danwenxuan
danwenxuan

Kmeans聚类代码实现、作业及优化

一. 案例实现

        这里不再赘述，详见第二篇文章，直接上代码，这是我的学生完成的作业。
        数据集：
        下载地址：KEEL-dataset - Basketball data set
        篮球运动员数据，每分钟助攻和每分钟得分数。通过该数据集判断一个篮球运动员属于什么位置（控位、分位、中锋等）。完整数据集包括5个特征，每分钟助攻数、运动员身高、运动员出场时间、运动员年龄和每分钟得分数。

[python]  view plain  copy
  1. assists_per_minute  height  time_played  age  points_per_minute    
  2. 0               0.0888     201        36.02   28             0.5885    
  3. 1               0.1399     198        39.32   30             0.8291    
  4. 2               0.0747     198        38.80   26             0.4974    
  5. 3               0.0983     191        40.71   30             0.5772    
  6. 4               0.1276     196        38.40   28             0.5703    
  7. 5               0.1671     201        34.10   31             0.5835    
  8. 6               0.1906     193        36.20   30             0.5276    
  9. 7               0.1061     191        36.75   27             0.5523    
  10. 8               0.2446     185        38.43   29             0.4007    
  11. 9               0.1670     203        33.54   24             0.4770    
  12. 10              0.2485     188        35.01   27             0.4313    
  13. 11              0.1227     198        36.67   29             0.4909    
  14. 12              0.1240     185        33.88   24             0.5668    
  15. 13              0.1461     191        35.59   30             0.5113    
  16. 14              0.2315     191        38.01   28             0.3788    
  17. 15              0.0494     193        32.38   32             0.5590    
  18. 16              0.1107     196        35.22   25             0.4799    
  19. 17              0.2521     183        31.73   29             0.5735    
  20. 18              0.1007     193        28.81   34             0.6318    
  21. 19              0.1067     196        35.60   23             0.4326    
  22. 20              0.1956     188        35.28   32             0.4280    
        完整代码：
[python]  view plain  copy
  1. # -*- coding: utf-8 -*-  
  2.     
  3. from sklearn.cluster import Birch    
  4. from sklearn.cluster import KMeans    
  5.     
  6. X = [[0.0888, 0.5885],    
  7.      [0.1399, 0.8291],    
  8.      [0.0747, 0.4974],    
  9.      [0.0983, 0.5772],    
  10.      [0.1276, 0.5703],    
  11.      [0.1671, 0.5835],    
  12.      [0.1906, 0.5276],    
  13.      [0.1061, 0.5523],    
  14.      [0.2446, 0.4007],    
  15.      [0.1670, 0.4770],    
  16.      [0.2485, 0.4313],    
  17.      [0.1227, 0.4909],    
  18.      [0.1240, 0.5668],    
  19.      [0.1461, 0.5113],    
  20.      [0.2315, 0.3788],    
  21.      [0.0494, 0.5590],    
  22.      [0.1107, 0.4799],    
  23.      [0.2521, 0.5735],    
  24.      [0.1007, 0.6318],    
  25.      [0.1067, 0.4326],    
  26.      [0.1956, 0.4280]       
  27.     ]    
  28. print X    
  29.   
  30. # Kmeans聚类  
  31. clf = KMeans(n_clusters=3)    
  32. y_pred = clf.fit_predict(X)    
  33. print(clf)     
  34. print(y_pred)    
  35.   
  36.   
  37. import numpy as np    
  38. import matplotlib.pyplot as plt    
  39.     
  40. x = [n[0] for n in X]    
  41. print x    
  42. y = [n[1] for n in X]    
  43. print y    
  44.   
  45. # 可视化操作  
  46. plt.scatter(x, y, c=y_pred, marker='x')     
  47. plt.title("Kmeans-Basketball Data")     
  48. plt.xlabel("assists_per_minute")    
  49. plt.ylabel("points_per_minute")    
  50. plt.legend(["Rank"])     
  51. plt.show()    

        运行结果：
        从图中可以看到聚集成三类，红色比较厉害，得分很高；中间蓝色是一类，普通球员；右小角绿色是一类，助攻高得分低，是控位。
Kmeans聚类代码实现、作业及优化_第1张图片


        代码分析：

[python]  view plain  copy
  1. from sklearn.cluster import KMeans  
        表示在sklearn中处理kmeans聚类问题，用到 sklearn.cluster.KMeans 这个类。
[python]  view plain  copy
  1. X = [[164,62],[156,50],...]  
         X是数据集，包括2列20行，即20个球员的助攻数和得分数。
[python]  view plain  copy
  1. clf = KMeans(n_clusters=3)  
        表示输出完整Kmeans函数，包括很多省略参数，将数据集分成类簇数为3的聚类。
[python]  view plain  copy
  1. y_pred =clf.fit_predict(X)  
        输出聚类预测结果，对X聚类，20行数据，每个y_pred对应X的一行或一个孩子，聚成3类，类标为0、1、2。
[python]  view plain  copy
  1. print(y_pred)  
        输出结果：[0 2 0 0 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 1]
[python]  view plain  copy
  1. import matplotlib.pyplot as plt  
        matplotlib.pyplot是用来画图的方法，matplotlib是可视化包。
[python]  view plain  copy
  1. x = [n[0] for n in X]  
  2. y = [n[1] for n in X]  
        获取第1列的值， 使用for循环获取 ,n[0]表示X第一列。
        获取第2列的值，使用for循环获取 ,n[1]表示X第2列。
[python]  view plain  copy
  1. plt.scatter(x, y, c=y_pred, marker='o')  
        绘制散点图（scatter），横轴为x，获取的第1列数据；纵轴为y，获取的第2列数据；c=y_pred对聚类的预测结果画出散点图，marker='o'说明用点表示图形。
[python]  view plain  copy
  1. plt.title("Kmeans-Basketball Data")  
        表示图形的标题为Kmeans-heightweight Data。
[python]  view plain  copy
  1. plt.xlabel("assists_per_minute")  
        表示图形x轴的标题。
[python]  view plain  copy
  1. plt.ylabel("points_per_minute")  
        表示图形y轴的标题。
[python]  view plain  copy
  1. plt.legend(["Rank"])  
        设置右上角图例。
[python]  view plain  copy
  1. plt.show()  
        表示显示图形。


二. 学生图例 

        下面简单展示学生做的作业及分析，感觉还是不错，毕竟才上几节课而且第一次作业，希望后面的作业更加精彩吧。因为学生的专业分布不同，所以尽量让学生设计他们专业的内容。
        eg 遗传学身高体重数据
        第一列表示孩子的身高，单位cm；第二列表示孩子的体重，单位kg。从上图可以看出，数据集被分为了三类。绿色为一类、蓝色为一类，红色为一类。

Kmeans聚类代码实现、作业及优化_第2张图片   Kmeans聚类代码实现、作业及优化_第3张图片
       
        eg 微博数据集
        第一列代表微博中某条信息的转发量，第二列代表微博中某条信息的评论数。从上图可以看出，总共分为3类，共三种颜色，绿色一层说明该信息转发量与评论数都很高。
Kmeans聚类代码实现、作业及优化_第4张图片

        eg 上市公司财务报表
        第一列表示公司利润率；第二列表示公司资产规模。从上图可以看出，总共分为4类，共四种颜色。暗红色为资产规模最大，依次至蓝色资产规模减小。

Kmeans聚类代码实现、作业及优化_第5张图片

        eg 世界各国家人均面积与土地面积
        第一列表示各国家的人均面积（人/ 平方公里）；第二列表示各国家的土地面积（万平方公里）。从上图可以看出，总共分为3类，共三种颜色。红色表示的国家相对来说最拥挤，可能是孟加拉这样土地面积少且人口众多的国家；蓝色就是地广人稀的代表，比如俄罗斯、美国、、墨西哥、巴西；绿色表示人口密度分布比较平均的国家。
Kmeans聚类代码实现、作业及优化_第6张图片

        eg employee  salaries数据集
        第一列表示员工工资；第二列表示员工年龄数。从上图可以看出，总共分为5类，共5种颜色。总体呈现正相关性，年龄越大，工资越高；除个别外，总体正线性关系。
Kmeans聚类代码实现、作业及优化_第7张图片


        eg 学生英语成绩数据集
        第一列表示学生英语平时成绩；第二列表示学生英语期末成绩。从上图可以看出，总共分为4类，共四种颜色。黄色一层，平时成绩和末考成绩都很高，属于“学霸”级别的人物；其次，蓝色一层和红色一层；最后，天蓝色一层，暂且称之为“学渣”。

Kmeans聚类代码实现、作业及优化_第8张图片



三. Matplotlib绘图优化

        Matplotlib代码的优化：
        1.第一部分代码是定义X数组，实际中是读取文件进行的，如何实现读取文件中数据再转换为矩阵进行聚类呢？
        2.第二部分是绘制图形，希望绘制不同的颜色及类型，使用legend()绘制图标。
        假设存在数据集如下图所示：data.txt

Kmeans聚类代码实现、作业及优化_第9张图片

        数据集包括96个运动员的数据，源自：KEEL-dataset - Basketball data set
        现需要获取第一列每分钟助攻数、第五列每分钟得分数存于矩阵中。
[python]  view plain  copy
  1. 0.0888     201     36.02     28     0.5885  
  2. 0.1399     198     39.32     30     0.8291  
  3. 0.0747     198     38.8     26     0.4974  
  4. 0.0983     191     40.71     30     0.5772  
  5. 0.1276     196     38.4     28     0.5703  
  6. 0.1671     201     34.1     31     0.5835  
  7. 0.1906     193     36.2     30     0.5276  
  8. 0.1061     191     36.75     27     0.5523  
  9. 0.2446     185     38.43     29     0.4007  
  10. 0.167     203     33.54     24     0.477  
  11. 0.2485     188     35.01     27     0.4313  
  12. 0.1227     198     36.67     29     0.4909  
  13. 0.124     185     33.88     24     0.5668  
  14. 0.1461     191     35.59     30     0.5113  
  15. 0.2315     191     38.01     28     0.3788  
  16. 0.0494     193     32.38     32     0.559  
  17. 0.1107     196     35.22     25     0.4799  
  18. 0.2521     183     31.73     29     0.5735  
  19. 0.1007     193     28.81     34     0.6318  
  20. 0.1067     196     35.6     23     0.4326  
  21. 0.1956     188     35.28     32     0.428  
  22. 0.1828     191     29.54     28     0.4401  
  23. 0.1627     196     31.35     28     0.5581  
  24. 0.1403     198     33.5     23     0.4866  
  25. 0.1563     193     34.56     32     0.5267  
  26. 0.2681     183     39.53     27     0.5439  
  27. 0.1236     196     26.7     34     0.4419  
  28. 0.13     188     30.77     26     0.3998  
  29. 0.0896     198     25.67     30     0.4325  
  30. 0.2071     178     36.22     30     0.4086  
  31. 0.2244     185     36.55     23     0.4624  
  32. 0.3437     185     34.91     31     0.4325  
  33. 0.1058     191     28.35     28     0.4903  
  34. 0.2326     185     33.53     27     0.4802  
  35. 0.1577     193     31.07     25     0.4345  
  36. 0.2327     185     36.52     32     0.4819  
  37. 0.1256     196     27.87     29     0.6244  
  38. 0.107     198     24.31     34     0.3991  
  39. 0.1343     193     31.26     28     0.4414  
  40. 0.0586     196     22.18     23     0.4013  
  41. 0.2383     185     35.25     26     0.3801  
  42. 0.1006     198     22.87     30     0.3498  
  43. 0.2164     193     24.49     32     0.3185  
  44. 0.1485     198     23.57     27     0.3097  
  45. 0.227     191     31.72     27     0.4319  
  46. 0.1649     188     27.9     25     0.3799  
  47. 0.1188     191     22.74     24     0.4091  
  48. 0.194     193     20.62     27     0.3588  
  49. 0.2495     185     30.46     25     0.4727  
  50. 0.2378     185     32.38     27     0.3212  
  51. 0.1592     191     25.75     31     0.3418  
  52. 0.2069     170     33.84     30     0.4285  
  53. 0.2084     185     27.83     25     0.3917  
  54. 0.0877     193     21.67     26     0.5769  
  55. 0.101     193     21.79     24     0.4773  
  56. 0.0942     201     20.17     26     0.4512  
  57. 0.055     193     29.07     31     0.3096  
  58. 0.1071     196     24.28     24     0.3089  
  59. 0.0728     193     19.24     27     0.4573  
  60. 0.2771     180     27.07     28     0.3214  
  61. 0.0528     196     18.95     22     0.5437  
  62. 0.213     188     21.59     30     0.4121  
  63. 0.1356     193     13.27     31     0.2185  
  64. 0.1043     196     16.3     23     0.3313  
  65. 0.113     191     23.01     25     0.3302  
  66. 0.1477     196     20.31     31     0.4677  
  67. 0.1317     188     17.46     33     0.2406  
  68. 0.2187     191     21.95     28     0.3007  
  69. 0.2127     188     14.57     37     0.2471  
  70. 0.2547     160     34.55     28     0.2894  
  71. 0.1591     191     22.0     24     0.3682  
  72. 0.0898     196     13.37     34     0.389  
  73. 0.2146     188     20.51     24     0.512  
  74. 0.1871     183     19.78     28     0.4449  
  75. 0.1528     191     16.36     33     0.4035  
  76. 0.156     191     16.03     23     0.2683  
  77. 0.2348     188     24.27     26     0.2719  
  78. 0.1623     180     18.49     28     0.3408  
  79. 0.1239     180     17.76     26     0.4393  
  80. 0.2178     185     13.31     25     0.3004  
  81. 0.1608     185     17.41     26     0.3503  
  82. 0.0805     193     13.67     25     0.4388  
  83. 0.1776     193     17.46     27     0.2578  
  84. 0.1668     185     14.38     35     0.2989  
  85. 0.1072     188     12.12     31     0.4455  
  86. 0.1821     185     12.63     25     0.3087  
  87. 0.188     180     12.24     30     0.3678  
  88. 0.1167     196     12.0     24     0.3667  
  89. 0.2617     185     24.46     27     0.3189  
  90. 0.1994     188     20.06     27     0.4187  
  91. 0.1706     170     17.0     25     0.5059  
  92. 0.1554     183     11.58     24     0.3195  
  93. 0.2282     185     10.08     24     0.2381  
  94. 0.1778     185     18.56     23     0.2802  
  95. 0.1863     185     11.81     23     0.381  
  96. 0.1014     193     13.81     32     0.1593  
        代码如下：
[python]  view plain  copy
  1. # -*- coding: utf-8 -*-  
  2.   
  3. """ 
  4. By: Eastmount CSDN 2016-10-12 
  5. 该部分讲数据集读取，然后赋值给X变量 
  6. 读取文件data.txt 保存结果为X 
  7. """  
  8.   
  9. import os  
  10.   
  11. data = []  
  12. for line in open("data.txt", "r").readlines():  
  13.     line = line.rstrip()    #删除换行  
  14.     #删除多余空格，保存一个空格连接  
  15.     result = ' '.join(line.split())  
  16.     #获取每行五个值 '0 0.0888 201 36.02 28 0.5885' 注意：字符串转换为浮点型数  
  17.     s = [float(x) for x in result.strip().split(' ')]  
  18.     #输出结果：['0', '0.0888', '201', '36.02', '28', '0.5885']  
  19.     print s  
  20.     #数据存储至data  
  21.     data.append(s)  
  22.   
  23. #输出完整数据集  
  24. print u'完整数据集'  
  25. print data  
  26. print type(data)  
  27.   
  28. ''''' 
  29. 现在输出数据集： 
  30. ['0 0.0888 201 36.02 28 0.5885',  
  31.  '1 0.1399 198 39.32 30 0.8291',  
  32.  '2 0.0747 198 38.80 26 0.4974',  
  33.  '3 0.0983 191 40.71 30 0.5772',  
  34.  '4 0.1276 196 38.40 28 0.5703' 
  35. ] 
  36. '''  
  37.   
  38. print u'第一列 第五列数据'  
  39. L2 = [n[0] for n in data]  
  40. print L2  
  41. L5 = [n[4] for n in data]  
  42. print L5  
  43.   
  44. ''''' 
  45. X表示二维矩阵数据，篮球运动员比赛数据 
  46. 总共96行，每行获取两列数据 
  47. 第一列表示球员每分钟助攻数：assists_per_minute 
  48. 第五列表示球员每分钟得分数：points_per_minute 
  49. '''  
  50.   
  51. #两列数据生成二维数据  
  52. print u'两列数据合并成二维矩阵'  
  53. T = dict(zip(L2,L5))  
  54. type(T)  
  55.   
  56. #dict类型转换为list  
  57. print u'List'  
  58. X = list(map(lambda x,y: (x,y), T.keys(),T.values()))  
  59. print X  
  60. print type(X)  
  61.   
  62.   
  63. """ 
  64. KMeans聚类 
  65. clf = KMeans(n_clusters=3) 表示类簇数为3，聚成3类数据，clf即赋值为KMeans 
  66. y_pred = clf.fit_predict(X) 载入数据集X，并且将聚类的结果赋值给y_pred 
  67. """  
  68.   
  69. from sklearn.cluster import Birch  
  70. from sklearn.cluster import KMeans  
  71.   
  72. clf = KMeans(n_clusters=3)  
  73. y_pred = clf.fit_predict(X)  
  74. print(clf)  
  75. #输出聚类预测结果，96行数据，每个y_pred对应X一行或一个球员，聚成3类，类标为0、1、2  
  76. print(y_pred)  
  77.   
  78.   
  79. """ 
  80. 可视化绘图 
  81. Python导入Matplotlib包，专门用于绘图 
  82. import matplotlib.pyplot as plt 此处as相当于重命名，plt用于显示图像 
  83. """  
  84.   
  85. import numpy as np  
  86. import matplotlib.pyplot as plt  
  87.   
  88.   
  89. #获取第一列和第二列数据 使用for循环获取 n[0]表示X第一列  
  90. x = [n[0] for n in X]  
  91. print x  
  92. y = [n[1] for n in X]  
  93. print y   
  94.   
  95. #绘制散点图 参数：x横轴 y纵轴 c=y_pred聚类预测结果 marker类型 o表示圆点 *表示星型 x表示点  
  96. #plt.scatter(x, y, c=y_pred, marker='x')  
  97.   
  98.   
  99. #坐标  
  100. x1 = []  
  101. y1 = []  
  102.   
  103. x2 = []  
  104. y2 = []  
  105.   
  106. x3 = []  
  107. y3 = []  
  108.   
  109. #分布获取类标为0、1、2的数据 赋值给(x1,y1) (x2,y2) (x3,y3)  
  110. i = 0  
  111. while i < len(X):  
  112.     if y_pred[i]==0:  
  113.         x1.append(X[i][0])  
  114.         y1.append(X[i][1])  
  115.     elif y_pred[i]==1:  
  116.         x2.append(X[i][0])  
  117.         y2.append(X[i][1])  
  118.     elif y_pred[i]==2:  
  119.         x3.append(X[i][0])  
  120.         y3.append(X[i][1])  
  121.       
  122.     i = i + 1  
  123.   
  124.   
  125. #四种颜色 红 绿 蓝 黑    
  126. plot1, = plt.plot(x1, y1, 'or', marker="x")    
  127. plot2, = plt.plot(x2, y2, 'og', marker="o")    
  128. plot3, = plt.plot(x3, y3, 'ob', marker="*")    
  129.   
  130. #绘制标题  
  131. plt.title("Kmeans-Basketball Data")  
  132.   
  133. #绘制x轴和y轴坐标  
  134. plt.xlabel("assists_per_minute")  
  135. plt.ylabel("points_per_minute")  
  136.   
  137. #设置右上角图例  
  138. plt.legend((plot1, plot2, plot3), ('A', 'B', 'C'), fontsize=10)  
  139.   
  140. plt.show()    
        输出结果如下图所示：三个层次很明显，而且右上角也标注。

Kmeans聚类代码实现、作业及优化_第10张图片

        可视化部分强烈推荐资料：
        数字的可视化：python画图之散点图sactter函数详解 - hefei_cyp
        python 科学计算(一) - bovine
        Matplotlib scatter plot with legend - stackoverflow
        Python数据可视化——散点图 Rachel-Zhang（按评论修改代码）
        关于Matlab作图的若干问题 - 张朋飞
        



四. Spyder常见问题


        下面是常见遇到的几个问题：
        1.Spyder软件如果Editor编辑框不在，如何调出来。

Kmeans聚类代码实现、作业及优化_第11张图片

        2.会缺少一些第三方包，如lda，如何导入。使用cd ..去到C盘根目录，cd去到Anaconda的Scripts目录下，输入"pip install selenium"安装selenium相应的包，"pip install lda"安装lda包。

Kmeans聚类代码实现、作业及优化_第12张图片

        学生告诉我另一个更方便的方法：
Kmeans聚类代码实现、作业及优化_第13张图片

Kmeans聚类代码实现、作业及优化_第14张图片

        3.运行时报错，缺少Console，点击如下。

Kmeans聚类代码实现、作业及优化_第15张图片


        4.如果Spyder安装点击没有反应，重新安装也没有反应，建议在运行下试试。

Kmeans聚类代码实现、作业及优化_第16张图片

        实在不行卸载再重装：pip uninstall spyder  
                                          pip install spyder
Kmeans聚类代码实现、作业及优化_第17张图片

        5.Spyder如何显示绘制Matplotlib中文。

[python]  view plain  copy
  1. from matplotlib.font_manager import FontProperties  
  2. font = FontProperties(fname="C:\Windows\Fonts/msyh.ttf", size=10)  
  3. #绘制标题 fontproperties表示字体类型，用于显示中文字符，下同  
  4. plt.title(u'世界各国家人均面积与土地面积',fontproperties=font)  
  5. #绘制x轴和y轴坐标  
  6. plt.ylabel(u'人均面积（人/ 平方公里）',fontproperties=font)  
  7. plt.xlabel(u'面积（万平方公里）',fontproperties=font)   

你可能感兴趣的:(python,python算法,python算法及数据挖掘)

  • 理解Gunicorn：Python WSGI服务器的基石 范范0825 ipythonlinux运维
    理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
  • 学点心理知识，呵护孩子健康 静候花开_7090
    昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
  • 我校举行新老教师师徒结对仪式暨名师专业工作室工作交流活动 李蕾1229
    为促进我校教师专业发展，发挥骨干教师的引领带头作用，11月6日下午，我校举行新老教师师徒结对仪式暨名师专业工作室工作交流活动。图片发自App会议由教师发展处李蕾主任主持，首先，由范校长宣读新老教师结对名单及双方承担职责。随后，两位新调入教师陈玉萍、莫正杰分别和他们的师傅鲍元美、刘召彬老师签订了师徒结对协议书。图片发自App图片发自App师徒拥抱、握手。有了师傅就有了目标有了方向，相信两位新教师在师
  • 向内而求 陈陈_19b4
    10月27日，阴。阅读书目:《次第花开》。作者:希阿荣博堪布，是当今藏传佛家宁玛派最伟大的上师法王，如意宝晋美彭措仁波切颇具影响力的弟子之一。多年以来，赴海内外各地弘扬佛法，以正式授课、现场开示、发表文章等多种方法指导佛学弟子修行佛法。代表作《寂静之道》、《生命这出戏》、《透过佛法看世界》自出版以来一直是佛教类书籍中的畅销书。图片发自App金句:1.佛陀说，一切痛苦的根源在于我们长期以来对自身及外
  • Python数据分析与可视化实战指南 William数据分析 pythonpython数据
    在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
  • python os.environ 江湖偌大 python深度学习
    os.environ['TF_CPP_MIN_LOG_LEVEL']='0'#默认值，输出所有信息os.environ['TF_CPP_MIN_LOG_LEVEL']='1'#屏蔽通知信息（INFO）os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息（INFO\WARNING）os.environ['TF_CPP_MIN_LOG_LEVEL']='
  • Python中os.environ基本介绍及使用方法 鹤冲天Pro #Pythonpython服务器开发语言
    文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
  • Pyecharts数据可视化大屏：打造沉浸式数据分析体验 我的运维人生 信息可视化数据分析数据挖掘运维开发技术共享
    Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
  • Python教程：一文了解使用Python处理XPath 旦莫 Python进阶python开发语言
    目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
  • python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 pythonos.environ
    >>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
  • 基于社交网络算法优化的二维最大熵图像分割 智能算法研学社（Jack旭） 智能优化算法应用图像分割算法php开发语言
    智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
  • 509. 斐波那契数(每日一题) lzyprime
    lzyprime博客(github)创建时间：2021.01.04qq及邮箱：2383518170leetcode笔记题目描述斐波那契数，通常用F(n)表示，形成的序列称为斐波那契数列。该数列由0和1开始，后面的每一项数字都是前面两项数字的和。也就是：F(0)=0，F(1)=1F(n)=F(n-1)+F(n-2)，其中n>1给你n，请计算F(n)。示例1：输入：2输出：1解释：F(2)=F(1)+
  • 使用Faiss进行高效相似度搜索 llzwxh888 faisspython
    在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
  • python是什么意思中文-在python中%是什么意思 编程大乐趣
    Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
  • 春季养肝正当时 dxn悟
    重温快乐2023年2月4日立春。春天来了，春暖花开，小鸟欢唱，那在这样的季节我们如何养肝呢？自然界的春季对应中医五行的木，人体五脏肝属木，“木曰曲直”，是以树干曲曲直直地向上、向外伸长舒展的生发姿态，来形容具有生长、升发、条达、舒畅等特征的食物及现象。根据中医天人相应的理念，肝五行属木，喜条达，主疏泄，与春天相应，所以春天最适合养肝。养肝首先要少生气，因为肝喜条达恶抑郁。人体五志肝为怒，生气发怒最
  • Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Pythonpython开发语言大数据数据分析数据挖掘
    大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
  • python八股文面试题分享及解析(1) Shawn________ python
    #1.'''a=1b=2不用中间变量交换a和b'''#1.a=1b=2a,b=b,aprint(a)print(b)结果：21#2.ll=[]foriinrange(3):ll.append({'num':i})print(11)结果:#[{'num':0},{'num':1},{'num':2}]#3.kk=[]a={'num':0}foriinrange(3):#0,12#可变类型，不仅仅改变
  • MYSQL面试系列-04 king01299 面试mysql面试
    MYSQL面试系列-0417.关于redolog和binlog的刷盘机制、redolog、undolog作用、GTID是做什么的？innodb_flush_log_at_trx_commit及sync_binlog参数意义双117.1innodb_flush_log_at_trx_commit该变量定义了InnoDB在每次事务提交时，如何处理未刷入（flush）的重做日志信息（redolog）。它
  • 每日算法&面试题，大厂特训二十八天——第二十天（树） 肥学 ⚡算法题⚡面试题每日精进java算法数据结构
    目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
  • Python快速入门 —— 第三节：类与对象 孤华暗香 Python快速入门python开发语言
    第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
  • pyecharts——绘制柱形图折线图 2224070247 信息可视化pythonjava数据可视化
    一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
  • node.js学习 小猿L node.jsnode.js学习vim
    node.js学习实操及笔记温故node.js，node.js学习实操过程及笔记~node.js学习视频node.js官网node.js中文网实操笔记githubcsdn笔记为什么学node.js可以让别人访问我们编写的网页为后续的框架学习打下基础，三大框架vuereactangular离不开node.jsnode.js是什么官网：node.js是一个开源的、跨平台的运行JavaScript的运行
  • CX8836：小体积大功率升降压方案推荐（附Demo设计指南） 诚芯微科技 社交电子
    CX8836是一颗同步四开关单向升降压控制器，在4.5V-40V宽输入电压范围内稳定工作，持续负载电流10A，能够在输入高于或低于输出电压时稳定调节输出电压，可适用于USBPD快充、车载充电器、HUB、汽车启停系统、工业PC电源等多种升降压应用场合，为大功率TYPE-CPD车载充电器提供最优解决方案。提供CX8836Demo测试、CX8836样品申请及CX8836方案开发技术支持。CX8836同升
  • Python 实现图片裁剪（附代码） | Python工具 剑客阿良_ALiang
    前言本文提供将图片按照自定义尺寸进行裁剪的工具方法，一如既往的实用主义。环境依赖ffmpeg环境安装，可以参考我的另一篇文章：windowsffmpeg安装部署_阿良的博客-CSDN博客本文主要使用到的不是ffmpeg，而是ffprobe也在上面这篇文章中的zip包中。ffmpy安装：pipinstallffmpy-ihttps://pypi.douban.com/simple代码不废话了，上代码
  • 【华为OD技术面试真题 - 技术面】- python八股文真题题库（4) 算法大师 华为od面试python
    华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选**1.Python中的`with`**用途和功能自动资源管理示例：文件操作上下文管理协议示例代码工作流程解析优点2.\_\_new\_\_和**\_\_init\_\_**区别__new____init__区别总结3.**切片（Slicing）操作**基本切片语法
  • python os 环境变量 CV矿工 python开发语言numpy
    环境变量：环境变量是程序和操作系统之间的通信方式。有些字符不宜明文写进代码里，比如数据库密码，个人账户密码，如果写进自己本机的环境变量里，程序用的时候通过os.environ.get（）取出来就行了。os.environ是一个环境变量的字典。环境变量的相关操作importos"""设置/修改环境变量：os.environ[‘环境变量名称’]=‘环境变量值’#其中key和value均为string类
  • Python爬虫解析工具之xpath使用详解 eqa11 python爬虫开发语言
    文章目录Python爬虫解析工具之xpath使用详解一、引言二、环境准备1、插件安装2、依赖库安装三、xpath语法详解1、路径表达式2、通配符3、谓语4、常用函数四、xpath在Python代码中的使用1、文档树的创建2、使用xpath表达式3、获取元素内容和属性五、总结Python爬虫解析工具之xpath使用详解一、引言在Python爬虫开发中，数据提取是一个至关重要的环节。xpath作为一门
  • Rust基础知识 GRKF15 rust开发语言后端
    1.Rust语言简介1.1基础语法变量声明：let关键字用于声明变量，可以指定或不指定类型，如leta=10;和letmutc=30i32;。函数定义：使用fn关键字定义函数，并指定参数类型及返回类型，如fnadd(i:i32,j:i32)->i32{i+j}。控制流：包括if、else等，控制语句后需要使用;来结束语句。1.2数据类型整数类型：i8、i16、i32、i64、i128，以及无符号的
  • 【华为OD技术面试真题 - 技术面】- python八股文真题题库（1） 算法大师 华为od面试python
    华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
  • nosql数据库技术与应用知识点 皆过客，揽星河 NoSQLnosql数据库大数据数据分析数据结构非关系型数据库
    Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
  • 设计模式介绍 tntxia 设计模式
    设计模式来源于土木工程师 克里斯托弗 亚历山大（http://en.wikipedia.org/wiki/Christopher_Alexander）的早期作品。他经常发表一些作品，内容是总结他在解决设计问题方面的经验，以及这些知识与城市和建筑模式之间有何关联。有一天，亚历山大突然发现，重复使用这些模式可以让某些设计构造取得我们期望的最佳效果。 亚历山大与萨拉-石川佳纯和穆雷 西乐弗斯坦合作
  • android高级组件使用(一) 百合不是茶 androidRatingBarSpinner
    1、自动完成文本框（AutoCompleteTextView） AutoCompleteTextView从EditText派生出来，实际上也是一个文本编辑框，但它比普通编辑框多一个功能：当用户输入一个字符后，自动完成文本框会显示一个下拉菜单，供用户从中选择，当用户选择某个菜单项之后，AutoCompleteTextView按用户选择自动填写该文本框。 使用AutoCompleteTex
  • [网络与通讯]路由器市场大有潜力可挖掘 comsci 网络
              如果国内的电子厂商和计算机设备厂商觉得手机市场已经有点饱和了,那么可以考虑一下交换机和路由器市场的进入问题.....        这方面的技术和知识,目前处在一个开放型的状态,有利于各类小型电子企业进入  &nbs
  • 自写简单Redis内存统计shell 商人shang Linux shell统计Redis内存
    #!/bin/bash address="192.168.150.128:6666,192.168.150.128:6666" hosts=(${address//,/ }) sfile="staticts.log" for hostitem in ${hosts[@]} do ipport=(${hostitem
  • 单例模式(饿汉 vs懒汉) oloz 单例模式
    package 单例模式; /* * 应用场景:保证在整个应用之中某个对象的实例只有一个 * 单例模式种的《 懒汉模式》 * */ public class Singleton { //01 将构造方法私有化，外界就无法用new Singleton()的方式获得实例 private Singleton(){}; //02 申明类得唯一实例 priva
  • springMvc json支持 杨白白 json springmvc
    1.Spring mvc处理json需要使用jackson的类库，因此需要先引入jackson包 2在spring mvc中解析输入为json格式的数据:使用@RequestBody来设置输入 @RequestMapping("helloJson") public @ResponseBody JsonTest helloJson() {
  • android播放，掃描添加本地音頻文件 小桔子
            最近幾乎沒有什麽事情，繼續鼓搗我的小東西。想在項目中加入一個簡易的音樂播放器功能，就像華為p6桌面上那麼大小的音樂播放器。用過天天動聽或者QQ音樂播放器的人都知道，可已通過本地掃描添加歌曲。不知道他們是怎麼實現的，我覺得應該掃描設備上的所有文件，過濾出音頻文件，每個文件實例化為一個實體，記錄文件名、路徑、歌手、類型、大小等信息。具體算法思想，
  • oracle常用命令 aichenglong oracledba常用命令
    1 创建临时表空间 create temporary tablespace user_temp  tempfile 'D:\oracle\oradata\Oracle9i\user_temp.dbf' size 50m  autoextend on  next 50m maxsize 20480m  extent management local
  • 25个Eclipse插件 AILIKES eclipse插件
    提高代码质量的插件1. FindBugsFindBugs可以帮你找到Java代码中的bug，它使用Lesser GNU Public License的自由软件许可。2. CheckstyleCheckstyle插件可以集成到Eclipse IDE中去，能确保Java代码遵循标准代码样式。3. ECLemmaECLemma是一款拥有Eclipse Public License许可的免费工具，它提供了
  • Spring MVC拦截器+注解方式实现防止表单重复提交 baalwolf spring mvc
    原理：在新建页面中Session保存token随机码，当保存时验证，通过后删除，当再次点击保存时由于服务器端的Session中已经不存在了，所有无法验证通过。   1.新建注解：   ? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
  • 《Javascript高级程序设计(第3版)》闭包理解 bijian1013 JavaScript
    “闭包是指有权访问另一个函数作用域中的变量的函数。”--《Javascript高级程序设计(第3版)》         看以下代码： <script type="text/javascript"> function outer() { var i = 10; return f
  • AngularJS Module类的方法 bijian1013 JavaScriptAngularJSModule
            AngularJS中的Module类负责定义应用如何启动，它还可以通过声明的方式定义应用中的各个片段。我们来看看它是如何实现这些功能的。 一.Main方法在哪里         如果你是从Java或者Python编程语言转过来的，那么你可能很想知道AngularJS里面的main方法在哪里？这个把所
  • [Maven学习笔记七]Maven插件和目标 bit1129 maven插件
    插件(plugin)和目标(goal) Maven，就其本质而言，是一个插件执行框架，Maven的每个目标的执行逻辑都是由插件来完成的，一个插件可以有1个或者几个目标，比如maven-compiler-plugin插件包含compile和testCompile，即maven-compiler-plugin提供了源代码编译和测试源代码编译的两个目标   使用插件和目标使得我们可以干预
  • 【Hadoop八】Yarn的资源调度策略 bit1129 hadoop
    1. Hadoop的三种调度策略 Hadoop提供了3中作业调用的策略， FIFO Scheduler Fair Scheduler Capacity Scheduler 以上三种调度算法，在Hadoop MR1中就引入了，在Yarn中对它们进行了改进和完善.Fair和Capacity Scheduler用于多用户共享的资源调度   2. 多用户资源共享的调度
  • Nginx使用Linux内存加速静态文件访问 ronin47
    Nginx是一个非常出色的静态资源web服务器。如果你嫌它还不够快，可以把放在磁盘中的文件，映射到内存中，减少高并发下的磁盘IO。 先做几个假设。nginx.conf中所配置站点的路径是/home/wwwroot/res，站点所对应文件原始存储路径：/opt/web/res shell脚本非常简单，思路就是拷贝资源文件到内存中，然后在把网站的静态文件链接指向到内存中即可。具体如下：
  • 关于Unity3D中的Shader的知识 brotherlamp unityunity资料unity教程unity视频unity自学
    首先先解释下Unity3D的Shader，Unity里面的Shaders是使用一种叫ShaderLab的语言编写的，它同微软的FX文件或者NVIDIA的CgFX有些类似。传统意义上的vertex shader和pixel shader还是使用标准的Cg/HLSL 编程语言编写的。因此Unity文档里面的Shader，都是指用ShaderLab编写的代码，然后我们来看下Unity3D自带的60多个S
  • CopyOnWriteArrayList vs ArrayList bylijinnan java
    package com.ljn.base; import java.util.ArrayList; import java.util.Iterator; import java.util.List; import java.util.concurrent.CopyOnWriteArrayList; /** * 总述： * 1.ArrayListi不是线程安全的，CopyO
  • 内存中栈和堆的区别 chicony 内存
    1、内存分配方面：     堆：一般由程序员分配释放， 若程序员不释放，程序结束时可能由OS回收 。注意它与数据结构中的堆是两回事，分配方式是类似于链表。可能用到的关键字如下：new、malloc、delete、free等等。     栈：由编译器(Compiler)自动分配释放，存放函数的参数值，局部变量的值等。其操作方式类似于数据结构中
  • 回答一位网友对Scala的提问 chenchao051 scalamap
    本来准备在私信里直接回复了，但是发现不太方便，就简要回答在这里。 问题 写道 对于scala的简洁十分佩服，但又觉得比较晦涩，例如一例，Map("a" -> List(11,111)).flatMap(_._2)，可否说下最后那个函数做了什么，真正在开发的时候也会如此简洁？谢谢    先回答一点，在实际使用中，Scala毫无疑问就是这么简单。
  • mysql 取每组前几条记录 daizj mysql分组最大值最小值每组三条记录
    一、对分组的记录取前N条记录：例如：取每组的前3条最大的记录 1.用子查询： SELECT * FROM tableName a  WHERE 3> (SELECT COUNT(*) FROM  tableName b WHERE b.id=a.id AND b.cnt>a. cnt) ORDER BY a.id,a.account DE
  • HTTP深入浅出 http请求 dcj3sjt126com http
      HTTP(HyperText Transfer Protocol)是一套计算机通过网络进行通信的规则。计算机专家设计出HTTP，使HTTP客户（如Web浏览器）能够从HTTP服务器(Web服务器)请求信息和服务，HTTP目前协议的版本是1.1.HTTP是一种无状态的协议，无状态是指Web浏览器和Web服务器之间不需要建立持久的连接，这意味着当一个客户端向服务器端发出请求，然后We
  • 判断MySQL记录是否存在方法比较 dcj3sjt126com mysql
    把数据写入到数据库的时，常常会碰到先要检测要插入的记录是否存在，然后决定是否要写入。 　　我这里总结了判断记录是否存在的常用方法： 　　sql语句： select   count ( * )  from  tablename; 　　然后读取count(*)的值判断记录是否存在。对于这种方法性能上有些浪费，我们只是想判断记录记录是否存在，没有必要全部都查出来。
  • 对HTML XML的一点认识 e200702084 htmlxml
    感谢http://www.w3school.com.cn提供的资料 HTML 文档中的每个成分都是一个节点。 节点 根据 DOM，HTML 文档中的每个成分都是一个节点。 DOM 是这样规定的： 整个文档是一个文档节点 每个 HTML 标签是一个元素节点 包含在 HTML 元素中的文本是文本节点 每一个 HTML 属性是一个属性节点 注释属于注释节点 Node 层次
  • jquery分页插件 genaiwei jqueryWeb前端分页插件
    //jquery页码控件// 创建一个闭包    (function($) {      // 插件的定义      $.fn.pageTool = function(options) {        var totalPa
  • Mybatis与Ibatis对照入门于学习 Josh_Persistence mybatisibatis区别联系
    一、为什么使用IBatis/Mybatis         对于从事 Java EE 的开发人员来说，iBatis 是一个再熟悉不过的持久层框架了，在 Hibernate、JPA 这样的一站式对象 / 关系映射（O/R Mapping）解决方案盛行之前，iBaits 基本是持久层框架的不二选择。即使在持久层框架层出不穷的今天，iBatis 凭借着易学易用、
  • C中怎样合理决定使用那种整数类型？ 秋风扫落叶 c数据类型
    如果需要大数值(大于32767或小于32767), 使用long 型。 否则, 如果空间很重要 (如有大数组或很多结构), 使用 short 型。 除此之外, 就使用 int 型。 如果严格定义的溢出特征很重要而负值无关紧要, 或者你希望在操作二进制位和字节时避免符号扩展的问题, 请使用对应的无符号类型。 但是, 要注意在表达式中混用有符号和无符号值的情况。    &nbs
  • maven问题 zhb8015 maven问题
      问题1： Eclipse 中 新建maven项目 无法添加src/main/java 问题    eclipse创建maevn web项目，在选择maven_archetype_web原型后，默认只有src/main/resources这个Source Floder。     按照maven目录结构，添加src/main/ja
  • (二)androidpn-server tomcat版源码解析之--push消息处理 spjich javaandrodipn推送
    在 (一)androidpn-server tomcat版源码解析之--项目启动这篇中，已经描述了整个推送服务器的启动过程，并且把握到了消息的入口即XmppIoHandler这个类，今天我将继续往下分析下面的核心代码，主要分为3大块，链接创建，消息的发送，链接关闭。 先贴一段XmppIoHandler的部分代码 /** * Invoked from an I/O proc
  • 用js中的formData类型解决ajax提交表单时文件不能被serialize方法序列化的问题 中华好儿孙 JavaScriptAjaxWeb上传文件FormData
    var formData = new FormData($("#inputFileForm")[0]); $.ajax({ type:'post', url:webRoot+"/electronicContractUrl/webapp/uploadfile", data:formData, async: false, ca
  • mybatis常用jdbcType数据类型 ysj5125094 mybatismapperjdbcType
      MyBatis 通过包含的jdbcType 类型 BIT         FLOAT      CHAR          
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他