主頁 > 後端開發 > Python Pandas的使用 ！！！！！詳解

Python Pandas的使用 ！！！！！詳解

2021-10-14 06:23:11 後端開發

 Pandas是一個基于python中Numpy模塊的一個模塊

Python在資料處理和準備???直做得很好，但在資料分析和建模??就差?些，pandas幫助填補了這?空?，使您能夠在Python中執?整個資料分析?作流程，?不必切換到更特定于領域的語?，如R，與出?的 jupyter?具包和其他庫相結合，Python中?于進?資料分析的環境在性能、?產率和協作能???都是卓越的， pandas是 Python 的核?資料分析?持庫，提供了快速、靈活、明確的資料結構，旨在簡單、直觀地處理關系型、標記型資料，pandas是Python進?資料分析的必備?級?具， pandas的主要資料結構是 Series(?維資料)與 DataFrame (?維資料)，這兩種資料結構?以處理?融、統計、社會科學、?程等領域?的?多數案例處理資料?般分為?個階段：資料整理與清洗、資料分析與建模、資料可視化與制表，Pandas 是處理資料的理想?具， 環境介紹 代碼工具：jupyternotebook python版本：python3.8.6 系統版本：win10 一、Pands安裝  　　打開終端指令輸入pip install -i https://pypi.doubanio.com/simple/ --trusted-host pypi.doubanio.com pandas 　　 第?部分 資料結構 　　第?節 Series 　　　　?串列?成 Series時，Pandas 默認?動?成整數索引，也可以指定索引 
l = [0,1,7,9,np.NAN,None,1024,512]
# ?論是numpy中的NAN還是Python中的None在pandas中都以缺失資料NaN對待
s1 = pd.Series(data = https://www.cnblogs.com/t-dashuai/p/l) # pandas?動添加索引
s2 = pd.Series(data = https://www.cnblogs.com/t-dashuai/p/l,index = list('abcdefhi'),dtype='float32') # 指定?索引
# 傳?字典創建，key?索引
s3 = pd.Series(data = https://www.cnblogs.com/t-dashuai/p/{'a':99,'b':137,'c':149},name = 'Python_score')
display(s1,s2,s3)
　　第二節 Dataframe　　　　 　　　　DataFrame是由多種型別的列構成的?維標簽資料結構，類似于 Excel 、SQL 表，或 Series 物件構成的字典， 　　　　 
import numpy as np
import pandas as pd
# index 作為?索引，字典中的key作為列索引，創建了3*3的DataFrame表格?維陣列
df1 = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/{'Python':[99,107,122],'Math':[111,137,88],'En': [68,108,43]},# key作為列索引
index = ['張三','李四','Michael']) # ?索引
df2 = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,151,size = (5,3)),
index = ['Danial','Brandon','softpo','Ella','Cindy'],# ?索引
columns=['Python','Math','En'])# 列索引
display(df1,df2)

　　　　

第三部分 資料查看 　　查看DataFrame的常?屬性和DataFrame的概覽和統計資訊 
import numpy as np
import pandas as pd
df = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,151,size=(150,3)),
index = None， # 行索引默認
columns=['A','B','C'])#列索引
df.head(10)#顯示前十行  ！！默認是五行！！
df.tail(10)#顯示后十行
df.shape#查看行數和列數
df.dtypes#查看資料型別
df.index#查看行索引
df.value# 物件值,二維陣列
df.describe()#查看資料值列的匯總統計，計數，平均值，標準差，最小值，四分位數，最大值
df.info()#查看列索引，資料型別，非空計數和記憶體資訊

第四部分 資料的輸入輸出

　　第一節csv

df = DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,50,size = [50,5]), # 薪資情況
 columns=['IT','化?','?物','教師','?兵'])
#保存到相對路勁下檔案命名為
df.to_csv('./salary.csv',
sep = ';',#分割符
header = True,#是否保存列索引
index = True)#是否保存行索引、
#加載
pd.read_csv('./salary.csv',
 sep = ';',# 默認是逗號
 header = [0],#指定列索引
 index_col=0) # 指定?索引
#加載
pd.read_table('./salary.csv', # 和read_csv類似，讀取限定分隔符的?本?件 sep = ';', header = [0],#指定列索引 index_col=1) # 指定?索引,IT作為?索引

　　　第?節 Excel

　　　　　pip install xlrd -i https://pypi.tuna.tsinghua.edu.cn/simple 　　　　　pip install xlwt -i https://pypi.tuna.tsinghua.edu.cn/simple 
import numpy as np
import pandas as pd
df1 = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,50,size = [50,5]), # 薪資情況
 columns=['IT','化?','?物','教師','?兵'])
df2 = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,50,size = [150,3]),# 計算機科?的考試成績
 columns=['Python','Tensorflow','Keras'])
# 保存到當前路徑下，?件命名是：salary.xls
df1.to_excel('./salary.xls',
 sheet_name = 'salary',# Excel中?作表的名字
 header = True,# 是否保存列索引
 index = False) # 是否保存?索引，保存?索引
pd.read_excel('./salary.xls',
 sheet_name=0,# 讀取哪?個Excel中?作表，默認第?個
 header = 0,# 使?第??資料作為列索引
 names = list('ABCDE'),# 替換?索引
 index_col=1)# 指定?索引，B作為?索引
# ?個Excel?件中保存多個?作表
with pd.ExcelWriter('./data.xlsx') as writer:
 df1.to_excel(writer,sheet_name='salary',index = False)
 df2.to_excel(writer,sheet_name='score',index = False)
pd.read_excel('./data.xlsx',
 sheet_name='salary') # 讀取Excel中指定名字的?作表
　　第三節 SQL 　　　　pip install sqlalchemy -i https://pypi.tuna.tsinghua.edu.cn/simple 　　　　pip install pymysql -i https://pypi.tuna.tsinghua.edu.cn/simple 
import pandas as pd
# SQLAlchemy是Python編程語?下的?款開源軟體，提供了SQL?具包及物件關系映射（ORM）?具
from sqlalchemy import create_engine
df = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,50,size = [150,3]),# 計算機科?的考試
成績
 columns=['Python','Tensorflow','Keras'])
# 資料庫連接
conn = create_engine('mysql+pymysql://root:12345678@localhost/pandas?
charset=UTF8MB4')
# 保存到資料庫
df.to_sql('score',#資料庫中表名
 conn,# 資料庫連接
　if_exists='append')#如果表名存在，追加資料
# 從資料庫中加載
pd.read_sql('select * from score limit 10', # sql查詢陳述句
 conn, # 資料庫連接
 index_col='Python') # 指定?索引名

 

---------------------------------------------！！！！！！！！！第一次更新！！！！！！！！！！！----------------------------------------------------------

 

第五部分 資料的選取

　　第一節 資料獲取

！！！---先匯入個資料---！！！
df = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,150,size = [10,3]),# 計算機科?的考試成績
index = list('ABCDEFGHIJ'),# ?標簽
columns=['Python','Tensorflow','Keras'])

df.Python# 查看所在列資料
df['Python']# 查看所在列資料
df[['Python','Keras']]#獲取多列資料
df[1:3]#行切片操作 !!!--此處切片操作與資料的切片操作如出一轍--!!!

　　使用 loc[] 進行資料獲取 loc通過行列標簽進行索引取數操作

df.loc[['A','B']]#選取行標簽
df.loc[['A','B'],['Python','Keras']]#根據行列標簽選取對飲資料
df.loc[:,['Python','Keras']]#保留所有行
df.loc[::2,['Python','Keras']]#每隔2行取出一行資料
df.loc['A',['Python','Keras']]#根據行標簽選取出對應資料
#此處就不截圖展示了

　　使用 iloc[] 進行資料獲取 iloc通過行列整數標簽進行索引取數操作

df.iloc[2:4]#利用整數行切片操作與Numpy相似 !!!--此處切片操作與資料的切片操作如出一轍--!!!
df.iloc[1:3,1:2]#利用整數對行和列進行切片
df.iloc[1:3:]#行切片
df.iloc[:,0:1]#列切片

　　Boolean索引

cond1 = df.Python > 100 # 判斷Python分數是否?于100，回傳值是boolean型別的Series
df[cond1] # 回傳Python分數?于100分的?戶所有考試科?資料
cond2 = (df.Python > 50) & (df['Keras'] > 50) # &與運算
df[cond2] # 回傳Python和Keras同時?于50分的?戶的所有考試科?資料
df[df > 50]# 選擇DataFrame中滿?條件的值，如果滿?回傳值，不然回傳空資料NaN
df[df.index.isin(['A','C','F'])] # isin判斷是否在陣列中，回傳也是boolean型別值

第六部分 資料集成

　　第?節 concat資料串聯

#再建立兩個資料矩陣
df1 = pd.DataFrame(np.random.randint(1,151,size=10),
                   index = list('ABCDEFGHIJ'),
                   columns=['Science'])
df2 = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,150,size = [10,3]),
index = list('KLMNOPQRST'),
columns=['Python','Tensorflow','Keras']) 
pd.concat([df,df2],axis=0)#df2串聯拼接到df1下方
pd.concat([df,df1],axis=1)#df1串聯拼接到df的左側
df.append(df1) # 在df1后?追加df2

　　第二節 插入

　　　　 insert（）插入一列

　　　　注意：如果使用insert()插入一列時，那么插入的這一列的長度必須和被插入的行數長度相等

#插入一列c++
df.insert(loc=1,
          column='C++',
          value=np.random.randint(0,151,size=(10)))

df.insert(loc = 1,column='Python3.8,value=https://www.cnblogs.com/t-dashuai/p/2048)

　　第三節 資料的鏈接（join SQL風格）

　　　　資料集的合并（merge）或連接（join）運算是通過?個或者多個鍵將資料鏈接起來的，這些運算是關系型資料庫的核?操作，pandas的merge函式是資料集進?join運算的主要切?點， 
#先建立兩組資料
df1 = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/{'sex':np.random.randint(0,2,size=6),'name':['九州','九周','Nineweek','Mrs佟','小A','小C']})
df2 = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/{'score':np.random.randint(90,151,size=6),'name':['九州','九周','Nineweek','Mrs佟','小A','小Ming']})

    

pd.merge(df1,df2)
#（內連接） 在使用merge()合并中merge自動去除了空資料
pd.merge(df1,df2,how='left')#左鏈接
pd.merge(df1,df2,how='right')#右鏈接

 

 ---------------------------------------------！！！！！！！！！第二次更新！！！！！！！！！！！----------------------------------------------------------

 第七部分 資料清洗

　　第?節 duplicated篩選重復資料

　　　　duplicated是以自上向下的順序進行篩選如果行值相同就回傳TRUE，

#創建一個分值資料
df2 = pd.DataFrame(data=https://www.cnblogs.com/t-dashuai/p/{'Name':['九州','Mrs佟','Nineweek',None,np.NAN,'Mrs佟'],'Sex':[0,1,0,1,0,1],'Score':[89,100,67,90,98,100]})

df2.duplicated()#檢查重復值 以Boolean形式進行輸出展示
df2.duplicated().sum()#列印有多少重復值
df2[df2.duplicated()]#列印重復值
df2[df2.duplicated()==False]#列印非重復值
df2.drop_duplicates()#洗掉重復值(此操作并不是在資料源本身進行洗掉操作)
df2.drop_duplicates(inplace=True)#洗掉重復值(此操作是在資料源本身進行洗掉操作)

　　第二節 過濾空資料

df2.isnull()#檢查是否存在空值(可以查到NAN值和None值)
df2.dropna(how = 'any') # 洗掉空資料(此操作并不是在資料源本身進行洗掉操作) 
df2.dropna(how = 'any',inplace=True)# 洗掉空資料(此操作是在資料源本身進行洗掉操作) 
df2.fillna(value=https://www.cnblogs.com/t-dashuai/p/'小A')#填充空資料(此操作并不是在資料源本身進行洗掉操作) 
df2.fillna(value=https://www.cnblogs.com/t-dashuai/p/'小A',inplace=True)#填充空資料(此操作是在資料源本身進行洗掉操作)

　　第三節 過濾指定行或列

del df2['Sex'] # 直接洗掉某列
df2.drop(labels = ['price'],axis = 1)# 洗掉指定列
df2.drop(labels = [0,1,5],axis = 0) # 洗掉指定?

　　filter函式：選取保留的資料過濾其他資料

df2.filter(items=['Name', 'Score'])#保留‘Name’,‘Score’兩列
df2.filter(like='S',axis = 1)# 保留列標簽包含‘S’的列（axis=1表示列，axis=0表示行）
df.filter(regex='S$', axis=1)#正則方式進行篩選

 第八部分 資料轉換

　　第一節 rename和replace的轉換標簽個元素

#改變行列索引
df2.rename(index = {0:10,1:11},columns={'Name':'StName'})#將行索引0換為10，1換為11；列索引Name換為StName
#替換元素值
df2.replace(100,102)#將所有的100替換為102
df2.replace([89,67],78)#將所有的89和67替換為78
df2.replace({'九州':'JZ',None:'九州'})#根據字典的鍵值對進行替換
df2.replace({'Sex':1},1024)#將Sex列的1全部替換為1024

　　第二節 apply和Transform

　　　　相同點：都能針對Dataframe的特征的計算，常與groupby()分組聚合方式下節更新方法連用

　　　　不同點：aplly引數可以是自定義函式，包括簡單的求和函式以及復制的特征間的差值函式等，apply不能直接使用python的內置函式，比如sum、max、min，

　　　　　　　　Transform引數不能是自定義的特征互動函式，因為transform是針對每一元素(即每一列特征操作)進行計算，

#先建立陣列
df = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,150,size = [10,3]),index = list('ABCDEFGHIJ'),columns=['Python','En','Math'])

df['Python'].apply(lambda x:True if x >50 else False)#選取python學科中的大于50的資料
df.apply(lambda x : x.median(),axis = 0) # 列的中位數

#自定義函式演算法
def avg(x):
    return (x.mean(),x.max(),x.min(),x.var().round(1))
df.apply(avg,axis=0)#輸出列的平均值，最大值，最小值，方差保留一位小數

# ?列執?多項計算
df['Python'].transform([np.sqrt,np.log10]) # 對單列資料處理做開平方和對數運算

#自定義函式演算法
def convert(x):
    if x > 140:
        x -= 12
    else:
        x += 12
    return x

df.transform({'Python':np.sqrt,'En':np.log10,'Math':convert}).round(1)# 對多列資料處理做開不同運算


 ---------------------------------------------！！！！！！！！！第三次更新！！！！！！！！！！！----------------------------------------------------------

第九部分 資料重塑

df = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,150,size = [20,3]),
 index = pd.MultiIndex.from_product([list('ABCDEFHIJK'),['一期','二期']]),# 多層索引
 columns=['Python','En','Math'])

df.unstack(level=1)#行作列
df.stack()#列作行
df.mean(level=1)#各學科每期平均分
df.mean(level=0)#各學員平均分
df.mean()#各科平均分

第十部分 統計方法函式

　　pandas擁有多種常?的數學統計?法，可以滿足大多半的資料處理，對Series和DataFrame行計算并回傳Series形式的陣列 
#創建資料
df = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,150,size = [10,3]),
 index = list('ABCDEFGHIJ'),
 columns=['Python','En','Math'])

df.count() # ?NA值的數量
df.max(axis = 0) #軸0最?值，即每?列最?值
df.min() #默認計算軸0最?值
df.median() # 中位數
df.sum() # 求和
df.mean(axis = 1) #計算每??的平均值
df.quantile(q = [0.2,0.5,0.9]) # 分位數
df.describe() # 查看數值型列的匯總統計,計數、平均值、標準差、最?值、四分位數、最?值
df['Python'].value_counts() # 統計元素出現次數
df['Math'].unique() # 去重
df.cumsum() # 累加
df.cumprod() # 累乘
df.std() # 標準差
df.var() # ?差
df.cummin() # 累計最?值
df.cummax() # 累計最?值
df.diff() # 計算差分
df.pct_change() # 計算百分?變化
df.cov() # 屬性的協?差
df['Python'].cov(df['Math']) # Python和Math的協?差
df.corr() # 所有屬性相關性系數
df.corrwith(df['En']) # 單?屬性相關性系數
#標簽索引計算方式
df['Python'].argmin() # 計算Python列的最?值位置
df['Math'].argmax() # 計算Math列的最?值位置
df.idxmax() # 最?值索引標簽
df.idxmin() # 最?值索引標簽

第十一部分 排序

#創建資料
df = pd.DataFrame(data = https://www.cnblogs.com/t-dashuai/p/np.random.randint(0,150,size = [10,3]),
 index = list('ABCDEFGHIJ'),
 columns=['Python','En','Math'])
ran = np.random.permutation(10)
df = df.take(ran)#隨機排列行索引

df.sort_index(axis=0,ascending=True)#按照行索引降序排序
df.sort_index(axis=1,ascending=True)#按照列索引降序排序

df.sort_values(by='Python')#根據Python列的值降序排序
df.sort_values(by=['Python','Math'])#先按找Python排序在按照Math排序
lage = df.nlargest(3,columns='Math') # 根據屬性Math排序,回傳最?3個資料
samll = df.nsmallest(3,columns='Python') # 根據屬性Python排序，回傳最?3個資料
display(lage,samll)

 第十二部分 cut與qcut的分箱處理

　　cut函式對資料進行分箱處理的操作， 也就是 把一段連續的值切分成若干段，每一段的值看成一個分類，這個把連續值轉換成離散值的程序，我們叫做分箱處理cut會按照資料值由大到小的順序將資料分割為若干分,并且使每組范圍大致相等

 　　qcut是按變數的數量來對變數進行分割，并且盡量保證每個分組里變數的個數相同，

df['py_cut'] = pd.cut(df.Python,bins=4)#按照資料范圍分箱
df['en_cut'] = pd.cut(df.En,bins=4)#按照資料個數分箱
df['q_評級'] = pd.qcut(df.Python,q = 4,# 4等分
 labels=['差','中','良','優']) # 分箱后分類
df['c_評級'] = pd.cut(df.En,#分箱資料
 bins = [0,60,90,120,150],#分箱斷點
 right = False,# 左閉右開原則
 labels=['差','中','良','優'])# 分箱后分類

 

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/311928.html

標籤：Python

上一篇：【Python爬蟲】從最簡單的呼叫介面采集網易云音樂資料，到升級版JS加密決議資料爬取

下一篇：keycloak~避免出現"用戶已登錄"的界面

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 【C++】Microsoft C++、C 和匯編程式檔案

    ......

    uj5u.com 2020-09-10 00:57:23 more
  • 例外宣告

    相比于斷言適用于排除邏輯上不可能存在的狀態，例外通常是用于邏輯上可能發生的錯誤。 例外宣告 Item 1：當函式不可能拋出例外或不能接受拋出例外時，使用noexcept 理由 如果不打算拋出例外的話，程式就會認為無法處理這種錯誤，并且應當盡早終止，如此可以有效地阻止例外的傳播與擴散。 示例 //不可 ......

    uj5u.com 2020-09-10 00:57:27 more
  • Codeforces 1400E Clear the Multiset(貪心 + 分治)

    鏈接：https://codeforces.com/problemset/problem/1400/E 來源：Codeforces 思路：給你一個陣列，現在你可以進行兩種操作，操作1：將一段沒有 0 的區間進行減一的操作，操作2：將 i 位置上的元素歸零。最終問：將這個陣列的全部元素歸零后操作的最少 ......

    uj5u.com 2020-09-10 00:57:30 more
  • UVA11610 【Reverse Prime】

    本人看到此題沒有翻譯，就附帶了一個自己的翻譯版本 思考 這一題，它的第一個要求是找出所有 $7$ 位反向質數及其質因數的個數。 我們應該需要質數篩篩選1~$10^{7}$的所有數，這里就不慢慢介紹了。但是，重讀題，我們突然發現反向質數都是 $7$ 位，而將它反過來后的數字卻是 $6$ 位數，這就說明 ......

    uj5u.com 2020-09-10 00:57:36 more
  • 統計區間素數數量

    1 #pragma GCC optimize(2) 2 #include <bits/stdc++.h> 3 using namespace std; 4 bool isprime[1000000010]; 5 vector<int> prime; 6 inline int getlist(int ......

    uj5u.com 2020-09-10 00:57:47 more
  • C/C++編程筆記：C++中的 const 變數詳解，教你正確認識const用法

    1、C中的const 1、區域const變數存放在堆疊區中，會分配記憶體（也就是說可以通過地址間接修改變數的值）。測驗代碼如下： 運行結果： 2、全域const變數存放在只讀資料段（不能通過地址修改，會發生寫入錯誤）， 默認為外部聯編，可以給其他源檔案使用（需要用extern關鍵字修飾） 運行結果： ......

    uj5u.com 2020-09-10 00:58:04 more
  • 【C++犯錯記錄】VS2019 MFC添加資源不懂如何修改資源宏ID

    1. 首先在資源視圖中，添加資源 2. 點擊新添加的資源，復制自動生成的ID 3. 在解決方案資源管理器中找到Resource.h檔案，編輯，使用整個專案搜索和替換的方式快速替換 宏宣告 4. Ctrl+Shift+F 全域搜索，點擊查找全部，然后逐個替換 5. 為什么使用搜索替換而不使用屬性視窗直 ......

    uj5u.com 2020-09-10 00:59:11 more
  • 【C++犯錯記錄】VS2019 MFC不懂的批量添加資源

    1. 打開資源頭檔案Resource.h，在其中預先定義好宏 ID（不清楚其實ID值應該設定多少，可以先新建一個相同的資源項，再在這個資源的ID值的基礎上遞增即可） 2. 在資源視圖中選中專案資源，按F7編輯資源檔案，按 ID 型別 相對路徑的形式添加 資源。（別忘了先把檔案拷貝到專案中的res檔案 ......

    uj5u.com 2020-09-10 01:00:19 more
  • C/C++編程筆記：關于C++的參考型別，專供新手入門使用

    今天要講的是C++中我最喜歡的一個用法——參考，也叫別名。 參考就是給一個變數名取一個變數名，方便我們間接地使用這個變數。我們可以給一個變數創建N個參考，這N + 1個變數共享了同一塊記憶體區域。(參考型別的變數會占用記憶體空間，占用的記憶體空間的大小和指標型別的大小是相同的。雖然參考是一個物件的別名，但 ......

    uj5u.com 2020-09-10 01:00:22 more
  • 【C/C++編程筆記】從頭開始學習C ++：初學者完整指南

    眾所周知，C ++的學習曲線陡峭，但是花時間學習這種語言將為您的職業帶來奇跡，并使您與其他開發人員區分開。您會更輕松地學習新語言，形成真正的解決問題的技能，并在編程的基礎上打下堅實的基礎。 C ++將幫助您養成良好的編程習慣（即清晰一致的編碼風格，在撰寫代碼時注釋代碼，并限制類內部的可見性），并且由 ......

    uj5u.com 2020-09-10 01:00:41 more
最新发布
  • Rust中的智能指標:Box<T> Rc<T> Arc<T> Cell<T> RefCell<T> Weak

    Rust中的智能指標是什么 智能指標（smart pointers）是一類資料結構，是擁有資料所有權和額外功能的指標。是指標的進一步發展 指標（pointer）是一個包含記憶體地址的變數的通用概念。這個地址參考，或 ” 指向”（points at）一些其 他資料 。參考以 & 符號為標志并借用了他們所 ......

    uj5u.com 2023-04-20 07:24:10 more
  • Java的值傳遞和參考傳遞

    值傳遞不會改變本身，參考傳遞（如果傳遞的值需要實體化到堆里）如果發生修改了會改變本身。 1.基本資料型別都是值傳遞 package com.example.basic; public class Test { public static void main(String[] args) { int ......

    uj5u.com 2023-04-20 07:24:04 more
  • [2]SpinalHDL教程——Scala簡單入門

    第一個 Scala 程式 shell里面輸入 $ scala scala> 1 + 1 res0: Int = 2 scala> println("Hello World!") Hello World! 檔案形式 object HelloWorld { /* 這是我的第一個 Scala 程式 * 以 ......

    uj5u.com 2023-04-20 07:23:58 more
  • 理解函式指標和回呼函式

    理解 函式指標 指向函式的指標。比如： 理解函式指標的偽代碼 void (*p)(int type, char *data); // 定義一個函式指標p void func(int type, char *data); // 宣告一個函式func p = func; // 將指標p指向函式func ......

    uj5u.com 2023-04-20 07:23:52 more
  • Django筆記二十五之資料庫函式之日期函式

    本文首發于公眾號：Hunter后端 原文鏈接：Django筆記二十五之資料庫函式之日期函式 日期函式主要介紹兩個大類，Extract() 和 Trunc() Extract() 函式作用是提取日期，比如我們可以提取一個日期欄位的年份，月份，日等資料 Trunc() 的作用則是截取，比如 2022-0 ......

    uj5u.com 2023-04-20 07:23:45 more
  • 一天吃透JVM面試八股文

    什么是JVM？ JVM，全稱Java Virtual Machine（Java虛擬機），是通過在實際的計算機上仿真模擬各種計算機功能來實作的。由一套位元組碼指令集、一組暫存器、一個堆疊、一個垃圾回收堆和一個存盤方法域等組成。JVM屏蔽了與作業系統平臺相關的資訊，使得Java程式只需要生成在Java虛擬機 ......

    uj5u.com 2023-04-20 07:23:31 more
  • 使用Java接入小程式訂閱訊息！

    更新完微信服務號的模板訊息之后，我又趕緊把微信小程式的訂閱訊息給實作了！之前我一直以為微信小程式也是要企業才能申請，沒想到小程式個人就能申請。 訊息推送平臺🔥推送下發【郵件】【短信】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。 https://gitee.com/zhongfuch ......

    uj5u.com 2023-04-20 07:22:59 more
  • java -- 緩沖流、轉換流、序列化流

    緩沖流 緩沖流, 也叫高效流, 按照資料型別分類： 位元組緩沖流：BufferedInputStream，BufferedOutputStream 字符緩沖流：BufferedReader，BufferedWriter 緩沖流的基本原理，是在創建流物件時，會創建一個內置的默認大小的緩沖區陣列，通過緩沖 ......

    uj5u.com 2023-04-20 07:22:49 more
  • Java-SpringBoot-Range請求頭設定實作視頻分段傳輸

    老實說，人太懶了，現在基本都不喜歡寫筆記了，但是網上有關Range請求頭的文章都太水了 下面是抄的一段StackOverflow的代碼...自己大修改過的，寫的注釋挺全的，應該直接看得懂，就不解釋了 寫的不好...只是希望能給視頻網站開發的新手一點點幫助吧. 業務場景：視頻分段傳輸、視頻多段傳輸（理 ......

    uj5u.com 2023-04-20 07:22:42 more
  • Windows 10開發教程_編程入門自學教程_菜鳥教程-免費教程分享

    教程簡介 Windows 10開發入門教程 - 從簡單的步驟了解Windows 10開發，從基本到高級概念，包括簡介，UWP，第一個應用程式，商店，XAML控制元件，資料系結，XAML性能，自適應設計，自適應UI，自適應代碼，檔案管理，SQLite資料庫，應用程式到應用程式通信，應用程式本地化，應用程式 ......

    uj5u.com 2023-04-20 07:22:35 more

Copyright © 2010-2020 有解無憂