主頁 >  其他 > pandas 進階

pandas 進階

2022-01-23 07:21:38 其他

目錄

  • 前言
  • 1.資料重塑
    • 1.1 一般資料
    • 1.2 多層索引
    • 1.3 多層索引的運算
  • 2.數學和統計方法
    • 2.1 簡單統計指標
    • 2.2 索引標簽、位置獲取
    • 2.3 更多統計指標
    • 2.4 高級統計指標
  • 3.資料排序
    • 3.1 根據索引行列名進行排序
    • 3.2 屬性值排序
    • 3.3 回傳屬性n大或者n小的值
  • 4.分箱操作
    • 4.1 等寬分箱
    • 4.2 指定寬度分箱
    • 4.3 等頻分箱
  • 5.分組聚合
    • 5.1 分組
    • 5.2 分組聚合apply、transform
    • 5.3 分組聚合agg
    • 5.4 透視表pivot_table
  • 6.資料可視化
    • 6.1 線形圖
    • 6.2 條形圖
    • 6.3 餅圖
    • 6.4 散點圖
    • 6.5 面積圖
  • 7.訓練場
    • 7.1 找到一班（名字后面跟的數字表示班級），獲取班級將其男生1000米跑，成績繪制線形圖
    • 7.2 對各項體側指標進行分箱操作：不及格（0\~59）、及格（60\~69）、中等(70\~79)、良好(80\~89)、優秀(90~100)
    • 7.3 繪制全校男生1000米跑和男跳遠的條形圖（分箱操作后統計各個成績水平數量）
    • 7.4 繪制全校女生50米跑和女仰臥的餅圖（分箱操作后統計各個成績水平的數量）
    • 7.5 繪制男跳遠、女跳遠的堆疊條形圖（分箱操作后統計各個成績水平的數量）

前言

本文其實屬于：Python的進階之道【AIoT階段一】的一部分內容，本篇把這部分內容單獨截取出來，方便大家的觀看，本文介紹 pandas 高級，讀本文之前建議先修：pandas 入門，pandas 高級

1.資料重塑

🚩資料重塑其實就是行變列，列變行

1.1 一般資料

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 100, size = (10, 3)),
                     index = list('ABCDEFHIJK'),
                     columns = ['Python', 'Tensorflow', 'Keras'])
display(df)

# 轉置
df.T

在這里插入圖片描述

1.2 多層索引

df2 = pd.DataFrame(data = np.random.randint(0, 100, size = (20, 3)),
                   index = pd.MultiIndex.from_product([list('ABCDEFHIJK'), 
                                                       ['期中', '期末']]),#多層索引
                   columns = ['Python', 'Tensorflow', 'Keras'])
df2

在這里插入圖片描述
我們來解釋一下這個復雜的代碼：ndex = pd.MultiIndex.from_product([list('ABCDEFHIJK'), ['期中', '期末']])，我們的第一個引數：ABCDEFHIJK，共是 10 10 10 個字母，第二個引數是兩個字串，所以我們一共會有 20 20 20 行的資料，這正好對應了前面的代碼size = (20, 3)，讀者自行理解下面這個代碼：

df3 = pd.DataFrame(data = np.random.randint(0, 100, size = (10, 6)),
                   index = list('ABCDEFHIJK'),
                   columns = pd.MultiIndex.from_product([['Python', 'Math', 'English'],
                                                         ['期中', '期末']]))
df3

在這里插入圖片描述
我們用 unstack() 完成多層索引行變列的資料重塑：

# 行索引變列索引,結構改變
# 默認情況下,最里層調整
df2.unstack()

在這里插入圖片描述
可以看出來，只是把行索引最里層的期中期末 移到了列索引的位置，我們也可以把行索引外層的 ABCDEFHIJK 移動至列索引的位置：

df2.unstack(level = 0)

在這里插入圖片描述
我們用 stack() 完成多層索引列變行的資料重塑：

# 列索引變行索引,結構改變
# 默認情況下,最里層調整
df3.stack()

在這里插入圖片描述
同樣，我們通過調整引數可以實作使得列索引的最外層變成行索引：

df3.stack(level = 0)

在這里插入圖片描述

1.3 多層索引的運算

sum() 求和運算：

df2.sum()

在這里插入圖片描述
當然，這樣的資料一般是沒有意義的，我們一般想要求出每一位同學的總分，而不是每門科目的總分：

df2.sum(axis = 1)

在這里插入圖片描述

# 期中，期末消失
# 計算的是每個人，期中期末的總分數
df2.sum(level = 0)

在這里插入圖片描述
mean() 用來計算平均分：

# 同學消失
# 計算的是所有同學期中期末平均分
df2.mean(level = 1)

在這里插入圖片描述
接下來簡單介紹一下如何取資料：

# df3是多層列索引,可以直接使用[],根據層級關系取資料
# 取出 A 同學的 Python 科目的期中成績
df3['Python', '期中']['A']

在這里插入圖片描述

df2['Python']['A', '期中']

在這里插入圖片描述

2.數學和統計方法

🚩pandas物件擁有一組常用的數學和統計方法，它們屬于匯總統計，對Series匯總計算獲取mean、max值或者對DataFrame行、列匯總計算回傳一個Series，

2.1 簡單統計指標

創建資料：

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 100,size = (20, 3)),
                  index = list('ABCDEFHIJKLMNOPQRSTU'),
                  columns = ['Python', 'Tensorflow', 'Keras'])
df

在這里插入圖片描述

我們現在來把一部分資料設定為空：

def convert(x):
    if x > 80:
        return np.NaN
    else:
        return x
df['Python'] = df['Python'].map(convert)
df['Tensorflow'] = df['Tensorflow'].apply(convert)
df['Keras'] = df['Keras'].transform(convert)

df

在這里插入圖片描述

現在我們想知道到底有多少個空資料，我們可以自己去數，但這顯然是低效的方法，使用 count() 函式可以直接去統計有多少個非空資料：

df.count()  # 統計非空資料的個數

在這里插入圖片描述

我們重新來構造資料：

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 100,size = (20, 3)),
                  index = list('ABCDEFHIJKLMNOPQRSTU'),
                  columns = ['Python', 'Tensorflow', 'Keras'])
df

在這里插入圖片描述
使用 median() 可以計算資料的中位數：

df.median()  # 中位數

在這里插入圖片描述

display(df.quantile(q = 0.5)) # 回傳位于資料 50% 位置的數
display(df.quantile(q = 0.8)) # 回傳位于資料 80% 位置的數

在這里插入圖片描述
我們也可以使用如下的方法實作同樣的效果：

df.quantile(q = [0.5, 0.8])

在這里插入圖片描述

2.2 索引標簽、位置獲取

display(df['Python'].argmin()) # 計算最小值位置
display(df['Keras'].argmax()) # 最大值位置

在這里插入圖片描述

display(df.idxmax()) # 最大值索引標簽
display(df.idxmin()) # 最小值索引標簽

在這里插入圖片描述
索引就是自然數，標簽就是我們初始設定的 ABCD…，索引和標簽是一一對應的，如 0 對應的就是 A

2.3 更多統計指標

創建資料：

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 5,size = (20, 3)),
                  index = list('ABCDEFHIJKLMNOPQRSTU'),
                  columns = ['Python', 'Tensorflow', 'Keras'])
df

在這里插入圖片描述
使用 value_counts() 可以統計元素出現的次數：

# 統計元素出現次數
df['Python'].value_counts()

在這里插入圖片描述
使用 unique() 可以實作去重：

# 去重
df['Python'].unique()

在這里插入圖片描述
呼叫 cumsum() 實作累加，呼叫 cumprod() 實作累乘：

# 累加
display(df.cumsum())
# 累乘
display(df.cumprod())

在這里插入圖片描述
cummin() 的作用是累計最小值，即碰到更小的數后，該數往后所有數都變成這個更小的數，cummax() 的作用是累計最大值，即碰到更大的數后，該數往后所有的數都變成這個更大的數：

# 累計最小值
display(df.cummin())
# 累計最大值
display(df.cummax())

在這里插入圖片描述
計算標準差呼叫 std()，計算方差呼叫 var()

# 計算標準差
display(df.std())
# 計算方差
display(df.var())

在這里插入圖片描述
計算差分使用 diff()，差分就是這一行減上一行的結果，計算百分比的變化使用 pct_change()：

# 計算差分
# 差分:和上一行相減
display(df.diff())
# 計算百分比變化
display(df.pct_change())

在這里插入圖片描述

2.4 高級統計指標

我們使用 cov() 和 corr() 用來分別計算協方差和相關性系數：

協方差： C o v ( X , Y ) = ∑ 1 n ( X i ? X ￣ ) ( Y i ? Y ￣ ) n ? 1 Cov(X,Y) = \frac{\sum_{1}^{n}(X_i-\overline{X})(Y_i-\overline{Y})}{n-1} Cov(X,Y)=n?1∑1n?(Xi??X)(Yi??Y)?

相關性系數： r ( X , Y ) = C o v ( X , Y ) V a r [ X ] V a r [ Y ] r(X,Y) = \frac{Cov(X,Y)}{\sqrt{Var[X]Var[Y]}} r(X,Y)=Var[X]Var[Y] ?Cov(X,Y)?

# 屬性的協方差
display(df.cov())
# Python和Keras的協方差
display(df['Python'].cov(df['Keras']))

在這里插入圖片描述

# 所有屬性相關性系數
display(df.corr())
# 單一屬性相關性系數
display(df.corrwith(df['Tensorflow']))

在這里插入圖片描述

3.資料排序

創建資料

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 30, size = (30, 3)),
                  index = list('qwertyuioijhgfcasdcvbnerfghjcf'),
                  columns = ['Python', 'Keras', 'Pytorch'])
df

在這里插入圖片描述
是一個看起來亂糟糟的資料，我們排序介紹三種方法

3.1 根據索引行列名進行排序

# 按行名排序，升序
display(df.sort_index(axis = 0, ascending = True))
# 按列名排序，降序
display(df.sort_index(axis = 1, ascending = False))

在這里插入圖片描述
當然，按照索引行列名進行排序是不常用的，我們一般都是對資料進行排序

3.2 屬性值排序

# 按Python屬性值排序
display(df.sort_values(by = ['Python']))
# 先按Python，再按Keras排序
display(df.sort_values(by = ['Python', 'Keras']))

在這里插入圖片描述

3.3 回傳屬性n大或者n小的值

# 根據屬性Keras排序,回傳最大3個資料
display(df.nlargest(3, columns = 'Keras'))
# 根據屬性Python排序，回傳最小5個資料
display(df.nsmallest(5, columns = 'Python'))

在這里插入圖片描述

4.分箱操作

🚩分箱操作就是將連續資料轉換為分類對應物的程序，比如將連續的身高資料劃分為：矮中高，
分箱操作分為等距分箱和等頻分箱，
分箱操作也叫面元劃分或者離散化，

我們先來創建資料：

import numpy as np
import pandas as pd

df = pd.DataFrame(data = np.random.randint(0, 150, size = (100, 3)),
                  columns = ['Python', 'Tensorflow', 'Keras'])
df

在這里插入圖片描述

4.1 等寬分箱

🚩等寬分箱在實際操作中意義不大，因為我們一般都會給一個特定的分類標準，比如高于 60 是及格，等分在生活中應用并不多

# bins = 3 表示把 Python 成績劃分成三份
pd.cut(df.Python, bins = 3)

在這里插入圖片描述

4.2 指定寬度分箱

🚩下述代碼就實作了自行定義寬度進行分箱操作，在下述帶啊中，不及格是 [ 0 , 60 ) [0,60) [0,60)，中等是 [ 60 , 90 ) [60, 90) [60,90)，良好是 [ 90 , 120 ) [90, 120) [90,120)，優秀是 [ 120 , 150 ) [120, 150) [120,150) 均為左閉右開，這個是由 right = False 設定的

pd.cut(df.Keras,   #分箱資料
       bins = [0, 60, 90, 120, 150],  # 分箱斷點
       right = False,      # 左閉右開
       labels=['不及格', '中等', '良好', '優秀'])# 分箱后分類

在這里插入圖片描述

4.3 等頻分箱

🚩等頻分箱是按照大家的普遍情況進行等分的操作

pd.qcut(df.Python,q = 4,                 # 4等分
        labels=['差', '中', '良', '優']) # 分箱后分類

在這里插入圖片描述

5.分組聚合

首先來創建資料：

import numpy as np
import pandas as pd
# 準備資料
df = pd.DataFrame(data = {'sex':np.random.randint(0, 2, size = 300), # 0男，1女
                          'class':np.random.randint(1, 9, size = 300),# 1~8八個班
                          'Python':np.random.randint(0, 151, size = 300),# Python成績
                          'Keras':np.random.randint(0, 151, size =300),# Keras成績
                          'Tensorflow':np.random.randint(0, 151, size = 300),
                          'Java':np.random.randint(0, 151,size = 300),
                          'C++':np.random.randint(0, 151, size = 300)})
df['sex'] = df['sex'].map({0:'男', 1:'女'})             # 將0，1映射成男女
df

在這里插入圖片描述

5.1 分組

🚩根據性別分組并求出平均值，并把平均值保留一位小數：

df.groupby(by = 'sex').mean().round(1)

在這里插入圖片描述
分組統計男女的數量：

df.groupby(by = 'sex').size()

在這里插入圖片描述
根據性別和班級兩個屬性進行分組：

df.groupby(by = ['sex', 'class']).size()

在這里插入圖片描述
獲取每個班，男生女生 P y t h o n ， J a v a Python，Java Python，Java 最高分

df.groupby(by = ['sex', 'class'])[['Python', 'Java']].max()

在這里插入圖片描述
我們通過多層索引的思想對上述代碼稍作調整：

df.groupby(by = ['class', 'sex'])[['Python', 'Java']].max()

在這里插入圖片描述
再用之前學過的資料重塑，又可以稍加變形：

df.groupby(by = ['class', 'sex'])[['Python', 'Java']].max().unstack()

在這里插入圖片描述

5.2 分組聚合apply、transform

🚩 a p p l y apply apply 回傳的是匯總后的情況，對于每一個分組大類都只回傳一個結果：

df.groupby(by = ['class','sex'])[['Python','Keras']].apply(np.mean).round(1)

在這里插入圖片描述
t r a n s f o r m transform transform 是把所有的元素全部回傳：

df.groupby(by = ['class','sex'])[['Python','Keras']].transform(np.mean).round(1)

在這里插入圖片描述

5.3 分組聚合agg

🚩agg 比起 apply 和 transform 來說，功能更加的強大

# 按照班級和性別進行劃分,統計 Tensorflow 和 Keras 這兩門學科的最大值,最小值,個數
df.groupby(by = ['class','sex'])[['Tensorflow','Keras']].agg(
    [np.max, np.min, pd.Series.count])

在這里插入圖片描述

# 分組后不同屬性應用多種不同統計匯總
# 對 Python 計算最大值和最小值
# 對 Keras 計數和計算中位數
df.groupby(by = ['class','sex'])[['Python','Keras']].agg(
    {'Python':[('最大值',np.max),('最小值',np.min)],
     'Keras':[('計數',pd.Series.count),('中位數',np.median)]})

在這里插入圖片描述

5.4 透視表pivot_table

🚩所謂透視，其實就是發現事物的一定規律

def count(x):
    return len(x)
df.pivot_table(values=['Python', 'Keras', 'Tensorflow'],# 要透視分組的值
               index=['class', 'sex'], # 分組透視指標,相當于之前的 by
               aggfunc={'Python':[('最大值', np.max)], # 聚合運算
                        'Keras':[('最小值', np.min),('中位數', np.median)],
                        'Tensorflow':[('最小值', np.min),('平均值', np.mean),('計數', count)]})

在這里插入圖片描述

6.資料可視化

🚩修本章節之前需要安裝 m a t p l o t l i b matplotlib matplotlib，建議先修：matplotlib的安裝教程以及簡單呼叫

6.1 線形圖

df1 = pd.DataFrame(data = np.random.randn(1000, 4),
                  index = pd.date_range(start = '23/1/2022', periods = 1000),
                  columns=list('ABCD'))
df1.cumsum().plot()

在這里插入圖片描述

6.2 條形圖

df2 = pd.DataFrame(data = np.random.rand(10, 4),
                   columns = list('ABCD'))
display(df2.plot.bar(stacked = True)) # stacked 堆疊
display(df2.plot.bar(stacked = False))# stacked 不堆疊

在這里插入圖片描述

6.3 餅圖

# 餅圖用來表示百分比,百分比是自動計算的,顏色可以更換
df3 = pd.DataFrame(data = np.random.rand(4, 2),
                   index = list('ABCD'),
                   columns = ['One', 'Two'])
# subplots 表示兩個圖,多個圖
# figsize 表示尺寸
df3.plot.pie(subplots = True,figsize = (8, 8))

在這里插入圖片描述
更換顏色：

# 更換顏色
df3 = pd.DataFrame(data = np.random.rand(4, 2),
                   index = list('ABCD'),
                   columns = ['One', 'Two'])
df3.plot.pie(subplots = True,figsize = (8, 8),
             colors = np.random.random(size = (4, 3)))

在這里插入圖片描述

6.4 散點圖

# 橫縱坐標,表示兩個屬性之間的關系
df4 = pd.DataFrame(np.random.randint(0, 50, size = (50, 4)), columns = list('ABCD'))
display(df4.plot.scatter(x = 'A', y = 'B')) # A和B關系繪制

df4['F'] = df4['C'].map(lambda x : x + np.random.randint(-5, 5, size = 1)[0])
display(df4.plot.scatter(x = 'C', y = 'F'))

在這里插入圖片描述

6.5 面積圖

df5 = pd.DataFrame(data = np.random.rand(10, 4), 
                   columns = list('ABCD'))
display(df5.plot.area(stacked = True))  # stacked 堆疊
display(df5.plot.area(stacked = False)) # stacked 不堆疊

在這里插入圖片描述
同樣，我們可以調節它的顏色：

df5 = pd.DataFrame(data = np.random.rand(10, 4), 
                   columns = list('ABCD'))
display(df5.plot.area(stacked = True,
                      color = np.random.rand(4, 3)))
# 解釋一下 random.rand(4, 3)
# 3就代表三個顏色:紅綠藍(三基色)
# 4就代表 ABCD

在這里插入圖片描述

7.訓練場

首先我們需要下載一個 Excel 檔案：

鏈接：https://pan.baidu.com/s/1gkEEH1yVA1RdaXTrFbw3ww?pwd=rm9t
提取碼：rm9t

下載完成之后，把該檔案和我們的代碼放到同一個檔案夾下，這一操作我們在之前的博客中已經反復說到，這里就不再進行演示

7.1 找到一班（名字后面跟的數字表示班級），獲取班級將其男生1000米跑，成績繪制線形圖

import numpy as np
import pandas as pd

# 獲取1班資料
df = pd.read_excel('./分數匯總.xlsx', sheet_name = 0)
# 獲取1班的名字
cnt = df['姓名'].str[3:].astype(np.int16) == 1
df2 = df[cnt]

s = df2['男1000米跑分數']
# 把 Series 資料轉為 DataFrame
# 重置行索引，0、1、2、3......
score = s.reset_index()[['男1000米跑分數']]

# 繪圖
score.plot()

在這里插入圖片描述
繪圖雖然繪制出來了，但是報錯一大堆，這是因為有中文的原因，我們接著繼續處理：
接下來的處理方法涉及 m a t p l o t l i b matplotlib matplotlib，屬于超綱內容，可以不進行模擬，安裝 m a t p l o t l i b matplotlib matplotlib 見博文：matplotlib的安裝教程以及簡單呼叫
這是字體需要導包：import matplotlib.pyplot as plt

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 獲取1班資料
df = pd.read_excel('./分數匯總.xlsx', sheet_name = 0)
# 獲取1班的名字
cnt = df['姓名'].str[3:].astype(np.int16) == 1
df2 = df[cnt]

s = df2['男1000米跑分數']
# 把 Series 資料轉為 DataFrame
# 重置行索引，0、1、2、3......
score = s.reset_index()[['男1000米跑分數']]

# 把字體設定為楷體(你的電腦上需有這個字體才能進行設定)
plt.rcParams['font.family'] = 'STKaiti'
# 調整字體大小
plt.rcParams['font.size'] = 18

# 繪圖
score.plot()

在這里插入圖片描述

7.2 對各項體側指標進行分箱操作：不及格（0~59）、及格（60~69）、中等(70~79)、良好(80~89)、優秀(90~100)

columns = df.columns
for col in columns:
    if col.endswith('分數'):
        df[col] = pd.cut(df[col], bins = [0, 60, 70, 80, 90, 101],
                         labels = ['不及格', '及格', '中等', '良好', '優秀'],
                         right = False)
        
df2 = pd.read_excel('./分數匯總.xlsx', sheet_name = 1)
columns = df2.columns
for col in columns:
    if col.endswith('分數'):
        df2[col] = pd.cut(df2[col], bins = [0, 60, 70, 80, 90, 101],
                          labels = ['不及格', '及格', '中等', '良好', '優秀'],
                          right = False)

7.3 繪制全校男生1000米跑和男跳遠的條形圖（分箱操作后統計各個成績水平數量）

# 獲取男1000米跑分數的資料
s1 = df['男1000米跑分數'].value_counts()
s1.sort_index()
# 獲取男跳遠分數的資料
s2 = df['男跳遠分數'].value_counts()
s2.sort_index()
# 合并成為一個新的 DataFrame
df3 = pd.DataFrame({'男1000米跑分數':s1, '男跳遠分數':s2})
# 繪圖
df3.plot.bar()

在這里插入圖片描述

7.4 繪制全校女生50米跑和女仰臥的餅圖（分箱操作后統計各個成績水平的數量）

# 獲取女50米跑分數的資料
s3 = df2['女50米跑分數'].value_counts()
s3 = s3.sort_index()
# 獲取女仰臥分數的資料
s4 = df2['女仰臥分數'].value_counts()
s4 = s3.sort_index()
# 合并資料
df4 = pd.DataFrame({'女50米跑分數':s3, '女仰臥分數':s4})

df4.plot.pie(subplots = True)

在這里插入圖片描述
更改一下我們的影像尺寸：

# 獲取女50米跑分數的資料
s3 = df2['女50米跑分數'].value_counts()
s3 = s3.sort_index()
# 獲取女仰臥分數的資料
s4 = df2['女仰臥分數'].value_counts()
s4 = s3.sort_index()
# 合并資料
df4 = pd.DataFrame({'女50米跑分數':s3, '女仰臥分數':s4})

df4.plot.pie(subplots = True, figsize = (16, 16))

在這里插入圖片描述
顯示各部分的百分比：

# 獲取女50米跑分數的資料
s3 = df2['女50米跑分數'].value_counts()
s3 = s3.sort_index()
# 獲取女仰臥分數的資料
s4 = df2['女仰臥分數'].value_counts()
s4 = s3.sort_index()
# 合并資料
df4 = pd.DataFrame({'女50米跑分數':s3, '女仰臥分數':s4})
# 顯示百分比，百分比保留兩位小數
df4.plot.pie(subplots = True, figsize = (16, 16), autopct = '%0.2f%%')

在這里插入圖片描述

7.5 繪制男跳遠、女跳遠的堆疊條形圖（分箱操作后統計各個成績水平的數量）

# 獲取男跳遠分數的資料
s5 = df['男跳遠分數'].value_counts()
s5 = s5.sort_index()
# 獲取女跳遠分數的資料
s6 = df2['女跳遠分數'].value_counts()
s6 = s6.sort_index()
# 資料合并
df5 = pd.DataFrame({'男跳遠分數':s5, '女跳遠分數':s6})
# 繪制堆疊條形圖
df5.plot.bar(stacked = True)

在這里插入圖片描述

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/419101.html

標籤：AI

上一篇：【華為云ModelArts】從0到1進階AI開發達人

下一篇：手把手教你用python來制作春聯，是時候讓你大展身手了

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