = np.array([[1,2,3],('a','b','c','d')])   
ar4
#array([list([1, 2, 3]), ('a', 'b', 'c', 'd')], dtype=object)

上述例子的秩是 1，可以通过 ar4.ndim 进行查看。

3. numpy.array() 参数详解

（1） 设置 dtype 参数，默认自动识别。

a = np.array([1,2,3,4,5])
print(a)
# 设置数组元素类型
has_dtype_a = np.array([1,2,3,4,5],dtype='float')
has_dtype_a
#[1 2 3 4 5]
#array([1., 2., 3., 4., 5.])

如果将浮点型的数据，设置为整形，那么，数组内元素会自动舍弃尾数，转换为整型数据，具体输出如下所示。

np.array([1.1,2.5,3.8,4,5],dtype='int')
​#array([1, 2, 3, 4, 5])

（2） 设置 copy 参数,默认为 True。
我们设置 a 数组，然后，通过 a 数组复制得出 b 数组，此时，a 数组和 b 数组的地址不相同，创建了新的对象。
那么，对 a 数组和 b 数组的任意修改都不会影响另一个数组的元素。

a = np.array([1,2,3,4,5])
b = np.array(a)
print('a:', id(a), '  b:', id(b))
print('以上看出a和b的内存地址')
b[0] = 10
print(a)
#a: 2066732212352   b: 2066732213152
#以上看出a和b的内存地址
#[1 2 3 4 5]

当我们修改 b 数组的元素时，a 数组不会发生变化。

b[0] = 10
print('a:', a,'  b:', b)
#a: [1 2 3 4 5]   b: [10  2  3  4  5]

当设置 copy 参数为 Fasle 时，不会创建副本，两个变量会指向相同的内容地址，没有创建新的对象。
此时，由于 a 数组和 b 数组指向的是相同的内存地址，因此当修改 b 数组的元素时，a 数组对应的元素会发生变化。

a = np.array([1,2,3,4,5])
b = np.array(a, copy=False)
print('a:', id(a), '  b:', id(b))
print('以上看出a和b的内存地址')
b[0] = 10
print('a:',a,'  b:',b)
#a: 2066732267520   b: 2066732267520
#以上看出a和b的内存地址
#a: [10  2  3  4  5]   b: [10  2  3  4  5]

（3） ndmin 用于指定数组的维度。
将一维数组转换为二维数组。

a = np.array([1,2,3])
print(a)​
a = np.array([1,2,3], ndmin=2)
a​
#[1 2 3]
#array([[1, 2, 3]])

（4） subok 参数，类型为 bool 值，默认 False。为 True 时，使用 object 的内部数据类型；False：使用 object 数组的数据类型。

  • 首先，创建一个 a 矩阵，然后输出 a 矩阵的数据类型，便于后面的比较。
  • 其次，通过 a 矩阵生成 at 和 af 两个数组，at 数组的 subok 参数设置为 True，at 数组的 subok 参数不设置，即默认为 False。
  • 最后，输出 at 数组和 af 数组的数据类型，用于比较观察。
a = np.mat([1,2,3,4])
print(type(a))
​at = np.array(a,subok=True)
af = np.array(a) 
print('at,subok为True:',type(at))
print('af,subok为False:',type(af))
print(id(at),id(a))​
#<class 'numpy.matrix'>
#at,subok为True: <class 'numpy.matrix'>
#af,subok为False: <class 'numpy.ndarray'>
#2066738151720 2066738151608

书写代码时需要注意的内容：
先定义一个 a 数组。

a = np.array([2,4,3,1])

在定义 b 数组时，如果想复制 a 数组，有如下几种方案：
（1） 使用 np.array()。
（2） 使用数组的 copy() 方法。

b = np.array(a)
print('b = np.array(a)：',id(b),id(a))
​c = a.copy()
print('c = a.copy()：',id(c),id(a))
#b = np.array(a)： 2066731363744 2066731901216
#c = a.copy()： 2066732267520 2066731901216

注意不能直接使用 = 号复制，直接使用 = 号，会使 2 个变量指向相同的内存地址。

三、numpy.arange() 生成区间数组

3.1根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。

numpy.arange(start, stop, step, dtype)

3.2其参数含义如下：

序号参数描述说明
1start起始值，默认为 0
2stop终止值（不包含）
3step步长，默认为 1
4dtype返回 ndarray 的数据类型，如果没有提供，则会使用输入数据的类型

3.2示例

（1）如果只有一个参数，那么起始值就是 0，终止值就是那个参数，步长就是 1。
（2）如果有两个参数，那么，第一个参数就是起始值，第二个参数就是终止值。

np.arange(10)
#array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

（3）可以使用浮点型数值

np.arange(3.1)
#array([0., 1., 2., 3.])

（4）返回浮点型的，也可以指定类型

x = np.arange(5, dtype =  float)  
x
#array([0., 1., 2., 3., 4.])

（5）设置了起始值、终止值及步长：

  • 起始值是 10，终止值是 20，步长是 2。
np.arange(10,20,2)
​#array([10, 12, 14, 16, 18])
  • 起始值是 0，终止值是 20，步长是 3。
ar2 = np.arange(0,20,3)
print(ar2)
ar3 = np.arange(20,step=3) #指定传参
ar3
​#[ 0  3  6  9 12 15 18]
#array([ 0,  3,  6,  9, 12, 15, 18])

（6）如果数组太大而无法打印，NumPy 会自动跳过数组的中心部分，并只打印边角。

np.arange(10000)
#array([   0,    1,    2, ..., 9997, 9998, 9999])

四、numpy.linspace() 创建等差数列

4.1返回在间隔 [开始，停止] 上计算的 num 个均匀间隔的样本。数组是一个等差数列构成。

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

4.2其参数含义如下：

序号参数描述说明
1start必填项，序列的起始值
2stop必填项，序列的终止值，如果endpoint为true，该值包含于数列中
3num要生成的等步长的样本数量，默认为50
4endpoint该值为 true 时，数列中包含stop值，反之不包含，默认是True
5baset对数 log 的底数
6dtypendarray 的数据类型

4.3示例

（1）以下例子用到三个参数，设置起始点为 1 ，终止点为 10，数列个数为 10。

a = np.linspace(1,10,10)
a
#array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

如果，我们将 endpoint 设置为 False，就不会包含 10，此时，默认步长是 50。

a = np.linspace(1,10,endpoint=False)
a
#array([1.  , 1.18, 1.36, 1.54, 1.72, 1.9 , 2.08, 2.26, 2.44, 2.62, 2.8 ,
#       2.98, 3.16, 3.34, 3.52, 3.7 , 3.88, 4.06, 4.24, 4.42, 4.6 , 4.78,
#       4.96, 5.14, 5.32, 5.5 , 5.68, 5.86, 6.04, 6.22, 6.4 , 6.58, 6.76,
#       6.94, 7.12, 7.3 , 7.48, 7.66, 7.84, 8.02, 8.2 , 8.38, 8.56, 8.74,
#       8.92, 9.1 , 9.28, 9.46, 9.64, 9.82])

（2）以下实例用到三个参数，设置起始位置为 2.0，终点为 3.0，数列个数为 5。

ar1 = np.linspace(2.0, 3.0, num=5)
ar1
#array([2.  , 2.25, 2.5 , 2.75, 3.  ])

将参数 endpoint 设置为 False 时，不包含终止值，

ar1 = np.linspace(2.0, 3.0, num=5, endpoint=False)
ar1
#array([2. , 2.2, 2.4, 2.6, 2.8])

设置 retstep 显示计算后的步长

ar1 = np.linspace(2.0,3.0,num=5, retstep=True)
print(ar1)
type(ar1)
#(array([2.  , 2.25, 2.5 , 2.75, 3.  ]), 0.25)
#tuple

将 endpoint 设置为 False，不包含终止值，再设置 retstep 显示计算后的步长

ar1 = np.linspace(2.0,3.0,num=5,endpoint=False,retstep=True)
ar1
#(array([2. , 2.2, 2.4, 2.6, 2.8]), 0.2)

（3）等差数列在线性回归经常作为样本集，例如：生成 x_data，值为 [0, 100] 之间 500 个等差数列数据集合作为样本特征，根据目标线性方程 y = 3 × x + 2 y = 3 × x + 2 y=3×x+2 ，生成相应的标签集合 y_data

x_data = np.linspace(0,100,500)
x_data

五、numpy.logspace() 创建等比数列

5.1 返回在间隔 [开始，停止] 上计算的 num 个均匀间隔的样本。数组是一个等比数列构成。

np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

5.2其参数含义如下：

序号参数描述说明
1start必填项，序列的起始值
2stop必填项，序列的终止值，如果endpoint为true，该值包含于数列中
3num要生成的等步长的样本数量，默认为50
4endpoint该值为 true 时，数列中包含stop值，反之不包含，默认是True
5baset对数 log 的底数
6dtypendarray 的数据类型

5.3示例

a = np.logspace(0,9,10,base=2)
a
#array([  1.,   2.,   4.,   8.,  16.,  32.,  64., 128., 256., 512.])

上述代码可以理解为 2 0 2^{0} 20到 2 9 2^{9} 29
np.logspace(A,B,C,base=D) 中的参数分别是如下含义：
A：生成数组的起始值为 D 的 A 次方。
B：生成数组的结束值为 D 的 B 次方。
C：总共生成 C 个数。
D：指数型数组的底数为 D，当省略 base=D 时，默认底数为 10。

（1）我们先使用前 3 个参数，将 [1,5] 均匀分成 3 个数，得到 {1,3,5}，然后利用第 4 个参数 base=2（默认是 10）使用指数函数可以得到最终输出结果 2 1 , 2 3 , 2 5 2^{1},2^{3},2^{5} 21,23,25

np.logspace(1,5,3,base=2)
#array([ 2.,  8., 32.])

（2）取得 1 到 2 之间 10 个常用对数

np.logspace(1.0,2.0,num=10)
#array([ 10.        ,  12.91549665,  16.68100537,  21.5443469 ,
#        27.82559402,  35.93813664,  46.41588834,  59.94842503,
#        77.42636827, 100.        ]

上述实际上是 1 0 1 10^{1} 101到 1 0 2 10^{2} 102

六、numpy.zeros() 创建全零数列

6.1创建指定大小的数组，数组元素以 0 来填充。

numpy.zeros(shape, dtype = float, order = 'C')

6.2其参数含义如下：

序号参数描述说明
1shape数组形状
2dtype数据类型，可选

6.3示例

（1）默认的数据类型是浮点数

np.zeros(5)
#array([0., 0., 0., 0., 0.])

（2）将数据类型设置为整型

np.zeros((5,), dtype = 'int') 
array([0, 0, 0, 0, 0])

（3）生成一个 2 行 2 列的全 0 数组

np.zeros((2,2))
#array([[0., 0.],
#       [0., 0.]])

（4）使用 zeros_like 可以返回具有与给定数组相同的形状和类型的零数组

ar1 = np.array([[1,2,3],[4,5,6]])
np.zeros_like(ar1)
#array([[0, 0, 0],
#       [0, 0, 0]])

七、np.ones() 创建一数列

ar5 = np.ones(9)
ar6 = np.ones((2,3,4))
ar7 = np.ones_like(ar3)
print('ar5:',ar5)
print('ar6:',ar6)
print('ar7:',ar7)
#ar5: [1. 1. 1. 1. 1. 1. 1. 1. 1.]
#ar6: [[[1. 1. 1. 1.]
#  [1. 1. 1. 1.]
#  [1. 1. 1. 1.]]
#
# [[1. 1. 1. 1.]
#  [1. 1. 1. 1.]
#  [1. 1. 1. 1.]]]
#ar7: [1 1 1 1 1 1 1]

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/351914.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

【贰】嵌入式系统的分类

【贰】嵌入式系统的分类

随手拍拍&#x1f481;‍♂️&#x1f4f7; 日期: 2022.08.31 地点: 杭州 介绍: 2022.08.31下午一点&#xff0c;在闷热的学校里实在是待不下去了&#xff0c;跑到了门口的钱塘江边散了一会儿步&#x1f6b6;正值盛夏&#xff0c;八月即将完结&#xff0c;日子越过越快&#x1…
阅读更多...
FPGA MAX 10 10M50系列10M50DAF484C8G/10M50DAF484C7G/10M50DCF484C7G规格

FPGA MAX 10 10M50系列10M50DAF484C8G/10M50DAF484C7G/10M50DCF484C7G规格

介绍MAX 10器件是单芯片、非易失性低成本可编程逻辑器件(pld)&#xff0c;用于集成最优的系统组件集。MAX 10设备的亮点包括:内部存储双配置闪存用户闪存即时支持集成模数转换器(adc)支持Nios II单芯片软核处理器MAX 10设备是系统管理、I/O扩展、通信控制平面、工业、汽车和消费…
阅读更多...
ant design vue 组件中经常会出现 label过长被盖住的情况

ant design vue 组件中经常会出现 label过长被盖住的情况

ant design vue 组件中经常会出现 label过长被盖住的情况&#xff0c;我还特地找了解决方法&#xff1a;当过长时让他换行显示&#xff0c;还写了一篇博客记录&#xff0c;今天同样是写代码&#xff0c;但并没有做特殊的设置&#xff0c;结果却出乎意料的正常&#xff0c;过长自…
阅读更多...
2023美赛A题：收干旱影响的植物群落（MCM）思路Python代码

2023美赛A题：收干旱影响的植物群落（MCM）思路Python代码

赛题目的：分析干旱程度与植物群落中物种数量的关系赛题解读&解题思路链接： （1）这道题的难点是寻找数据，如果能找到干旱程度的适应性代表的指标以及对应植物群落物种的数量，那这道题基本上是迎刃而解，只需要简单去搭建一个预测模型即可仿真 （2）目标是对马萨马拉这个…
阅读更多...
基于dll注入 读取任务管理器中指定进程的详细信息

基于dll注入 读取任务管理器中指定进程的详细信息

关键字 注入dll&#xff0c;遍历ListView 技术调研背景 QA测试程序时&#xff0c;往往需要关注进程的性能指标&#xff0c;比如&#xff1a;CPU&#xff0c;GPU&#xff0c;内存&#xff0c;显存。最终根据各个采样数据&#xff0c;生成基于时间轴的状态表&#xff08;类似任…
阅读更多...
37.网络结构与模型压缩、加速-4

37.网络结构与模型压缩、加速-4

37.1 减少网络碎片化程度(分支数量) 模型中分支数量越少，模型速度越快 此结论主要是由实验结果所得。 以下为网络分支数和各分支包含的卷积数目对神经网络速度的影响。 实验中使用的基本网络结构，分别将它们重复10次，然后进行实验。实验结果如下： 由实验结果可知，随着网络…
阅读更多...
【JVM与性能调优】JVM常用指令之Javap详解

【JVM与性能调优】JVM常用指令之Javap详解

一、JavaP 命令是什么&#xff1f; JavaP 命令是 Java 语言的一种工具 &#xff0c;Java中一种反汇编器&#xff01; 二、JavaP 命令的作用 帮助开发者深入了解 Java 编译器的机制显示字节代码含义显示编译类文件中的可访问功能和数据查看Java类文件中类和接口的内部结构显示…
阅读更多...
Mybatis执行完新增操作后，对象的ID主键被修改了的原因【mybatis-spring-boot-starter开源项目的贡献者解答】

Mybatis执行完新增操作后，对象的ID主键被修改了的原因【mybatis-spring-boot-starter开源项目的贡献者解答】

Mybatis执行完新增操作后&#xff0c;对象的Id主键被修改了的原因问题由来问题分析解决方案感谢问题由来 首先说下背景&#xff0c;项目的依赖是&#xff1a;mybatis-spring-boot-starter&#xff1a;1.3.2 进行新增操作后&#xff0c;一般来说入库就算完事了&#xff0c;但是除…
阅读更多...
基础篇：04-Eureka服务注册与发现

基础篇：04-Eureka服务注册与发现

目录 1.Eureka工程搭建启动 打开Idea-Service控制台 2.user-service接入并启动 2.1 引入pom依赖 2.2 更新配置文件 2.3 启动并查看Eureka信息 2.3 复制模拟多实例部署 3.order-service接入并启动 4.常见问题及解决方案 5.总结 6.推荐阅读资料 因前面提到Netflix相关…
阅读更多...
webpack -- 无法将“webpack”项识别为 cmdlet

webpack -- 无法将“webpack”项识别为 cmdlet

webpack : 无法将“webpack”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。请检查名称的拼写&#xff0c;如果包括路径&#xff0c;请确保路径正确&#xff0c;然后再试一次。 1.检测是否是版本太高而只能使用脚手架进行打包 webpack4.x的打包已经不能用webpack 文件a …
阅读更多...
phpStudy服务

phpStudy服务

1 概述 1.1 安装说明 1. 安装路径不能包含“中文”或者“空格”&#xff0c;否则会报错&#xff08;例如错误提示&#xff1a;Cant change dir to G:\\x65b0\x5efa\x6587\&#xff09;保证安装路径是纯净的&#xff0c;安装路径下不能有已安装的V8版本&#xff0c;若重新安装…
阅读更多...
数据结构与算法基础-学习-12-线性表之顺序队

数据结构与算法基础-学习-12-线性表之顺序队

一、个人理解队列是线性表的衍生之一&#xff0c;具有先进先出的特性&#xff0c;在队尾进行插入操作&#xff0c;在队头进行删除操作。队列的存储结构分为两个大类&#xff0c;一种是顺序队&#xff0c;就是用数组实现。另一种就是链队&#xff0c;使用链表实现。顺序队存在真…
阅读更多...
20基于主从博弈的智能小区代理商定价策略及电动汽车充电管理MATLAB程序

20基于主从博弈的智能小区代理商定价策略及电动汽车充电管理MATLAB程序

参考文档&#xff1a;《基于主从博弈的智能小区代理商定价策略及电动汽车充电管理》基本复现仿真平台&#xff1a;MATLABCPLEX/gurobi平台优势&#xff1a;代码具有一定的深度和创新性&#xff0c;注释清晰&#xff0c;非烂大街的代码&#xff0c;非常精品&#xff01;主要内容…
阅读更多...
Vue3路由传参

Vue3路由传参

vue3路由和vue2差别不是很大&#xff0c;不过在传参形式上略有改变 在Vue3中使用路由必须引入 useRouter 和 useRoute import { useRoute, useRouter } from vue-routerconst Router useRouter() //跳转const Route useRoute() //获取到值 同Vue2一样&#xff0c;query使用p…
阅读更多...
实用调试技巧【下篇】

实用调试技巧【下篇】

&#x1f534;本文章是在 Visual Studio 2022&#xff08;VS2022&#xff09;编译环境下进行操作讲解 文章目录3.2.调试的时候查看程序当前信息3.2.1.查看临时变量的值3.2.2.查看内存信息3.2.3.查看调用堆栈3.2.4.查看汇编信息&#x1f973;4.调试实例&#x1f973;5.如何写出&…
阅读更多...
【笔记】数据异常检测与修复总结

【笔记】数据异常检测与修复总结

文章目录一、异常种类1. 对于移动对象的数据异常2. 对于时序数据的异常检测二、异常数据清洗流程三、数据预处理四、异常检测算法五、异常修复算法六、漂移数据清洗一、异常种类 不同的研究对象&#xff0c;有着不同的异常分类方式 1. 对于移动对象的数据异常 异常数据信息&…
阅读更多...
leaflet: 数据聚合，显示当前bounds区域中的点的名称列表（078）

leaflet: 数据聚合，显示当前bounds区域中的点的名称列表（078）

第078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中实现数据聚合的功能 ，左边列出右边可视区域内的marker的名称。这里主要用到了可视区域的范围以及contains函数。 直接复制下面的 vue+leaflet源代码，操作2分钟即可运行实现效果 文章目录 示例效果配置方…
阅读更多...
windows11安装sqlserver2022报错

windows11安装sqlserver2022报错

window11安装SQL Server 2022 报错 糟糕… 无法安装SQL Server (setup.exe)。此 SQL Server安装程序介质不支持此OS的语言&#xff0c;或没有SQL Server英语版本的安装文件。请使用匹配的特定语言SQL Server介质;或安装两个特定语言MUI&#xff0c;然后通过控制面板的区域设置…
阅读更多...
深入浅出带你学习weblogic中间件常见漏洞

深入浅出带你学习weblogic中间件常见漏洞

前文 上一篇文章给大家带来了JBOSS中间件漏洞的利用知识&#xff0c;不知道大家学习的如何了&#xff0c;今天给大家带来的是一个比较重要的中间件——weblogic漏洞利用的介绍&#xff0c;按我们之前的顺序&#xff0c;先学习一下什么是WEBLOGIC中间件。 什么是WebLogic? We…
阅读更多...
机器学习：Recurrent Neural Network-RNN

机器学习：Recurrent Neural Network-RNN

应用举例 如果有很多词汇的时候&#xff0c;one-encode会导致很长&#xff0c;可以将不常见的归类到other&#xff0c;也可以用n-gram进行编码 输出的是一个概率分布 相同的词得到不同的结果&#xff0c;需要网络具有记忆&#xff0c;RNN网络的设计就是使得网络具有部分的记忆能…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023