(6) 深入探索Python-Pandas库的核心数据结构：DataFrame全面解析

目录

  • 前言
  • 1. DataFrame 简介
  • 2. DataFrame的特点
  • 3. DataFrame的创建
    • 3.1 使用字典创建DataFrame
    • 3.2 使用列表的列表（或元组）创建DataFrame
    • 3.3 使用NumPy数组创建DataFrame
    • 3.4 使用Series构成的字典创建DataFrame
    • 3.5 使用字典构成的字典创建DataFrame
  • 4. 从 CSV 文件读取
  • 5. DataFrame的属性和方法
    • 5.1 查看 DataFrame
    • 5.2 访问数据
    • 5.3 修改数据
    • 5.4 DataFrame 的属性
    • 5.5 DataFrame 的方法

前言

大家好！我是架构筑梦的Cherry，本期跟大家分享的知识是 pandas 数据结构——DataFrame。

作者的【 Python智能工坊】专栏及【少儿编程Python：趣味编程，探索未来】正在火热更新中🔥🔥🔥，如果本文对您有帮助，欢迎大家点赞 + 评论 + 收藏 ！

1. DataFrame 简介

DataFrame 是 pandas 库中最重要的数据结构之一，它用于存储和操作二维标签化的数据结构（即表格型数据）。它的强大功能、灵活性以及易用性，使其成为数据分析领域的重要工具。
在 DataFrame 中，我们可以拥有行（index）和列（columns），每个单元格可以包含任何数据类型（如整数、浮点数、字符串、Python 对象等）。

2. DataFrame的特点

  • 二维标签化数据结构： DataFrame是一个二维表格型数据结构，具有行和列的标签，允许用户通过索引或列名方便地访问和操作数据。

  • 灵活的数据类型： DataFrame中的每一列可以是不同的数据类型，如整数、浮点数、字符串、布尔值等。这使得DataFrame能够存储和处理复杂的数据集。

  • 丰富的索引功能： DataFrame支持多级索引，可以通过行标签（index）和列标签（columns）进行快速的数据访问。此外，DataFrame还支持基于条件的索引，允许用户根据特定条件筛选和查询数据。

  • 强大的数据处理能力： DataFrame提供了丰富的数据处理功能，包括数据排序、筛选、分组、汇总、连接等。这些功能使得用户能够轻松地对数据进行清洗、转换和分析，以满足不同的数据分析需求。

  • 与其他工具的集成： DataFrame可以与许多其他工具和库（如NumPy、SciPy、Matplotlib等）进行集成，为用户提供更加全面和强大的数据处理和可视化功能。

  • 易于使用和理解： DataFrame的语法和API设计得非常直观和易于理解，使得用户能够快速上手并熟练掌握其使用方法。同时，pandas库还提供了丰富的文档和示例代码，帮助用户更好地理解和应用DataFrame。

  • 高性能和可扩展性： DataFrame在数据处理方面具有很高的性能，能够快速地处理大规模数据集。此外，pandas库还提供了可扩展的接口和工具，允许用户根据自己的需求进行定制和优化。

  • 广泛的应用场景： DataFrame广泛应用于数据分析、数据科学、机器学习等领域。无论是在商业智能、金融分析还是科学研究方面，DataFrame都发挥着重要的作用。

3. DataFrame的创建

在pandas库中，DataFrame的创建可以通过多种方式实现，以下是几种常见且清晰的创建方法：

  • 使用字典创建DataFrame
  • 使用列表的列表（或元组）创建DataFrame
  • 使用NumPy数组创建DataFrame
  • 使用Series构成的字典创建DataFrame
  • 使用字典构成的字典创建DataFrame

pd.DataFrame()是创建DataFrame的常用方法，格式如下：

pd.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)

参数说明：

  • data：用于创建 DataFrame 的数据，可以是二维数组、列表的列表、字典等。
  • index：指定 DataFrame 的行标签，默认为整数序列。
  • columns：指定 DataFrame 的列标签，如果数据中包含列名则无需指定。
  • dtype：指定 DataFrame 中列的数据类型。
  • copy：是否复制输入数据，默认为 False。

以下是一些关于 DataFrame 的实例：

3.1 使用字典创建DataFrame

这是最直观和常用的创建方式之一。当已经有一组数据并且明确了每列的数据和列名时，可以使用字典来创建DataFrame。

import pandas as pd# 使用字典列表创建
data = {'A': [1, 2, 3],'B': [4, 5, 6],'C': ['p', 'q', 'r']
}
df = pd.DataFrame(data)
print(df)

输出：

   A  B  C
0  1  4  p
1  2  5  q
2  3  6  r

3.2 使用列表的列表（或元组）创建DataFrame

当数据已经以记录方式（即每条记录是一个列表或元组）组织好，并且只需要添加列名时，可以使用此方法。

import pandas as pd# 使用列表的列表创建DataFrame
data = [['Alice', 25, 'New York'], ['Bob', 30, 'Paris'], ['Charlie', 35, 'London']]# 创建DataFrame，并指定列名
df = pd.DataFrame(data, columns=['Name', 'Age', 'City'])
print(df)

输出：

      Name  Age      City
0    Alice   25  New York
1      Bob   30     Paris
2  Charlie   35    London

3.3 使用NumPy数组创建DataFrame

如果已经有NumPy数组，并且想将其转换为DataFrame，可以这样做。

import pandas as pd
import numpy as np# 创建NumPy数组
nums = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 创建DataFrame，并指定列名和索引
df = pd.DataFrame(nums, columns=['A', 'B', 'C'], index=['row1', 'row2', 'row3'])print(df)

输出：

      A  B  C
row1  1  2  3
row2  4  5  6
row3  7  8  9

3.4 使用Series构成的字典创建DataFrame

当数据是pandas的Series对象时，也可以将其组合成字典来创建DataFrame。

import pandas as pd
import numpy as np# 创建Series对象
s1 = pd.Series([1, 2, 3], name='A')
s2 = pd.Series([4, 5, 6], name='B')# 创建DataFrame
df = pd.DataFrame({'A': s1, 'B': s2})
print(df)

输出：

   A  B
0  1  4
1  2  5
2  3  6

3.5 使用字典构成的字典创建DataFrame

此方法适用于数据是嵌套的字典结构，外层的字典键作为列名，内层的字典键作为行索引。

import pandas as pd# 嵌套字典数据
data = {'a': {'一': 1, '二': 2},'b': {'一': 10, '二': 20},'c': {'一': 100, '二': 200}
}# 创建DataFrame
df = pd.DataFrame(data)
print(df)

输出：

      a   b    c
一  1  10  100
二  2  20  200

这些方法是创建DataFrame的常见方式，可以根据具体的数据结构和需求选择最适合的方法。

4. 从 CSV 文件读取

在pandas库中，从CSV（Comma Separated Values）文件读取数据以创建DataFrame是非常常见的操作。这可以通过pd.read_csv()函数来实现。以下是一些使用pd.read_csv()函数的基本示例和参数说明：

import pandas as pd# 读取CSV文件
df = pd.read_csv('file.csv')# 显示DataFrame内容
print(df)

pd.read_csv()函数有很多参数可以定制读取行为，以下是一些常用的参数：

  • filepath_or_buffer：文件路径或类似文件的对象。这是必须的参数。
  • sep 或 delimiter：字段分隔符，默认为,。如果你的CSV文件使用其他分隔符（如制表符\t），你需要更改这个参数。
  • header：用作列名的行号。默认为0（即第一行）。如果CSV文件没有标题行，可以设置为None，并使用names参数手动指定列名。
  • names：如果数据不包含列标题，则可以使用此参数指定列名列表。
  • index_col：用作行索引的列编号或列名。如果未指定，则使用默认的整数索引。
  • usecols：返回列的子集。可以是列名的列表，也可以是列编号的列表。
  • dtype：列的数据类型。可以是单个类型，也可以是为每列指定的字典。
  • nrows：要读取的行数。这对于大文件特别有用，因为可以只读取前几行进行快速测试。
  • skiprows：要跳过的行数（从文件开始处计算）。
  • encoding：用于文件解码的字符编码。例如，‘utf-8’。
  • parse_dates：尝试将数据解析为日期。可以是布尔值，表示是否尝试解析所有列，也可以是列名的列表或解析指令的列表。
  • keep_default_na：如果指定了na_values参数，并且keep_default_na为False，则忽略默认的NaN值（如空字符串）。
  • na_values：识别为NaN或None的附加字符串列表。
  • thousands：用于解析数字的千位分隔符，如’,‘或’.'。
  • skipinitialspace：跳过字段中前导的空白字符。
  • comment：标记要忽略的行。任何包含此行标记的行都将被忽略。

5. DataFrame的属性和方法

5.1 查看 DataFrame

* 使用 `print(df)` 或直接在 Jupyter Notebook 中查看
* 使用 `df.head(n)` 查看前 n 行（默认为 5 行）
* 使用 `df.tail(n)` 查看后 n 行
  • 示例 1: 使用 print(df) 或直接在 Jupyter Notebook 中查看
    在Jupyter Notebook中，通常不需要显式调用print(df)来显示DataFrame。您只需将变量df（在这里它引用了您的DataFrame）作为一个独立的表达式或作为最后一行写入一个代码单元格，然后运行该单元格。Jupyter Notebook将自动显示df的内容。
import pandas as pd# 假设我们有一个名为'example.csv'的CSV文件
df = pd.read_csv('example.csv')# 在Jupyter Notebook中，只需运行以下行（无需print）
df

注意：如果您在标准的Python脚本或交互式环境中工作，则需要使用print(df)来显示DataFrame的内容。

  • 示例 2: 使用 df.head(n) 查看前 n 行（默认为 5 行）
    df.head(n)函数允许您查看DataFrame的前n行。如果未指定n，则默认显示前5行。
import pandas as pd# 假设我们有一个名为'example.csv'的CSV文件
df = pd.read_csv('example.csv')# 显示前5行（默认）
print(df.head())# 显示前10行
print(df.head(10))
  • 示例 3: 使用 df.tail(n) 查看后 n 行
    类似地，df.tail(n)函数允许您查看DataFrame的最后n行。如果未指定n，则默认显示最后5行。
import pandas as pd# 假设我们有一个名为'example.csv'的CSV文件
df = pd.read_csv('example.csv')# 显示最后5行（默认）
print(df.tail())# 显示最后10行
print(df.tail(10))

5.2 访问数据

* 通过列名访问整列数据：`df['A']`
* 通过位置访问列：`df.iloc[:, 0]` (等价于 `df['A']` 但基于位置)
* 通过标签访问列：`df.loc[:, 'A']` (也等价于 `df['A']` 但基于标签)
* 访问单个元素：`df.at[row_label, 'A']` 或 `df.iat[row_position, 0]`
* 访问多行多列：使用切片或布尔索引
  • 示例1：通过列名访问整列数据
# 假设我们有一个DataFrame df，它有一个名为'A'的列
col_a = df['A']
  • 示例2：通过位置访问列
# 使用iloc基于整数位置索引访问第一列（位置为0的列）
# 注意这不一定等同于df['A']，除非'A'确实是第一列
col_by_position = df.iloc[:, 0]
  • 示例3：通过标签访问列
# 使用loc基于标签索引访问名为'A'的列
# 这与df['A']等效
col_by_label = df.loc[:, 'A']
  • 示例4：访问单个元素
    有两种主要方式访问单个元素：

使用.at[]基于标签：

# 假设我们想要访问标签为'row_label'的行和名为'A'的列中的元素
element_at = df.at['row_label', 'A']

使用.iat[]基于整数位置：

# 假设我们想要访问第一行（位置为0）和第一列（位置为0）中的元素
# 注意这通常不会直接对应于'A'列，除非'A'是第一列，且'row_label'是第一行的标签
element_iat = df.iat[0, 0]
# 但如果你知道'A'是第n列，可以这样访问：
n = df.columns.get_loc('A')  # 获取'A'列的整数位置
row_position = 0  # 假设要访问第一行
element_specific_iat = df.iat[row_position, n]
  • 示例5：访问多行多列
    – 使用切片
# 访问前两行和前两列（基于位置）
subset_by_slice = df.iloc[:2, :2]# 访问名为'A'和'B'的列（基于标签）
subset_by_slice_label = df.loc[:, ['A', 'B']]

– 使用布尔索引

# 假设我们有一个条件来选择某些行（例如，'A'列的值大于10）
mask = df['A'] > 10
# 选择满足条件的行和所有列
subset_by_condition = df[mask]# 或者，选择满足条件的行和特定的列（例如，'B'和'C'列）
subset_by_condition_and_columns = df.loc[mask, ['B', 'C']]

5.3 修改数据

* 直接修改列的值：`df['A'] = [10, 20, 30]`
* 添加新列：`df['D'] = [100, 200, 300]`
* 删除列：`del df['A']` 或 `df = df.drop(columns=['A'])`
* 删除行：`df = df.drop(index=[0, 1])` （注意这会改变原始的 index）
  • 示例1：直接修改列的值
import pandas as pd# 创建一个简单的 DataFrame
data = {'A': [1, 2, 3],'B': [4, 5, 6],'C': [7, 8, 9]
}
df = pd.DataFrame(data)df['A'] = [10, 20, 30]
print("\n修改列 'A' 后的 DataFrame:")
print(df)

输出：

    A  B  C
0  10  4  7
1  20  5  8
2  30  6  9
  • 示例2：添加新列
df['D'] = [100, 200, 300]
print("\n添加新列 'D' 后的 DataFrame:")
print(df)

输出：

    A  B  C    D
0  10  4  7  100
1  20  5  8  200
2  30  6  9  300
  • 示例3：删除列
del df['A']
print("\n使用 del 删除列 'A' 后的 DataFrame:")
print(df)

输出：

   B  C    D
0  4  7  100
1  5  8  200
2  6  9  300
  • 示例4：使用 drop 方法
df = df.drop(columns=['B'])
print("\n使用 drop 方法删除列 'B' 后的 DataFrame:")
print(df)

输出：

   C    D
0  7  100
1  8  200
2  9  300
  • 示例5：删除行
df = df.drop(index=[0, 1])
print("\n删除索引为 0 和 1 的行后的 DataFrame:")
print(df)

输出：

   C    D
2  9  300

注意：在删除行或列后，原始的 index 可能会被改变（取决于你是否重置了 index）。如果你希望保留原始的 index 值（即使行被删除），你可能需要使用 reset_index 方法并设置 drop=True 来避免旧的 index 成为 DataFrame 的一部分。

5.4 DataFrame 的属性

* `df.shape`：返回 DataFrame 的形状（行数，列数）
* `df.dtypes`：返回每列的数据类型
* `df.index`：返回行标签
* `df.columns`：返回列标签
* `df.values`：返回 DataFrame 的 ndarray 表示
  • 示例：
import pandas as pd# 创建一个简单的 DataFrame
data = {'A': [1, 2, 3],'B': [4.0, 5.0, 6.0],'C': ['foo', 'bar', 'baz'],'D': pd.date_range(start='2023-01-01', periods=3)
}
df = pd.DataFrame(data)# 获取 DataFrame 的形状（行数，列数）
print("Shape of DataFrame:", df.shape) # 输出：Shape of DataFrame: (3, 4)# 获取每列的数据类型
print("Data types of columns:", df.dtypes) # 输出：Data types of columns: A             int64# B           float64# C            object# D    datetime64[ns]# dtype: object# 获取行标签
print("Row labels (index):", df.index) # 输出：Row labels (index): RangeIndex(start=0, stop=3, step=1)# 获取列标签
print("Column labels:", df.columns) # 输出：Column labels: Index(['A', 'B', 'C', 'D'], dtype='object')# 获取 DataFrame 的 ndarray 表示
print("NumPy ndarray representation:", df.values)
# 输出：
# NumPy ndarray representation: [[1 4.0 'foo' Timestamp('2023-01-01 00:00:00')]
#  [2 5.0 'bar' Timestamp('2023-01-02 00:00:00')]
#  [3 6.0 'baz' Timestamp('2023-01-03 00:00:00')]]

5.5 DataFrame 的方法

* `df.describe()`：提供 DataFrame 的统计摘要
* `df.sort_values(by='column_name')`：按指定列的值排序
* `df.groupby('column_name')`：按指定列的值进行分组
* `df.merge(other_df, on='column_name')`：基于指定列合并两个 DataFrame
* `df.pivot(index='column1', columns='column2', values='column3')`：将数据重塑为表格格式

当然，以下是您给出的 pandas DataFrame 操作的示例：

  • 示例1：df.describe() ：提供 DataFrame 的统计摘要
import pandas as pd# 创建一个简单的 DataFrame
data = {'A': [1, 2, 3, 4, 5],'B': [10, 20, 30, 20, 15],'C': [100, 200, 50, 30, 20]
}
df = pd.DataFrame(data)# 提供 DataFrame 的统计摘要
print(df.describe())

输出：

              A          B           C
count  5.000000   5.000000    5.000000
mean   3.000000  19.000000   80.000000
std    1.581139   7.416198   73.824115
min    1.000000  10.000000   20.000000
25%    2.000000  15.000000   30.000000
50%    3.000000  20.000000   50.000000
75%    4.000000  20.000000  100.000000
max    5.000000  30.000000  200.000000

这将输出每列的基本统计信息，如计数、均值、标准差、最小值、25%分位数、中位数、75%分位数和最大值。

  • 示例2：df.sort_values(by=‘column_name’)：按指定列的值排序
# 按列 'B' 的值排序
sorted_df = df.sort_values(by='B')
print(sorted_df)

这将按 ‘B’ 列的值对 DataFrame 进行排序。
输出：

   A   B    C
0  1  10  100
4  5  15   20
3  4  20   30
1  2  20  200
2  3  30   50
  • 示例3：df.groupby(‘column_name’)：按指定列的值进行分组
# 按列 'B' 的值进行分组，并计算每组的 'A' 列的均值
grouped = df.groupby('B')['A'].mean()
print(grouped)

这将根据 ‘B’ 列的值对 DataFrame 进行分组，并计算每个组中 ‘A’ 列的均值。
输出：

B
10    1.0
15    5.0
20    3.0
30    3.0
Name: A, dtype: float64
  • 示例4：df.merge(other_df, on=‘column_name’)：基于指定列合并两个 DataFrame
# 创建另一个 DataFrame
other_data = {'B': [20, 15, 30, 20],'D': ['x', 'y', 'z', 'w']
}
other_df = pd.DataFrame(other_data)# 基于 'B' 列合并两个 DataFrame
merged_df = df.merge(other_df, on='B')
print(merged_df)

这将基于 ‘B’ 列的值将两个 DataFrame 合并为一个新的 DataFrame。
输出：

   A   B    C  D
0  2  20  200  x
1  2  20  200  w
2  3  30   50  z
3  4  20   30  x
4  4  20   30  w
5  5  15   20  y
  • 示例5：df.pivot(index=‘column1’, columns=‘column2’, values=‘column3’)：将数据重塑为表格格式
# 假设我们有一个如下的 DataFrame
pivot_data = {'year': [2020, 2020, 2021, 2021],'product': ['A', 'B', 'A', 'B'],'sales': [100, 200, 150, 300]
}
pivot_df = pd.DataFrame(pivot_data)# 使用 pivot 方法将数据重塑为表格格式
pivoted_df = pivot_df.pivot(index='year', columns='product', values='sales')
print(pivoted_df)

这将根据 ‘year’ 列的值创建行，根据 ‘product’ 列的值创建列，并将 ‘sales’ 列的值填入对应的单元格中。如果数据不能唯一地确定每个单元格的值（即存在重复的行/列组合），则 pivot 方法会抛出错误。在这种情况下，可以使用 pivot_table 方法，它允许进行聚合操作。
输出：

product    A    B
year
2020     100  200
2021     150  300

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/427121.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

兔子检测系统源码分享

兔子检测系统源码分享

兔子检测检测系统源码分享 [一条龙教学YOLOV8标注好的数据集一键训练_70全套改进创新点发刊_Web前端展示] 1.研究背景与意义 项目参考AAAI Association for the Advancement of Artificial Intelligence 项目来源AACV Association for the Advancement of Computer Vision …
阅读更多...
vue和thinkphp路由伪静态配置

vue和thinkphp路由伪静态配置

vue路由伪静态配置： location / { try_files $uri $uri/ /index.html; } thinkphp 路由伪静态配置 location ~* (runtime|application)/{ return 403; } location / { if (!-e $request_filename){ rewrite ^(.*)$ /index.php?s$1 last; break; } }
阅读更多...
【Java 学习】：抽象类接口

【Java 学习】：抽象类接口

✨ 人逢喜事精神爽，月到中秋分外明 🌏 📃个人主页：island1314 🔥个人专栏：java学习 ⛺️ 欢迎关注：👍点赞 &#x1f4…
阅读更多...
【代码】使用c#实现串口通信的基础模板

【代码】使用c#实现串口通信的基础模板

一、分享代码 using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System.Threading.Tasks; using System.Windows.Forms;using System.IO.Ports; using…
阅读更多...
【环境问题】清除僵尸进程 | 深度学习任务中止但是GPU仍在占用

【环境问题】清除僵尸进程 | 深度学习任务中止但是GPU仍在占用

我一般遇到这种是本地网络意外中断了，程序不见了，但是GPU仍在占用。 1.确认GPU显存： 终端输入 nvidia-smi 查看显存使用情况： 2.查看所有进程： 输入fuser -v /dev/nvidia* 查看进程。如果出现bash: fuser: command no…
阅读更多...
数据结构——链表（短小精悍版）

数据结构——链表（短小精悍版）

使用链表结构可以克服数组链表需要预先知道数据大小的缺点 链表结构可以充分利用计算机内存空间，实现灵活的内存动态管理。 但是链表失去了数组随机读取的优点，同时链表由于增加了结点的指针域，空间开销比较大。 单向链表： 一个…
阅读更多...
【kafka】生产者

【kafka】生产者

1. 主要参数： **bootstrap.servers：**该参数用来指定生产者客户端连接Kafka集群所需的broker地址清单，具体的内容格式为host1：port1，host2：port2，可以设置一个或多个地址，中间以逗号…
阅读更多...
《Google软件测试之道》笔记

《Google软件测试之道》笔记

介绍 GTAC：Google Test Automation Conference，Google测试自动化大会。 本书出版之前还有一本《微软测试之道》，值得阅读。 质量不是被测试出来的，但未经测试也不可能开发出有质量的软件。质量是开发过程的问题，而不…
阅读更多...
ROS第五梯：ROS+VSCode+C++单步调试

ROS第五梯：ROS+VSCode+C++单步调试

解决问题：在ROS项目中进行断点调试。 第一步：创建一个ROS项目或者打开一个现有的ROS项目。 第二步：修改c_cpp_properties.json 增加一段命令: "compileCommands": "${workspaceFolder}/build/compile_commands.json"第三…
阅读更多...
线结构光测量系统标定--导轨

线结构光测量系统标定--导轨

光平面标定原理可查看之前的博文《光平面标定》，光条中心提取可参考线结构光专栏光条中心提取系列的文章，相机标定参考相机标定专栏中的博文。（欢迎进Q群交流：874653199） 线结构光测量系统(指一个线结构光传感器与一个…
阅读更多...
rocky9虚拟机配置双网卡的详细过程

rocky9虚拟机配置双网卡的详细过程

编辑虚拟机配置->添加->选择网络适配器->确认->打开虚拟机 1.ip add查看第二个网卡的名称，我这里是ens36 2.cd到网卡的配置文件目录 cd /etc/NetworkManager/system-connections/ ls3.复制一份网卡的配置文件并改名为ens36.nmconnection(根据自己的第…
阅读更多...
昨天扫盘12红8，男人的第六感，今日预感8场全红

昨天扫盘12红8，男人的第六感，今日预感8场全红

阅读更多...
计算机网络（运输层）

计算机网络（运输层）

物理层、数据链路层以及网络层共同解决了将主机通过异构网络互联起来所面临的问题，实现了主机与主机之间的通信。 实际上在计算机网络中进行通信的真正实体事位于通信两端主机中的进程。 运输层的任务就会是提供运行在不同主机上的应用进程提供直接的通信服务&…
阅读更多...
pybind11 学习笔记

pybind11 学习笔记

pybind11 学习笔记 0. 一个例子1. 官方文档1.1 Installing the Library1.1.1 Include as A Submodule1.1.2 Include with PyPI1.1.3 Include with Conda-forge 1.2 First Steps1.2.1 Separate Files1.2.2 PYBIND11_MODULE() 宏1.2.3 example.cpython-38-x86_64-linux-gnu.so 的…
阅读更多...
常见 HTTP 状态码详解与Nginx 文件上传大小限制

常见 HTTP 状态码详解与Nginx 文件上传大小限制

在我们日常使用 Nginx 搭建网站或应用服务时，可能会遇到很多与文件上传和请求响应相关的问题。今天我们就来聊聊 如何限制文件上传的大小，并介绍一些常见的 HTTP 状态码 及其在 Nginx 中的处理方式。 一、文件上传大小限制 有时，我们需要限…
阅读更多...
从入门到精通，玩转Python的print函数（探索Python print函数的隐藏功能）

从入门到精通，玩转Python的print函数（探索Python print函数的隐藏功能）

文章目录 📖 介绍 📖🏡 演示环境 🏡📒 文章内容 📒📝 基础用法参数详解示例📝 高级用法自定义分隔符和结束符输出到文件追加模式📝 覆盖打印与进度条简单覆盖打印动态进度条示例代码⚓️ 相关链接 ⚓️📖 介绍 📖 刚开始学习编程时，我们接触到的第一个方…
阅读更多...
【初阶数据结构】一文讲清楚 “堆” 和 “堆排序” -- 树和二叉树（二）（内含TOP-K问题）

【初阶数据结构】一文讲清楚 “堆” 和 “堆排序” -- 树和二叉树（二）（内含TOP-K问题）

文章目录 前言1. 堆1.1 堆的概念1.2 堆的分类 2. 堆的实现2.1 堆的结构体设置2.2 堆的初始化2.3 堆的销毁2.4 添加数据到堆2.4.1 "向上调整"算法 2.5 从堆中删除数据2.5.1 “向下调整”算法 2.6 堆的其它各种方法接口函数 3. 堆排序3.1 堆排序的代码实现 4. TOP-K问题…
阅读更多...
微软Office全家桶再爆办公革命，o1模型加持重塑十亿人工作流！1句话生成PPT+自定义智能体

微软Office全家桶再爆办公革命，o1模型加持重塑十亿人工作流！1句话生成PPT+自定义智能体

颠覆全球十亿打工人的Office办公全家桶，昨夜迎来重磅升级！ 在微软Copilot第二弹发布会上，CEO纳德拉官宣，「用AI构思，共同协作的全新工作流——WebWorkPages正式开启」。 全程半小时，每一幕都在透露着&…
阅读更多...
GPT代码记录

GPT代码记录

#include <iostream>// 基类模板 template<typename T> class Base { public:void func() {std::cout << "Base function" << std::endl;} };// 特化的子类 template<typename T> class Derived : public Base<T> { public:void…
阅读更多...
基于JDK1.8和Maven的GeoTools 28.X源码自主构建实践

基于JDK1.8和Maven的GeoTools 28.X源码自主构建实践

目录 前言 一、GeoTools与Jdk的版本关系 1、GeoTools与Jdk版本 2、编译环境简介 二、使用Maven编译GeoTools28.X 1、GeoTools28.x 2、Maven的完整编译 3、构建时的问题 三、总结 前言 想要学习和掌握一个开源软件或者项目&#xff0c;源码是我们主要学习的内容。学习开…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023