Python酷库之旅-第三方库Pandas(036)

目录

一、用法精讲

111、pandas.Series.item方法

111-1、语法

111-2、参数

111-3、功能

111-4、返回值

111-5、说明

111-6、用法

111-6-1、数据准备

111-6-2、代码示例

111-6-3、结果输出

112、pandas.Series.xs方法

112-1、语法

112-2、参数

112-3、功能

112-4、返回值

112-5、说明

112-6、用法

112-6-1、数据准备

112-6-2、代码示例

112-6-3、结果输出

113、pandas.Series.add方法

113-1、语法

113-2、参数

113-3、功能

113-4、返回值

113-5、说明

113-6、用法

113-6-1、数据准备

113-6-2、代码示例

113-6-3、结果输出

114、pandas.Series.sub方法

114-1、语法

114-2、参数

114-3、功能

114-4、返回值

114-5、说明

114-6、用法

114-6-1、数据准备

114-6-2、代码示例

114-6-3、结果输出

115、pandas.Series.mul方法

115-1、语法

115-2、参数

115-3、功能

115-4、返回值

115-5、说明

115-6、用法

115-6-1、数据准备

115-6-2、代码示例

115-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

111、pandas.Series.item方法
111-1、语法
# 111、pandas.Series.item方法
pandas.Series.item()
Return the first element of the underlying data as a Python scalar.Returns:
scalar
The first element of Series or Index.Raises:
ValueError
If the data is not length = 1.
111-2、参数

        无

111-3、功能

        用于从pandas.Series对象中获取单一的元素值，并返回该值。

111-4、返回值

        返回Series中唯一元素的值。

111-5、说明

        在使用item方法之前，可以考虑检查Series的长度，以确保安全调用。

111-6、用法
111-6-1、数据准备
无
111-6-2、代码示例
# 111、pandas.Series.item方法
import pandas as pd
# 创建一个只有一个元素的Series对象
s = pd.Series([42])
# 使用item方法获取这个元素
if len(s) == 1:value = s.item()
else:print("Series does not contain exactly one element.")
print(value)
111-6-3、结果输出
# 111、pandas.Series.item方法
# 42
112、pandas.Series.xs方法
112-1、语法
# 112、pandas.Series.xs方法
pandas.Series.xs(key, axis=0, level=None, drop_level=True)
Return cross-section from the Series/DataFrame.This method takes a key argument to select data at a particular level of a MultiIndex.Parameters:
key
label or tuple of label
Label contained in the index, or partially in a MultiIndex.axis
{0 or ‘index’, 1 or ‘columns’}, default 0
Axis to retrieve cross-section on.level
object, defaults to first n levels (n=1 or len(key))
In case of a key partially contained in a MultiIndex, indicate which levels are used. Levels can be referred by label or position.drop_level
bool, default True
If False, returns object with same levels as self.Returns:
Series or DataFrame
Cross-section from the original Series or DataFrame corresponding to the selected index levels.
112-2、参数

112-2-1、key(必须)：任意数据类型，通常为索引标签，表示要提取的索引标签值，如果Series有多层索引，则key可以是一个具体的层级标签(对于多层索引，需要指定level)。

112-2-2、axis(可选，默认值为0)：一个整数或字符串，表示指定操作的轴。对于Series来说，axis总是 0，因为Series只有一个轴，表示索引轴；在多层索引的DataFrame中，这个参数允许指定不同的轴。

112-2-3、level(可选，默认值为None)：一个整数或字符串，表示指定要在多层索引中提取的具体层级。如果Series没有多层索引，此参数被忽略。如果指定此参数，则key应为指定层级的标签值。例如，在多层索引的Series中，可以通过指定level来选择特定的层级。

112-2-4、drop_level(可选，默认值为True)：布尔值，表示指定在提取值后是否从结果中删除所使用的层级。如果为True，提取的结果将不包含使用的索引层级；如果为False，结果将保留该层级的索引。

112-3、功能

        用于从一个pandas.Series对象中选择特定的数据，该方法可以通过给定的索引标签来切片Series，并返回与该标签对应的值。

112-4、返回值

        返回指定索引标签对应的单个值，或者如果key匹配多个值，则返回一个新的Series。

112-5、说明

112-5-1、如果指定的key不存在于索引中，会引发KeyError。

112-5-2、当使用level时，确保Series是多层索引的，否则指定level参数会导致错误。

112-5-3、drop_level的设置会影响结果的索引结构，True时会去掉提取的层级，False时保留。

112-6、用法
112-6-1、数据准备
无
112-6-2、代码示例
# 112、pandas.Series.xs方法
# 112-1、基本应用
import pandas as pd
s = pd.Series([10, 20, 30], index=['a', 'b', 'c'])
# 获取索引为'b'的值
value = s.xs('b')
print(value, end='\n\n')# 112-2、多层索引示例
import pandas as pd
# 创建多层索引的 Series
arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]
index = pd.MultiIndex.from_arrays(arrays, names=('letters', 'numbers'))
s_multi = pd.Series([100, 200, 300, 400], index=index)
# 获取数字为1的所有值，保持原始层级
value = s_multi.xs(1, level='numbers', drop_level=False)
print(value, end='\n\n')
# 获取数字为1的所有值，删除层级
value = s_multi.xs(1, level='numbers', drop_level=True)
print(value)
112-6-3、结果输出
# 112、pandas.Series.xs方法
# 112-1、基本应用
# 20# 112-2、多层索引示例
# 获取数字为1的所有值，保持原始层级
# letters  numbers
# A        1          100
# B        1          300
# dtype: int64# 获取数字为1的所有值，删除层级
# letters
# A    100
# B    300
# dtype: int64
113、pandas.Series.add方法
113-1、语法
# 113、pandas.Series.add方法
pandas.Series.add(other, level=None, fill_value=None, axis=0)
Return Addition of series and other, element-wise (binary operator add).Equivalent to series + other, but with support to substitute a fill_value for missing data in either one of the inputs.Parameters:
other
Series or scalar value
level
int or name
Broadcast across a level, matching Index values on the passed MultiIndex level.fill_value
None or float value, default None (NaN)
Fill existing missing (NaN) values, and any new element needed for successful Series alignment, with this value before computation. If data in both corresponding Series locations is missing the result of filling (at that location) will be missing.axis
{0 or ‘index’}
Unused. Parameter needed for compatibility with DataFrame.Returns:
Series
The result of the operation.
113-2、参数

113-2-1、other(必须)：表示要与当前Series对象进行加法操作的对象。如果是Series或DataFrame，则将其与当前Series对象按元素逐一加法；如果是标量值，则该值会与Series中的每一个元素相加。

113-2-2、level(可选，默认值为None)：一个整数或字符串，如果other是一个多层索引的Series或DataFrame，可以通过指定此参数来对齐相同的层级进行加法，level用于指明要对齐的层级标签。

113-2-3、fill_value(可选，默认值为None)：标量值，当other中存在缺失值(NaN)时，用于填充缺失的值，即当other中某些索引标签在Series中不存在时，使用此值填补。

113-2-4、axis(可选，默认值为0)：一个整数或字符串，表示指定沿哪个轴进行操作。对于Series，此参数通常被忽略，因为Series只有一个轴；对于DataFrame，则可以指定沿行或列进行操作。

113-3、功能

        用于执行两个Series对象之间的逐元素加法操作。

113-4、返回值

        返回一个新的Series对象，其中的每个元素是原Series和other对应位置元素的和。返回的Series的索引是Series与other的并集，如果other的索引中有当前Series中不存在的标签，这些标签对应的值会是填充值(如果设置了fill_value)或NaN(如果没有设置fill_value)。

113-5、说明

113-5-1、如果other的索引不完全匹配Series的索引，并且fill_value参数没有设置，缺失值会导致结果中的NaN。

113-5-2、使用fill_value可以处理缺失值，使加法操作更加鲁棒。

113-5-3、当涉及到多层索引时，确保level参数正确指定，以保证对齐的准确性。

113-6、用法
113-6-1、数据准备
无
113-6-2、代码示例
# 113、pandas.Series.add方法
# 113-1、基本用法
import pandas as pd
s1 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
s2 = pd.Series([4, 5, 6], index=['a', 'b', 'c'])
# 执行逐元素加法
result = s1.add(s2)
print(result, end='\n\n')# 113-2、使用标量值
import pandas as pd
s1 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
s2 = pd.Series([4, 5, 6], index=['a', 'b', 'c'])
# 使用标量值进行加法
result = s1.add(10)
print(result, end='\n\n')# 113-3、使用fill_value参数
import pandas as pd
s1 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
s2 = pd.Series([4, 5, 6], index=['a', 'b', 'c'])
s3 = pd.Series([7, 8], index=['a', 'd'])
result = s1.add(s3, fill_value=0)
print(result, end='\n\n')# 113-4、使用多层索引
import pandas as pd
# 创建多层索引的Series
arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]
index = pd.MultiIndex.from_arrays(arrays, names=('letters', 'numbers'))
s_multi1 = pd.Series([10, 20, 30, 40], index=index)
s_multi2 = pd.Series([1, 2, 3, 4], index=index)
# 执行逐元素加法
result_multi = s_multi1.add(s_multi2)
print(result_multi)
113-6-3、结果输出
# 113、pandas.Series.add方法
# 113-1、基本用法
# a    5
# b    7
# c    9
# dtype: int64# 113-2、使用标量值
# a    11
# b    12
# c    13
# dtype: int64# 113-3、使用fill_value参数
# a    8.0
# b    2.0
# c    3.0
# d    8.0
# dtype: float64# 113-4、使用多层索引
# letters  numbers
# A        1          11
#          2          22
# B        1          33
#          2          44
# dtype: int64
114、pandas.Series.sub方法
114-1、语法
# 114、pandas.Series.sub方法
pandas.Series.sub(other, level=None, fill_value=None, axis=0)
Return Subtraction of series and other, element-wise (binary operator sub).Equivalent to series - other, but with support to substitute a fill_value for missing data in either one of the inputs.Parameters:
other
Series or scalar value
level
int or name
Broadcast across a level, matching Index values on the passed MultiIndex level.fill_value
None or float value, default None (NaN)
Fill existing missing (NaN) values, and any new element needed for successful Series alignment, with this value before computation. If data in both corresponding Series locations is missing the result of filling (at that location) will be missing.axis
{0 or ‘index’}
Unused. Parameter needed for compatibility with DataFrame.Returns:
Series
The result of the operation.
114-2、参数

114-2-1、other(必须)：被减数，可以是与当前Series对象相同长度的Series、DataFrame或一个标量值，如果是DataFrame，则会对每列执行相应的减法操作。

114-2-2、level(可选，默认值为None)：一个整数或字符串，如果当前Series或other有多层索引(MultiIndex)，level参数用于指定在哪一层索引上对齐，这样可以在指定层级上进行逐元素减法运算，而不是在所有层级上。

114-2-3、fill_value(可选，默认值为None)：标量值，当other的某些索引值在当前Series中不存在时，使用fill_value来填补这些缺失值，这样，fill_value代替了缺失的数据参与计算。

114-2-4、axis(可选，默认值为0)：这个参数主要在DataFrame上有效，用于指定操作的轴；在Series上，通常没有必要设置这个参数，因为Series只有一个轴(轴0)。

114-3、功能

        用于对两个Series对象进行逐元素的减法操作。

114-4、返回值

        返回一个新的Series对象，其中的每个元素是原Series和other对应位置元素的差。返回的Series的索引是Series与other的并集，如果other的索引中有当前Series中不存在的标签，这些标签对应的值会是填充值(如果设置了fill_value)或NaN(如果没有设置fill_value)。

114-5、说明

        无

114-6、用法
114-6-1、数据准备
无
114-6-2、代码示例
# 114、pandas.Series.sub方法
# 114-1、基本用法
import pandas as pd
s1 = pd.Series([5, 6, 7], index=['a', 'b', 'c'])
s2 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
result = s1.sub(s2)
print(result, end='\n\n')# 114-2、使用level参数
import pandas as pd
arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]
index = pd.MultiIndex.from_arrays(arrays, names=('letters', 'numbers'))
s1 = pd.Series([10, 20, 30, 40], index=index)
s2 = pd.Series([1, 2, 3, 4], index=index)
result = s1.sub(s2, level='letters')
print(result, end='\n\n')# 114-3、使用fill_value参数
import pandas as pd
s1 = pd.Series([5, 6], index=['a', 'b'])
s2 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
result = s1.sub(s2, fill_value=0)
print(result, end='\n\n')# 114-4、使用axis参数(主要适用于DataFrame)
import pandas as pd
df1 = pd.DataFrame({'A': [10, 20], 'B': [30, 40]})
df2 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
result = df1.sub(df2, axis=0)
print(result)
114-6-3、结果输出
# 114、pandas.Series.sub方法
# 114-1、基本用法
# a    4
# b    4
# c    4
# dtype: int64# 114-2、使用level参数
# letters  numbers
# A        1           9
#          2          18
# B        1          27
#          2          36
# dtype: int64# 114-3、使用fill_value参数
# a    4.0
# b    4.0
# c   -3.0
# dtype: float64# 114-4、使用axis参数(主要适用于DataFrame)
#     A   B
# 0   9  27
# 1  18  36
115、pandas.Series.mul方法
115-1、语法
# 115、pandas.Series.mul方法
pandas.Series.mul(other, level=None, fill_value=None, axis=0)
Return Multiplication of series and other, element-wise (binary operator mul).Equivalent to series * other, but with support to substitute a fill_value for missing data in either one of the inputs.Parameters:
other
Series or scalar value
level
int or name
Broadcast across a level, matching Index values on the passed MultiIndex level.fill_value
None or float value, default None (NaN)
Fill existing missing (NaN) values, and any new element needed for successful Series alignment, with this value before computation. If data in both corresponding Series locations is missing the result of filling (at that location) will be missing.axis
{0 or ‘index’}
Unused. Parameter needed for compatibility with DataFrame.Returns:
Series
The result of the operation.
115-2、参数

115-2-1、other(必须)：乘数，可以是与当前Series对象长度相同的Series、DataFrame或一个标量值。如果是DataFrame，会对每列进行逐元素的乘法操作。

115-2-2、level(可选，默认值为None)：如果当前Series或other有多层索引(MultiIndex)，level参数用于指定在哪一层索引上对齐，这样可以在指定层级上进行逐元素乘法运算，而不是在所有层级上。

115-2-3、fill_value(可选，默认值为None)：当other的某些索引值在当前Series中不存在时，使用fill_value来填补这些缺失值，这样，fill_value代替了缺失的数据参与计算。

115-2-4、axis(可选，默认值为0)：主要在DataFrame上有效，用于指定操作的轴；在Series上，通常没有必要设置这个参数，因为Series只有一个轴(轴0)。

115-3、功能

        用于执行元素级的乘法操作。具体来说，它会将Series中的每个元素与另一个序列(Series或兼容的数组类型，如NumPy数组)中的对应元素相乘。如果不存在对应元素(比如两个Series的索引不完全匹配)，则可以通过fill_value参数来指定一个填充值，以便进行乘法操作。

115-4、返回值

        返回一个新的Series，其中包含原始Series和other参数指定的序列(或数组)之间元素级乘法的结果。如果两个输入序列的索引不完全匹配，并且指定了fill_value，则结果Series的索引将是两个输入序列索引的并集，缺失值将用fill_value替换以进行乘法操作。

115-5、说明

        无

115-6、用法
115-6-1、数据准备
无
115-6-2、代码示例
# 115、pandas.Series.mul方法
# 115-1、基本用法
import pandas as pd
s1 = pd.Series([2, 3, 4], index=['a', 'b', 'c'])
s2 = pd.Series([5, 6, 7], index=['a', 'b', 'c'])
result = s1.mul(s2)
print(result, end='\n\n')# 115-2、使用level参数
import pandas as pd
arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]
index = pd.MultiIndex.from_arrays(arrays, names=('letters', 'numbers'))
s1 = pd.Series([10, 20, 30, 40], index=index)
s2 = pd.Series([2, 3, 4, 5], index=index)
result = s1.mul(s2, level='letters')
print(result, end='\n\n')# 115-3、使用fill_value参数
import pandas as pd
s1 = pd.Series([1, 2], index=['a', 'b'])
s2 = pd.Series([10, 20, 30], index=['a', 'b', 'c'])
result = s1.mul(s2, fill_value=1)
print(result, end='\n\n')# 115-4、使用axis参数(主要适用于DataFrame)
import pandas as pd
df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df2 = pd.DataFrame({'A': [10, 20], 'B': [30, 40]})
result = df1.mul(df2, axis=0)
print(result)
115-6-3、结果输出
# 115、pandas.Series.mul方法
# 115-1、基本用法
# a    10
# b    18
# c    28
# dtype: int64# 115-2、使用level参数
# letters  numbers
# A        1           20
#          2           60
# B        1          120
#          2          200
# dtype: int64# 115-3、使用fill_value参数
# a    10.0
# b    40.0
# c    30.0
# dtype: float64# 115-4、使用axis参数(主要适用于DataFrame)
#     A    B
# 0  10   90
# 1  40  160

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页

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.rhkb.cn/news/380647.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

基于Centos7搭建rsyslog服务器

基于Centos7搭建rsyslog服务器

一、配置rsyslog可接收日志 1、准备新的Centos7环境 2、部署lnmp环境 # 安装扩展源 wget -O /etc/yum.repos.d/epel.repo http://mirrors.aliyun.com/repo/epel-7.repo# 安装扩展源 yum install nginx -y# 安装nginx yum install -y php php-devel php-fpm php-mysql php-co…
阅读更多...
mac二进制安装operator-sdk

mac二进制安装operator-sdk

0. 前置条件 1. 安装go 安装步骤略。 1. 下载operator-sdk源码包 https://github.com/operator-framework/operator-sdk 1.1 选择适合当前go版本的operator版本，在operator-sdk/go.mod文件中可以查看Operator-sdk使用的go版本。 2. 编译 源码包下载后&#x…
阅读更多...
【从零开始实现stm32无刷电机FOC】【实践】【5/7 stm32 adc外设的高级用法】

【从零开始实现stm32无刷电机FOC】【实践】【5/7 stm32 adc外设的高级用法】

目录 采样时刻触发采样同步采样 点击查看本文开源的完整FOC工程 本节介绍的adc外设高级用法用于电机电流控制。 从前面几节可知，电机力矩来自于转子的q轴受磁力，而磁场强度与电流成正比，也就是说电机力矩与q轴电流成正相关，控制了…
阅读更多...
UDP网口(1)概述

UDP网口(1)概述

文章目录 1.计算机网络知识在互联网中的应用2.认识FPGA实现UDP网口通信3.FPGA实现UDP网口通信的方案4.FPGA实现UDP网口文章安排5.传送门 1.计算机网络知识在互联网中的应用 以在浏览器中输入淘宝网为例，介绍数据在互联网是如何传输的。我们将要发送的数据包称作A&a…
阅读更多...
SpringAI简单使用（本地模型+自定义知识库）

SpringAI简单使用（本地模型+自定义知识库）

Ollama 简介 Ollama是一个开源的大型语言模型服务工具，它允许用户在本地机器上构建和运行语言模型，提供了一个简单易用的API来创建、运行和管理模型，同时还提供了丰富的预构建模型库，这些模型可以轻松地应用在多种应用场景中。O…
阅读更多...
为 android编译 luajit库、 交叉编译

为 android编译 luajit库、 交叉编译

时间：20200719 本机环境：iMac2017 macOS11.4 参考: 官方的文档：Use the NDK with other build systems 写在前边：交叉编译跟普通编译类似，无非是利用特殊的编译器、链接器生成动态或静态库; make 本质上是按照 Make…
阅读更多...
哈默纳科HarmonicDrive减速机组装注意事项

哈默纳科HarmonicDrive减速机组装注意事项

在机械行业中，精密传动设备HarmonicDrive减速机对于维持机械运作的稳定性和高效性起着至关重要的作用。然而在减速机的组装过程中，任何一个细微的错误都可能导致其运转时出现振动、异响等不良现象，严重时甚至可能影响整机的性能。因此&#x…
阅读更多...
Python+Django+MySQL的新闻发布管理系统【附源码，运行简单】

Python+Django+MySQL的新闻发布管理系统【附源码，运行简单】

PythonDjangoMySQL的新闻发布管理系统【附源码，运行简单】 总览 1、《新闻发布管理系统》1.1 方案设计说明书设计目标工具列表 2、详细设计2.1 登录2.2 程序主页面2.3 新闻新增界面2.4 文章编辑界面2.5 新闻详情页2.7 其他功能贴图 3、下载 总览 自己做的项目&…
阅读更多...
Flink调优详解：案例解析（第42天）

Flink调优详解：案例解析（第42天）

系列文章目录 一、Flink-任务参数配置 二、Flink-SQL调优 三、阿里云Flink调优 文章目录 系列文章目录前言一、Flink-任务参数配置1.1 运行时参数1.2 优化器参数1.3 表参数 二、Flink-SQL调优2.1 mini-batch聚合2.2 两阶段聚合2.3 分桶2.4 filter去重（了解&#xf…
阅读更多...
代码解读：Diffusion Models中的长宽桶技术(Aspect Ratio Bucketing)

代码解读：Diffusion Models中的长宽桶技术(Aspect Ratio Bucketing)

Diffusion Models专栏文章汇总：入门与实战 前言：自从SDXL提出了长宽桶技术之后，彻底解决了不同长宽比的图像输入问题，现在已经成为训练扩散模型必选的方案。这篇博客从代码详细解读如何在模型训练的时候运用长宽桶技术(Aspect Rat…
阅读更多...
UNiapp 微信小程序渐变不生效

UNiapp 微信小程序渐变不生效

开始用的一直是这个，调试一直没问题，但是重新启动就没生效，经查询这个不适合小程序使用：不适合没生效 background-image:linear-gradient(to right, #33f38d8a,#6dd5ed00); 正确使用下面这个： 生效，适合…
阅读更多...
Python list comprehension (列表推导式 - 列表解析式 - 列表生成式)

Python list comprehension (列表推导式 - 列表解析式 - 列表生成式)

Python list comprehension {列表推导式 - 列表解析式 - 列表生成式} 1. Python list comprehension (列表推导式 - 列表解析式 - 列表生成式)2. Example3. ExampleReferences Python 中的列表解析式并不是用来解决全新的问题，只是为解决已有问题提供新的语法。 列…
阅读更多...
（10）深入理解pandas的核心数据结构：DataFrame高效数据清洗技巧

（10）深入理解pandas的核心数据结构：DataFrame高效数据清洗技巧

目录 前言1. DataFrame数据清洗1.1 处理缺失值（NaNs）1.1.1 数据准备1.1.2 读取数据1.1.3 查找具有 null 值或缺失值的行和列1.1.4 计算每列缺失值的总数1.1.5 删除包含 null 值或缺失值的行1.1.6 利用 .fillna（） 方法用Portfolio …
阅读更多...
Windows搭建RTMP视频流服务器

Windows搭建RTMP视频流服务器

参考了一篇文章，见文末。 博客中nginx下载地址失效，附上一个有效的地址： Index of /download/ 另外，在搭建过程中，遇到的问题总结如下： 1 两个压缩包下载解压并重命名后，需要 将nginx-rtmp…
阅读更多...
如何使用简鹿水印助手或 Photoshop 给照片添加文字

如何使用简鹿水印助手或 Photoshop 给照片添加文字

在社交媒体中，为照片添加个性化的文字已经成为了一种流行趋势。无论是添加注释、引用名言还是表达情感，文字都能够为图片增添额外的意义和风格。本篇文章将使用“简鹿水印助手”和“Adobe Photoshop”这两种工具给照片添加文字的详细步骤。 使用简鹿水印…
阅读更多...
【python基础】组合数据类型：元组、列表、集合、映射

【python基础】组合数据类型：元组、列表、集合、映射

文章目录 一. 序列类型1. 元组类型2. 列表类型（list）2.1. 列表创建2.2 列表操作2.3. 列表元素遍历 ing元素列表求平均值删除散的倍数 二. 集合类型（set）三. 映射类型（map）1. 字典创建2. 字典操作3. 字典遍历…
阅读更多...
【EI检索】第二届机器视觉、图像处理与影像技术国际会议（MVIPIT 2024）

【EI检索】第二届机器视觉、图像处理与影像技术国际会议（MVIPIT 2024）

一、会议信息 大会官网：www.mvipit.org 官方邮箱：mvipit163.com 会议出版：IEEE CPS 出版 会议检索：EI & Scopus 检索 会议地点：河北张家口 会议时间：2024 年 9 月 13 日-9 月 15 日 二、征稿主题…
阅读更多...
【香橙派开发板测试】：在黑科技Orange Pi AIpro部署YOLOv8深度学习纤维分割检测模型

【香橙派开发板测试】：在黑科技Orange Pi AIpro部署YOLOv8深度学习纤维分割检测模型

文章目录 🚀🚀🚀前言一、1️⃣ Orange Pi AIpro开发板相关介绍1.1 🎓 核心配置1.2 ✨开发板接口详情图1.3 ⭐️开箱展示 二、2️⃣配置开发板详细教程2.1 🎓 烧录镜像系统2.2 ✨配置网络2.3 ⭐️使用SSH连接主板 三、…
阅读更多...
Web开发：图片九宫格与非九宫格动态切换效果（HTML、CSS、JavaScript）

Web开发：图片九宫格与非九宫格动态切换效果（HTML、CSS、JavaScript）

目录 一、业务需求 二、实现思路 三、实现过程 1、基础页面 2、图片大小调整 3、图片位置调整 4、鼠标控制切换 5、添加过渡 四、完整代码 一、业务需求 默认显示基础图片； 当鼠标移入，使用九宫格效果展示图片； 当鼠标离开&#…
阅读更多...
CTF-Web习题：[BJDCTF2020]ZJCTF，不过如此

CTF-Web习题：[BJDCTF2020]ZJCTF，不过如此

题目链接：[BJDCTF2020]ZJCTF，不过如此 解题思路 访问靶场链接，出现的是一段php源码，接下来做一下代码审阅，发现这是一道涉及文件包含的题 主要PHP代码语义： file_get_contents($text,r); 把$text变量所…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023