26. Pandas处理分析网站原始访问日志

news2024/11/25 12:34:58

Pandas处理分析网站原始访问日志

目标：真实项目的实战，探索Pandas的数据处理与分析

实例：
数据来源：我自己的wordpress博客蚂蚁学Python – 你有没有为写代码拼过命？那你知不知道 人生苦短，我用Python？ 的访问日志

实现步骤：
1、读取数据、清理、格式化
2、统计爬虫spider的访问比例，输出柱状图
3、统计http状态码的访问占比，输出饼图
4、统计按小时、按天的PV/UV流量趋势，输出折线图

1、读取数据并清理格式化

In [1]:

import pandas as pd
import numpy as np
​
pd.set_option('display.max_colwidth', -1)
​
from pyecharts import options as opts
from pyecharts.charts import Bar,Pie,Line

In [2]:

# 读取整个目录，将所有的文件合并到一个dataframe
data_dir = "./datas/crazyant/blog_access_log"
​
df_list = []
​
import os
for fname in os.listdir(f"{data_dir}"):
    df_list.append(pd.read_csv(f"{data_dir}/{fname}", sep=" ", header=None, error_bad_lines=False))
​
df = pd.concat(df_list)
b'Skipping line 2245: expected 10 fields, saw 16\nSkipping line 2889: expected 10 fields, saw 14\nSkipping line 2890: expected 10 fields, saw 14\nSkipping line 2891: expected 10 fields, saw 13\nSkipping line 2892: expected 10 fields, saw 13\nSkipping line 2900: expected 10 fields, saw 11\nSkipping line 2902: expected 10 fields, saw 11\nSkipping line 3790: expected 10 fields, saw 14\nSkipping line 3791: expected 10 fields, saw 14\nSkipping line 3792: expected 10 fields, saw 13\nSkipping line 3793: expected 10 fields, saw 13\nSkipping line 3833: expected 10 fields, saw 11\nSkipping line 3835: expected 10 fields, saw 11\nSkipping line 9936: expected 10 fields, saw 16\n'
b'Skipping line 11748: expected 10 fields, saw 11\nSkipping line 11750: expected 10 fields, saw 11\n'

In [3]:

 

df.head()
 

Out[3]:
 

0123456789
0106.11.153.226--[02/Dec/2019:22:40:18+0800]GET /740.html?replytocom=1194 HTTP/1.020013446-YisouSpider
142.156.254.60--[02/Dec/2019:22:40:23+0800]POST /wp-json/wordpress-popular-posts/v1/popular-posts HTTP/1.020155http://www.crazyant.net/740.html?replytocom=1194Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36
2106.11.159.254--[02/Dec/2019:22:40:27+0800]GET /576.html HTTP/1.020013461-YisouSpider
3106.11.157.254--[02/Dec/2019:22:40:28+0800]GET /?lwfcdw=t9n2d3&oqzohc=m5e7j1&oubyvq=iab6a3&oudmbg=6osqd3 HTTP/1.020010485-YisouSpider
442.156.137.109--[02/Dec/2019:22:40:30+0800]POST /wp-json/wordpress-popular-posts/v1/popular-posts HTTP/1.020155http://www.crazyant.net/576.htmlMozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36
 

In [4]:
 

 

 

df = df[[0, 3, 6, 9]].copy()
 

df.head()
 

Out[4]:
 

0369
0106.11.153.226[02/Dec/2019:22:40:18200YisouSpider
142.156.254.60[02/Dec/2019:22:40:23201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36
2106.11.159.254[02/Dec/2019:22:40:27200YisouSpider
3106.11.157.254[02/Dec/2019:22:40:28200YisouSpider
442.156.137.109[02/Dec/2019:22:40:30201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36
 

In [5]:
 

 

 

df.columns = ["ip", "stime", "status", "client"]
 

df.head()
 

Out[5]:
 

ipstimestatusclient
0106.11.153.226[02/Dec/2019:22:40:18200YisouSpider
142.156.254.60[02/Dec/2019:22:40:23201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36
2106.11.159.254[02/Dec/2019:22:40:27200YisouSpider
3106.11.157.254[02/Dec/2019:22:40:28200YisouSpider
442.156.137.109[02/Dec/2019:22:40:30201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36
 

In [6]:
 

 

 

df.dtypes
 

Out[6]:
 

ip        object
stime     object
status    int64 
client    object
dtype: object
 

2、统计spider的比例
 

In [7]:
 

 

 

df["is_spider"] = df["client"].str.lower().str.contains("spider")
 

df.head()
 

Out[7]:
 

ipstimestatusclientis_spider
0106.11.153.226[02/Dec/2019:22:40:18200YisouSpiderTrue
142.156.254.60[02/Dec/2019:22:40:23201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36True
2106.11.159.254[02/Dec/2019:22:40:27200YisouSpiderTrue
3106.11.157.254[02/Dec/2019:22:40:28200YisouSpiderTrue
442.156.137.109[02/Dec/2019:22:40:30201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36True
 

In [8]:
 

 

 

df_spider = df["is_spider"].value_counts()
 

df_spider
 

Out[8]:
 

False    46641
True     3637 
Name: is_spider, dtype: int64
 

In [9]:
 

 

 

bar = (
 

        Bar()
 

        .add_xaxis([str(x) for x in df_spider.index])
 

        .add_yaxis("是否Spider", df_spider.values.tolist())
 

        .set_global_opts(title_opts=opts.TitleOpts(title="爬虫访问量占比"))
 

)
 

bar.render_notebook()
 

Out[9]:
 

3、访问状态码的数量对比
 

In [10]:
 

 

）
 

df_status
 

Out[10]:
 

status
200    41924
201    3432 
206    70   
301    2364 
302    23   
304    19   
400    20   
403    92   
404    1474 
405    12   
444    846  
500    1    
504    1    
dtype: int64
 

In [11]:
 

 

 

list(zip(df_status.index, df_status))
 

Out[11]:
 

[(200, 41924),
 (201, 3432),
 (206, 70),
 (301, 2364),
 (302, 23),
 (304, 19),
 (400, 20),
 (403, 92),
 (404, 1474),
 (405, 12),
 (444, 846),
 (500, 1),
 (504, 1)]
 

In [12]:
 

 

pie = (
 

        Pie()
 

        .add("状态码比例", list(zip(df_status.index, df_status)))
 

        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
 

    )
 

pie.render_notebook()
 

Out[12]:
 

4、实现按小时、按天粒度的流量统计
 

In [13]:
 

 

 

df.head()
 

Out[13]:
 

ipstimestatusclientis_spider
0106.11.153.226[02/Dec/2019:22:40:18200YisouSpiderTrue
142.156.254.60[02/Dec/2019:22:40:23201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36True
2106.11.159.254[02/Dec/2019:22:40:27200YisouSpiderTrue
3106.11.157.254[02/Dec/2019:22:40:28200YisouSpiderTrue
442.156.137.109[02/Dec/2019:22:40:30201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36True
 

In [14]:
 

 

 

df["stime"] = pd.to_datetime(df["stime"].str[1:], format="%d/%b/%Y:%H:%M:%S")
 

df.head()
 

Out[14]:
 

ipstimestatusclientis_spider
0106.11.153.2262019-12-02 22:40:18200YisouSpiderTrue
142.156.254.602019-12-02 22:40:23201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36True
2106.11.159.2542019-12-02 22:40:27200YisouSpiderTrue
3106.11.157.2542019-12-02 22:40:28200YisouSpiderTrue
442.156.137.1092019-12-02 22:40:30201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36True
 

In [15]:
 

 

 

df.set_index("stime", inplace=True)
 

df.sort_index(inplace=True)
 

df.head()
 

Out[15]:
 

ipstatusclientis_spider
stime
2019-12-02 22:40:18106.11.153.226200YisouSpiderTrue
2019-12-02 22:40:2342.156.254.60201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36True
2019-12-02 22:40:27106.11.159.254200YisouSpiderTrue
2019-12-02 22:40:28106.11.157.254200YisouSpiderTrue
2019-12-02 22:40:3042.156.137.109201Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 YisouSpider/5.0 Safari/537.36True
 

In [16]:
 

 

 

df.index
 

Out[16]:
 

DatetimeIndex(['2019-12-02 22:40:18', '2019-12-02 22:40:23',
               '2019-12-02 22:40:27', '2019-12-02 22:40:28',
               '2019-12-02 22:40:30', '2019-12-02 22:40:46',
               '2019-12-02 22:41:52', '2019-12-02 22:41:52',
               '2019-12-02 22:41:55', '2019-12-02 22:42:16',
               ...
               '2019-12-07 21:30:16', '2019-12-07 21:30:17',
               '2019-12-07 21:30:19', '2019-12-07 21:30:20',
               '2019-12-07 21:30:21', '2019-12-07 21:30:22',
               '2019-12-07 21:30:23', '2019-12-07 21:30:56',
               '2019-12-07 21:30:58', '2019-12-07 21:31:02'],
              dtype='datetime64[ns]', name='stime', length=50278, freq=None)
 

In [21]:
 

 

 

# 按小时统计
 

#df_pvuv = df.resample("H")["ip"].agg(pv=np.size, uv=pd.Series.nunique)
 

​
 

# 按每6个小时统计
 

#df_pvuv = df.resample("6H")["ip"].agg(pv=np.size, uv=pd.Series.nunique)
 

​
 

# 按天统计
 

df_pvuv = df.resample("D")["ip"].agg(pv=np.size, uv=pd.Series.nunique)
 

​
 

df_pvuv.head()
 

Out[21]:
 

pvuv
stime
2019-12-0228870
2019-12-03102851180
2019-12-04136181197
2019-12-05104851152
2019-12-0694691261
 

In [22]:
 

 

 

line = (
 

        Line()
 

        .add_xaxis(df_pvuv.index.to_list())
 

        .add_yaxis("PV", df_pvuv["pv"].to_list())
 

        .add_yaxis("UV", df_pvuv["uv"].to_list())
 

        .set_global_opts(
 

            title_opts=opts.TitleOpts(title="PVUV数据对比"),
 

            tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross")
 

        )
 

    )
 

line.render_notebook()
 

import pandas as pd
import numpy as np
import os

# max_colwidth参数设置10就是10列
pd.set_option('display.max_colwidth', 10)

from pyecharts import options as opts
from pyecharts.charts import Bar, Pie, Line

# 读取整个目录，将所有的文件合并到一个dataframe
data_dir = './crazyant/blog_access_log'

df_list = []
for fname in os.listdir(f'{data_dir}'):
    # 用read_csv读取文件并加入列表
    df_list.append(pd.read_csv(f'{data_dir}/{fname}', sep=" ", header=None, on_bad_lines='skip'))

df = pd.concat(df_list)
print(df.head())

df = df[[0, 3, 6, 9]].copy()
print(df.head())
#重命名
df.columns = ['ip', 'stime', 'status', 'client']
print(df.head())
print(df.dtypes)
#判断是否为爬虫
df['is_spider'] = df['client'].str.lower().str.contains('spider')
print(df.head())
#获取爬虫与非爬虫数量并做成柱状图
df_spider = df['is_spider'].value_counts()
print(df_spider)
#bar柱状图类和opts（选项）类
bar = (
    Bar()
    .add_xaxis([str(x) for x in df_spider.index])
    .add_yaxis('是否Spider', df_spider.values.tolist())
    #set_global_opts() 方法用于设置全局选项
    .set_global_opts(title_opts=opts.TitleOpts(title="爬虫访问量占比"))
)

bar.render('./crazyant/cbar.html')

# 3.访问状态马的数量对比
df_status = df.groupby("status").size()#以status列进行分组，并统计每组中的数量
print(df_status)

print(list(zip(df_status.index, df_status)))
#利用饼图将状态码比例可视化
# Pie()表示饼图，.add()表示添加数据，.set_series_opts()表示设置系列配置
# 这个是横版 但是调了一些想加标题但是奇奇怪怪的
pie = (
    Pie()
    .add("状态码比例", list(zip(df_status.index.map(str), df_status)))# 添加数据，横坐标为df_status中的索引，纵坐标为df_status中的索引值大小
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")) # 设置系列配置，显示文字格式为“{b}: {c}”

)
pie.render('./crazyant/piebar1.html')

# 这个是竖着的
pie = (
    Pie()
    .add(
        "状态码比例",
        list(zip(df_status.index.map(str), df_status)),
        center=["50%", "60%"]  # 设置饼图的中心位置
    )
    .set_series_opts(
        label_opts=opts.LabelOpts(formatter="{b}: {c}"),
        center=["50%", "60%"]  # 设置饼图的中心位置
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="状态码占比"),
        legend_opts=opts.LegendOpts(
            orient='vertical',# 设置图例的排列方向为垂直方向
            pos_top='center',# 设置图例的上边距为“center”，即垂直方向上居中
            pos_left='left'# 设置图例的左边距为“left”
        )
    )
)
pie.render('./crazyant/piebar2.html')

# 实现按小时、按天粒度的流量统计
print(df.head())
# 将日期按格式转换成时间戳的形式
df['stime'] = pd.to_datetime(df['stime'].str[1:], format='%d/%b/%Y:%H:%M:%S')
print(df.head())
#stime变为索引列，inplace原地改
df.set_index('stime', inplace=True)
df.sort_index(inplace=True)
print(df.head())
print(df.index)

# 按照小时统计
df_pvuv1 = df.resample('H')['ip'].agg(pv=np.size, uv=pd.Series.nunique)
# # 按照每六小时统计
df_pvuv2 = df.resample('6H')['ip'].agg(pv=np.size, uv=pd.Series.nunique)
# 按天统计
df_pvuv3 = df.resample('D')['ip'].agg(pv=np.size, uv=pd.Series.nunique)
#折线图line
#tooltip_opts=opts.TooltipOpts(trigger='axis',axis_pointer_type='cross')
# 表示设置悬浮提示框，在鼠标移动到数据点时会自动显示数据信息，并且横轴和纵轴的提示线都同时显示
line1=(
    Line()
    .add_xaxis(df_pvuv1.index.to_list())
    .add_yaxis('PV',df_pvuv1['pv'].to_list())
    #df_pvuv1.index.to_list() 表示将 df_pvuv1 的索引转换为列表，并作为 x 轴标签
    .add_yaxis('UV',df_pvuv1['uv'].to_list())
    .set_global_opts(
        title_opts=opts.TitleOpts(title='PVUV数据对比'),
        tooltip_opts=opts.TooltipOpts(trigger='axis',axis_pointer_type='cross')
    )
)
line2=(
    Line()
    .add_xaxis(df_pvuv2.index.to_list())
    .add_yaxis('PV',df_pvuv2['pv'].to_list())
    .add_yaxis('UV',df_pvuv2['uv'].to_list())
    .set_global_opts(
        title_opts=opts.TitleOpts(title='PVUV数据对比'),
        tooltip_opts=opts.TooltipOpts(trigger='axis',axis_pointer_type='cross')
    )
)
line3=(
    Line()
    .add_xaxis(df_pvuv3.index.to_list())
    .add_yaxis('PV',df_pvuv3['pv'].to_list())
    .add_yaxis('UV',df_pvuv3['uv'].to_list())
    .set_global_opts(
        title_opts=opts.TitleOpts(title='PVUV数据对比'),
        tooltip_opts=opts.TooltipOpts(trigger='axis',axis_pointer_type='cross')
    )
)

line1.render('./crazyant/pvuv1.html')
line2.render('./crazyant/pvuv2.html')
line3.render('./crazyant/pvuv3.html')
 

 

 
 

 
 

 
 

 

                

        

        

            

            

            

              

                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/534601.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

          
            
                  

                    

                      

                        

                          
                            Python挑选出无Labelme标注文件的图片文件
                        

                      

                      

                        

                          Python挑选出无Labelme标注文件的图片文件
                        

                        

                          Python挑选出无Labelme标注文件的图片文件 前言前提条件相关介绍实验环境Python挑选出无Labelme标注文件的图片文件代码实现输出结果 前言 本文是个人使用Python处理文件的电子笔记，由于水平有限，难免出现错漏，敬请批评改正。 (https://blog.…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            【设计原则与思想：总结课】38 | 总结回顾面向对象、设计原则、编程规范、重构技巧等知识点
                        

                      

                      

                        

                          【设计原则与思想：总结课】38 | 总结回顾面向对象、设计原则、编程规范、重构技巧等知识点
                        

                        

                          到今天为止，设计原则和思想已经全部讲完了，其中包括：面向对象、设计原则、规范与重构三个模块的内容。除此之外，我们还学习了贯穿整个专栏的代码质量评判标准。专栏的进度已经接近一半，马上就要进入设计模式内容的学习…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            Python: 生成ubuntu apt镜像地址
                        

                      

                      

                        

                          Python: 生成ubuntu apt镜像地址
                        

                        

                          文章目录 1. 目的2. 设计3. 实现4. 调用5. 参考 1. 目的 
每次新配置 Ubuntu 系统，免不了配置 apt 源。尽管可以通过 GUI 界面进行选择，但自动化程度不够，不同桌面（Unity/Gnome/KDE）下的界面也不太一样； 使…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            Java基础-sleep和wait的区别
                        

                      

                      

                        

                          Java基础-sleep和wait的区别
                        

                        

                          本文介绍Java中sleep和wait方法的使用区别 文章目录 sleep()wait()sleep()和wait()对比区别相同点 sleep() 
查看sleep方法，可见其是static native方法 
public static native void sleep(long millis) throws InterruptedException;sleep()方法需要指定等待的时间。…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            HTTP第14讲——HTTP传输大文件的方法
                        

                      

                      

                        

                          HTTP第14讲——HTTP传输大文件的方法
                        

                        

                          背景 
HTTP 可以传输很多种类的数据，不仅是文本，也能传输图片、音频和视频。 早期互联网上传输的基本上都是只有几 K 大小的文本和小图片，现在的情况则大有不同。网页里包含的信息实在是太多了，随随便便一个主页 HTML 就有可能上百…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            java常用集合
                        

                      

                      

                        

                          java常用集合
                        

                        

                          java集合又是一个新世界了，从前在我刚接触java的时候，一直在纠结 集合这东西到底有啥用，后来代码写的多了。才开始学习集合 集合也叫容器。顾名思意 就是存放对象的器皿。 
主要是由两大接口派生而来 ：一个是 Collecton接口&#…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            LeetCode高频算法刷题记录2
                        

                      

                      

                        

                          LeetCode高频算法刷题记录2
                        

                        

                          文章目录 1. 最大子数组和【简单】1.1 题目描述1.2 解题思路1.3 代码实现 2. 合并两个有序链表【简单】2.1 题目描述2.2 解题思路2.3 代码实现 3. 两数之和【简单】3.1 题目描述3.2 解题思路3.3 代码实现 4. 二叉树的层序遍历【中等】4.1 题目描述4.2 解题思路4.3 代码实现 5. …
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            代码随想录算法训练营第四十二天 | 背包问题
                        

                      

                      

                        

                          代码随想录算法训练营第四十二天 | 背包问题
                        

                        

                          背包问题 理论 基础：二维 文档讲解：代码随想录 (programmercarl.com) 视频讲解：带你学透0-1背包问题！| 关于背包问题，你不清楚的地方，这里都讲了！| 动态规划经典问题 | 数据结构与算法_哔哩哔哩…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            Revit SDK：ErrorHandling
                        

                      

                      

                        

                          Revit SDK：ErrorHandling
                        

                        

                          前言 
本文介绍 Revit 的错误处理机制。 
内容 
程序员对错误处理的定义和理解 
程序的错误处理机制可以分为两种类型：错误返回码和异常捕捉。 
错误返回码是指在程序中遇到错误时，通过函数返回值来表明错误的类型和信息。错误返回码可以在程序中被预测和…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            MySQL数据落盘原理(data page、redo log、undo log、binlog、xa-2pc等源码分析)
                        

                      

                      

                        

                          MySQL数据落盘原理(data page、redo log、undo log、binlog、xa-2pc等源码分析)
                        

                        

                          文章目录 前言一、Innodb如何作为MySQL插件的二、page cleaner thread三、Update操作源码梳理1、生成undo log2、更新数据3、生成redo log 四、MTR与将脏页添加到Flush List1、MTR2、脏页添加到Flush List 五、事务提交1、xa-prepare2、xa-commit2.1、process_flush_stage_queu…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            概率统计与计算机技术的联系及在生活当中的应用研究
                        

                      

                      

                        

                          概率统计与计算机技术的联系及在生活当中的应用研究
                        

                        

                          title: 概率统计与计算机技术的联系及在生活当中的应用研究 date: 2023-05-16 11:42:26 tags: 题目：概率统计与计算机技术的联系及在生活当中的应用研究 
摘 要 
概率论与数理统计是研究随机现象统计规律性的一门学科，是理工科各专业的一门重要的基础课程…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            shell免交互
                        

                      

                      

                        

                          shell免交互
                        

                        

                          shell免交互 
Here Document 免交互 
使用I/O重定向的方式将命令列表提供给交互式程序或命令，比如 ftp、cat 或 read 命令。 是标准输入的一种替代品可以帮助脚本开发人员不必使用临时文件来构建输入信息，而是直接就地生产出一个“文件”并用作“命令”的…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            Python 爬虫（四）：Selenium 框架
                        

                      

                      

                        

                          Python 爬虫（四）：Selenium 框架
                        

                        

                          Selenium 是一个用于测试 Web 应用程序的框架，该框架测试直接在浏览器中运行，就像真实用户操作一样。它支持多种平台：Windows、Linux、Mac，支持多种语言：Python、Perl、PHP、C# 等，支持多种浏览器&#xff…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            Android中的IPC方式
                        

                      

                      

                        

                          Android中的IPC方式
                        

                        

                          Android中的IPC方式 
1.Bundle 
其中Intent就是用Bundle进行传播 
四大组件间的进程间通信 
2.使用文件共享 
2.1文件共享的缺点 
无并发，适用于交换简单的数据实时性不高的情景 
使用文件共享容易出： 
内容不一致：如果多个线程同时写入文件&…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            【JavaWeb】-- Request和Response、JSP、会话技术
                        

                      

                      

                        

                          【JavaWeb】-- Request和Response、JSP、会话技术
                        

                        

                          文章目录 Request和Response1.概述2.Request对象2.1 Request继承体系2.2Request获取请求数据2.3 IDEA创建Servlet2.4 请求参数中文乱码问题POST请求解决方案GET请求解决方案 2.5 Request请求转发 3.Response对象3.1 Response设置响应数据功能介绍3.2 Response请求重定向3.3 路径…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            RabbitMQ养成记 （8. 消费者接受消息可靠性 consumer Ack）
                        

                      

                      

                        

                          RabbitMQ养成记 （8. 消费者接受消息可靠性 consumer Ack）
                        

                        

                          Consumer Ack 
ack 指的是acknowledge 确认， 指的是消费端收到消息后的确认方式。 有三种确认方式： 
自动确认手动确认 （根据业务情况 手动确认是否成功发送）根据异常情况确认 我们在消费端用代码实践一下： 首先我们定…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            不会还有人不知道软件测试报告模板怎么写吧？
                        

                      

                      

                        

                          不会还有人不知道软件测试报告模板怎么写吧？
                        

                        

                          在测试岗位上，写报告是一项非常重要的软技能，写得好可以加分，写不好必然减分。 
但在测试岗位上，提测“通过”和提测“不通过"的软件测试报告所包含的内容是不一样的（这是个坑）。但很多测试新人可能并…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            LIO-SAM UBUNTU16.04.7 ROS-KINETIC 环境 编译 安装
                        

                      

                      

                        

                          LIO-SAM UBUNTU16.04.7 ROS-KINETIC 环境 编译 安装
                        

                        

                          简单记录一下 VMWARE workstation15UBUNTU16.04.7ros-kineticgtsam4.0.0 
（默认16.04比较老旧，不好用，vmtools也都没有，选了一个.7） 
选16.04版本的理由也简单，只是为了参考一个博客，单独建的环…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            C语言-易错点汇总
                        

                      

                      

                        

                          C语言-易错点汇总
                        

                        

                          易错点汇总 指针数组和数组指针(*p).astruct stdent和typedef struct stdentF5和CtrlF5const的位置全局变量和局部变量两个相同的常量字符串数组名和&数组名数组指针定义的解读int (*arr[10])[5]数组传参(* (void (*)())0)();关于数组名是否表示整个数组和数组首元素的地址…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            Java位运算
                        

                      

                      

                        

                          Java位运算
                        

                        

                          Java >>和>>>的区别 
| 或： 有1得1， 全0得0 int temp  a|c;System.out.println(Integer.toBinaryString(a));System.out.println(Integer.toBinaryString(c));System.out.println(Integer.toBinaryString(temp));/***  结果输出*	* 	01* …
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
       
      
        

        

          

            



                
                
                

            

          

          

            



              
推荐文章

              
            

          


          

            


                
                
                
            

          

          

            

              
最新文章

              
            

          

          

            

            
            
            
            

          

        

      

    

    

      

        

                    Copyright @ 2022~2023