今晚务必早点睡

数据分析——从入门到精通(九)

import numpy as np
import pandas as pd
from pandas import Series,DataFrame,MultiIndex

数据级联

将两个DataFrame或Series进行拼接，按索引标签对齐

pd.conncat() 列拼接
pd.append() 行拼接

# 创建成绩表
df1 = DataFrame(np.random.randint(1,150,size=(6,3)),['甲','乙','丙','丁','戊','己'],['Python','Flask','FastAPI'])
df2 = DataFrame(np.random.randint(1,150,size=(6,3)),['甲','乙','丙','丁','A','B'],['Python','Tornado','Pulsar'])
display(df1,df2)

	Python	Flask	FastAPI
甲	86	91	125
乙	114	73	41
丙	20	90	37
丁	96	84	134
戊	47	78	22
己	80	43	90

	Python	Tornado	Pulsar
甲	13	29	3
乙	103	12	81
丙	21	101	62
丁	24	26	121
A	76	106	134
B	33	23	104

"""
pd.concat(
    objs,
    axis=0,
    join='outer',
    join_axes=None,
    ignore_index=False,
    keys=None,
    levels=None,
    names=None,
    verify_integrity=False,
    sort=None,
    copy=True,
)
"""
# join : {'inner', 'outer'}, default 'outer'
# outer 表示保留全部的索引标签，inner只保留相同的标签
# 默认axis=0,行拼接，上下拼接的 （速记：上下为行，左右为列）
pd.concat((df1,df2),sort=False)

	Python	Flask	FastAPI	Tornado	Pulsar
甲	86	91.0	125.0	NaN	NaN
乙	114	73.0	41.0	NaN	NaN
丙	20	90.0	37.0	NaN	NaN
丁	96	84.0	134.0	NaN	NaN
戊	47	78.0	22.0	NaN	NaN
己	80	43.0	90.0	NaN	NaN
甲	13	NaN	NaN	29.0	3.0
乙	103	NaN	NaN	12.0	81.0
丙	21	NaN	NaN	101.0	62.0
丁	24	NaN	NaN	26.0	121.0
A	76	NaN	NaN	106.0	134.0
B	33	NaN	NaN	23.0	104.0

# outer 表示保留全部的索引标签，inner只保留相同的标签
pd.concat((df1,df2),join='inner',sort=False)

	Python
甲	86
乙	114
丙	20
丁	96
戊	47
己	80
甲	13
乙	103
丙	21
丁	24
A	76
B	33

"""
ignore_index : bool, default False
    If True, do not use the index values along the concatenation axis. The
    resulting axis will be labeled 0, ..., n - 1. This is useful if you are
    concatenating objects where the concatenation axis does not have
    meaningful indexing information. Note the index values on the other
    axes are still respected in the join.

"""
# ignore_index: True  重新创建索引标签
pd.concat((df1,df2),join='inner',ignore_index=True,sort=False)

	Python
0	86
1	114
2	20
3	96
4	47
5	80
6	13
7	103
8	21
9	24
10	76
11	33

pd.concat((df1,df2),join='outer',ignore_index=False,sort=False)

	Python	Flask	FastAPI	Tornado	Pulsar
甲	86	91.0	125.0	NaN	NaN
乙	114	73.0	41.0	NaN	NaN
丙	20	90.0	37.0	NaN	NaN
丁	96	84.0	134.0	NaN	NaN
戊	47	78.0	22.0	NaN	NaN
己	80	43.0	90.0	NaN	NaN
甲	13	NaN	NaN	29.0	3.0
乙	103	NaN	NaN	12.0	81.0
丙	21	NaN	NaN	101.0	62.0
丁	24	NaN	NaN	26.0	121.0
A	76	NaN	NaN	106.0	134.0
B	33	NaN	NaN	23.0	104.0

# 默认keys=None  keys可以用来指定两表级联之后的每一个标签(索引)  ——(也可以理解为增加多层索引)
pd.concat((df1,df2),join='outer',ignore_index=False,keys=['期中','期末'],sort=False)

		Python	Flask	FastAPI	Tornado	Pulsar
期中	甲	86	91.0	125.0	NaN	NaN
	乙	114	73.0	41.0	NaN	NaN
	丙	20	90.0	37.0	NaN	NaN
	丁	96	84.0	134.0	NaN	NaN
	戊	47	78.0	22.0	NaN	NaN
	己	80	43.0	90.0	NaN	NaN
期末	甲	13	NaN	NaN	29.0	3.0
	乙	103	NaN	NaN	12.0	81.0
	丙	21	NaN	NaN	101.0	62.0
	丁	24	NaN	NaN	26.0	121.0
	A	76	NaN	NaN	106.0	134.0
	B	33	NaN	NaN	23.0	104.0

df3 =pd.concat((df1,df2),join='outer',ignore_index=False,keys=['期中','期末'],sort=False)
df3

		Python	Flask	FastAPI	Tornado	Pulsar
期中	甲	86	91.0	125.0	NaN	NaN
	乙	114	73.0	41.0	NaN	NaN
	丙	20	90.0	37.0	NaN	NaN
	丁	96	84.0	134.0	NaN	NaN
	戊	47	78.0	22.0	NaN	NaN
	己	80	43.0	90.0	NaN	NaN
期末	甲	13	NaN	NaN	29.0	3.0
	乙	103	NaN	NaN	12.0	81.0
	丙	21	NaN	NaN	101.0	62.0
	丁	24	NaN	NaN	26.0	121.0
	A	76	NaN	NaN	106.0	134.0
	B	33	NaN	NaN	23.0	104.0

df4 =df3.copy()
df4

		Python	Flask	FastAPI	Tornado	Pulsar
期中	甲	86	91.0	125.0	NaN	NaN
	乙	114	73.0	41.0	NaN	NaN
	丙	20	90.0	37.0	NaN	NaN
	丁	96	84.0	134.0	NaN	NaN
	戊	47	78.0	22.0	NaN	NaN
	己	80	43.0	90.0	NaN	NaN
期末	甲	13	NaN	NaN	29.0	3.0
	乙	103	NaN	NaN	12.0	81.0
	丙	21	NaN	NaN	101.0	62.0
	丁	24	NaN	NaN	26.0	121.0
	A	76	NaN	NaN	106.0	134.0
	B	33	NaN	NaN	23.0	104.0

pd.concat((df3,df4),levels=['期中','期末'],axis=1)

		Python	Flask	FastAPI	Tornado	Pulsar	Python	Flask	FastAPI	Tornado	Pulsar
期中	甲	86	91.0	125.0	NaN	NaN	86	91.0	125.0	NaN	NaN
	乙	114	73.0	41.0	NaN	NaN	114	73.0	41.0	NaN	NaN
	丙	20	90.0	37.0	NaN	NaN	20	90.0	37.0	NaN	NaN
	丁	96	84.0	134.0	NaN	NaN	96	84.0	134.0	NaN	NaN
	戊	47	78.0	22.0	NaN	NaN	47	78.0	22.0	NaN	NaN
	己	80	43.0	90.0	NaN	NaN	80	43.0	90.0	NaN	NaN
期末	甲	13	NaN	NaN	29.0	3.0	13	NaN	NaN	29.0	3.0
	乙	103	NaN	NaN	12.0	81.0	103	NaN	NaN	12.0	81.0
	丙	21	NaN	NaN	101.0	62.0	21	NaN	NaN	101.0	62.0
	丁	24	NaN	NaN	26.0	121.0	24	NaN	NaN	26.0	121.0
	A	76	NaN	NaN	106.0	134.0	76	NaN	NaN	106.0	134.0
	B	33	NaN	NaN	23.0	104.0	33	NaN	NaN	23.0	104.0

pd.concat((df3,df4),axis=1) # 去掉levels=['期中','期末'] 也没影响

		Python	Flask	FastAPI	Tornado	Pulsar	Python	Flask	FastAPI	Tornado	Pulsar
期中	甲	86	91.0	125.0	NaN	NaN	86	91.0	125.0	NaN	NaN
	乙	114	73.0	41.0	NaN	NaN	114	73.0	41.0	NaN	NaN
	丙	20	90.0	37.0	NaN	NaN	20	90.0	37.0	NaN	NaN
	丁	96	84.0	134.0	NaN	NaN	96	84.0	134.0	NaN	NaN
	戊	47	78.0	22.0	NaN	NaN	47	78.0	22.0	NaN	NaN
	己	80	43.0	90.0	NaN	NaN	80	43.0	90.0	NaN	NaN
期末	甲	13	NaN	NaN	29.0	3.0	13	NaN	NaN	29.0	3.0
	乙	103	NaN	NaN	12.0	81.0	103	NaN	NaN	12.0	81.0
	丙	21	NaN	NaN	101.0	62.0	21	NaN	NaN	101.0	62.0
	丁	24	NaN	NaN	26.0	121.0	24	NaN	NaN	26.0	121.0
	A	76	NaN	NaN	106.0	134.0	76	NaN	NaN	106.0	134.0
	B	33	NaN	NaN	23.0	104.0	33	NaN	NaN	23.0	104.0

pd.concat((df3,df4),levels=['中','末'],axis=1)  # levels=['中','末'] 没有作用

		Python	Flask	FastAPI	Tornado	Pulsar	Python	Flask	FastAPI	Tornado	Pulsar
期中	甲	86	91.0	125.0	NaN	NaN	86	91.0	125.0	NaN	NaN
	乙	114	73.0	41.0	NaN	NaN	114	73.0	41.0	NaN	NaN
	丙	20	90.0	37.0	NaN	NaN	20	90.0	37.0	NaN	NaN
	丁	96	84.0	134.0	NaN	NaN	96	84.0	134.0	NaN	NaN
	戊	47	78.0	22.0	NaN	NaN	47	78.0	22.0	NaN	NaN
	己	80	43.0	90.0	NaN	NaN	80	43.0	90.0	NaN	NaN
期末	甲	13	NaN	NaN	29.0	3.0	13	NaN	NaN	29.0	3.0
	乙	103	NaN	NaN	12.0	81.0	103	NaN	NaN	12.0	81.0
	丙	21	NaN	NaN	101.0	62.0	21	NaN	NaN	101.0	62.0
	丁	24	NaN	NaN	26.0	121.0	24	NaN	NaN	26.0	121.0
	A	76	NaN	NaN	106.0	134.0	76	NaN	NaN	106.0	134.0
	B	33	NaN	NaN	23.0	104.0	33	NaN	NaN	23.0	104.0

pd.concat((df3,df4),axis=1)

		Python	Flask	FastAPI	Tornado	Pulsar	Python	Flask	FastAPI	Tornado	Pulsar
期中	甲	86	91.0	125.0	NaN	NaN	86	91.0	125.0	NaN	NaN
	乙	114	73.0	41.0	NaN	NaN	114	73.0	41.0	NaN	NaN
	丙	20	90.0	37.0	NaN	NaN	20	90.0	37.0	NaN	NaN
	丁	96	84.0	134.0	NaN	NaN	96	84.0	134.0	NaN	NaN
	戊	47	78.0	22.0	NaN	NaN	47	78.0	22.0	NaN	NaN
	己	80	43.0	90.0	NaN	NaN	80	43.0	90.0	NaN	NaN
期末	甲	13	NaN	NaN	29.0	3.0	13	NaN	NaN	29.0	3.0
	乙	103	NaN	NaN	12.0	81.0	103	NaN	NaN	12.0	81.0
	丙	21	NaN	NaN	101.0	62.0	21	NaN	NaN	101.0	62.0
	丁	24	NaN	NaN	26.0	121.0	24	NaN	NaN	26.0	121.0
	A	76	NaN	NaN	106.0	134.0	76	NaN	NaN	106.0	134.0
	B	33	NaN	NaN	23.0	104.0	33	NaN	NaN	23.0	104.0

pd.concat((df3,df4),axis=1,keys=['2019年的第一学期','2019年的第二学期'])

		2019年的第一学期					2019年的第二学期
		Python	Flask	FastAPI	Tornado	Pulsar	Python	Flask	FastAPI	Tornado	Pulsar
期中	甲	86	91.0	125.0	NaN	NaN	86	91.0	125.0	NaN	NaN
	乙	114	73.0	41.0	NaN	NaN	114	73.0	41.0	NaN	NaN
	丙	20	90.0	37.0	NaN	NaN	20	90.0	37.0	NaN	NaN
	丁	96	84.0	134.0	NaN	NaN	96	84.0	134.0	NaN	NaN
	戊	47	78.0	22.0	NaN	NaN	47	78.0	22.0	NaN	NaN
	己	80	43.0	90.0	NaN	NaN	80	43.0	90.0	NaN	NaN
期末	甲	13	NaN	NaN	29.0	3.0	13	NaN	NaN	29.0	3.0
	乙	103	NaN	NaN	12.0	81.0	103	NaN	NaN	12.0	81.0
	丙	21	NaN	NaN	101.0	62.0	21	NaN	NaN	101.0	62.0
	丁	24	NaN	NaN	26.0	121.0	24	NaN	NaN	26.0	121.0
	A	76	NaN	NaN	106.0	134.0	76	NaN	NaN	106.0	134.0
	B	33	NaN	NaN	23.0	104.0	33	NaN	NaN	23.0	104.0

# 行拼接
df1.append(df2,sort=False)  # .append()方法创建df副本和other数据进行行拼接，列标签级联

	Python	Flask	FastAPI	Tornado	Pulsar
甲	86	91.0	125.0	NaN	NaN
乙	114	73.0	41.0	NaN	NaN
丙	20	90.0	37.0	NaN	NaN
丁	96	84.0	134.0	NaN	NaN
戊	47	78.0	22.0	NaN	NaN
己	80	43.0	90.0	NaN	NaN
甲	13	NaN	NaN	29.0	3.0
乙	103	NaN	NaN	12.0	81.0
丙	21	NaN	NaN	101.0	62.0
丁	24	NaN	NaN	26.0	121.0
A	76	NaN	NaN	106.0	134.0
B	33	NaN	NaN	23.0	104.0

df5 =df1.append(df2,ignore_index=True,sort=False) 
df5

	Python	Flask	FastAPI	Tornado	Pulsar
0	86	91.0	125.0	NaN	NaN
1	114	73.0	41.0	NaN	NaN
2	20	90.0	37.0	NaN	NaN
3	96	84.0	134.0	NaN	NaN
4	47	78.0	22.0	NaN	NaN
5	80	43.0	90.0	NaN	NaN
6	13	NaN	NaN	29.0	3.0
7	103	NaN	NaN	12.0	81.0
8	21	NaN	NaN	101.0	62.0
9	24	NaN	NaN	26.0	121.0
10	76	NaN	NaN	106.0	134.0
11	33	NaN	NaN	23.0	104.0

df5.index     # RangeIndex 有序索引(序列索引)，类型是int

RangeIndex(start=0, stop=12, step=1)

# 获取df5第三行数据
df5.loc[3]

Python      96.0
Flask       84.0
FastAPI    134.0
Tornado      NaN
Pulsar       NaN
Name: 3, dtype: float64

# 获取df5第四行数据
df5.loc[4]

Python     47.0
Flask      78.0
FastAPI    22.0
Tornado     NaN
Pulsar      NaN
Name: 4, dtype: float64

# 获取df5第五行数据
df5.loc[5]    # 如果索引标签是RangeIndex,通过.loc[]和iloc[]操作是相同的

Python     80.0
Flask      43.0
FastAPI    90.0
Tornado     NaN
Pulsar      NaN
Name: 5, dtype: float64

数据合并

将两个DataFrame表的数据进行合并，同mysql的join连接。

pd.merge()

# 创建分类表(id,name)
cate = DataFrame({
    'id':[i for i in range(1,6)],
    'name':['美食','音乐','视频','笑话','军事']
})
cate

	id	name
0	1	美食
1	2	音乐
2	3	视频
3	4	笑话
4	5	军事

import time

# 创建内容表 content(id,title,cate_id)       id  标题   分类id
titles = [] 
cate_ids = []
for i in range(1,21):
    item = cate.loc[np.random.choice(cate.index)]  # series
    titles.append(f'{item["name"]}-{time.time()}')
    cate_ids.append(item['id'])
                  
content = DataFrame({
    'id':[i for i in range(1,21)],
    'title':titles,
    'cate_id':cate_ids
})
content

	id	title	cate_id
0	1	军事-1649392870.4940078	5
1	2	美食-1649392870.4940078	1
2	3	视频-1649392870.4950054	3
3	4	视频-1649392870.4950054	3
4	5	音乐-1649392870.4950054	2
5	6	美食-1649392870.4950054	1
6	7	军事-1649392870.4950054	5
7	8	笑话-1649392870.496003	4
8	9	视频-1649392870.496003	3
9	10	音乐-1649392870.496003	2
10	11	军事-1649392870.496003	5
11	12	笑话-1649392870.4970002	4
12	13	笑话-1649392870.4970002	4
13	14	美食-1649392870.4970002	1
14	15	视频-1649392870.4970002	3
15	16	笑话-1649392870.4970002	4
16	17	美食-1649392870.4979968	1
17	18	军事-1649392870.4979968	5
18	19	音乐-1649392870.4979968	2
19	20	视频-1649392870.4979968	3

display(cate,content)

	id	name
0	1	美食
1	2	音乐
2	3	视频
3	4	笑话
4	5	军事

	id	title	cate_id
0	1	军事-1649392870.4940078	5
1	2	美食-1649392870.4940078	1
2	3	视频-1649392870.4950054	3
3	4	视频-1649392870.4950054	3
4	5	音乐-1649392870.4950054	2
5	6	美食-1649392870.4950054	1
6	7	军事-1649392870.4950054	5
7	8	笑话-1649392870.496003	4
8	9	视频-1649392870.496003	3
9	10	音乐-1649392870.496003	2
10	11	军事-1649392870.496003	5
11	12	笑话-1649392870.4970002	4
12	13	笑话-1649392870.4970002	4
13	14	美食-1649392870.4970002	1
14	15	视频-1649392870.4970002	3
15	16	笑话-1649392870.4970002	4
16	17	美食-1649392870.4979968	1
17	18	军事-1649392870.4979968	5
18	19	音乐-1649392870.4979968	2
19	20	视频-1649392870.4979968	3

# content表只取前五个
display(cate,content.head())

	id	name
0	1	美食
1	2	音乐
2	3	视频
3	4	笑话
4	5	军事

	id	title	cate_id
0	1	军事-1649392870.4940078	5
1	2	美食-1649392870.4940078	1
2	3	视频-1649392870.4950054	3
3	4	视频-1649392870.4950054	3
4	5	音乐-1649392870.4950054	2

pd.merge(cate,content)  # 默认以on='id'进行连接
# on : label or list   指定两个表哪一个字段(的内容)进行合并

	id	name	title	cate_id
0	1	美食	军事-1649392870.4940078	5
1	2	音乐	美食-1649392870.4940078	1
2	3	视频	视频-1649392870.4950054	3
3	4	笑话	视频-1649392870.4950054	3
4	5	军事	音乐-1649392870.4950054	2

pd.merge(cate,content,left_on='id',right_on='cate_id')

	id_x	name	id_y	title	cate_id
0	1	美食	2	美食-1649392870.4940078	1
1	1	美食	6	美食-1649392870.4950054	1
2	1	美食	14	美食-1649392870.4970002	1
3	1	美食	17	美食-1649392870.4979968	1
4	2	音乐	5	音乐-1649392870.4950054	2
5	2	音乐	10	音乐-1649392870.496003	2
6	2	音乐	19	音乐-1649392870.4979968	2
7	3	视频	3	视频-1649392870.4950054	3
8	3	视频	4	视频-1649392870.4950054	3
9	3	视频	9	视频-1649392870.496003	3
10	3	视频	15	视频-1649392870.4970002	3
11	3	视频	20	视频-1649392870.4979968	3
12	4	笑话	8	笑话-1649392870.496003	4
13	4	笑话	12	笑话-1649392870.4970002	4
14	4	笑话	13	笑话-1649392870.4970002	4
15	4	笑话	16	笑话-1649392870.4970002	4
16	5	军事	1	军事-1649392870.4940078	5
17	5	军事	7	军事-1649392870.4950054	5
18	5	军事	11	军事-1649392870.496003	5
19	5	军事	18	军事-1649392870.4979968	5

pd.merge(cate,content,left_on='id',right_on='cate_id',suffixes=['_cate','_content'])

	id_cate	name	id_content	title	cate_id
0	1	美食	2	美食-1649392870.4940078	1
1	1	美食	6	美食-1649392870.4950054	1
2	1	美食	14	美食-1649392870.4970002	1
3	1	美食	17	美食-1649392870.4979968	1
4	2	音乐	5	音乐-1649392870.4950054	2
5	2	音乐	10	音乐-1649392870.496003	2
6	2	音乐	19	音乐-1649392870.4979968	2
7	3	视频	3	视频-1649392870.4950054	3
8	3	视频	4	视频-1649392870.4950054	3
9	3	视频	9	视频-1649392870.496003	3
10	3	视频	15	视频-1649392870.4970002	3
11	3	视频	20	视频-1649392870.4979968	3
12	4	笑话	8	笑话-1649392870.496003	4
13	4	笑话	12	笑话-1649392870.4970002	4
14	4	笑话	13	笑话-1649392870.4970002	4
15	4	笑话	16	笑话-1649392870.4970002	4
16	5	军事	1	军事-1649392870.4940078	5
17	5	军事	7	军事-1649392870.4950054	5
18	5	军事	11	军事-1649392870.496003	5
19	5	军事	18	军事-1649392870.4979968	5

content

	id	title	cate_id
0	1	军事-1649392870.4940078	5
1	2	美食-1649392870.4940078	1
2	3	视频-1649392870.4950054	3
3	4	视频-1649392870.4950054	3
4	5	音乐-1649392870.4950054	2
5	6	美食-1649392870.4950054	1
6	7	军事-1649392870.4950054	5
7	8	笑话-1649392870.496003	4
8	9	视频-1649392870.496003	3
9	10	音乐-1649392870.496003	2
10	11	军事-1649392870.496003	5
11	12	笑话-1649392870.4970002	4
12	13	笑话-1649392870.4970002	4
13	14	美食-1649392870.4970002	1
14	15	视频-1649392870.4970002	3
15	16	笑话-1649392870.4970002	4
16	17	美食-1649392870.4979968	1
17	18	军事-1649392870.4979968	5
18	19	音乐-1649392870.4979968	2
19	20	视频-1649392870.4979968	3

content.loc[3]

id                             4
title      视频-1649392870.4950054
cate_id                        3
Name: 3, dtype: object

# 更改content第四条的内容
content.loc[3,'cate_id'] = 6
content.head()

	id	title	cate_id
0	1	军事-1649392870.4940078	5
1	2	美食-1649392870.4940078	1
2	3	视频-1649392870.4950054	3
3	4	视频-1649392870.4950054	6
4	5	音乐-1649392870.4950054	2

pd.merge(cate,content,left_on='id',right_on='cate_id',suffixes=['_cate','_content'])

	id_cate	name	id_content	title	cate_id
0	1	美食	2	美食-1649392870.4940078	1
1	1	美食	6	美食-1649392870.4950054	1
2	1	美食	14	美食-1649392870.4970002	1
3	1	美食	17	美食-1649392870.4979968	1
4	2	音乐	5	音乐-1649392870.4950054	2
5	2	音乐	10	音乐-1649392870.496003	2
6	2	音乐	19	音乐-1649392870.4979968	2
7	3	视频	3	视频-1649392870.4950054	3
8	3	视频	9	视频-1649392870.496003	3
9	3	视频	15	视频-1649392870.4970002	3
10	3	视频	20	视频-1649392870.4979968	3
11	4	笑话	8	笑话-1649392870.496003	4
12	4	笑话	12	笑话-1649392870.4970002	4
13	4	笑话	13	笑话-1649392870.4970002	4
14	4	笑话	16	笑话-1649392870.4970002	4
15	5	军事	1	军事-1649392870.4940078	5
16	5	军事	7	军事-1649392870.4950054	5
17	5	军事	11	军事-1649392870.496003	5
18	5	军事	18	军事-1649392870.4979968	5

pd.merge(cate,content,left_on='id',right_on='cate_id',suffixes=['_cate','_content'],how='outer')

	id_cate	name	id_content	title	cate_id
0	1.0	美食	2	美食-1649392870.4940078	1
1	1.0	美食	6	美食-1649392870.4950054	1
2	1.0	美食	14	美食-1649392870.4970002	1
3	1.0	美食	17	美食-1649392870.4979968	1
4	2.0	音乐	5	音乐-1649392870.4950054	2
5	2.0	音乐	10	音乐-1649392870.496003	2
6	2.0	音乐	19	音乐-1649392870.4979968	2
7	3.0	视频	3	视频-1649392870.4950054	3
8	3.0	视频	9	视频-1649392870.496003	3
9	3.0	视频	15	视频-1649392870.4970002	3
10	3.0	视频	20	视频-1649392870.4979968	3
11	4.0	笑话	8	笑话-1649392870.496003	4
12	4.0	笑话	12	笑话-1649392870.4970002	4
13	4.0	笑话	13	笑话-1649392870.4970002	4
14	4.0	笑话	16	笑话-1649392870.4970002	4
15	5.0	军事	1	军事-1649392870.4940078	5
16	5.0	军事	7	军事-1649392870.4950054	5
17	5.0	军事	11	军事-1649392870.496003	5
18	5.0	军事	18	军事-1649392870.4979968	5
19	NaN	NaN	4	视频-1649392870.4950054	6

理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 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
Python数据分析与可视化实战指南 William数据分析 python python 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 #Python python 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 python os.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
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
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
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 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
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 python java 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
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
【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 NoSQL nosql 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)
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
Python中深拷贝与浅拷贝的区别 yuxiaoyu.
转自：http://blog.csdn.net/u014745194/article/details/70271868定义：在Python中对象的赋值其实就是对象的引用。当创建一个对象，把它赋值给另一个变量的时候，python并没有拷贝这个对象，只是拷贝了这个对象的引用而已。浅拷贝：拷贝了最外围的对象本身，内部的元素都只是拷贝了一个引用而已。也就是，把对象复制一遍，但是该对象中引用的其他对象我不复
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
ES聚合分析原理与代码实例讲解光剑书架上的书大厂Offer收割机面试题简历程序员读书硅基计算碳基计算认知计算生物计算深度学习神经网络大数据 AIGC AGI LLM Java Python 架构设计 Agent 程序员实现财富自由
ES聚合分析原理与代码实例讲解1.背景介绍1.1问题的由来在大规模数据分析场景中，特别是在使用Elasticsearch（ES）进行数据存储和检索时，聚合分析成为了一个至关重要的功能。聚合分析允许用户对数据集进行细分和分组，以便深入探索数据的结构和模式。这在诸如实时监控、日志分析、业务洞察等领域具有广泛的应用。1.2研究现状目前，ES聚合分析已经成为现代大数据平台的核心组件之一。它支持多种类型的聚
Python编译器鹿鹿~ Python编译器 Python python 开发语言后端
嘿嘿嘿我又来了啊有些小盆友可能不知道Python其实是有编译器的，也就是PyCharm。你们可能会问到这个是干嘛的又不可以吃也不可以穿好像没有什么用，其实你还说对了这个还真的不可以吃也不可以穿，但是它用来干嘛的呢。用来编译你所打出的代码进行运行（可能这里说的有点不对但是只是个人认为）现在我们来说说PyCharm是用来干嘛的。PyCharm是一种PythonIDE，带有一整套可以帮助用户在使用Pyt
一文掌握python面向对象魔术方法（二）程序员neil python python 开发语言
接上篇：一文掌握python面向对象魔术方法（一）-CSDN博客目录六、迭代和序列化：1、__iter__(self):定义迭代器，使得类可以被for循环迭代。2、__getitem__(self,key):定义索引操作，如obj[key]。3、__setitem__(self,key,value):定义赋值操作，如obj[key]=value。4、__delitem__(self,key):定义
一文掌握python常用的list（列表）操作程序员neil python python 开发语言
目录一、创建列表1.直接创建列表：2.使用list()构造器3.使用列表推导式4.创建空列表二、访问列表元素1.列表支持通过索引访问元素，索引从0开始：2.还可以使用切片操作访问列表的一部分：三、修改列表元素四、添加元素1.append()：在末尾添加元素2.insert()：在指定位置插入元素五、删除元素1.del：删除指定位置的元素2.remove()：删除指定值的第一个匹配项3.pop()：
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
自然语言处理_tf-idf _feivirus_ 算法机器学习和数学自然语言处理 tf-idf 逆文档频率词频
importpandasaspdimportmath1.数据预处理docA="Thecatsatonmyface"docB="Thedogsatonmybed"wordsA=docA.split("")wordsB=docB.split("")wordsSet=set(wordsA).union(set(wordsB))print(wordsSet){'on','my','face','sat',
K近邻算法_分类鸢尾花数据集 _feivirus_ 算法机器学习和数学分类机器学习 K近邻
importnumpyasnpimportpandasaspdfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score1.数据预处理iris=load_iris()df=pd.DataFrame(data=ir
异常的核心类Throwable 无量 java 源码异常处理 exception
java异常的核心是Throwable，其他的如Error和Exception都是继承的这个类里面有个核心参数是detailMessage，记录异常信息，getMessage核心方法，获取这个参数的值，我们可以自己定义自己的异常类，去继承这个Exception就可以了，方法基本上，用父类的构造方法就OK，所以这么看异常是不是很easy package com.natsu;
mongoDB 游标（cursor）实现分页迭代开窍的石头 mongodb
上篇中我们讲了mongoDB 中的查询函数，现在我们讲mongo中如何做分页查询如何声明一个游标 var mycursor = db.user.find({_id:{$lte:5}}); 迭代显示游标数
MySQL数据库INNODB 表损坏修复处理过程 0624chenhong tomcat mysql
最近mysql数据库经常死掉，用命令net stop mysql命令也无法停掉，关闭Tomcat的时候，出现Waiting for N instance(s) to be deallocated 信息。查了下，大概就是程序没有对数据库连接释放，导致Connection泄露了。因为用的是开元集成的平台，内部程序也不可能一下子给改掉的，就验证一下咯。启动Tomcat,用户登录系统，用netstat -
剖析如何与设计人员沟通不懂事的小屁孩工作
最近做图烦死了，不停的改图，改图……。烦，倒不是因为改，而是反反复复的改，人都会死。很多需求人员不知该如何与设计人员沟通，不明白如何使设计人员知道他所要的效果，结果只能是沟通变成了扯淡，改图变成了应付。那应该如何与设计人员沟通呢？我认为设计人员与需求人员先天就存在语言障碍。对一个合格的设计人员来说，整天玩的都是点、线、面、配色，哪种构图看起来协调；哪种配色看起来合理心里跟明镜似的，
qq空间刷评论工具换个号韩国红果果 JavaScript
var a=document.getElementsByClassName('textinput'); var b=[]; for(var m=0;m<a.length;m++){ if(a[m].getAttribute('placeholder')!=null) b.push(a[m]) } var l
S2SH整合之session 灵静志远 spring AOP struts session
错误信息： Caused by: org.springframework.beans.factory.BeanCreationException: Error creating bean with name 'cartService': Scope 'session' is not active for the current thread; consider defining a scoped
xmp标签 a-john 标签
今天在处理数据的显示上遇到一个问题： var html = '<li><div class="pl-nr"><span class="user-name">' + user + '</span>' + text + '</div></li>'; ulComme
Ajax的常用技巧（2）---实现Web页面中的级联菜单 aijuans Ajax
在网络上显示数据，往往只显示数据中的一部分信息，如文章标题，产品名称等。如果浏览器要查看所有信息，只需点击相关链接即可。在web技术中，可以采用级联菜单完成上述操作。根据用户的选择，动态展开，并显示出对应选项子菜单的内容。在传统的web实现方式中，一般是在页面初始化时动态获取到服务端数据库中对应的所有子菜单中的信息，放置到页面中对应的位置，然后再结合CSS层叠样式表动态控制对应子菜单的显示或者隐
天-安-门，好高 atongyeye 情感
我是85后，北漂一族，之前房租1100，因为租房合同到期，再续，房租就要涨150。最近网上新闻，地铁也要涨价。算了一下，涨价之后，每次坐地铁由原来2块变成6块。仅坐地铁费用，一个月就要涨200。内心苦痛。晚上躺在床上一个人想了很久，很久。我生在农
android 动画百合不是茶 android 透明度平移缩放旋转
android的动画有两种 tween动画和Frame动画 tween动画;,透明度,缩放,旋转,平移效果 Animation 动画 AlphaAnimation 渐变透明度 RotateAnimation 画面旋转 ScaleAnimation 渐变尺寸缩放 TranslateAnimation 位置移动 Animation
查看本机网络信息的cmd脚本 bijian1013 cmd
@echo 您的用户名是：%USERDOMAIN%\%username%>"%userprofile%\网络参数.txt" @echo 您的机器名是：%COMPUTERNAME%>>"%userprofile%\网络参数.txt" @echo ___________________>>"%userprofile%\
plsql 清除登录过的用户征客丶 plsql
tools---preferences----logon history---history 把你想要删除的删除 -------------------------------------------------------------------- 若有其他凝问或文中有错误，请及时向我指出，我好及时改正，同时也让我们一起进步。 email ： binary_spac
【Pig一】Pig入门 bit1129 pig
Pig安装 1.下载pig wget http://mirror.bit.edu.cn/apache/pig/pig-0.14.0/pig-0.14.0.tar.gz 2. 解压配置环境变量如果Pig使用Map/Reduce模式，那么需要在环境变量中，配置HADOOP_HOME环境变量 expor
Java 线程同步几种方式 BlueSkator volatile synchronized ThredLocal ReenTranLock Concurrent
为何要使用同步？ java允许多线程并发控制，当多个线程同时操作一个可共享的资源变量时（如数据的增删改查），将会导致数据不准确，相互之间产生冲突，因此加入同步锁以避免在该线程没有完成操作之前，被其他线程的调用，从而保证了该变量的唯一性和准确性。 1.同步方法&
StringUtils判断字符串是否为空的方法（转帖） BreakingBad null StringUtils “”
转帖地址：http://www.cnblogs.com/shangxiaofei/p/4313111.html public static boolean isEmpty(String str) 　　判断某字符串是否为空，为空的标准是 str== null 或 str.length()== 0
编程之美-分层遍历二叉树 bylijinnan java 数据结构算法编程之美
import java.util.ArrayList; import java.util.LinkedList; import java.util.List; public class LevelTraverseBinaryTree { /** * 编程之美分层遍历二叉树 * 之前已经用队列实现过二叉树的层次遍历，但这次要求输出换行，因此要
jquery取值和ajax提交复习记录 chengxuyuancsdn jquery取值 ajax提交
// 取值 // alert($("input[name='username']").val()); // alert($("input[name='password']").val()); // alert($("input[name='sex']:checked").val()); // alert($("
推荐国产工作流引擎嵌入式公式语法解析器-IK Expression comsci java 应用服务器工作 Excel 嵌入式
这个开源软件包是国内的一位高手自行研制开发的，正如他所说的一样，我觉得它可以使一个工作流引擎上一个台阶。。。。。。欢迎大家使用，并提出意见和建议。。。 ----------转帖--------------------------------------------------- IK Expression是一个开源的（OpenSource），可扩展的（Extensible），基于java语言
关于系统中使用多个PropertyPlaceholderConfigurer的配置及PropertyOverrideConfigurer daizj spring
1、PropertyPlaceholderConfigurer Spring中PropertyPlaceholderConfigurer这个类，它是用来解析Java Properties属性文件值，并提供在spring配置期间替换使用属性值。接下来让我们逐渐的深入其配置。基本的使用方法是：(1) <bean id="propertyConfigurerForWZ&q
二叉树:二叉搜索树 dieslrae 二叉树
所谓二叉树,就是一个节点最多只能有两个子节点,而二叉搜索树就是一个经典并简单的二叉树.规则是一个节点的左子节点一定比自己小,右子节点一定大于等于自己(当然也可以反过来).在树基本平衡的时候插入,搜索和删除速度都很快,时间复杂度为O(logN).但是,如果插入的是有序的数据,那效率就会变成O(N),在这个时候,树其实变成了一个链表. tree代码:
C语言字符串函数大全 dcj3sjt126com c function
C语言字符串函数大全函数名: stpcpy 功能: 拷贝一个字符串到另一个用法: char *stpcpy(char *destin, char *source); 程序例: #include <stdio.h> #include <string.h> int main
友盟统计页面技巧 dcj3sjt126com 技巧
在基类调用就可以了, 基类ViewController示例代码 -(void)viewWillAppear:(BOOL)animated { [super viewWillAppear:animated]; [MobClick beginLogPageView:[NSString stringWithFormat:@"%@",self.class]];
window下在同一台机器上安装多个版本jdk，修改环境变量不生效问题处理办法 flyvszhb java jdk
window下在同一台机器上安装多个版本jdk，修改环境变量不生效问题处理办法本机已经安装了jdk1.7，而比较早期的项目需要依赖jdk1.6，于是同时在本机安装了jdk1.6和jdk1.7. 安装jdk1.6前，执行java -version得到 C:\Users\liuxiang2>java -version java version "1.7.0_21&quo
Java在创建子类对象的同时会不会创建父类对象 happyqing java 创建子类对象父类对象
1.在thingking in java 的第四版第六章中明确的说了，子类对象中封装了父类对象， 2."When you create an object of the derived class, it contains within it a subobject of the base class. This subobject is the sam
跟我学spring3 目录贴及电子书下载 jinnianshilongnian spring
一、《跟我学spring3》电子书下载地址：《跟我学spring3》（1-7 和 8-13） http://jinnianshilongnian.iteye.com/blog/pdf 跟我学spring3系列 word原版下载二、源代码下载最新依
第12章 Ajax（上） onestopweb Ajax
index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
BI and EIM 4.0 at a glance blueoxygen BO
http://www.sap.com/corporate-en/press.epx?PressID=14787 有机会研究下EIM家族的两个新产品~~~~ New features of the 4.0 releases of BI and EIM solutions include: Real-time in-memory computing –
Java线程中yield与join方法的区别 tomcat_oracle java
长期以来，多线程问题颇为受到面试官的青睐。虽然我个人认为我们当中很少有人能真正获得机会开发复杂的多线程应用(在过去的七年中，我得到了一个机会)，但是理解多线程对增加你的信心很有用。之前，我讨论了一个wait()和sleep()方法区别的问题，这一次，我将会讨论join()和yield()方法的区别。坦白的说，实际上我并没有用过其中任何一个方法，所以，如果你感觉有不恰当的地方，请提出讨论。 &nb
android Manifest.xml选项阿尔萨斯 Manifest
结构继承关系 public final class Manifest extends Objectjava.lang.Objectandroid.Manifest 内部类 class Manifest.permission权限 class Manifest.permission_group权限组构造函数 public Manifest () 详细 androi
Oracle实现类split函数的方 zhaoshijie oracle
关键字：Oracle实现类split函数的方项目里需要保存结构数据，批量传到后他进行保存，为了减小数据量，子集拼装的格式，使用存储过程进行保存。保存的过程中需要对数据解析。但是oracle没有Java中split类似的函数。从网上找了一个，也补全了一下。 CREATE OR REPLACE TYPE t_split_100 IS TABLE OF VARCHAR2(100); cr

数据分析——从入门到精通(九)

数据级联

数据合并

你可能感兴趣的:(数据分析,python,pandas,python,数据分析,大数据)