数据分析-01数据分析之数据可视化(转)

声明:数据分析01-08均来自尚学堂学习内容,文档仅供学习交流使用,已上传github

一、数据分析介绍

什么是数据分析:

百度百科:数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中,数据分析可帮助人们作出判断,以便采取适当行动。

数据分析的过程:

  1. 数据收集:本地数据或者网络数据的采集与操作.

  2. 数据处理:数据的规整,按照某种格式进行整合存储。

  3. 数据分析:数据的科学计算,使用相关数据工具进行分析。

  4. 数据展现:数据可视化,使用相关工具对分析出的数据进行展示。

大数据分析场景和模型应用

数据分析建模需要先明确业务需求,然后选择是 描述型分析 还是 预测型分析

  • 如果分析的目的是描述目标行为模式,就采用描述型数据分析,描述型分析就考虑 关联规则序列规则聚类 等模型。
  • 如果是预测型数据分析,就是量化未来一段时间内,某个事件的发生概率。有两大预测分析模型, 分类预测回归预测

1、数据建模分类

在这里插入图片描述

1、分类与回归

  • 分类:是通过已有的训练样本去训练得到一个最优模型,再利用这个模型将输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的,也就具有了对未知数据进行分类的能力。
  • 回归:是基于观测数据建立变量间适当的依赖关系,以分析数据内在的规律,得到响应的判断。并可用于预报、控制等问题。

应用:

信用卡申请人风险评估、预测公司业务增长量、预测房价,未来的天气情况等

原理:

  • 回归:用属性的 历史数据 预测未来趋势。算法首先假设一些已知类型的函数可以匹配目标数据,然后分析匹配后的误差,确定一个与目标数据匹配程度最好的函数。回归是对真实值的一种 逼近预测
  • 分类:将数据映射到 预先定义的 群组或类。算法要求基于数据 特征值 来定义类别,把具有某些特征的数据项映射到给定的某个类别上。分类并没有逼近的概念,最终正确结果只有一个。 在机器学习方法里,分类属于监督学习。

区别:

分类模型采用 离散预测值,回归模型采用 连续的预测值

2、聚类

  • 聚类:就是将相似的事物聚集在一起,不相似的事物划分到不同的类别的过程。
  • 聚类分析:又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。

应用:

根据症状归纳特定疾病、发现信用卡高级用户、根据上网行为对客户分群从而进行精确营销等。

原理:

在没有给定划分类的情况下,根据信息相似度进行信息聚类。

聚类的输入是一组 未被标记的数据,根据样本特征的距离或相似度进行划分。划分原则是保持最大的组内相似性和最小的组间相似性。

不同于分类,聚类事先 没有任何训练样本,直接对数据进行建模。聚类分析的目标,就是在相似的基础上收集数据来分类。 在机器学习方法里,聚类属于无监督学习。

3、时序模型

  • 不管在哪个领域中(如金融学、经济学、生态学、神经科学、物理学等),时间序列(time series)数据都是一种重要的结构化数据形式。在多个时间点观察或测量到的任何事物,都可以形成一段时间序列。时间序列大多都是固定频率的,数据点将根据某种规律定期出现。

应用:

下个季度的商品销量或库存量是多少?明天用电量是多少?今天的北京地铁13号线的人流情况?

原理:

描述 基于时间或其他序列的 经常发生的规律或趋势,并对其建模。 与回归一样,用已知的数据预测未来的值,但这些数据的区别是 变量所处时间的不同。重点考察数据之间在 时间维度上的关联性

2、数据分析应用场景:

1、市场营销

  • 营销响应分析建模(逻辑回归,决策树)
  • 净提升度分析建模(关联规则)
  • 客户保有分析建模(卡普兰梅尔分析,神经网络)
  • 购物蓝分析(关联分析Apriori)
  • 自动推荐系统(协同过滤推荐,基于内容推荐,基于人口统计推荐,基于知识推荐,组合推荐,关联规则)
  • 客户细分(聚类)
  • 流失预测(逻辑回归)

2、风险管理

  • 客户信用风险评分(SVM,决策树,神经网络)
  • 市场风险评分建模(逻辑回归和决策树)
  • 运营风险评分建模(SVM)
  • 欺诈检测(决策树,聚类,社交网络)

3、人工智能方向学习线路:

1、数据分析基础:

1、数据可视化处理(matplotlib)

matplotlib: 最流行的Python底层绘图库,主要做数据可视化图表

2、科学计算工具(numpy)

Numpy:提供了一个在Python中做科学计算的基础库,重在数值计算,主要用于多维数组(矩阵)处理的库。用来存储和处理大型矩阵,比Python自身的嵌套列表结构要高效的多。本身是由C语言开发,是个很基础的扩展,Python其余的科学计算扩展大部分都是以此为基础。

3、数据分析工具(pandas)

Pandas是一个强大的分析结构化数据的工具集,基于NumPy构建,提供了 高级数据结构数据操作工具,它是使Python成为强大而高效的数据分析环境的重要因素之一。

2、机器学习:

1、k-近邻算法

2、朴素贝叶斯算法

3、线性回归

4、逻辑回归

5、决策树和随机森林

3、深度学习:

1、自然语言处理

2、简单网络神经

3、卷积网络神经

#二、matplotlib

matplotlib官方文档:https://matplotlib.org/

2、安装matplotlib

pip install matplotlib

使用流程:

1、明确问题

2、选择图形呈现的方式

3、准备数据

4、绘图和图形完善

1、matplotlib折线图

1543574744966

每个红色的点是坐标,把5个点的坐标连接成一条线,组成了一个折线图

x=[0,2,4,6,8]
y=[1,5,3,9,7]

折线图简单的应用场景

1、呈现公司产品(不同区域)每天活跃用户数
2、呈现app每天下载数量
3、呈现产品新功能上线后,用户点击次数随时间的变化
4、呈现员工每天上下班时间

1、绘制折线图

那么到底如何把它通过代码画出来呢?

入门案列

现在有两组数据,商品的价格和销量,

#价格
price=[8,9,10,11,12,13]
#销量
num =[222,125,131,111,99]

我们要以图形的方式展示,从中分析出规律,找出最合适的定价

from matplotlib import pylab 
#价格
price=[8,9,10,11,12,13]
#销量
num =[222,125,131,111,99]
#绘制图形,第一个参数是X轴,第二个参数是Y轴
pylab.plot(x,y) 
#显示图形
pylab.show()

运行程序,得到以下图形
在这里插入图片描述

2、怎么设置图片大小

#设置图片大小figsize=(宽,高),dpi像素设置(每一英寸上的像素点)
pylab.figure(figsize=(20,10),dpi=50)

3、怎么保存图片?

#保存图片
pylab.savefig("./1.png")

4、添加描述信息

比如x轴和y轴表示什么,这个图表示什么

#添加X轴和Y轴的描述信息
pylab.xlabel('时间',fontproperties=font)
pylab.ylabel('温度',fontproperties=font)
#图表的描述信息
pylab.title('10点到12点的每分钟的气温变化',fontproperties=font)

5、调整x或者y的刻度的间距

#设置X轴的刻度,接收一个列表
pylab.xticks([8,10,12,14,16])
#设置Y轴的刻度
pylab.yticks([40,60,80,100,120,140])

6、显示中文数据

#查看linux/mac下面支持的字体:
fc-list   #查看支持的字体
fc-list :lang=zh  #查看支持的中文(冒号前面有空格)# windows的字体数据都在 C:\Windows\Fonts这个路径下面#显示中文
from matplotlib import font_manager
#自定电脑中的字体位置
font=font_manager.FontProperties(fname="C:\Windows\Fonts\simsun.ttc")#ratation参数设置刻度显示的旋转度数
pylab.xticks(_x,_x_list,rotation=45,fontproperties=font)

7、绘制网格


#绘制网格
pylab.grid()#绘制网格的时候更改透明度
pylab.grid(alpha=0.1)

8、如何绘制多条折线

同一个x绘制两次


y1 =[111,222,213,222,3,2,232]
y2 =[111,222,213,222,3,2,232]pylab.plot(x,y1) 
pylab.plot(x,y2) 

9、添加图例信息

上面我们绘制了两条折线图,那么如何区分两张折线图?这个时候就要添加图列信息

#第一步在绘图的时候,通过label参数可以指定表名
pylab.plot(x,y_1,label="图1")
pylab.plot(x,y_2,label="图2")#第二步、添加图例#loc参数指定显示位置 prop参数可以指定字体
pylab.legend(prop=my_font,loc="upper left")

参数loc设置的时候,设置它可以遵循以下的表格

StringNumber
upper right1
upper left2
lower left3
lower right4
right5
center left6
center right7
lower center8
upper center9
center10

10、设置线条的颜色

#在绘制图的时候通过color参数指定颜色
pylab.pylab.plot(x,y_1,label="图1",color='read')
pylab.plot(x,y_2,label="图2",color="#DB7093",)颜色之间的对应关系为
b---blue 
c---cyan 
g---green    
k----black
m---magenta
r---red  
w---white   
y----yellow
表示颜色的方式:
第一种 : 用全名  如 cyan
第二种: 16进制  如:#FF00FF 

11、设置线条的类型

#线条类型,t通过linestyle参数来设置
pyplot.plot(x,y_2,label="图2",color="#DB7093",linestyle="--")
实线-
虚线
点线-.
虚点线:

12、设置线条粗细

#设置线条粗细可以通过linewidth这个参数来设置#同样也可以通过alpha参数来设置线条的透明度
pylab.plot(x,y_1,label="图1",color="cyan",linewidth=5,alpha=0.5)

标记出特殊的点**(比如告诉别人最高点和最低点在哪里)**

给图片添加一个水印(防伪,防止盗用)

2、matplotlib绘制散点图

绘图方法scatter()

假设现在这里有两组数据:三月份和十月份的气温数据,我们要从中分析出气温变化的规律

假设通过爬虫你获取到了北京2016年3,10月份每天白天的最高气温(分别位于列表a,b),那么此时如何寻找出气温和随时间(天)变化的某种规律?a = [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22,22,22,23]
b = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,17,10,11,13,12,13,6]

代码

from matplotlib import pyplot
from matplotlib import font_managermy_font=font_manager.FontProperties(fname="C:\Windows\Fonts\simsun.ttc")y_3 =[11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22,22,22,23]
y_10 = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,17,10,11,13,12,13,6]x_3 = range(1,32)
x_10 = range(51,82)#设置图形大小
pyplot.figure(figsize=(20,8),dpi=80)#使用scatter方法绘制散点图,和之前绘制折线图的唯一区别
pyplot.scatter(x_3,y_3,label="3月份")
pyplot.scatter(x_10,y_10,label="10月份")#调整x轴的刻度
_x = list(x_3)+list(x_10)
_xtick_labels = ["3月{}日".format(i) for i in x_3]
_xtick_labels += ["10月{}日".format(i-50) for i in x_10]
pyplot.xticks(_x[::3],_xtick_labels[::3],fontproperties=my_font,rotation=45)#添加图例
pyplot.legend(loc="upper left",prop=my_font)#添加描述信息
pyplot.xlabel("时间",fontproperties=my_font)
pyplot.ylabel("温度",fontproperties=my_font)
pyplot.title("标题",fontproperties=my_font)
#展示
pyplot.show()

3、matplotlib绘制条形图

1、竖型 条形图

方法:bar()

from matplotlib import pyplot
from matplotlib import font_managermy_font=font_manager.FontProperties(fname="C:\Windows\Fonts\simsun.ttc")a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5:最后的骑士","摔跤吧!爸爸","加勒比海盗5:死无对证","金刚:骷髅岛","极限特工:终极回归","生化危机6:终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3:殊死一战","蜘蛛侠:英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]b=[56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23]#设置图形大小
pyplot.figure(figsize=(20,15),dpi=80)#绘制条形图  width设置:
pyplot.bar(range(len(a)),b,width=0.3)#设置字符串到x轴
pyplot.xticks(range(len(a)),a,fontproperties=my_font,rotation=90)pyplot.savefig("./movie.png")pyplot.show()

2、横型 条形图

方法:barh()

from matplotlib import pyplot 
from matplotlib import font_managermy_font=font_manager.FontProperties(fname="C:\Windows\Fonts\simsun.ttc")a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5:最后的骑士","摔跤吧!爸爸","加勒比海盗5:死无对证","金刚:骷髅岛","极限特工:终极回归","生化危机6:终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3:殊死一战","蜘蛛侠:英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]b=[56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23]#设置图形大小
pyplot.figure(figsize=(20,15),dpi=80)#绘制条形图  width设置:
pyplot.barh(range(len(b)),b,height=0.3)pyplot.grid()
#设置字符串到x轴
pyplot.yticks(range(len(b)),a,fontproperties=my_font)pyplot.savefig("./movie.png")pyplot.show()

3、绘制多组条形图

假设你知道了列表a中电影分别在2017-09-14(b_14), 2017-09-15(b_15), 2017-09-16(b_16)三天的票房,为了展示列表中电影本身的票房以及同其他电影的数据对比情况,应该如何更加直观的呈现该数据?a = ["猩球崛起3:终极之战","敦刻尔克","蜘蛛侠:英雄归来","战狼2"]
b_16 = [15746,312,4497,319]
b_15 = [12357,156,2045,168]
b_14 = [2358,399,2358,362]数据来源: http://www.cbooo.cn/movieday
from matplotlib import pyplot 
from matplotlib import font_manager
my_font = font_manager.FontProperties(fname="C:\Windows\Fonts\simsun.ttc")a = ["猩球崛起3:终极之战","敦刻尔克","蜘蛛侠:英雄归来","战狼2"]
b_16 = [15746,312,4497,319]
b_15 = [12357,156,2045,168]
b_14 = [2358,399,2358,362]bar_width = 0.2x_14 = list(range(len(a)))
x_15 =  [i+bar_width for i in x_14]
x_16 = [i+bar_width*2 for i in x_14]#设置图形大小
pyplot.figure(figsize=(20,8),dpi=80)pyplot.bar(range(len(a)),b_14,width=bar_width,label="9月14日")
pyplot.bar(x_15,b_15,width=bar_width,label="9月15日")
pyplot.bar(x_16,b_16,width=bar_width,label="9月16日")#设置图例
pyplot.legend(prop=my_font)#设置x轴的刻度
pyplot.xticks(x_15,a,fontproperties=my_font)pyplot.show()

4、matplotlib绘制直方图

应用场景

数量统计
频率统计(市场饱和度)

假设你获取了250部电影的时长(列表a中),希望统计出这些电影时长的分布状态(比如时长为100分钟到120分钟电影的数量,出现的频率)等信息,你应该如何呈现这些数据?a=[131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]

应用场景

用户的年龄分布状态
一段时间内用户点击次数的分布状态
用户活跃时间的分布状态

1、数据分组

组距:每个组之间的距离

(例:100分为10组,那么组距为10)

组数:所有的数据分为多少组

组数=(最大值-最小值)/组距

2、案列

from matplotlib import pyplot
from matplotlib import font_managera=[131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]#计算组数
d = 3  #组距
num_bins = (max(a)-min(a))//d
print(max(a),min(a),max(a)-min(a))
print(num_bins)#设置图形的大小
pyplot.figure(figsize=(20,8),dpi=80)#频次分布直方图
pyplot.hist(a,num_bins)
#频率分布直方图
#pyplot.hist(a,num_bins,normed=True)#设置x轴的刻度
pyplot.xticks(range(min(a),max(a)+d,d))pyplot.grid()pyplot.show()

饼图

import matplotlib.pyplot as plt# 饼图,将按逆时针顺序排列和排列:
labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
sizes = [15, 30, 45, 10]
# 设置爆炸
explode = (0.1, 0, 0, 0)  # only "explode" the 2nd slice (i.e. 'Hogs')fig1, ax1 = plt.subplots()
# sizes数据
# explode爆炸效果
# labels表名
# autopct百分比显示格式
# startangle旋转度数,
# shadow参数  加入立体背影
ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',startangle=90,shadow=True,)
# 相等的纵横比确保馅饼被画成圆。
ax1.axis('equal') 
plt.show()

5、其他可视化的画图工具

其他的python可视化模块:

1、plot

官网:https://plot.ly/python/

2、seaborn

官网:http://seaborn.pydata.org/index.html

3、bokeh

官网: https://bokeh.pydata.org/en/latest/

前端可视化框架

4、echarts

官网:http://echarts.baidu.com/

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/69748.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

一般用哪些工具做大数据可视化分析?

做数据分析这些年来,从刚开始的死磕excel,到现在成为数据分析行业的偷懒大户,使用过的工具还真不少! 这篇分享一些我在可视化工具上的使用心得,由简单到复杂,按照可视化类型一共分为纯统计图表类、GIS地图…

如何做好数据可视化分析?

数据可视化是利用计算机图形学和图像处理技术,将数据转换成图形或图像在屏幕上显示出来,并进行交互处理的理论、方法和技术。数据可视化的实质是借助图形化手段,清晰有效的传达与沟通信息,使通过数据表达的内容更容易被理解。 那…

数据分析与可视化概述

目录 一、数据分析 二、数据可视化 三、数据分析与可视化常用工具 四、为什么用python进行数据分析与可视化 爬取数据需要 Python 数据分析需要 Python Python 语言简单高效 五、Python 数据分析与可视化常用库 1、Numpy 2、Pandas 3、Matplotlib 4、SciPy 5…

如何实现数据可视化分析?有这个解决方案就够了

在这个数据呈爆炸式增长的时代,每天都有海量数据在产生。如何通过简单的方式实现业务上的分析、计算、交互,并最终呈现出可视化的分析结果,帮助业务人员更好地理解数据的价值,将数据变现,是当前众多企业都需要面对的问…

数据可视化之平台数据分析

一 前言 近年来,随着网络技术和电子商务的发展,对科学数据分析的研究提出了更高的要求,数据分析技术随之发展起来。我们可以通过数据分析技术,发现大量金融、通信和商业数据中隐含的规律,从而为决策提供依据。这已成为…

数据可视化分析工具如何在国内弯道超车,迅速崛起?

什么是数据可视化 数据可视化:Data Visualization,即视觉传达,为了清晰有效地传递信息,数据可视化通过统计图形、图表、信息图表和其他工具,例如点、线或条对数字数据进行编码,以便在视觉上传达定量信息。…

数据可视化(推荐Tableau、 PowerBI 、FineBI、Echarts、ggplot、PYTHON、R)---数据分析领域的万金油技能

首先,这是一篇扩大知识面的文章,适合收藏起来,在地铁,公交,厕所,睡前,吃饭时看。。。。(耶,恶趣味) 其次,本文不放图,节省大家的阅读…

中国最美的经典古文名篇Top10,它们也是你心中的白月光吗?

迄今为止,汉字是世界上使用时间最长的文字 ,在漫长的历史中,先贤们用汉字组成美妙的文章,至今读来,依然唇角含香,韵味无穷。今天分享10篇最美的古文,文字美,韵律美,意境美…

名帖160 欧阳询 行书《仲尼梦奠帖》

《中国书法名帖目录》 《仲尼梦奠帖》是唐代书法家欧阳询创作的行书作品,现收藏于辽宁省博物馆。此帖以“仲尼梦奠”开头,共78字,叙述孔子梦奠之事, 有佛教无常、报应之意。 《仲尼梦奠帖》书法笔力苍劲古朴,用墨淡而…

java 读取文件在控制台打印、将内容写入到文件

文章目录 1. 读取txt文本文件内容在控制台打印(5种方式)1.1 字节流方式1.1.1 FileInputStream 文件字节输入流1.1.2 BufferedInputStream 缓冲输入字节流 1.2 字符流方式1.2.1 InputStreamReader 转换输入字符流1.2.2 FileReader 便捷字符输入流1.2.3 Bu…

【潜渊症 | 万字解析】模组制作研究讲义

潜渊症mod制作研究讲义 说明 作者:晓涵 Steam昵称:Xiao[CN] ——荧惑守心研究院 最后编辑:2023.04.17 本文共计 17,000 字/词 (含代码),预计阅读时长 1min ~ Infinity 如有建议&错误反馈,或需要mod制作的技术…

Shell编程(三)grep sed awk文本处理三剑客

上一章: Shell编程(二)_做测试的喵酱的博客-CSDN博客 一、ps命令 指令: ps作用: 主要是查看服务器的进程信息选项含义: -e:等价于 ‘-A’ ,表示列出全部的进程 -f:显示全部的列&am…

java 多线程基础 万字详解(通俗易懂)

目录 一、前言 二、定义 1.进程 : 2.线程 : 3.单线程与多线程 : 4.并发与并行 : 三、线程的创建 1.创建线程的两种基本方式 : 1 继承Thread类,并重写run方法 1.5 多线程的执行机制(重要) 2 实现Runnable接口,并重写run方法 2. 两种创建线程方式…

超算对我们的生活有着什么样的影响?

为什么各国都去抢超算的世界第一?因为它对人们的生活有着很大的影响。 一、核武器的成功研发离不开超算 对美国而言,超算的作用首先在研制核武器领域。加利福尼亚的利弗莫尔国家实验室、新墨西哥州的洛斯阿拉莫斯国家实验室、圣地亚国家实验室、橡树岭…

简单博客系统静态页面(html+css+JavaScript+第三方库Jquery mdn)

目录 一、基本构造 1、博客列表页 2、博客详情页 3、登录页 4、博客编辑页 二、文件目录 1、css 文件夹 blog_detail.css blog_edit.css blog_list.css common.css login.css 2、html 文件 blogDetail.html blogEdit.html blogList.html Login.html 3、image…

【创作赢红包】Python第3章 流程控制

这里写目录标题 【本章导读】真值测试比较运算成员运算for循环while循环项目实训1项目实训2项目实训3项目实训4:项目实训5:项目实训6:项目实训7:项目实训8项目实训9:项目实训10:项目实训11:项目实训12&…

06【Filter】

文章目录 06【Filter】一、过滤器简介1.1 Filter概述1.2 Filter的使用1.2.1 Filter快速体验1.2.2 XML配置Filter1.2.3 Filter的拦截规则 1.3 Filter的生命周期1.3.1 Filter生命周期介绍1.3.2 Filter生命周期相关方法1.3.3 FilterConfig类 1.4 Filter的拦截方式1.4.1 REQUEST1.4…

年度征文|一个业余电脑玩家的30年(1992-2022)

《论语为政》:“五十而知天命”。岁月真的是一把刀,一晃已过不惑之年,还有几天就要进入知非之年。不论知非还是知天命,反正是花甲将至而从心所欲了。年少时因某种不合机缘,错与IT界擦肩而过,每每想起就扼腕…

勾股定理·圓周率·無窮級數·微積分

勾股定理 勾股定理 圓 圓形的概念的形成,是人類認知歷史上的一大里程碑。 圓周率 定义1 一个圆形的周长与直径之比: 定义2 以圆形半径为边长作一正方形,然後把圆形面积和此正方形面积比。 圆与外接正方形 定义3 满足 的最小正实数。 ysin(x) …

谈古论津丨西沽公园

天津为退海之地,意思就是海面下降或者陆地上升形成的地理环境,现在塘沽、汉沽还有盐场,就在一定程度上说明了这一点。因此天津地势低洼,沽坑相连,素有七十二沽之说,所以天津的地名带“沽”字的也特别多&…