【大数据Hive】Hive 窗口函数使用详解

news2024/9/24 17:14:14

目录

一、前言

二、hive 窗口函数概述

2.1 聚合函数与窗口函数差别

2.1.1 创建一张表

2.1.2 加载数据到表中

2.1.3 sum+group by普通常规聚合操作

2.1.4 sum+窗口函数聚合操作

三、窗口函数

3.1 窗口函数语法

3.2  参数说明

3.2.1 Function(arg1,..., argn)

3.2.2 OVER [PARTITION BY <...>]

3.2.3 [ORDER BY <....>]

3.2.4 []

3.3  窗口函数使用操作演示

3.3.1 数据准备

3.3.2 窗口聚合函数的使用

3.3.3 sum+窗口函数

3.3.4 求出每个用户总pv数

3.3.5 求出每个用户截止到当天，累积的总pv数

3.4  窗口表达式

3.5 窗口表达式案例演示

3.5.1 默认从第一行到当前行

3.5.2 第一行到当前行

3.5.3 向前3行至当前行

3.6  窗口排序函数

3.6.1 找出每个用户访问pv最多的Top3

3.7  窗口排序函数-ntile

3.7.1 ntile 概述

3.7.2 统计每个用户pv数最多的前3分之1天

3.8  窗口分析函数

3.8.1 LAG(col,n,DEFAULT)

3.8.2 LEAD(col,n,DEFAULT)

3.8.3 FIRST_VALUE

3.8.4 LAST_VALUE

3.8.5 案例操作演示

四、抽样函数

4.1 抽样函数概述

4.2 Random 随机抽样

4.3 案例操作演示

4.3.1 数据准备

4.3.2 随机抽取2个学生的情况进行查看

4.4 Block 基于数据块抽样

4.4.1 案例操作演示

4.5 Bucket table 基于分桶表抽样

参数说明

4.6 案例操作演示

4.6.1 根据整行数据进行抽样

4.6.2 根据分桶字段进行抽样 ，效率更高

五、写在文末

一、前言

在讲Flink的时候，我们聊到了窗口函数的使用，了解了窗口函数的作用，本篇来详细聊聊hive中窗口函数的使用。

二、hive 窗口函数概述

窗口函数（Window functions）也叫做开窗函数、OLAP函数，其最大特点是：输入值是从SELECT语句的结果集中的一行或多行的“窗口”中获取的。如果函数具有OVER子句，则它是窗口函数。

窗口函数可以简单地解释为类似于聚合函数的计算函数，但是通过GROUP BY子句组合的常规聚合会隐藏正在聚合的各个行，最终输出一行，窗口函数聚合后还可以访问当中的各个行，并且可以将这些行中的某些属性添加到结果集中。

结合下图，可以对比理解下普通聚合函数与窗口函数的作用；

我们不妨通过两个sql来直观感受下普通聚合函数与窗口函数的差异所在；

2.1 聚合函数与窗口函数差别

下面用一个实例演示下

2.1.1 创建一张表

CREATE TABLE employee(
       id int,
       name string,
       deg string,
       salary int,
       dept string
) row format delimited
    fields terminated by ',';

执行sql进行创建

2.1.2 加载数据到表中

load data local inpath '/usr/local/soft/selectdata/employee.txt' into table employee;

2.1.3 sum+group by普通常规聚合操作

select dept,sum(salary) as total from employee group by dept;

执行结果 

2.1.4 sum+窗口函数聚合操作

select id,name,deg,salary,dept,sum(salary) over(partition by dept) as total from employee;

执行结果

对比上面两个sql的执行结果可以发现，窗口函数的聚合能够反馈出更多的中间信息，这在某些需要展示更多字段信息场景的情况下是很有用处的。

三、窗口函数

3.1 窗口函数语法

窗口函数完整语法树如下

Function(arg1,..., argn) OVER ([PARTITION BY <...>] [ORDER BY <....>] [<window_expression>])

3.2  参数说明

3.2.1 Function(arg1,..., argn)

可以是下面分类中的任意一个

--聚合函数：比如sum max avg等
    --排序函数：比如rank row_number等
            --分析函数：比如lead lag first_value等

3.2.2 OVER [PARTITION BY <...>]

1、类似于group by 用于指定分组  每个分组你可以把它叫做窗口；

2、如果没有PARTITION BY 那么整张表的所有行就是一组；

3.2.3 [ORDER BY <....>]

用于指定每个分组内的数据排序规则 支持ASC、DESC

3.2.4 [<window_expression>]

用于指定每个窗口中 操作的数据范围 默认是窗口中所有行

3.3  窗口函数使用操作演示

3.3.1 数据准备

建立两张表，并加载数据，一张是网站的pv数据，一张是访问网站的url信息；

create table website_pv_info(
   cookieid string,
   createtime string,   --day
   pv int
) row format delimited
fields terminated by ',';

create table website_url_info (
    cookieid string,
    createtime string,  --访问时间
    url string       --访问页面
) row format delimited
fields terminated by ',';


load data local inpath '/usr/local/soft/selectdata/website_pv_info.txt' into table website_pv_info;
load data local inpath '/usr/local/soft/selectdata/website_url_info.txt' into table website_url_info;

执行完毕上面的sql，检查数据是否成功加载到表中

select * from website_pv_info;
select * from website_url_info;

执行结果如下

3.3.2 窗口聚合函数的使用

求每个用户总pv数，  sum+group by普通常规聚合操作

select cookieid,sum(pv) as total_pv from website_pv_info group by cookieid;

执行结果

3.3.3 sum+窗口函数

该方式总共有四种用法 ，注意是整体聚合 还是累积聚合，

--sum(...) over( )对表所有行求和
--sum(...) over( order by ... ) 连续累积求和
--sum(...) over( partition by... ) 同组内所行求和
--sum(...) over( partition by... order by ... ) 在每个分组内，连续累积求和

紧接着，我们实现这样一个需求：求出网站总的pv数 所有用户所有访问加起来，语法：sum(...) over( )对表所有行求和；

select cookieid,createtime,pv,
       sum(pv) over() as total_pv  --注意这里窗口函数是没有partition by 也就是没有分组  全表所有行
from website_pv_info;

看下执行结果，在这种情况下，原本的数据保留，每一行记录多了一个汇总的结果列；

3.3.4 求出每个用户总pv数

sum(...) over( partition by... )，同组内所行求和

select cookieid,createtime,pv,
       sum(pv) over(partition by cookieid) as total_pv
from website_pv_info;

执行结果

3.3.5 求出每个用户截止到当天，累积的总pv数

sum(...) over( partition by... order by ... )，在每个分组内，连续累积求和

3.4  窗口表达式

窗口表达式概述

  • 在sum(...) over( partition by... order by ... )语法完整的情况下，进行累积聚合操作，默认累积聚合行为是：从第一行聚合到当前行；
  • Window expression窗口表达式给我们提供了一种控制行范围的能力，比如向前2行，向后3行；

窗口表达式语法

关键字是rows between，包括下面这几个选项

- preceding：往前

- following：往后

- current row：当前行

- unbounded：边界

- unbounded preceding 表示从前面的起点

- unbounded following：表示到后面的终点

3.5 窗口表达式案例演示

下面来看窗口表达式的操作演示

3.5.1 默认从第一行到当前行

select cookieid,createtime,pv,
       sum(pv) over(partition by cookieid order by createtime) as pv1  --默认从第一行到当前行
from website_pv_info;

执行结果

3.5.2 第一行到当前行

select cookieid,createtime,pv,
       sum(pv) over(partition by cookieid order by createtime rows between unbounded preceding and current row) as pv2
from website_pv_info;

执行结果

3.5.3 向前3行至当前行

select cookieid,createtime,pv,
       sum(pv) over(partition by cookieid order by createtime rows between 3 preceding and current row) as pv4
from website_pv_info;

执行结果

其他情况

--向前3行 向后1行
select cookieid,createtime,pv,
       sum(pv) over(partition by cookieid order by createtime rows between 3 preceding and 1 following) as pv5
from website_pv_info;

--当前行至最后一行
select cookieid,createtime,pv,
       sum(pv) over(partition by cookieid order by createtime rows between current row and unbounded following) as pv6
from website_pv_info;

--第一行到最后一行 也就是分组内的所有行
select cookieid,createtime,pv,
       sum(pv) over(partition by cookieid order by createtime rows between unbounded preceding  and unbounded following) as pv6
from website_pv_info;

比如：第一行到最后一行， 也就是分组内的所有行

3.6  窗口排序函数

用于给每个分组内的数据打上排序的标号，注意窗口排序函数不支持窗口表达式，如下为一个窗口排序函数的语法使用；

SELECT
    cookieid,
    createtime,
    pv,
    RANK() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn1,
    DENSE_RANK() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn2,
    ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY pv DESC) AS rn3
FROM website_pv_info
WHERE cookieid = 'cookie1';

关于sql中有几个重要参数做如下说明：

  • row_number：在每个分组中，为每行分配一个从1开始的唯一序列号，递增，不考虑重复；
  • rank: 在每个分组中，为每行分配一个从1开始的序列号，考虑重复，挤占后续位置；
  • dense_rank: 在每个分组中，为每行分配一个从1开始的序列号，考虑重复，不挤占后续位置；

接下来看操作演示

3.6.1 找出每个用户访问pv最多的Top3

重复并列的不考虑

SELECT * from
(SELECT
    cookieid,
    createtime,
    pv,
    ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY pv DESC) AS seq
FROM website_pv_info) tmp where tmp.seq <4;

运行sql观察执行结果，就得到了每个用户的top3的PV；

3.7  窗口排序函数-ntile

有时会有这样的需求:如果数据排序后分为三部分，业务人员只关心其中的一部分，如何将这中间的三分之一数据拿出来呢?NTILE函数即可以满足。

3.7.1 ntile 概述

1、将每个分组内的数据分为指定的若干个桶里（分为若干个部分），并且为每一个桶分配一个桶编号；

2、如果不能平均分配，则优先分配较小编号的桶，并且各个桶中能放的行数最多相差1；

如下sql，要把每个分组内的数据分为3桶

SELECT
    cookieid,
    createtime,
    pv,
    NTILE(3) OVER(PARTITION BY cookieid ORDER BY createtime) AS rn2
FROM website_pv_info
ORDER BY cookieid,createtime;

对应着数据表如下所示

3.7.2 统计每个用户pv数最多的前3分之1天

解决思路：将数据根据cookieid分 根据pv倒序排序 排序之后分为3个部分 取第一部分

sql

SELECT * from
(SELECT
     cookieid,
     createtime,
     pv,
     NTILE(3) OVER(PARTITION BY cookieid ORDER BY pv DESC) AS rn
 FROM website_pv_info) tmp where rn =1;

执行结果

3.8  窗口分析函数

常用的窗口分析函数总结如下

3.8.1 LAG(col,n,DEFAULT)

用于统计窗口内往上第n行值，第一个参数为列名，第二个参数为往上第n行（可选，默认为1），第三个参数为默认值（当往上第n行为NULL时候，取默认值，如不指定，则为NULL）；

3.8.2 LEAD(col,n,DEFAULT)

用于统计窗口内往下第n行值

第一个参数为列名，第二个参数为往下第n行（可选，默认为1），第三个参数为默认值（当往下第n行为NULL时候，取默认值，如不指定，则为NULL）；

3.8.3 FIRST_VALUE

取分组内排序后，截止到当前行，第一个值

3.8.4 LAST_VALUE

取分组内排序后，截止到当前行，最后一个值

3.8.5 案例操作演示

LAG 操作

查询website_url_info表，根据cookieid开窗，并根据createtime排序向上取2行

SELECT cookieid,
       createtime,
       url,
       ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
       LAG(createtime,1,'1970-01-01 00:00:00') OVER(PARTITION BY cookieid ORDER BY createtime) AS last_1_time,
       LAG(createtime,2) OVER(PARTITION BY cookieid ORDER BY createtime) AS last_2_time
FROM website_url_info;

执行结果

LEAD 操作（与上面相反的操作）

SELECT cookieid,
       createtime,
       url,
       ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
       LEAD(createtime,1,'1970-01-01 00:00:00') OVER(PARTITION BY cookieid ORDER BY createtime) AS next_1_time,
       LEAD(createtime,2) OVER(PARTITION BY cookieid ORDER BY createtime) AS next_2_time
FROM website_url_info;

FIRST_VALUE 操作

取分组内排序后，截止到当前行，第一个值

SELECT cookieid,
       createtime,
       url,
       ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
       FIRST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS first1
FROM website_url_info;

执行结果

LAST_VALUE操作

取分组内排序后，截止到当前行，最后一个值

SELECT cookieid,
       createtime,
       url,
       ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
       LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS last1
FROM website_url_info;

执行结果

四、抽样函数

4.1 抽样函数概述

当数据量过大时，我们可能需要查找数据子集以加快数据处理速度分析，这就是抽样、采样，一种用于识别和分析数据中的子集的技术，以发现整个数据集中的模式和趋势。

在HQL中，可以通过三种方式采样数据

  • 随机采样；
  • 存储桶表采样；
  • 块采样；

4.2 Random 随机抽样

随机抽样使用rand（）函数来确保随机获取数据，LIMIT来限制抽取的数据个数。 优点是随机，缺点是速度不快，尤其表数据多的时候。

1、推荐DISTRIBUTE+SORT，可以确保数据也随机分布在mapper和reducer之间，使得底层执行有效率；

2、ORDER BY语句也可以达到相同的目的，但是表现不好，因为ORDER BY是全局排序，只会启动运行一个reducer ；

4.3 案例操作演示

4.3.1 数据准备

使用下面的表的数据做演示

4.3.2 随机抽取2个学生的情况进行查看

SELECT * FROM student
DISTRIBUTE BY rand() SORT BY rand() LIMIT 2;

执行结果

 使用order by+rand也可以实现同样的效果 但是效率不高

SELECT * FROM student
    ORDER BY rand() LIMIT 2;

4.4 Block 基于数据块抽样

Block块采样允许随机获取n行数据、百分比数据或指定大小的数据，采样粒度是HDFS块大小。

优点是速度快，缺点是不随机

4.4.1 案例操作演示

根据行数抽样

SELECT * FROM student TABLESAMPLE(1 ROWS);

可以看出来这个速度是非常快的

根据数据大小百分比抽样

SELECT * FROM student TABLESAMPLE(50 PERCENT);

执行结果

根据数据大小抽样

支持数据单位 b/B, k/K, m/M, g/G

SELECT * FROM student TABLESAMPLE(1k);

执行结果

其他抽样


---bucket table抽样
--根据整行数据进行抽样
SELECT * FROM t_usa_covid19_bucket TABLESAMPLE(BUCKET 1 OUT OF 5 ON rand());

--根据分桶字段进行抽样 效率更高
describe formatted t_usa_covid19_bucket;
SELECT * FROM t_usa_covid19_bucket TABLESAMPLE(BUCKET 1 OUT OF 5 ON state);

4.5 Bucket table 基于分桶表抽样

这是一种特殊的采样方法，针对分桶表进行了优化。优点是既随机速度也很快。语法如下：

TABLESAMPLE  (BUCKET  x  OUT OF y  [ON  colname] )

参数说明

1、y必须是table总bucket数的倍数或者因子。hive根据y的大小，决定抽样的比例

例如，table总共分了4份（4个bucket），当y=2时，抽取(4/2=)2个bucket的数据，当y=8时，抽取(4/8=)1/2个bucket的数据。

2、x表示从哪个bucket开始抽取

例如，table总bucket数为4，tablesample(bucket 4 out of 4)，表示总共抽取（4/4=）1个bucket的数据，抽取第4个bucket的数据。注意：x的值必须小于等于y的值，否则FAILED:Numerator should not be bigger than denominator in sample clause for table stu_buck

3、ON colname表示基于什么抽

ON rand() —— 表示随机抽，ON 分桶字段 ——  表示基于分桶字段抽样 效率更高 推荐

4.6 案例操作演示

在之前的文章中创建了如下的分桶表，直接使用这个分桶表

 

4.6.1 根据整行数据进行抽样

SELECT * FROM t_usa_covid19_bucket TABLESAMPLE(BUCKET 1 OUT OF 5 ON rand());

执行结果

4.6.2 根据分桶字段进行抽样 ，效率更高

describe formatted t_usa_covid19_bucket;
SELECT * FROM t_usa_covid19_bucket TABLESAMPLE(BUCKET 1 OUT OF 5 ON state);

可以看出来这个查询的速度很快

五、写在文末

窗口函数在大数据的统计分析中具有重要的意义，合理实用窗口函数可以让数据处理获得更好的效率和性能，比如在Flink中窗口函数是很实用的技术，甚至mysql在mysql8版本中也引入了窗口函数，因此有必要对窗口函数进行深入的学习。

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/710364.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

ElasticSearch 索引设计

ElasticSearch 索引设计

ElasticSearch 索引设计 在MySQL中数据库设计非常重要&#xff0c;同样在ES中数据库设计也是非常重要的 概述 创建索引就像创建表结构一样&#xff0c;必须非常慎重的&#xff0c;索引如果创建不好后面会出现各种各样的问题 索引设计的重要性 索引创建后&#xff0c;索引的分片…
阅读更多...
找工作第二弹——挑战CSS重难点一篇就够

找工作第二弹——挑战CSS重难点一篇就够

目录 前言CSS知识点篇1. 选择器2. CSS三大特性三大特性计算权重 3. 显示模式显示模式转化 4. 解决高度塌陷问题5. 浮动浮动介绍为什么要清除浮动-解决高度塌陷问题清除浮动额外标签法&#xff08;W3C推荐做法&#xff09;给父亲添加overflow伪元素法双伪元素 6. BFC7. 定位子绝…
阅读更多...
辉哥带你学hive第八讲

辉哥带你学hive第八讲

1.自定义函数 1.1 自定义函数类型 根据用户自定义函数类别分为以下三种&#xff1a; &#xff08;1&#xff09;UDF&#xff08;User-Defined-Function&#xff09; 一进一出。 &#xff08;2&#xff09;UDAF&#xff08;User-Defined Aggregation Function&#xff09; 用户…
阅读更多...
【二叉树part08】| 235.二叉搜索树的最近公共祖先、701.二叉搜索树中的插入操作、450.删除二叉搜索树中的节点

【二叉树part08】| 235.二叉搜索树的最近公共祖先、701.二叉搜索树中的插入操作、450.删除二叉搜索树中的节点

目录 &#x1f388;LeetCode235.二叉搜索树的最近公共祖先 &#x1f388;LeetCode701.二叉搜索树中的插入操作 &#x1f388;LeetCode450.删除二叉搜索树中的节点 &#x1f388;LeetCode235.二叉搜索树的最近公共祖先 链接&#xff1a;235.二叉搜索树的最近公共祖先 给定一个…
阅读更多...
Maven（三）如何使用命令导出所有的组件和版本信息

Maven（三）如何使用命令导出所有的组件和版本信息

命令如下&#xff1a; mvn dependency:tree | grep ":jar" | sed s/ //g | sed s/-//g | sed s/\\-//g | sed s/|//g | awk !x[$0]注意&#xff1a;以上命令需要在 Git Bash 中执行。 执行结果&#xff1a; 整理完毕&#xff0c;完结撒花~ &#x1f33b;
阅读更多...
Background-2 盲注的讲解基础概述二

Background-2 盲注的讲解基础概述二

文章目录 一、基于报错的 SQL 盲注------构造 payload 让信息通过错误提示回显出来二、基于时间的 SQL 盲注----------延时注入总结 一、基于报错的 SQL 盲注------构造 payload 让信息通过错误提示回显出来 select 1,count(*),concat(0x3a,0x3a,(select user()),0x3a,0x3a,fl…
阅读更多...
最全，常用正则表达式-正则实战（汇总）测试/开发工程师必备...

最全，常用正则表达式-正则实战（汇总）测试/开发工程师必备...

目录&#xff1a;导读 前言一、Python编程入门到精通二、接口自动化项目实战三、Web自动化项目实战四、App自动化项目实战五、一线大厂简历六、测试开发DevOps体系七、常用自动化测试工具八、JMeter性能测试九、总结&#xff08;尾部小惊喜&#xff09; 前言 校验数字的表达式…
阅读更多...
Cookie、Session、Token、JWT详细介绍

Cookie、Session、Token、JWT详细介绍

Cookie、Session、Token详细介绍 &#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&#x1f680;&…
阅读更多...
Vue3的setup语法糖下的defineEmit、defineExpose、defineProps函数

Vue3的setup语法糖下的defineEmit、defineExpose、defineProps函数

Vue3的setup语法糖下的defineEmit、defineExpose、defineProps父子传值 setup语法糖 setup作为vue3的新增生命周期hooks&#xff0c;其替代了vue2的beforeCreate、created&#xff0c;注意setup的执行时间是位于beforeCreate之前&#xff0c;熟悉vue2的都知道&#xff0c;在b…
阅读更多...
C++——详解类模板

C++——详解类模板

纵有疾风起&#xff0c;人生不言弃。本文篇幅较长&#xff0c;如有错误请不吝赐教&#xff0c;感谢支持。 &#x1f4ac;文章目录 一.类模板①类模板的定义与实例化②类模板的实例化③类模板的具体化&#xff08;特化、特例化&#xff09;1️⃣完全具体化2️⃣部分具体化3️⃣…
阅读更多...
xxl-job源码改造集成：适配opengauss数据、适配单点登录等

xxl-job源码改造集成：适配opengauss数据、适配单点登录等

目录 一、摘要 二、集成方案 三、集成步骤 3.1 springboot集成xxl-job 3.2 适配高斯数据库(postgresql) 3.3 页面集成 3.4 登录集成 3.5 接口集成 四、部署 一、摘要 公司现在打算重构产品&#xff0c;将原来的quartz替换成xxl-job&#xff0c;主要因为quartz不能动态…
阅读更多...
多通道分离与合并

多通道分离与合并

1、分离 2、合并 Mat img imread("F:/testMap/plan.png");Mat imgs[3];split(img,imgs);//分离Mat img0,img1,img2;img0 imgs[0];img1 imgs[1]; img2 imgs[2];Mat img_H;merge(imgs,3,img_H);//合并vector<Mat> imgsV; imgsV.push_back(img0);imgsV.push_b…
阅读更多...
5.8.3 TCP连接管理（一）TCP连接建立

5.8.3 TCP连接管理（一）TCP连接建立

5.8.3 TCP连接管理&#xff08;一&#xff09;TCP连接建立 我们知道TCP是面向连接的传输协议&#xff0c;在传输连接的建立和释放是每一次面向连接通信必不可少的过程&#xff0c;因此传输连接的管理使得传输连接的建立和释放的过程都能够正常的进行。 一、使用Wireshark查看…
阅读更多...
UE4/5用GeneratedDynamicMeshActor网格细分静态网格体【用的是ue5建模模式的box，其他的没有作用】

UE4/5用GeneratedDynamicMeshActor网格细分静态网格体【用的是ue5建模模式的box，其他的没有作用】

目录 制作 逻辑&#xff1a; 效果&#xff1a; ​编辑 代码&#xff1a; 制作 前面和之前的流程一样&#xff0c;打开插件和继承GeneratedDynamicMeshActor创建一个蓝图&#xff1a; 逻辑&#xff1a; 两个函数对应了两种细分方法 上面的细分模式是&#xff1a;Loop细…
阅读更多...
JupyterNotebook基本操作

JupyterNotebook基本操作

目录 Jupyter notebook文件操作 创建文件 修改文件名 复制文件 移动文件 删除文件 上传文件 下载文件 Jupyter notebook单元格操作 内容类型 编辑模式 快捷键 对照表 命令模式 编辑模式 查看快捷键 进入Jupyter Notebook主界面“File”中 VSCode配置Jupyter…
阅读更多...
Bootstrap 表单

Bootstrap 表单

文章目录 Bootstrap 表单表单布局垂直或基本表单内联表单水平表单支持的表单控件输入框&#xff08;Input&#xff09;文本框&#xff08;Textarea&#xff09;复选框&#xff08;Checkbox&#xff09;和单选框&#xff08;Radio&#xff09;选择框&#xff08;Select&#xff…
阅读更多...
【Go】Go 语言教程--介绍（一）

【Go】Go 语言教程--介绍（一）

文章目录 Go 语言特色Go 语言用途第一个 Go 程序Go 语言环境安装UNIX/Linux/Mac OS X, 和 FreeBSD 安装Windows 系统下安装安装测试 Go 是一个开源的编程语言&#xff0c;它能让构造简单、可靠且高效的软件变得容易。 Go是从2007年末由Robert Griesemer, Rob Pike, Ken Thompso…
阅读更多...
文生图技术stable diffusion入门实战

文生图技术stable diffusion入门实战

文章目录 0. 环境搭建0.1 Windows0.1.1 git环境安装0.1.2 python 环境搭建0.1.2.1 配置pip国内镜像源 0.1.3 stable diffusion环境搭建0.1.3.1 远程访问Stable diffusion 1. 基础知识1.1 Stable Diffusion Webui及基础参数1.2 参数说明 0. 环境搭建 0.1 Windows 0.1.1 git环境…
阅读更多...
电子时钟制作(瑞萨RA)(3)----使用J-Link烧写程序到瑞萨芯片

电子时钟制作(瑞萨RA)(3)----使用J-Link烧写程序到瑞萨芯片

概述 这一节主要讲解如何使用J-Link对瑞萨RA芯片进行烧录。 硬件准备 首先需要准备一个开发板&#xff0c;这里我准备的是芯片型号R7FA2E1A72DFL的开发板&#xff1a; 视频教程 https://www.bilibili.com/video/BV1kX4y1v7tL/ 电子时钟制作(瑞萨RA)----(2)使用串口进行程序…
阅读更多...
初学spring5（八）整合MyBatis

初学spring5（八）整合MyBatis

学习回顾&#xff1a;初学spring5&#xff08;七&#xff09;AOP就这么简单 一、步骤 1、导入相关jar包 junit <dependency><groupId>junit</groupId><artifactId>junit</artifactId><version>4.12</version> </dependency>m…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023