主頁 >  其他 > 資料采集與清洗基礎習題（四）Pandas初體驗，頭歌參考答案

資料采集與清洗基礎習題（四）Pandas初體驗，頭歌參考答案

2021-10-27 09:10:04 其他

資料采集習題參考答案，會持續更新，點個關注防丟失，

創作不易，一鍵三連給博主一個支持唄，

為了方便查找，已按照頭歌重新排版，朋友們按照頭歌所屬門類查找實訓哦，該篇為Pandas，

文章目錄

實訓一：Pandas初體驗

第一關：了解資料處理物件--Series

編程要求

Pandas中的資料結構

第一關答案

第二關：了解資料處理物件-DataFrame

編程要求

相關知識

第二關答案

第三關：讀取CSV格式資料

編程要求

相關知識

第三關答案

第四關：資料的基本操作——排序

編程要求

相關知識

第四關答案

第五關：資料的基本操作——洗掉

編程要求

相關知識

第五關答案

第六關：資料的基本操作——算術運算

編程要求

相關知識

第六關答案

第七關：資料的基本操作——去重

編程要求

相關知識

第七關答案

第八關：層次化索引

編程要求

相關知識

第八關答案

實訓一：Pandas初體驗

第一關：了解資料處理物件--Series

編程要求

  • 創建一個名為series_a的series陣列，當中值為[1,2,5,7],對應的索引為['nu', 'li', 'xue', 'xi']；

  • 創建一個名為dict_a的字典，字典中包含如下內容{'ting':1, 'shuo':2, 'du':32, 'xie':44}；

  • 將dict_a字典轉化成名為series_b的series陣列，

相關知識

Pandas是為了解決資料分析任務而創建的，納入了大量的庫和標準資料模型，提供了高效地操作大型資料集所需的工具， 對于Pandas包，在Python中常見的匯入方法如下：

from pandas import Series,DataFrame

import pandas as pd

Pandas中的資料結構

  • Series: 一維陣列，類似于Python中的基本資料結構list，區別是Series只允許存盤相同的資料型別，這樣可以更有效的使用記憶體，提高運算效率，就像資料庫中的列資料；
  • DataFrame: 二維的表格型資料結構，很多功能與R中的data.frame類似，可以將DataFrame理解為Series的容器；
  • Panel：三維的陣列，可以理解為DataFrame的容器，

了解Series

為了開始使用Pandas，我們必需熟悉它的兩個重要的資料結構：Series 和DataFrame，雖然它們不是每一個問題的通用解決方案，但可以提供一個堅實的，易于使用的大多數應用程式的基礎， Series是一個一維的類似的陣列物件，包含一個陣列的資料（任何NumPy的資料型別）和一個與陣列關聯的資料標簽，被叫做索引 ，最簡單的Series是由一個陣列的資料構成：

  1. In [1]:obj=Series([4,7,-5,3])
  2. In [2]:obj
  3. Out[2]:
  4. 0 4
  5. 1 7
  6. 2 -5
  7. 3 3

Series的互動式顯示的字串表示形式是索引在左邊，值在右邊，因為我們沒有給資料指定索引，一個包含整數0到N-1這里N是資料的長度）的默認索引被創建，你可以分別的通過它的values和index屬性來獲取 Series的陣串列示和索引物件：

  1. In [3]: obj.values
  2. Out[3]:array([4,7,-5,3])
  3. In [4]: obj.index
  4. Out[4]:Int64Index([0,1,2,3])

通常，需要創建一個帶有索引來確定每一個資料點的Series，

  1. In [5]:obj2=Series([4,7,-5,3],index=['d','b','a','c'])
  2. In [6]:obj2
  3. Out[6]:
  4. d 4
  5. b 7
  6. a -5
  7. c 3

如果你有一些資料在一個Python字典中，你可以通過傳遞字典來從這些資料創建一個Series，只傳遞一個字典的時候，結果Series中的索引將是排序后的字典的鍵，

第一關答案

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd

def create_series():
    '''
    回傳值:
    series_a: 一個Series型別資料
    series_b: 一個Series型別資料
    dict_a：  一個字典型別資料
    '''
    # 請在此添加代碼 完成本關任務
    # ********** Begin *********#
    series_a=Series([1,2,5,7],index=['nu','li','xue','xi'])
    dict_a={'ting':1,'shuo':2,'du':32,'xie':44}
    series_b=Series(dict_a)
    # ********** End **********#

    # 回傳series_a,dict_a,series_b
    return series_a,dict_a,series_b

第二關：了解資料處理物件-DataFrame

編程要求

  • 創建一個五行三列的名為df1的DataFrame陣列，列名為 [states,years,pops]，行名['one','two','three','four','five']；

  • 給df1添加新列，列名為new_add，值為[7,4,5,8,2]，

相關知識

DataFrame是一個表格型的資料結構，是以一個或多個二維塊存放的資料表格（層次化索引），DataFrame既有行索引還有列索引，它有一組有序的列，每列既可以是不同型別（數值、字串、布爾型）的資料，或者可以看做由Series組成的字典， DataFrame創建:

  1. dictionary = {'state':['0hio','0hio','0hio','Nevada','Nevada'],
  2. 'year':[2000,2001,2002,2001,2002],
  3. 'pop':[1.5,1.7,3.6,2.4,2.9]}
  4. frame = DataFrame(dictionary)

修改行名：

  1. frame=DataFrame(dictionary,index=['one','two','three','four','five'])

添加修改：

  1. frame['add']=[0,0,0,0,0]

添加Series型別：

  1. value = Series([1,3,1,4,6,8],index = [0,1,2,3,4,5])
  2. frame['add1'] = value

第二關答案

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd

def create_dataframe():
    '''
    回傳值:
    df1: 一個DataFrame型別資料
    '''
    # 請在此添加代碼 完成本關任務
    # ********** Begin *********#
    data={'states':['Ohio','Ohio','Ohio','Nevada','Nevada'],'years':[2000,2001,2002,2001,2002],'pops':[1.5,1.7,3.6,2.4,2.9]}
    df1=DataFrame(data,index=['one','two','three','four','five'])
    df1['new_add'] = [7,4,5,8,2]

    # ********** End **********#

    #回傳df1
    return df1

第三關：讀取CSV格式資料

編程要求

  • 將test3/uk_rain_2014.csv中的資料匯入到df1中；

  • 將列名修改為['water_year','rain_octsep','outflow_octsep','rain_decfeb', 'outflow_decfeb', 'rain_junaug', 'outflow_junaug']；

  • 計算df1的總行數并存盤在length1中，

相關知識

在使用機器學習工具包對資料進行修改、探索和分析之前，我們必須先講外部資料匯入，使用Pandas匯入資料比Numpy要容易，在這里我們將使用英國降雨資料，資料已下好并放在本實訓的當前檔案夾，

讀取CSV

# Reading a csv into Pandas.

# 如果資料集中有中文的話，最好在里面加上 encoding = 'gbk' ，以避免亂碼問題，后面的匯出資料的時候也一樣，

df = pd.read_csv('uk_rain_2014.csv', header=0)

這里我們從csv檔案里匯入了資料，并儲存在DataFrame中，這一步非常簡單，你只需要呼叫read_csv然后將檔案的路徑傳進去就行了，header 關鍵字告訴Pandas哪些是資料的列名，如果沒有列名的話就將它設定為 None， 資料匯入pandas之后，我們該怎么查看資料呢？

查看前n行

  1. # Getting first x rows.
  2. df.head(5)

查看后n行

  1. # Getting last x rows.
  2. df.tail(5)

查看總行數

  1. # Finding out how many rows dataset has.
  2. len(df)

修改列名

我們通常使用列的名字來在Pandas中查找列，這一點很好而且易于使用，但是有時列名太長，我們需要縮短列名，

  1. # Changing column labels.
  2. df.columns = ['water_year','rain_octsep','outflow_octsep','rain_decfeb', 'outflow_decfeb', 'rain_junaug', 'outflow_junaug']

第三關答案

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd
def read_csv_data():
    '''
    回傳值:
    df1: 一個DataFrame型別資料
    length1: 一個int型別資料
    '''
    # 請在此添加代碼 完成本關任務
    # ********** Begin *********#
    df1=pd.read_csv('test3/uk_rain_2014.csv', header=0,encoding = 'gbk')
    df1.columns = ['water_year','rain_octsep','outflow_octsep','rain_decfeb', 'outflow_decfeb', 'rain_junaug', 'outflow_junaug']
    length1=len(df1)
    # ********** End **********#
    #回傳df1,length1
    return df1,length1

第四關：資料的基本操作——排序

編程要求

  • 對代碼中s1進行按索引排序，并將結果存盤到s2；

  • 對代碼中d1進行按值排序（index為f），并將結果存盤到d2，

相關知識

本關我們將學習處理Series和DataFrame中的資料的基本手段，我們將會探討Pandas最為重要的一些功能，

對索引進行排序

Series用sort_index()按索引排序，sort_values()按值排序； DataFrame也是用sort_index()和sort_values()，

  1. In[73]: obj = Series(range(4), index=['d','a','b','c'])
  2. In[74]: obj.sort_index()
  3. Out[74]:
  4. a 1
  5. b 2
  6. c 3
  7. d 0
  8. dtype: int64
  10. In[78]: frame = DataFrame(np.arange(8).reshape((2,4)),index=['three', 'one'],columns=['d','a','b','c'])
  11. In[79]: frame
  12. Out[79]:
  13. d a b c
  14. three 0 1 2 3
  15. one 4 5 6 7
  17. In[86]: frame.sort_index()
  18. Out[86]:
  19. d a b c
  20. one 4 5 6 7
  21. three 0 1 2 3

按行排序

  1. In[89]: frame.sort_index(axis=1, ascending=False)
  2. Out[89]:
  3. d c b a
  4. three 0 3 2 1
  5. one 4 7 6 5

按值排序

Series:

  1. In[92]: obj = Series([4, 7, -3, 2])
  2. In[94]: obj.sort_values()
  3. Out[94]:
  4. 2 -3
  5. 3 2
  6. 0 4
  7. 1 7
  8. dtype: int64

DataFrame:

  1. In[95]: frame = DataFrame({'b':[4, 7, -3, 2], 'a':[0, 1, 0, 1]})
  2. In[97]: frame.sort_values(by='b') #DataFrame必須傳一個by引數表示要排序的列
  3. Out[97]:
  4. a b
  5. 2 0 -3
  6. 3 1 2
  7. 0 0 4
  8. 1 1 7

第四關答案

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd
def sort_gate():
    '''
    回傳值:
    s2: 一個Series型別資料
    d2: 一個DataFrame型別資料
    '''

    # s1是Series型別資料，d1是DataFrame型別資料
    s1 = Series([4, 3, 7, 2, 8], index=['z', 'y', 'j', 'i', 'e'])
    d1 = DataFrame({'e': [4, 2, 6, 1], 'f': [0, 5, 4, 2]})

    # 請在此添加代碼 完成本關任務
    # ********** Begin *********#
    s2=s1.sort_index()
    d2=d1.sort_values(by='f')
    # ********** End **********#



    #回傳s2,d2
    return s2,d2

第五關：資料的基本操作——洗掉

編程要求

  • 在s1中洗掉z行，并賦值到s2；

  • d1中洗掉yy列，并賦值到d2，

相關知識

洗掉指定軸上的項

即洗掉Series的元素或DataFrame的某一行（列）的意思，我們可以通過物件的drop(labels, axis=0)方法實作此功能，

洗掉Series的一個元素：

  1. In[11]: ser = Series([4.5,7.2,-5.3,3.6], index=['d','b','a','c'])
  2. In[13]: ser.drop('c')
  3. Out[13]:
  4. d 4.5
  5. b 7.2
  6. a -5.3
  7. dtype: float64

洗掉DataFrame的行或列：

  1. In[17]: df = DataFrame(np.arange(9).reshape(3,3), index=['a','c','d'], columns=['oh','te','ca'])
  2. In[18]: df
  3. Out[18]:
  4. oh te ca
  5. a 0 1 2
  6. c 3 4 5
  7. d 6 7 8
  9. In[19]: df.drop('a')
  10. Out[19]:
  11. oh te ca
  12. c 3 4 5
  13. d 6 7 8
  15. In[20]: df.drop(['oh','te'],axis=1)
  16. Out[20]:
  17. ca
  18. a 2
  19. c 5
  20. d 8

需要注意的是drop()回傳的是一個新物件，原物件不會被改變，

第五關答案

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import numpy as np
import  pandas as pd

def delete_data():
    '''
    回傳值:
    s2: 一個Series型別資料
    d2: 一個DataFrame型別資料
    '''

    # s1是Series型別資料，d1是DataFrame型別資料
    s1 = Series([5, 2, 4, 1], index=['v', 'x', 'y', 'z'])
    d1=DataFrame(np.arange(9).reshape(3,3), columns=['xx','yy','zz'])
    # 請在此添加代碼 完成本關任務
    # ********** Begin *********#
    s2=s1.drop('z')
    d2=d1.drop(['yy'],axis=1)
    # ********** End **********#

    # 回傳s2,d2
    return s2, d2

第六關：資料的基本操作——算術運算

編程要求

  • 讓df1與df2相加得到df3，并設定默認填充值為4，

相關知識

算術運算（+，-，*，/）

DataFrame中的算術運算是df中對應位置的元素的算術運算，如果沒有共同的元素，則用NaN代替，

  1. In[5]: df1 = DataFrame(np.arange(12.).reshape((3,4)),columns=list('abcd'))
  2. In[6]: df2 = DataFrame(np.arange(20.).reshape((4,5)),columns=list('abcde'))
  3. In[9]: df1+df2
  4. Out[9]:
  5. a b c d e
  6. 0 0 2 4 6 NaN
  7. 1 9 11 13 15 NaN
  8. 2 18 20 22 24 NaN
  9. 3 NaN NaN NaN NaN NaN

此外，如果我們想設定默認的其他填充值，而非NaN的話，可以傳入填充值，

  1. In[11]: df1.add(df2, fill_value=0)
  2. Out[11]:
  3. a b c d e
  4. 0 0 2 4 6 4
  5. 1 9 11 13 15 9
  6. 2 18 20 22 24 14
  7. 3 15 16 17 18 19

第六關答案

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import numpy as np
import  pandas as pd

def add_way():
    '''
    回傳值:
    df3: 一個DataFrame型別資料
    '''

    # df1,df2是DataFrame型別資料
    df1 = DataFrame(np.arange(12.).reshape((3, 4)), columns=list('abcd'))
    df2 = DataFrame(np.arange(20.).reshape((4, 5)), columns=list('abcde'))

    # 請在此添加代碼 完成本關任務
    # ********** Begin *********#
    df3=df1.add(df2,fill_value=4)

    # ********** End **********#

    # 回傳df3
    return df3

第七關：資料的基本操作——去重

編程要求

  • 去除df1中重復的行，并把結果保存到df2中，

相關知識

duplicated()

DataFrame的duplicated方法回傳一個布爾型Series，表示各行是否是重復行，具體用法如下：

  1. In[1]: df = DataFrame({'k1':['one']*3 + ['two']*4, 'k2':[1,1,2,3,3,4,4]})
  3. In[2]: df
  4. Out[2]:
  5. k1 k2
  6. 0 one 1
  7. 1 one 1
  8. 2 one 2
  9. 3 two 3
  10. 4 two 3
  11. 5 two 4
  12. 6 two 4
  14. In[3]: df.duplicated()
  15. Out[3]:
  16. 0 False
  17. 1 True
  18. 2 False
  19. 3 False
  20. 4 True
  21. 5 False
  22. 6 True
  23. dtype: bool

drop_duplicates()

drop_duplicates()用于去除重復的行數，具體用法如下：

  1. In[4]: df.drop_duplicates()
  2. Out[4]:
  3. k1 k2
  4. 0 one 1
  5. 2 one 2
  6. 3 two 3
  7. 5 two 4

第七關答案

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd

def delete_duplicated():
    '''
    回傳值:
    df2: 一個DataFrame型別資料
    '''

    # df1是DataFrame型別資料
    df1 = DataFrame({'k1': ['one'] * 3 + ['two'] * 4, 'k2': [1, 1, 2, 3, 3, 4, 4]})
    # 請在此添加代碼 完成本關任務
    # ********** Begin *********#
    df2=df1.drop_duplicates()

    # ********** End **********#

    # 回傳df2
    return df2

第八關：層次化索引

編程要求

  • 對s1進行資料重塑，轉化成DataFrame型別，并復制到d1，

相關知識

層次化索引

層次化索引(hierarchical indexing)是pandas的一項重要功能，它使我們能在一個軸上擁有多個（兩個以上）索引級別，請看以下例子：

  1. In[1]:data = Series(np.random.randn(10), index = [['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c', 'd', 'd' ],[1,2,3,1,2,3,1,2,2,3]])
  2. In[2]:data
  3. Out[2]:
  4. a 1 0.169239
  5. 2 0.689271
  6. 3 0.879309
  7. b 1 -0.699176
  8. 2 0.260446
  9. 3 -0.321751
  10. c 1 0.893105
  11. 2 0.757505
  12. d 2 -1.223344
  13. 3 -0.802812
  14. dtype: float64

索引方式

  1. In[3]:data['b':'d']
  2. Out[3]:
  3. b 1 -0.699176
  4. 2 0.260446
  5. 3 -0.321751
  6. c 1 0.893105
  7. 2 0.757505
  8. d 2 -1.223344
  9. 3 -0.802812
  10. dtype: float64

內層選取

  1. In[4]:data[:, 2]
  2. Out[4]:
  3. a 0.689271
  4. b 0.260446
  5. c 0.757505
  6. d -1.223344
  7. dtype: float64

資料重塑

將Series轉化成DataFrame:

  1. in[5]:data.unstack()
  2. Out[5]:
  3. 1 2 3
  4. a 0.169239 0.689271 0.879309
  5. b -0.699176 0.260446 -0.321751
  6. c 0.893105 0.757505 NaN
  7. d NaN -1.223344 -0.802812

第八關答案

# -*- coding: utf-8 -*-
from pandas import Series,DataFrame
import  pandas as pd
import numpy as np
def suoying():
    '''
    回傳值:
    d1: 一個DataFrame型別資料
    '''
    #s1是Series型別資料
    s1=Series(np.random.randn(10),
           index=[['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c', 'd', 'd'], [1, 2, 3, 1, 2, 3, 1, 2, 2, 3]])
    # 請在此添加代碼 完成本關任務
    # ********** Begin *********#
    d1=s1.unstack()

    # ********** End **********#

    # 回傳d1
    return d1



suoying()

資料采集習題參考答案，會持續更新，點個關注防丟失，

創作不易，一鍵三連給博主一個支持唄，

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/337598.html

標籤：AI

上一篇：[股票預測]基于BP神經網路的股票行情預測

下一篇：人工智能學習路線：來自中科院IT大佬的強烈推薦

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
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂