当前位置：首页 > news >正文

数据分析

news 来源：原创 2025/7/2 4:17:21

应用统计和计算方法,识别数据特征与规律.

1 分析方法

1.1 描述性分析

总结和呈现数据的基本特征;特点是简单直观.

1.1.1 集中趋势分析

①均值:数据总和除以数据个数,反映数据的平均水平;特点是易受极端值影响;用于了解整体平均情况,例如计算班级学生平均成绩.

②中位数:将数据排序后,位于中间位置的值或中间两数平均值;特点是不受极端值干扰;用于数据存在极端值时寻找典型水平;例如统计城市居民收入水平.

③众数:数据中出现次数最多的数值;用于分析类别数据,能反映最常见的情况,例如统计产品畅销型号.

1.1.2 离散程度分析

①极差:最大值与最小值的差值;特点是计算简单,能直观反映数据的波动范围;用于快速了解数据波动情况;例如分析每日股票价格波动.

②方差和标准差:衡量数据离散程度,数值越大则数据越分散;用于判断数据的稳定性,例如评估运动员比赛成绩稳定性.

1.1.3 分布分析

①频率分布:统计不同数值或区间出现的频率;能直观展示数据的分布形态;用于了解数据的分布特征,例如分析学生成绩分布.

②正态分布检验:判断数据是否符合正态分布;用于分析服从正态分布的数据,例如分析某产品质量指标是否呈正态分布,以决定能否使用特定质量控制方法.

1.2 诊断性分析

发现数据中的问题、关系或模式,支持后续决策.

1.2.1 相关性分析

①皮尔逊相关系数:衡量两个数值型变量之间线性相关程度,绝对值越接近1则说明线性相关性越强,0表示无线性相关;用于判断两者关联紧密程度,例如分析身高与体重的关系.

②卡方检验:用于检验两个分类变量之间是否存在显著关联,如研究性别与购买产品类型之间是否有关联.

1.2.2 异常值检测

1.3 规范性分析

提供决策支持和预测未来趋势.

1.3.1 分组分析

分组统计,透视表分析.

1.3.2 对比分析

同环比分析,分类对比分析.

1.3.3 趋势分析

时间序列分析,周期性分析.

1.4 基于业务规则

可用于各分析阶段.

1.4.1 合规性检查

(1) 数据字典匹配

建立数据字典,比对分类型数据与字典中的合法取值,保障数据合法性.在数据预处理时可用于检查数据合法性,在数据分析时可用于验证数据是否符合业务规范.

1.4.2 流程逻辑校验

验证数据流转是否符合业务流程.特点是确保业务正常运转.可在数据预处理阶段检查数据是否符合流程逻辑,在数据分析阶段辅助判断业务流程是否存在问题.

1.4.3 阈值预警

依据业务标准设定阈值触发警报,实时监控异常.在数据预处理、分析、建模等阶段,都可用于及时发现异常情况.

1.4.4 数据关联检查

根据数据间业务逻辑关系,验证不同数据间关联是否合理,保障数据逻辑连贯.在数据预处理时可检查数据关联是否正确,在数据分析时可发现数据间潜在的逻辑问题,在数据建模和挖掘阶段可确保模型输入数据的逻辑合理性.

1.4.5 业务规则匹配

对比数据与预设规则,精准筛查问题,在各阶段都可用于根据业务规则对数据进行审查和分析,如在数据预处理时筛选不符合规则的数据,在数据分析时基于业务规则解读分析结果.

2 分析内容

2.1 数据的整体概述

提供数据集的基本信息,包括数据量、时间跨度、地理范围和主要字段.

import pandas as pd# 创建示例数据
data = {'姓名': ['张三', '李四', '王五', '赵六', '钱七', '孙八', '周九', '吴十'],'年龄': [25, 30, 35, 40, 45, 50, 55, 60],'性别': ['男', '男', '女', '女', '男', '女', '男', '女'],'收入': [5000, 6000, 7500, 8000, 9000, 10000, None, 12000],'工作年限': [2, 3, 5, 7, 10, 12, 15, 18],'部门': ['销售', '销售', '研发', '研发', '市场', '市场', '财务', '财务']
}
df = pd.DataFrame(data)print("原始数据:")
print(df.head(3).to_string())# 1. 筛选年龄大于30且部门为研发的数据
print("\n1. 筛选结果:")
filtered = df[(df['年龄'] > 30) & (df['部门'] == '研发')]
print(filtered.to_string())# 2. 按收入降序排序
print("\n2. 排序结果:")
sorted_data = df.sort_values('收入', ascending=False)
print(sorted_data.to_string())# 3. 计算月收入
print("\n3. 计算新列结果:")
df['月收入'] = df['收入'] / 12
print(df[['姓名', '收入', '月收入']].to_string())# 4. 合并姓名和部门列
print("\n4. 合并列结果:")
df['信息'] = df['姓名'] + ' - ' + df['部门']
print(df[['信息', '姓名', '部门']].to_string())# 5. 转换年龄列为浮点数类型
print("\n5. 数据类型转换结果:")
df['年龄'] = df['年龄'].astype(float)
print(f"年龄列类型: {df['年龄'].dtype}")

2.2 数据的基本统计信息

计算数据的核心统计指标和分布特征,以便理解数据的整体特征.分析方法有集中趋势分析、离散程度分析、分布分析.

2.2.1 集中趋势分析

import pandas as pddata = {'年龄': [25, 30, 30, 40, 45],'工资': [5000, 6000, 7000, 8000, 9000]
}
df = pd.DataFrame(data)# 通用描述性统计
summary = df.describe()
print("通用描述性统计:\n", summary)
# 统计单列的描述性信息
print("Age statistics:\n", df['年龄'].describe())# 特定统计量计算
sum_age = df['年龄'].sum()
print("\n年龄总和:", sum_age)count_age = df['年龄'].count()
print("年龄计数:", count_age)min_age = df['年龄'].min()
print("年龄最小值:", min_age)max_age = df['年龄'].max()
print("年龄最大值:", max_age)average_age = df['年龄'].mean()
print("平均年龄:", average_age)median_salary = df['工资'].median()
print("工资中位数:", median_salary)mode_age = df['年龄'].mode()
print("年龄众数:\n", mode_age)std_salary = df['工资'].std()
print("工资标准差:", std_salary)var_salary = df['工资'].var()
print("工资方差:", var_salary)q25_salary = df['工资'].quantile(0.25)
print("工资列的25%分位数:", q25_salary)

(2) 分布分析

import pandas as pd# 创建示例数据
data = {'姓名': ['张三', '李四', '王五', '赵六', '钱七', '孙八', '周九', '吴十'],'年龄': [25, 30, 35, 40, 45, 50, 55, 60],'性别': ['男', '男', '女', '女', '男', '女', '男', '女'],'收入': [5000, 6000, 7500, 8000, 9000, 10000, None, 12000],'工作年限': [2, 3, 5, 7, 10, 12, 15, 18],'部门': ['销售', '销售', '研发', '研发', '市场', '市场', '财务', '财务']
}
df = pd.DataFrame(data)# 统计每个部门的频数（返回Series）
department_counts = df['部门'].value_counts(dropna=False)# 输出结果（按频数降序排列）
print(department_counts)

2.3 数据的分组与汇总

根据时间或业务维度对数据进行分组,并计算汇总指标,以揭示不同维度的表现分析方法有分组分析、汇总统计.

import pandas as pd# 使用你最初的数据源
data = {'姓名': ['张三', '李四', '王五', '赵六', '钱七', '孙八', '周九', '吴十'],'年龄': [25, 30, 35, 40, 45, 50, 55, 60],'性别': ['男', '男', '女', '女', '男', '女', '男', '女'],'收入': [5000, 6000, 7500, 8000, 9000, 10000, None, 12000],'工作年限': [2, 3, 5, 7, 10, 12, 15, 18],'部门': ['销售', '销售', '研发', '研发', '市场', '市场', '财务', '财务']
}
df = pd.DataFrame(data)# 输出原始数据
print("=== 原始数据 ===")
print(df.to_string())# 1. 按性别分组统计人数和平均年龄（使用agg）
print("\n=== 按性别分组的统计信息 ===")
gender_stats = df.groupby('性别').agg(人数=('姓名', 'count'),平均年龄=('年龄', 'mean'),平均收入=('收入', 'mean')
).reset_index()
print(gender_stats)# 2. 按收入区间分组（自定义分组，使用agg）
print("\n=== 按收入区间分组的统计 ===")
def income_category(x):if x < 6000:return '低收入'elif x < 9000:return '中等收入'else:return '高收入'df['收入等级'] = df['收入'].apply(income_category)
income_stats = df.groupby('收入等级').agg(人数=('姓名', 'count')
).reset_index()
print(income_stats)

2.4 数据的趋势与变化

分析数据随时间的变化趋势和周期性波动,以识别增长、下降或稳定的模式.分析方法有时间序列分析、周期性分析.

2.5 数据的对比与差异

通过同比、环比和分类对比分析,识别不同时间段或类别之间的差异.分析方法有同环比分析,分类对比分析.

2.5.1 同环比分析

import pandas as pd# 使用简单的示例数据
data = {'日期': ['2023-01-01', '2023-02-01', '2023-03-01', '2023-04-01', '2022-01-01', '2022-02-01', '2022-03-01', '2022-04-01'],'产品': ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B'],'销售额': [12000, 15000, 8000, 9500, 10000, 14000, 7000, 9000],'利润': [2000, 3000, 1500, 2000, 1800, 2500, 1200, 1800]
}
df = pd.DataFrame(data)# 将日期列转换为datetime类型
df['日期'] = pd.to_datetime(df['日期'])# 打印原始数据
print("\n=== 原始数据 ===")
print(df.to_string())# 按月聚合销售额
monthly_data = df.groupby(df['日期'].dt.to_period('M'))['销售额'].sum().reset_index()
monthly_data.columns = ['月份', '销售额']# 1. 同比分析 (YoY - Year over Year)
year_month_sales = monthly_data.copy()
year_month_sales['年月'] = year_month_sales['月份'].astype(str)  # 转为字符串格式
year_month_sales['月份'] = year_month_sales['月份'].dt.month  # 提取月份数字# 计算同比增长率及同期数
year_month_sales['同期销售额'] = year_month_sales.groupby('月份')['销售额'].shift(1)
year_month_sales['同比增长率(%)'] = year_month_sales.groupby('月份')['销售额'].pct_change(1) * 100print("\n=== 同比分析 ===")
print(year_month_sales[['年月', '销售额', '同期销售额', '同比增长率(%)']].to_string(index=False))# 2. 环比分析 (MoM - Month over Month)
# 计算环比增长率及环期数
monthly_data['环期销售额'] = monthly_data['销售额'].shift(1)
monthly_data['环比增长率(%)'] = monthly_data['销售额'].pct_change() * 100print("\n=== 环比分析 ===")
print(monthly_data.to_string(index=False))

2.5.2 分类对比分析

import pandas as pd# 使用简单的示例数据
data = {'日期': ['2023-01-01', '2023-02-01', '2023-03-01', '2023-04-01', '2022-01-01', '2022-02-01', '2022-03-01', '2022-04-01'],'产品': ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B'],'销售额': [12000, 15000, 8000, 9500, 10000, 14000, 7000, 9000],'利润': [2000, 3000, 1500, 2000, 1800, 2500, 1200, 1800]
}
df = pd.DataFrame(data)# 按产品分类对比
product_comparison = df.groupby('产品').agg(销售额总和=('销售额', 'sum'),销售额均值=('销售额', 'mean'),利润总和=('利润', 'sum'),利润均值=('利润', 'mean')
).reset_index()  # 恢复产品列为普通列# 计算销售额占比
total_sales = df['销售额'].sum()
product_comparison['销售额占比(%)'] = (product_comparison['销售额总和'] / total_sales) * 100# 计算利润率
product_comparison['利润率(%)'] = (product_comparison['利润总和'] / product_comparison['销售额总和']) * 100print("\n=== 产品分类对比（方法一）===")
print(product_comparison.to_string(index=False))

2.6 异常值与关键点

识别数据中的异常值和关键点,以便关注显著变化或重要数据点.

数据分析

应用统计和计算方法,识别数据特征与规律. 1 分析方法 1.1 描述性分析总结和呈现数据的基本特征;特点是简单直观. 1.1.1 集中趋势分析 ①均值:数据总和除以数据个数,反映数据的平均水平;特点是易受极端值影响;用于了解整体平均情况,例如计算班级学生平均成绩. ②中位数:将数…...

编程日记 2025/7/2 4:17:21

纯css实现蜂窝效果

<!DOCTYPE html><html lang"en"><head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.0"><title>蜂窝效果</title><style>body {margin: 0…...

编程日记 2025/7/2 2:40:38

用PyTorch在超大规模下训练深度学习模型：并行策略全解析

我猜咱们每个人肯定都累坏了，天天追着 LLM 研究社区跑，感觉每天都冒出个新的最牛模型，把之前的基准都给打破了呢。要是你好奇为啥创新速度能这么快，那主要就是研究人员能够在超大规模下训练和验证模型啦，这全靠并行计算…...

编程日记 2025/7/2 2:04:10

linux-进程信号捕捉

1. 信号捕捉流程操作系统会在合适的时候处理信号，那这个合适的时候是什么时候呢？进程从内核态返回到用户态的时候。假如用户程序注册了 SIGQUIT 信号的处理函数 sighandler。当程序正在执行 main 函数时，如果发生中断、异常或系统调用&…...

编程日记 2025/7/2 1:59:08

【免杀】C2免杀技术（三）shellcode加密

前言 shellcode加密是shellcode混淆的一种手段。shellcode混淆手段有多种：加密（编码）、偏移量混淆、UUID混淆、IPv4混淆、MAC混淆等。随着杀毒软件的不断进化，其检测方式早已超越传统的静态特征分析。现代杀软往往会在受控的虚…...

编程日记 2025/7/2 2:17:56

人工智能驱动的临床路径体系化解决方案与实施路径

引言临床路径管理作为现代医疗质量管理的重要工具，其核心在于通过标准化诊疗流程来提升医疗服务的规范性、一致性和效率。然而，传统临床路径管理面临路径设计僵化、执行依从性低、变异管理滞后等诸多挑战，亟需借助人工智能技术实现转型升级。本研究旨在探讨如何通过构建系…...

编程日记 2025/7/2 3:13:45

旋变信号数据转换卡旋变解码模块汽车永磁同步电机维修工具

旋变信号数据转换卡，是一款专门针对与永磁同步电机的旋变编码器和 BRX 型旋转变压器编码器进行旋变信号解码转换串行总线协议的专用转换卡。此款转换卡结合了专用的旋变信号解码芯片解码逻辑处理，解码信号分辨率高、线性度高、响应速度快。板卡采用工业级…...

编程日记 2025/7/2 2:00:35

RPM 包制作备查 SRPM 包编译

🌈 个人主页：Zfox_ 目录 🔥 前言一：🔥 准备二：🔥 制作 rpm 1.设置目录结构（制作车间）2. 源码放置到规划好的目录当中3. 创建一个spec文件，指挥如何使用这些…...

编程日记 2025/7/2 2:59:41

[学习] RTKLib详解：rtcm2.c、rtcm3.c、rtcm3e与rtcmn.c

RTKLib详解：rtcm2.c、rtcm3.c、rtcm3e与rtcmn.c 本文是 RTKLlib详解系列文章的一篇，目前该系列文章还在持续总结写作中，以发表的如下，有兴趣的可以翻阅。 [学习] RTKlib详解：功能、工具与源码结构解析 [学习]RTKLib详…...

编程日记 2025/7/2 2:54:21

MCU ESP32-S3+SD NAND（贴片式T卡）：智能皮电手环（GSR智能手环）性能与存储的深度评测

在智能皮电手环与数据存储领域，主控MCU ESP32-S3FH4R2 与存储SD NAND MKDV2GIL-AST 的搭档堪称行业新典范。二者深度融合低功耗、高速读写、SMART 卓越稳定性等核心优势，以高容量、低成本的突出特性，为大规模生产场景带来理想的数据存储方案…...

编程日记 2025/7/2 2:46:37

股指期货套期保值怎么操作？

股指期货套期保值就是企业或投资者通过持有与其现货市场头寸相反的期货合约，来对冲价格风险的一种方式。换句话说，就是你在股票市场上买了股票（现货），担心股价下跌会亏钱，于是就在期货市场上卖出相应的股指…...

编程日记 2025/7/2 1:45:23

Pytorch的Dataloader使用详解

PyTorch 的 DataLoader 是数据加载的核心组件，它能高效地批量加载数据并进行预处理。 Pytorch DataLoader基础概念 DataLoader基础概念 DataLoader是PyTorch基础概念 DataLoader是PyTorch中用于加载数据的工具，它可以：批量加载数据&#xf…...

编程日记 2025/7/2 3:16:35

Ros2 - Moveit2 - DeepGrasp(深度抓握)

本教程演示了如何在 MoveIt 任务构造器中使用抓握姿势检测 (GPD)和 Dex-Net 。 GPD（左）和 Dex-Net（右）用于生成拾取圆柱体的抓取姿势。 https://moveit.picknik.ai/main/_images/mtc_gpd_panda.gif 入门如果您还没有这样做&am…...

编程日记 2025/7/2 2:42:46

【DRAM存储器五十一】LPDDR5介绍--CK、WCK、RDQS单端模式、Thermal Offset、Temperature Sensor

👉个人主页：highman110 👉作者简介：一名硬件工程师，持续学习，不断记录，保持思考，输出干货内容参考资料：《某LPDDR5数据手册》、《JESD209-5C》目录 CK、WCK、RDQS单端模式 Thermal Offset Temperature Sensor...

编程日记 2025/7/2 2:58:22

【springcloud学习(dalston.sr1)】Eureka 客户端服务注册（含源代码）（四）

d该系列项目整体介绍及源代码请参照前面写的一篇文章【springcloud学习(dalston.sr1)】项目整体介绍（含源代码）（一） 这篇文章主要介绍Eureka客户端服务注册到eureka的server端。上篇文章【springcloud学习(dalston.sr1)】Eurek…...

编程日记 2025/7/2 3:52:42

数据结构栈和队列

文章目录 📕1.栈(Stack)✏️1.1 栈的基本操作✏️1.2 栈的模拟实现🔖1.2.1 构造方法🔖1.2.2 扩容方法🔖1.2.3 判断栈是否为空或是否满🔖1.2.4 存储元素🔖1.2.5 删除元素🔖1.2. 6 获取栈顶元素 ✏…...

编程日记 2025/7/2 2:29:45

[数据结构]5. 栈-Stack

栈-Stack 1. 介绍2. 栈的实现2.1 基于链表的实现2.2 基于数组的实现 3. 栈操作CreateInitilizateDestoryPushPopTopEmptySize 1. 介绍栈（stack） 是一种遵循先入后出逻辑的线性数据结构。顶部称为“栈顶”，底部称为“栈底”。把元素添加到栈…...

编程日记 2025/7/2 2:19:32

Git的安装和配置（idea中配置Git）

一、Git的下载和安装前提条件：IntelliJ IDEA 版本是2023.3 ，那么配置 Git 时推荐使用 Git 2.40.x 或更高版本下载地址：CNPM Binaries Mirror 操作：打开链接 → 滚动到页面底部 → 选择2.40.x或更高版本的 .exe 文件&#xf…...

编程日记 2025/7/2 1:56:37

QT-1.信号与槽

一、信号与槽机制概述四、信号与槽的连接六、自定义信号与槽思考定义与作用 ：信号与槽是Qt中的核心通信机制，用于实现对象间的数据交互和事件处理。当特定事件发生时，对象会发出信号，而与之相连的槽函数会被自动调用。特点 …...

编程日记 2025/7/2 2:43:26

常用的应用层网络协议对比

概述协议通信模式加密支持传输层主要特点典型应用场景WSS全双工是（TLS/SSL）TCP安全的实时双向通信实时聊天、在线游戏WebSocket (WS)全双工否TCP持久连接、低延迟协同编辑、实时通知HTTPS请求-响应是（TLS/SSL）TCP安全性强、兼容…...

编程日记 2025/7/2 1:57:28

数据结构与算法：状压dp

前言状压dp在整个动态规划专题里特别重要，用位信息表示元素的思想更是重中之重。一、状态压缩 1.内容对于一些带路径的递归，通常来讲没法改记忆化搜索和严格位置依赖的动态规划。但如果这个路径的数据量在一定范围内，就可以考虑使用一个整数status的位信息0和1来存路…...

编程日记 2025/7/2 3:53:25

Spring Cloud Gateway 聚合 Swagger 文档：一站式API管理解决方案

前言在微服务架构中，随着服务数量的增加，API文档管理变得越来越复杂。每个微服务都有自己的Swagger文档，开发人员需要记住每个服务的文档地址，这无疑增加了开发难度。本文将介绍如何使用Spring Cloud Gateway聚合所有微服务的Sw…...

编程日记 2025/6/28 23:25:07

Android 适配之——targetSdkVersion 30升级到31-34需要注意些什么？

在Android 16即将到来的之际。也就是targetSdkVersion即将出现36，而30已然会成为历史。那么我的项目已经停留在30很久了。是时候要适配一下适用市场的主流机型了。正常来查找资料的，无非就是已经升级和准备升级targetSdkVersion开发版本。所以你是哪一种…...

编程日记 2025/7/2 4:04:21

网络运维过程中的常用命令

一、通用网络命令 ping 作用：测试与目标 IP 或域名的连通性。示例： ping www.baidu.com # 持续发送ICMP包 ping -c 4 8.8.8.8 # 发送4个包后停止 traceroute/tracert 功能：追踪数据包经过的路由节点。示例： traceroute…...

编程日记 2025/7/2 1:37:46

[Java实战]Spring Boot 3整合JWT实现无状态身份认证（二十四）

[Java实战]Spring Boot 3整合JWT实现无状态身份认证（二十四） 一、JWT简介与核心概念 1. JWT是什么？ JSON Web Token (JWT) 是一种开放标准（RFC 7519），用于在各方之间安全地传输信息。JWT由三部分组成&am…...

编程日记 2025/7/2 2:18:47

【Java-EE进阶】SpringBoot针对某个IP限流问题

目录简介 1. 使用Guava的RateLimiter实现限流添加Guava依赖实现RateLimiter限流逻辑限流管理类控制器中应用限流逻辑 2. 使用计数器实现限流限流管理类控制器中应用限流逻辑简介针对某个IP进行限流以防止恶意点击是一种常见的反爬虫和防止DoS的措施。限流策…...

编程日记 2025/7/2 3:31:30

软考冲刺——案例分析题 MUX VLAN

上一篇文章介绍了VLAN高级应用的Super VLAN，本次介绍MUX VLAN内容，MUX VLAN在2024.11月考察过选择题，案例题中有可能出现。考点一：MUX VLAN原理及实现方式；通过简答题出现。考点二：配置命令填空。一&…...

编程日记 2025/7/2 1:34:47

Git 用户名与邮箱配置全解析：精准配置——基于场景的参数选择

目录一、配置查看：理解多层级配置体系二、精准配置：基于场景的参数选择1. 仓库级配置（推荐）2. 用户级配置3. 系统级配置三、历史提交信息修改1. 修改最近一次提交2. 修改多个历史提交（危险操作） 五、配置…...

编程日记 2025/7/2 2:27:37

OpenHarmony平台驱动开发（十七），UART

OpenHarmony平台驱动开发（十七） UART 概述功能简介 UART指异步收发传输器（Universal Asynchronous Receiver/Transmitter），是通用串行数据总线，用于异步通信。该总线双向通信，可以实现全双工…...

编程日记 2025/7/2 2:28:55

仿生眼机器人(人脸跟踪版)系列之一

文章不介绍具体参数，有需求可去网上搜索。特别声明：不论年龄，不看学历。既然你对这个领域的东西感兴趣，就应该不断培养自己提出问题、思考问题、探索答案的能力。提出问题：提出问题时，应说明是哪款产品&a…...

编程日记 2025/7/2 2:49:01

Redis的Pipeline和Lua脚本适用场景是什么？使用时需要注意什么？

Redis Pipeline 和 Lua 脚本详解一、Pipeline（管道） 定义一种批量执行命令的机制，客户端将多个命令一次性发送给服务器，减少网络往返时间（RTT） 适用场景 ✅ 批量数据操作（如万级 key 的写入…...

编程日记 2025/7/2 1:42:53

【Pycharm】pycharm修改注释文字的颜色

一、默认颜色-灰色这个默认的灰色视觉效果太弱，不便于学习时使用二、修改颜色打开Settings 也可以从右上角设置那里打开还可以快捷键Ctrl＋Alt＋S打开找到这个页面把这个√取消掉然后就能自定义颜色啦...

编程日记 2025/7/2 2:48:58

webgl2着色语言

一、数据类型标量：布尔型、整型、浮点型向量：基本类型：bool、int、float 数量 ： 2，3，4 矩阵： 移位、旋转、缩放等变换采样器： 执行纹理采样的相关操作结构体： 为开…...

编程日记 2025/7/2 2:39:57

Nginx+Lua 实战避坑：从模块加载失败到版本冲突的深度剖析

Nginx 集成 Lua (通常通过 ngx_http_lua_module 或 OpenResty) 为我们提供了在 Web 服务器层面实现动态逻辑的强大能力。然而，在享受其高性能和灵活性的同时，配置和使用过程中也常常会遇到各种令人头疼的问题。本文将结合实际案例，深入分析在 Nginx+Lua 环境中常见的技术问题…...

编程日记 2025/7/2 2:38:06

什么是alpaca 或 sharegpt 格式的数据集？

环境： LLaMA-Factory 问题描述： alpaca 或 sharegpt 格式的数据集？ 解决方案： “Alpaca”和“ShareGPT”格式的数据集，是近年来在开源大语言模型微调和对话数据构建领域比较流行的两种格式。它们主要用于训练和微调…...

编程日记 2025/7/2 3:14:25

C++效率掌握之STL库：map set底层剖析及迭代器万字详解

文章目录 1.map、set的基本结构2.map、set模拟实现2.1 初步定义2.2 仿函数实现2.3 Find功能实现2.4 迭代器初步功能实现2.4.1 运算符重载2.4.2 --运算符重载2.4.3 *运算符重载2.4.4 ->运算符重载2.4.5 !运算符重载2.4.6 begin()2.4.7 end() 2.5 迭代器进阶功能实现2.5.1 set…...

编程日记 2025/7/2 3:09:27

使用 Docker Desktop 安装 Neo4j 知识图谱

一、简介 Neo4j是一个高性能的，基于java开发的，NOSQL图形数据库，它将结构化数据存储在网络上而不是表中；它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎。 Neo4j分为企业版和社区版，企业版可以创…...

编程日记 2025/7/2 2:38:57

从构想到交付：专业级软开发流程详解

目录一、软件开发生命周期（SDLC）标准化流程 1. 需求工程阶段（Requirement Engineering） 2. 系统设计阶段（System Design） 3. 开发阶段（Implementation） 4. 测试阶段&a…...

编程日记 2025/7/2 3:02:44

时源芯微｜ KY键盘接口静电浪涌防护方案

KY键盘接口静电浪涌防护方案通过集成ESD保护元件、电阻和连接键，形成了一道有效的防护屏障。当键盘接口受到静电放电或其他浪涌冲击时，该方案能够迅速将过电压和过电流引导至地，从而保护后续电路免受损害。 ESD保护元件是方案中的核心部分&a…...

编程日记 2025/7/2 2:26:48

数据库故障排查指南：从理论到实践的深度解析

数据库作为现代信息系统的核心组件，承载着数据存储、查询和事务处理等关键任务。然而，数据库系统在运行过程中可能遭遇各种故障，从硬件故障到软件配置问题，从性能瓶颈到安全漏洞，这些问题都可能影响业务的连续性和数据…...

编程日记 2025/7/2 2:00:33

电脑开机提示按f1原因分析及解决方法(6种解决方法)

经常有网友问到一个问题，我电脑开机后提示按f1怎么解决？不管理是台式电脑，还是笔记本，都有可能会遇到开机需要按F1，才能进入系统的问题，引起这个问题的原因比较多，今天小编在这里给大家列举了比较常见的几种电脑开机提示按f1的解决方法。电脑开机提示按f1原因分析及解决…...

编程日记 2025/7/2 2:41:22

常用的Java工具库

1. Collections 首先是 java.util 包下的 Collections 类。这个类主要用于操作集合，我个人非常喜欢使用它。以下是一些常用功能： 1.1 排序在工作中，经常需要对集合进行排序。让我们看看如何使用 Collections 工具实现升序和降序排列&…...

编程日记 2025/7/2 1:35:40

NC65开发环境（eclipse启动）在企业报表中的报表数据中心里计算某张报表时，一直计算不出数据的解决办法。

NC65开发环境（eclipse启动）在企业报表中的报表数据中心里计算某张报表时，一直计算不出数据的解决办法。如下图，在报表数据中心，针对现金内部往来明细表计算5月的数据，然后报表下面一张显示计算&#xff0c…...

编程日记 2025/7/2 1:36:19

React 第三十九节 React Router 中的 unstable_usePrompt Hook的详细用法及案例

React Router 中的 unstable_usePrompt 是一个用于在用户尝试离开当前页面时触发确认提示的自定义钩子，常用于防止用户误操作导致数据丢失（例如未保存的表单）。一、unstable_usePrompt用途防止意外离开页面：当用户在当前页面有…...

编程日记 2025/7/2 1:36:20

《P4391 [BalticOI 2009] Radio Transmission 无线传输题解》

题目描述给你一个字符串 s1，它是由某个字符串 s2 不断自我连接形成的（保证至少重复 2 次）。但是字符串 s2 是不确定的，现在只想知道它的最短长度是多少。输入格式第一行一个整数 L，表示给出字符串的长度。…...

编程日记 2025/7/2 1:42:54

使用ECS搭建云上博客wordpress（ALMP）

一、需求分析与技术选型 1. 架构组成及含义本文使用ECS云服务器，采用ALMP架构搭建wordpress。组件具体的含义如下表： 组件作用WordPress中的功能体现Linux操作系统基础，提供稳定运行环境支持PHP运行和服务器管理ApacheWeb服务器&#xff…...

编程日记 2025/7/2 1:34:49

Scratch游戏 | 企鹅大乱斗

有没有过无聊到抓狂的时刻？试试这款企鹅大乱斗吧！超简单的玩法，让你瞬间告别无聊！ 🎮 玩法超简单等待屏幕出现 ”Go!” 疯狂点击，疯狂拍打企鹅！ 💥 游戏特色解压神器&#x…...

编程日记 2025/6/28 22:57:21

深入理解SpringBoot中的SpringCache缓存技术

深入理解SpringBoot中的SpringCache缓存技术引言在现代应用开发中，缓存技术是提升系统性能的重要手段之一。SpringBoot提供了SpringCache作为缓存抽象层，简化了缓存的使用和管理。本文将深入探讨SpringCache的核心技术点及其在实际业务中的应用场景。…...

编程日记 2025/6/28 23:37:37

URP相机如何将场景渲染定帧模糊绘制

1）URP相机如何将场景渲染定帧模糊绘制 2）为什么Virtual Machine会随着游戏时间变大 3）出海项目，打包时需要勾选ARMv7吗 4）Unity是手动还是自动调用GC.Collect 这是第431篇UWA技术知识分享的推送，精选了UWA社…...

编程日记 2025/6/28 22:57:13

嵌入式中深入理解C语言中的指针：类型、区别及应用

在嵌入式开发中，C语言是一种基础且极为重要的编程语言，其中指针作为一个非常强大且灵活的工具，广泛应用于内存管理、动态数据结构的实现以及函数参数的传递等方面。然而，尽管指针的使用极为常见，很多开发者在掌握其基本使用后，往往对指针的深入理解还不够。本文将深入分析…...

编程日记 2025/6/28 23:09:39