当前位置: 首页 > news >正文

python数据分析(七):Pandas 数据变形与重塑

Pandas 数据变形与重塑全面指南

1. 引言

在数据分析过程中,我们经常需要将数据从一种结构转换为另一种结构,以适应不同的分析需求。Pandas 提供了丰富的数据变形与重塑功能,包括旋转(pivot)、堆叠(stack)、融合(melt)等多种操作。本文将详细介绍这些功能,并通过实际代码示例展示如何使用它们。

2. 透视表操作 (pivot 和 pivot_table)

2.1 pivot 基础操作

pivot 用于将长格式数据转换为宽格式。

import pandas as pd
import numpy as np# 创建示例数据
data = {'Date': ['2023-01-01', '2023-01-01', '2023-01-02', '2023-01-02'],'Variable': ['A', 'B', 'A', 'B'],'Value': [10, 20, 30, 40]
}
df = pd.DataFrame(data)# 使用pivot进行重塑
pivot_df = df.pivot(index='Date', columns='Variable', values='Value')
print("Pivot结果:\n", pivot_df)

输出:

Variable        A   B
Date                
2023-01-01    10  20
2023-01-02    30  40

解释:

  • index: 指定作为行索引的列
  • columns: 指定作为列名的列
  • values: 指定填充值的列

2.2 pivot_table 高级透视

pivot_table 支持聚合功能,适合处理重复值。

# 创建有重复值的数据
data = {'Date': ['2023-01-01', '2023-01-01', '2023-01-01', '2023-01-02'],'Variable': ['A', 'B', 'A', 'B'],'Value': [10, 20, 30, 40]
}
df = pd.DataFrame(data)# 使用pivot_table进行聚合
pivot_table_df = pd.pivot_table(df, values='Value', index='Date', columns='Variable', aggfunc=np.mean)
print("\nPivot Table结果:\n", pivot_table_df)

输出:

Value          A   B
Date                
2023-01-01    20  20
2023-01-02   NaN  40

解释:

  • aggfunc: 指定聚合函数,默认为np.mean
  • 可以处理重复值,对相同索引和列的组合进行聚合

3. 堆叠与反堆叠 (stack 和 unstack)

3.1 stack 操作

stack 将列转换为行,产生多级索引。

# 创建宽格式数据
wide_df = pd.DataFrame({'A': [1, 2],'B': [3, 4],'C': [5, 6]
}, index=['X', 'Y'])# 使用stack进行堆叠
stacked = wide_df.stack()
print("\nStack结果:\n", stacked)

输出:

X  A    1B    3C    5
Y  A    2B    4C    6
dtype: int64

3.2 unstack 操作

unstackstack 的逆操作,将行转换为列。

# 使用unstack进行反堆叠
unstacked = stacked.unstack()
print("\nUnstack结果:\n", unstacked)

输出:

   A  B  C
X  1  3  5
Y  2  4  6

4. 融合与宽变长 (melt 和 wide_to_long)

4.1 melt 操作

melt 将宽格式数据转换为长格式。

# 创建宽格式数据
wide_df = pd.DataFrame({'ID': [1, 2],'Name': ['Alice', 'Bob'],'Math': [90, 85],'Physics': [80, 75]
})# 使用melt进行融合
melted = pd.melt(wide_df, id_vars=['ID', 'Name'], value_vars=['Math', 'Physics'],var_name='Subject', value_name='Score')
print("\nMelt结果:\n", melted)

输出:

   ID   Name  Subject  Score
0   1  Alice     Math     90
1   2    Bob     Math     85
2   1  Alice  Physics     80
3   2    Bob  Physics     75

4.2 wide_to_long 操作

wide_to_long 是更灵活的宽变长转换方法。

# 创建复杂宽格式数据
wide_df = pd.DataFrame({'ID': [1, 2],'Name': ['Alice', 'Bob'],'Score_Math_2022': [90, 85],'Score_Physics_2022': [80, 75],'Score_Math_2023': [95, 88],'Score_Physics_2023': [85, 78]
})# 使用wide_to_long进行转换
long_df = pd.wide_to_long(wide_df, stubnames=['Score'], i=['ID', 'Name'], j='Year', sep='_', suffix='\\w+')
print("\nWide to Long结果:\n", long_df)

5. 虚拟变量转换 (get_dummies 和 from_dummies)

5.1 get_dummies 操作

get_dummies 将分类变量转换为虚拟/指示变量。

# 创建分类数据
df = pd.DataFrame({'Color': ['Red', 'Blue', 'Green', 'Blue', 'Red']
})# 使用get_dummies进行转换
dummies = pd.get_dummies(df, columns=['Color'])
print("\nGet Dummies结果:\n", dummies)

输出:

   Color_Blue  Color_Green  Color_Red
0           0            0          1
1           1            0          0
2           0            1          0
3           1            0          0
4           0            0          1

5.2 from_dummies 操作

from_dummiesget_dummies 的逆操作。

# 使用from_dummies还原分类变量
from_dummies_df = pd.from_dummies(dummies, sep='_')
print("\nFrom Dummies结果:\n", from_dummies_df)

6. 爆炸操作 (explode)

explode 将列表形式的元素拆分为多行。

# 创建包含列表的数据
df = pd.DataFrame({'ID': [1, 2],'Items': [['A', 'B'], ['C', 'D', 'E']]
})# 使用explode进行爆炸
exploded = df.explode('Items')
print("\nExplode结果:\n", exploded)

输出:

   ID Items
0   1     A
0   1     B
1   2     C
1   2     D
1   2     E

7. 交叉表 (crosstab)

crosstab 计算两个或多个因素的简单交叉表。

# 创建示例数据
data = {'Gender': ['Male', 'Female', 'Male', 'Female', 'Male'],'Preference': ['Yes', 'No', 'Yes', 'Yes', 'No']
}
df = pd.DataFrame(data)# 使用crosstab创建交叉表
cross_tab = pd.crosstab(df['Gender'], df['Preference'])
print("\nCrosstab结果:\n", cross_tab)

输出:

Preference  No  Yes
Gender            
Female      1    1
Male        1    2

8. 分箱操作 (cut)

cut 将连续变量离散化为区间。

# 创建连续数据
ages = [20, 22, 25, 27, 21, 23, 37, 31, 61, 45, 41, 32]# 使用cut进行分箱
bins = [18, 25, 35, 60, 100]
labels = ['18-25', '26-35', '36-60', '61+']
age_groups = pd.cut(ages, bins=bins, labels=labels)
print("\nCut结果:\n", age_groups)

9. 因子化操作 (factorize)

factorize 将分类变量编码为数值。

# 创建分类数据
colors = ['red', 'blue', 'green', 'blue', 'red']# 使用factorize进行编码
codes, uniques = pd.factorize(colors)
print("\nFactorize结果:")
print("编码:", codes)
print("唯一值:", uniques)

输出:

编码: [0 1 2 1 0]
唯一值: ['red' 'blue' 'green']

10. 总结

  1. 透视表操作:

    • pivot: 简单的长转宽操作,不支持聚合
    • pivot_table: 支持聚合的透视表,适合处理重复值
  2. 堆叠操作:

    • stack: 将列转换为行,产生多级索引
    • unstack: 将行转换为列,是stack的逆操作
  3. 融合操作:

    • melt: 将宽格式数据转换为长格式
    • wide_to_long: 更灵活的宽变长转换方法
  4. 虚拟变量转换:

    • get_dummies: 将分类变量转换为虚拟变量
    • from_dummies: 将虚拟变量转换回分类变量
  5. 爆炸操作:

    • explode: 将列表形式的元素拆分为多行
  6. 交叉表:

    • crosstab: 计算两个或多个因素的简单交叉表
  7. 分箱操作:

    • cut: 将连续变量离散化为区间
  8. 因子化操作:

    • factorize: 将分类变量编码为数值

选择合适的数据变形方法取决于:

  • 数据的原始结构和目标结构
  • 是否需要聚合操作
  • 是否需要处理重复值或列表数据

掌握这些数据变形与重塑技术将大大提高你在实际数据分析工作中的效率和灵活性,使你能轻松应对各种数据格式转换需求。

相关文章:

python数据分析(七):Pandas 数据变形与重塑

Pandas 数据变形与重塑全面指南 1. 引言 在数据分析过程中,我们经常需要将数据从一种结构转换为另一种结构,以适应不同的分析需求。Pandas 提供了丰富的数据变形与重塑功能,包括旋转(pivot)、堆叠(stack)、融合(melt)等多种操作。本文将详细…...

SX24C01.UG-PXI程控电阻桥板卡

PXI程控电阻桥板卡 概述 简介 程控电阻桥板卡采用4 个可程控精密调节的电阻臂组成桥式电路,通过计算机PXI总线控制继电器通断进行电阻调节;可根据具体情况,方便地选择不同桥路的连接;程控电阻桥板卡支持“1/4 桥”、“半桥”和…...

Python项目源码69:一键解析+csv保存通达信日线数据3.0

Python项目源码39:学生积分管理系统1.0(命令行界面Json) Python项目源码38:模拟炒股系统2.0(tkinterJson) Python项目源码35:音乐播放器2.0(Tkintermutagen) Python项…...

Conda 与 Spyder 环境管理

前言 作为 Python 科学计算领域的黄金搭档,Anaconda 和 Spyder 为研究人员和数据分析师提供了强大的工作环境。本文将详细介绍如何使用 Conda 管理 Python 环境,并在 Spyder IDE 中灵活切换这些环境,助你打造高效的 Python 开发工作流。 一…...

头皮理疗预约小程序开发实战指南

生活服务类小程序开发正成为互联网创业的热点领域,头皮理疗预约小程序作为其中的细分品类,具有广阔的市场前景和用户需求。基于微信小程序原生开发或uniapp框架,结合Java后端和MySQL数据库,可构建一个功能完善、性能稳定且易于维护的头皮理疗预约平台。本文将从零开始,详细…...

cPanel 的 Let’s Encrypt™ 插件

在 cPanel & WHM 中,推出了一个名为 AutoSSL 的功能。可能有些朋友还不了解 AutoSSL,它是一个能够自动为您的网站申请和安装免费 SSL 证书的工具,这些证书由 Comodo 签发,保证网站的安全性。 AutoSSL 与 Let’s Encrypt Let’…...

《Android 应用开发基础教程》——第十一章:Android 中的图片加载与缓存(Glide 使用详解)

目录 第十一章:Android 中的图片加载与缓存(Glide 使用详解) 🔹 11.1 Glide 简介 🔸 11.2 添加 Glide 依赖 🔸 11.3 基本用法 ✦ 加载网络图片到 ImageView: ✦ 加载本地资源 / 文件 / UR…...

MySQL 中的游标(Cursor)

一、游标的作用 ​​逐行处理数据​​:当需要对查询结果集中的每一行进行特定操作(如计算、条件判断、调用其他过程)时使用。​​替代集合操作​​:在无法通过单一 SQL 语句完成复杂逻辑时,游标提供逐行处理的能力。​…...

【嵌入式Linux】基于ARM-Linux的zero2平台的智慧楼宇管理系统项目

目录 1. 需求及项目准备(此项目对于虚拟机和香橙派的配置基于上一个垃圾分类项目,如初次开发,两个平台的环境变量,阿里云接入,摄像头配置可参考垃圾分类项目)1.1 系统框图1.2 硬件接线1.3 语音模块配置1.4 …...

记忆翻牌游戏:认知科学与状态机的交响曲

目录 记忆翻牌游戏:认知科学与状态机的交响曲引言第一章 网格空间拓扑学1.1 自适应网格算法1.2 卡片排布原理 第二章 状态机设计2.1 状态跃迁矩阵2.2 时空关联模型 第三章 记忆强化机制3.1 认知衰减曲线3.2 注意力热力图 第四章 动画引擎设计4.1 翻牌运动方程4.2 粒…...

【业务领域】InfiniBand协议总结

InfiniBand协议总结 InfiniBand协议是什么?Infiniband产生的原因Mellanox公司介绍及其新闻基于TCP/IP的网络与IB网络的比较IB标准的优势什么是InfiniBand网络什么是InfiniBand架构Mellanox IB卡介绍InfiniBand速率发展介绍InfiniBand网络主要上层协议InfiniBand管理…...

使用Java正则表达式检查字符串是否匹配

在Java开发中,正则表达式(Regular Expression,简称Regex)是处理字符串的强大工具,广泛应用于模式匹配、数据验证和文本处理。Java通过java.util.regex包提供了对正则表达式的支持,包含Pattern和Matcher两个…...

个人健康中枢的多元化AI硬件革新与精准健康路径探析

在医疗信息化领域,个人健康中枢正经历着一场由硬件技术革新驱动的深刻变革。随着可穿戴设备、传感器技术和人工智能算法的快速发展,新一代健康监测硬件能够采集前所未有的多维度生物数据,并通过智能分析提供精准的健康建议。本文将深入探讨构成个人健康中枢的最新硬件技术,…...

Android基础控件用法介绍

Android基础控件用法详解 Android应用开发中,基础控件是构建用户界面的核心元素。本文将详细介绍Android中最常用的基础控件及其用法。 一、TextView(文本显示控件) TextView用于在界面上显示文本信息。 基本用法 <TextViewandroid:id="@+id/textView"andr…...

iO(不可区分混淆)是Web3隐私的圣杯?

1. 引言 iO 是区块链隐私的圣杯吗&#xff1f;本文将探讨&#xff1a; 不可区分混淆&#xff08;indistinguishability obfuscation, iO&#xff09;的局限性iO可能带来的变革iO为何重要&#xff1f;iO是否能真正成为可信硬件的替代方案&#xff1f; 区块链隐私面临的最大挑…...

文章三《机器学习基础概念与框架实践》

文章3&#xff1a;机器学习基础概念与框架实践 ——从理论到代码&#xff0c;用Scikit-learn构建你的第一个分类模型 一、机器学习基础理论&#xff1a;三大核心类型 机器学习是人工智能的核心&#xff0c;通过数据让计算机自动学习规律并做出预测或决策。根据学习方式&#…...

中小企业MES系统概要设计

版本&#xff1a;V1.0 日期&#xff1a;2025年5月2日 一、系统架构设计 1.1 整体架构模式 采用分层微服务架构&#xff0c;实现模块解耦与灵活扩展&#xff0c;支持混合云部署&#xff1a; #mermaid-svg-drxS3XaKEg8H8rAJ {font-family:"trebuchet ms",verdana,ari…...

自动化测试项目1 --- 唠嗑星球 [软件测试实战 Java 篇]

目录 项目介绍 项目源码库地址 项目功能测试 1.自动化实施步骤 1.1 编写测试用例 1.2 自动化测试脚本开发 1.2.1 配置相关环境, 添加相关依赖 1.2.2 相关代码编写 2. 自动化功能测试总结 2.1 弹窗的解决相关问题 2.2 断言的使用和说明 2.3 重新登录问题 项目性能…...

c语言 关键字--目录

1.c语言 关键字 2.typedef 关键字 3.volatile 关键字 4.register 关键字 5.const关键字用法 6.extern关键字...

C语言与指针3——基本数据类型

误区补充 char 的 表示范围0-127 signed char 127 unsigned char 0-255enum不常用&#xff0c;但是常见&#xff0c;这里记录一下。 enum Day {Monday 1,//范围是IntTuesday 2,Wednesday 3 }; enum Day d Monday; switch (d) {case Monday:{printf("%d",Monday);…...

[更新完毕]2025五一杯C题五一杯数学建模思路代码文章教学:社交媒体平台用户分析问题

完整内容请看文章最下面的推广群 社交媒体平台用户分析问题 在问题一中为解决博主在特定日期新增关注数的预测问题&#xff0c;本文构建了基于用户历史行为的二分类模型。首先&#xff0c;从用户对博主的观看、点赞、评论、关注等交互行为中提取统计与时序特征&#xff0c;形成…...

使用Vite创建vue3项目

什么是vite Vite 是新一代构建工具&#xff0c;由 Vue 核心团队开发&#xff0c;提供极快的开发体验。 它利用浏览器原生ES模块导入功能&#xff0c;提供了极快的热模块更新&#xff08;HMR&#xff09;和开发服务器启动速度。 官网&#xff1a;https://vitejs.cn/vite3-cn/…...

Linux管道识

深入理解管道 (Pipes)&#xff1a;连接命令的瑞士军刀 在 Linux 和类 Unix 系统&#xff08;包括 macOS&#xff09;的命令行世界里&#xff0c;管道&#xff08;Pipe&#xff09;是一个极其强大且基础的概念。它允许你将一个命令的输出直接作为另一个命令的输入&#xff0c;像…...

LabVIEW 中VI Server导出 VI 配置

该 LabVIEW VI 展示了在 VI Server 中配置和执行 Exported VIs 的过程&#xff0c;实现对服务器端导出 VI 的远程调用与操作。 ​ 具体过程及模块说明 前期配置&#xff1a;需确保在 LabVIEW 的 “Tools> Options > VI Server > Protocols” 路径下&#xff0c;启用 …...

map和set的遗留 + AVL树(1):

在讲解新的东西之前&#xff0c;我们把上节遗留的问题说一下&#xff1a; 遗留问题&#xff1a; 首先&#xff0c;我们的最上面的代码是一个隐式类型转换&#xff0c;我们插入了一对数据。 我们说了&#xff0c;我们的方括号的底层是insert&#xff0c;当我们调用operator的[…...

Java学习手册:Spring Security 安全框架

一、Spring Security 简介 Spring Security 是一个功能强大且高度可定制的身份验证和访问控制框架&#xff0c;用于保护 Java 应用程序&#xff0c;尤其是基于 Spring 的应用。它构建在 Spring 框架之上&#xff0c;能够轻松地集成到基于 Spring 的应用程序中&#xff0c;包括…...

pip 常用命令及配置

一、python -m pip install 和 pip install 的区别 在讲解 pip 的命令之前&#xff0c;我们有必要了解一下 python -m pip install 和 pip install 的区别&#xff0c;以便于我们在不同的场景使用不同的方式。 python -m pip install 命令使用 python 可执行文件将 pip 模块作…...

C++_STL

C 标准模板库&#xff08;Standard Template Library&#xff0c;STL&#xff09;是一套功能强大的 C 模板类和函数的集合&#xff0c;它提供了一系列通用的、可复用的算法和数据结构。 STL 的设计基于泛型编程&#xff0c;这意味着使用模板可以编写出独立于任何特定数据类型的…...

[FPGA Video] AXI4-Stream Remapper

Xilinx AXI4-Stream Remapper IP (PG379) 详细介绍 概述 Xilinx LogiCORE™ IP AXI4-Stream Remapper 核是一个专为视频处理设计的模块&#xff0c;用于在不同每时钟像素数&#xff08;Pixels Per Clock, PPC&#xff09;要求之间重新映射视频像素。它支持将输入 AXI4-Stream…...

【数据结构】励志大厂版·初阶(复习+刷题):栈与队列

前引&#xff1a;本篇将由小编与大家一起复习 栈 、队列 的知识点&#xff0c;栈、队列的顺序、链式结构各个缺点好处&#xff0c;如何实现、对于一般的增删查找此篇文章一定再详细不过&#xff01;对代码的注释、何时需要判断、特殊情况&#xff0c;白话文版一解到底&#xff…...

pytest——参数化

之前有说过&#xff0c;通过pytest测试框架标记参数化功能可以实现数据驱动测试。数据驱动测试使用的文件主要有以下类型&#xff1a; txt 文件 csv 文件excel 文件json 文件yaml 文件.... 本文主要讲的就是以上几种文件类型的读取和使用 一.txt 文件读取使用 首先创建一个 …...

第7篇:RESTful API设计与安全防护

在前后端分离架构中&#xff0c;RESTful API是系统交互的核心通道。本文将从接口规范设计到安全防护&#xff0c;全面讲解如何在EggJS中构建安全、规范、易用的API系统&#xff0c;并提供完整的解决方案和最佳实践。 一、标准化API接口规范设计 1. RESTful设计原则 核心要素&…...

CSS 架构与命名规范

CSS 架构与命名规范&#xff1a;BEM、SMACSS 与 OOCSS 实战 引言 在前端开发中&#xff0c;随着项目规模的扩大&#xff0c;CSS 代码往往会变得难以维护和扩展。无组织的样式表会导致命名冲突、权重覆盖问题和样式继承混乱&#xff0c;这些问题在团队协作的大型项目中尤为明显…...

实验二 软件白盒测试

实验二 软件白盒测试 某工资计算程序功能如下&#xff1a;若雇员月工作小时超过40小时&#xff0c;则超过部分按原小时工资的1.5倍的加班工资来计算。若雇员月工作小时超过50小时&#xff0c;则超过50的部分按原小时工资的3倍的加班工资来计算&#xff0c;而40到50小时的工资仍…...

【数据结构】String字符串的存储

目录 一、存储结构 1.字符串常量池 2.字符串哈希表 2.1结构 2.2基础存储单位 2.2.1键对象 2.2.2值对象 二、存储过程 1.搜索 2.创建 三、存储位置 四、存储操作 1.new新建 2.intern入池 这是String类的详解&#xff1a;String类变量 一、存储结构 1.字符串常量池…...

LLMs Tokenizer Byte-Pair Encoding(BPE)

1 Byte-Pair Encoding(BPE) 如何构建词典&#xff1f; 准备足够的训练语料;以及期望的词表大小&#xff1b;将单词拆分为字符粒度(字粒度)&#xff0c;并在末尾添加后缀“”&#xff0c;统计单词频率合并方式:统计每一个连续/相邻字节对的出现频率&#xff0c;将最高频的连续字…...

npm,yarn,pnpm,cnpm,nvm,npx包管理器常用命令

前端比较主流的包管理器主要有三个npm&#xff0c;yarn&#xff0c;pnpm 多层级依赖&#xff0c;通常发生在依赖之间存在复杂的版本要求时 包 A 依赖于包 B1.0.0 包 B 依赖于包 C2.0.0 另一个包 D 也依赖于 C3.0.0 一、NPM (Node Package Manager) https://www.npmjs.cn/…...

使用mybatis实例类和MySQL表的字段不一致怎么办

在 MyBatis 中&#xff0c;当 Java 实体类的属性名与数据库表的字段名不一致时&#xff0c;会导致查询结果无法正确映射。以下是几种常见解决方案及代码示例&#xff1a; 1. 使用 resultMap 显式映射&#xff08;推荐&#xff09; 场景&#xff1a;字段名与属性名差异较大&…...

阿里发布新一代通义千问 Qwen3模型

近日&#xff0c;阿里巴巴发布了新一代通义千问 Qwen3 模型&#xff0c;一举登顶全球最强开源模型。 这是国内首个“混合推理模型”&#xff0c;将“快思考”与“慢思考”集成进同一个模型&#xff0c;大大节省算力消耗。 旗舰模型 Qwen3-235B-A22B 在代码、数学、通用能力等…...

React pros比较机制

将 count1作为prop传递给Memoson组件 引用类型情况 虽然list值没有发生变化&#xff0c;但是仍旧重新渲染 解决方法使用useMemo()函数&#xff0c;传递一个空依赖项 // 传递数据为引用类型 比较的是引用 // 使用useMemo函数改写、const list useMemo(()>{return [1,2,3]},[…...

Flowable7.x学习笔记(十七)审批我的待办

前言 前文完成了我的待办的查询功能&#xff0c;本文就在此基础上从源码解读到完成审批任务的功能&#xff0c;审批界面我就先不带表单&#xff0c;直接单纯审批通过&#xff0c;这里需要注意的事&#xff0c;审批的表单其实每个节点都可能需要不同的表单内容&#xff0c;后续要…...

HTTP 状态码详解:用途与含义

HTTP 状态码详解&#xff1a;用途与含义 HTTP 状态码详解&#xff1a;用途与含义1. &#xff08;2xx&#xff09;成功类200 OK201 Created204 No Content206 Partial Content 2. &#xff08;3xx&#xff09;重定向类301 Moved Permanently302 Found&#xff08;临时重定向&…...

AI日报 · 2025年05月02日 | 再见GPT-4!OpenAI CEO 确认 GPT-4 已从 ChatGPT 界面正式移除

1、OpenAI CEO 确认 GPT-4 已从 ChatGPT 界面正式移除 在处理 GPT-4o 更新问题的同时&#xff0c;OpenAI CEO Sam Altman 于 5 月 1 日在 X 平台发文&#xff0c;正式确认初代 GPT-4 模型已从 ChatGPT 主用户界面中移除。此举遵循了 OpenAI 此前公布的计划&#xff0c;即在 4 …...

ppt设计美化公司_杰青_长江学者_优青_青年长江学者_万人计划青年拔尖人才答辩ppt模板

WordinPPT / 持续为双一流高校、科研院所、企业等提供PPT制作系统服务。 / 近期PPT美化案例 - 院士增选、科学技术奖、杰青、长江学者特聘教授、校企联聘长江、重点研发、优青、青长、青拔.. 杰青&#xff08;杰出青年科学基金&#xff09; 支持已取得突出成果的45岁以下学…...

文章四《深度学习核心概念与框架入门》

文章4&#xff1a;深度学习核心概念与框架入门——从大脑神经元到手写数字识别的奇幻之旅 引言&#xff1a;给大脑装个"GPU加速器"&#xff1f; 想象一下&#xff0c;你的大脑如果能像智能手机的GPU一样快速处理信息会怎样&#xff1f;这正是深度学习的终极目标&…...

HTML5+JavaScript实现连连看游戏之二

HTML5JavaScript实现连连看游戏之二 以前一篇&#xff0c;见 https://blog.csdn.net/cnds123/article/details/144220548 连连看游戏连接规则&#xff1a; 只能连接相同图案&#xff08;或图标、字符&#xff09;的方块。 连线路径必须是由直线段组成的&#xff0c;最多可以有…...

2025年- H19-Lc127-48.旋转矩阵(矩阵)---java版

1.题目描述 2.思路 画出矩阵&#xff0c;新的旋转矩阵的列坐标等于原始矩阵的矩阵长度-i-1&#xff08;也就是减去当前遍历的i&#xff09;&#xff0c;前后对调。然后新的旋转矩阵的横坐标&#xff0c;是原始矩阵的列坐标。 3.代码实现 public class H48 {public void rota…...

深入理解 MyBatis 代理机制

在 Java 开发领域&#xff0c;MyBatis 是一款优秀的持久层框架&#xff0c;它极大地简化了数据库操作&#xff0c;提高了开发效率。其中&#xff0c;代理机制作为 MyBatis 的核心特性之一&#xff0c;在连接 Java 代码与数据库操作中发挥着关键作用。本文将深入探讨 MyBatis 代…...

游戏引擎学习第254天:重新启用性能分析

运行游戏并尝试让性能分析系统恢复部分功能 我们现在的调试系统这几天基本整理得差不多了&#xff0c;因此我们打算开始清理一些功能&#xff0c;比如目前虽然已经在收集性能分析数据&#xff0c;但我们没有办法查看或有效利用这些信息。今天的计划可能会围绕这方面展开&#…...

性能测试工具篇

文章目录 目录1. JMeter介绍1.1 安装JMeter1.2 打开JMeter1.3 JMeter基础配置1.4 JMeter基本使用流程1.5 JMeter元件作用域和执行顺序 2. 重点组件2.1 线程组2.2 HTTP取样器2.3 查看结果树2.4 HTTP请求默认值2.5 JSON提取器2.6 用户定义的变量2.7 JSON断言2.8 同步定时器&#…...