当前位置：首页 > news >正文

数据分析_Python

news 来源：原创 2025/6/11 9:45:52

1 分析内容

1.1 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}")

1.2 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.

(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)

1.3 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)

1.4 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.

import pandas as pddata = {'date': ['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04', '2023-01-05'],'sales': [1000, 1200, 900, 1500, 1300]
}
df = pd.DataFrame(data)# 确保日期字段是日期时间格式
df['date'] = pd.to_datetime(df['date'])
# 按日期排序（确保时间序列的顺序正确）
df = df.sort_values('date')
# 设置日期为索引（方便时间序列分析）
df.set_index('date', inplace=True)# 输出处理后的数据
print("处理后的时间序列数据:\n",df)

1.5 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.

1.5.1 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))

1.5.2 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))

1.6 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_Python

1 分析内容 1.1 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,…...

编程日记 2025/6/2 17:09:33

精益数据分析（63/126）：移情阶段的深度潜入——从用户生活到产品渗透的全链路解析

精益数据分析（63/126）：移情阶段的深度潜入——从用户生活到产品渗透的全链路解析在创业的移情阶段，成功的关键不仅在于发现用户的表面需求，更在于深入潜入用户的日常生活，理解其行为背后的真实动机与场景…...

编程日记 2025/5/29 7:50:54

【MySQL】第五弹——表的CRUD进阶(三)聚合查询(上)

文章目录 🌅聚合函数🌊1.COUNT();统计所有行🌊2. SUM(列名); 求和🌊3. AVG() 求平均🌊4. MAX(),MIIN() 🌅分组查询🌊GROUP BY 子句🌊HAVING 🌅联合查询🌊联合…...

编程日记 2025/5/18 6:40:22

英语学习5.16

recede 【动词】 👉 关键词：后退、减弱、退去 ✅ 释义： 后退，远离指物体逐渐远离、移开或变得不明显，常用于描述水面、声音、军队、头发线等的“退却”或“后移”。如：The floodwaters receded.&#x…...

编程日记 2025/5/18 6:40:21

创建react工程并集成tailwindcss

1. 创建工程 npm create vite admin --template react 2.集成tailwndcss 打开官网跟着操作一下就行。 Installing Tailwind CSS with Vite - Tailwind CSS...

编程日记 2025/5/18 6:39:19

2025 年九江市第二十三届中职学校技能大赛（网络安全）赛项竞赛样题

2025 年九江市第二十三届中职学校技能大赛 （网络安全）赛项竞赛样题 （二）A 模块基础设施设置/安全加固（200 分）A-1 任务一登录安全加固（Windows,Linux）A-2 任务二 Nginx 安全策略&…...

编程日记 2025/5/18 6:39:19

STM32IIC实战-OLED模板

STM32IIC实战-OLED模板一，SSD1306 控制芯片1， 主要特性2，I2C 通信协议3， 显示原理4， 控制流程5， 开发思路二，HAL I2C API 解析I2C 相关 API1，2，3，4&#xf…...

编程日记 2025/5/18 6:39:18

Diversifying the High-level Features for better Adversarial Transferability 摘要-Abstract引言-Introduction相关工作-Related Work方法-Methodology实验-Experiments结论-Conclusion 论文链接 GitHub链接本文 “Diversifying the High-level Features for better Adve…...

编程日记 2025/5/18 6:38:17

C++ deque双端队列、deque对象创建、deque赋值操作

在deque中，front()是头部元素，back()指的是尾部元素。begin()是指向头部的迭代器，end()是指向尾部的下一个元素的迭代器。 push_front 头部进行插入 pop_front 尾部进行删除 push_back 尾部进行插入 pop_back 尾部进行删除 deque如果同时…...

编程日记 2025/5/23 18:56:11

【论文阅读】人脸修复(face restoration ) 不同先验代表算法整理2

文章目录一、前述二、不同的先验及代表性论文2.1 几何先验（Geometric Prior）2.2 生成式先验（Generative Prior）2.3 codebook先验（Vector Quantized Codebook Prior）2.4 扩散先验 （Diffusion Pr…...

编程日记 2025/5/18 6:38:16

2025年渗透测试面试题总结-百度面经（题目+回答）

网络安全领域各种资源，学习文档，以及工具分享、前沿信息分享、POC、EXP分享。不定期分享各种好玩的项目及好用的工具，欢迎关注。目录百度面经百度安全工程师面试深度复盘与优化指南一、项目经验反思与优化策略二、技术问题深度解析 …...

编程日记 2025/5/18 6:37:14

muduo库TcpConnection模块详解——C++

muduo库中的TcpConnection模块详解 TcpConnection是muduo库中处理TCP连接的核心模块，负责管理单个TCP连接的生命周期、数据读写、状态转换以及事件回调。每个TCP连接对应一个TcpConnection对象，其设计体现了高性能、线程安全和灵活回调的特点。一、核心…...

编程日记 2025/5/18 6:37:14

aksharetools：大模型智能体框架agno可直接获取A股金融数据

原创内容第889篇，专注智能量化投资、个人成长与财富自由。今天说说金融智能体开发。智能体开发需要一个多agent框架。这样的框架，现在太多了，langchain, langgraph，autogen，crewai等等，还有各种低代码平…...

编程日记 2025/5/18 6:37:13

使用Maven部署WebLogic应用

使用Maven部署WebLogic应用在Maven项目中部署应用到WebLogic服务器可以通过以下几种方式实现： 1. 使用WebLogic Maven插件 (官方推荐) Oracle提供了官方的WebLogic Maven插件，这是最直接的部署方式。基本配置 <build><plugins><pl…...

编程日记 2025/5/18 6:36:11

[Java][Leetcode simple] 13. 罗马数字转整数

一、自己想的只有提到的六种情况是-，其他都是 public int romanToInt1(String s) {int res 0;int n s.length();Map<Character, Integer> map new HashMap<>();map.put(I, 1);map.put(V, 5);map.put(X, 10);map.put(L, 50);map.put(C, 100);map.pu…...

编程日记 2025/5/18 6:35:10

【论文阅读】针对BEV感知的攻击

Understanding the Robustness of 3D Object Detection with Bird’s-Eye-View Representations in Autonomous Driving 这篇文章是发表在CVPR上的一篇文章，针对基于BEV的目标检测算法进行了两类可靠性分析，即恶劣自然条件以及敌对攻击。同时也提出了一…...

编程日记 2025/5/18 6:35:09

Ansible模块——设置软件仓库和安装软件包

设置软件仓库 ansible.builtin.rpm_key ansible.builtin.rpm_key 用于在 Fedora/RHEL 上导入或移除 GPG 公钥。参数名类型默认值说明 fingerprintstrnull 指定公钥的完整指纹（long-form）。在导入前会比对公钥是否匹配此指纹，增强安全…...

编程日记 2025/5/18 6:35:09

基于CentOS7制作OpenSSL 1.1的RPM包

背景：CentOS7 已经不再维护了，有时候需要升级某些组件，网上却没有相关的资源了。尤其是制作OpenSSH 9.6 的RPM包，就会要求OpenSSL为1.1的版本。基于此，还是自己制作吧，以下是踩坑过程。 1、官网提供的源码包…...

编程日记 2025/5/29 12:49:20

【Element UI】表单及其验证规则详细

Form表单 Form表单验证1. 使用方法2. rule参数3. validator回调函数异步服务器验证 Form表单验证 Form组件提供了表单验证的功能，需要通过rules属性传入约定的验证规则，并将Form-Item的prop属性设置为需校验的字段名 1. 使用方法结构： &…...

编程日记 2025/5/18 6:34:06

使用 Python 打造一个强大的文件系统结构创建器

本文将深入分析一个基于 wxPython 的文件系统结构创建器程序，展示如何通过 CustomTreeCtrl 组件实现文件夹和文件的可视化管理，并提供添加、删除、导入、清空以及创建文件系统结构的强大功能。这个程序不仅适合开发者快速构建文件系统原型，还…...

编程日记 2025/5/18 6:33:04

面试真题 - 高并发场景下Nginx如何优化

Nginx是一款高性能的Web服务器和反向代理服务器，以其轻量级、高并发处理能力和稳定性闻名。在面对高并发场景时，合理的配置与优化策略至关重要，以确保服务的稳定性和响应速度。以下是针对Nginx进行高并发优化的一些关键配置和策略&#xff…...

编程日记 2025/5/18 6:33:03

学习笔记：黑马程序员JavaWeb开发教程(2025.4.6)

12.4 登录校验-JWT令牌-介绍 JWT（JSON Web Token） 简洁是指JWT是一个简单字符串，自包含指的是JWT令牌，看似是一个随机字符串，但是可以根据需要，自定义存储内容 Header是JSON数据格式，原始JSO…...

编程日记 2025/5/18 6:33:02

机器学习——逻辑回归

一、逻辑回归概念点逻辑回归（Logistic Regression）是一种广泛使用的统计分析方法和机器学习算法，主要用于处理二分类问题（即因变量为二元类别，如0和1、是和否等）。尽管名字中有“回归”二字，但…...

编程日记 2025/5/18 6:32:00

服务间的“握手”：OpenFeign声明式调用与客户端负载均衡

现在，假设我们有一个新的order-service，它在创建订单时需要获取用户信息。如果order-service直接硬编码user-service的IP和端口进行调用，会面临以下问题： 缺乏弹性: 如果user-service实例的IP或端口发生变化（在云环境…...

编程日记 2025/5/18 6:31:59

蓝桥杯11届国B 答疑

题目描述有 n 位同学同时找老师答疑。每位同学都预先估计了自己答疑的时间。老师可以安排答疑的顺序，同学们要依次进入老师办公室答疑。一位同学答疑的过程如下： 首先进入办公室，编号为 i 的同学需要 si 毫秒的时间。然后同学问问题老…...

编程日记 2025/5/18 6:31:58

【单机版OCR】清华TH-OCR v9.0免费版

今天向大家介绍一款非常好用的单机版OCR图文识别软件，它不仅功能多，识别能力强，而且还是免费使用的。OCR软件为什么要使用单机版，懂得都懂，因为如果使用在线识别的OCR软件，用户需要将文档上传互联网服务器的…...

编程日记 2025/6/1 21:51:26

蓝牙耳机什么牌子好？倍思值得冲不？

最近总被问“蓝牙耳机什么牌子好”，作为踩过无数坑的资深耳机党，必须安利刚入手的倍思M2s Pro主动降噪蓝牙耳机！降噪、音质、颜值全都在线，性价比直接拉满。 -52dB降噪，通勤摸鱼神器第一次开降噪就被惊到&#xff01…...

编程日记 2025/5/18 6:30:57

Java卡与SSE技术融合实现企业级安全实时通讯

简介在数字化转型浪潮中，安全与实时数据传输已成为金融、物联网等高安全性领域的核心需求。本文将深入剖析东信和平的Java卡权限分级控制技术与浪潮云基于SSE的大模型数据推送技术，探索如何将这两项创新技术进行融合，构建企业级安全实时通讯系统。通过从零到一的开发步骤，…...

编程日记 2025/5/18 6:30:54

使用Spring Boot和Spring Security构建安全的RESTful API

使用Spring Boot和Spring Security构建安全的RESTful API 引言在现代Web开发中，安全性是构建应用程序时不可忽视的重要方面。本文将介绍如何使用Spring Boot和Spring Security框架构建一个安全的RESTful API，并结合JWT（JSON Web Token&…...

编程日记 2025/5/22 21:08:42

Win11下轻松搭建wiki.js，Docker.desktop部署指南（mysql+elasticsearch+kibana+wiki.js）

Docker.desktop部署wiki.js指南前言环境和要求介绍提前准备 1. elasticsearch1.1 部署容器1.2 参数说明1.3 验证容器是否部署成功 2. kibana2.1 部署容器2.2 验证是否部署成功2.3 安装IK分词器 3. MySql3.1 部署容器3.2 增加数据库和wiki.js所需要的账号 4. wiki.js4.1 部署容…...

编程日记 2025/5/18 6:28:48

【JavaWeb】MySQL

1 引言 1.1 为什么学？ 在学习SpringBootWeb基础知识(IOC、DI等)时，在web开发中，为了应用程序职责单一，方便维护，一般将web应用程序分为三层，即：Controller、Service、Dao 。之前的案例中&am…...

编程日记 2025/5/18 6:28:47

数据库实验报告数据定义操作 3

实验报告（第3次） 实验名称数据定义操作实验时间 10月12日1-2节一、实验内容 1、本次实验是用sql语句创建库和表，语句是固定的，要求熟记这些sql语句。二、源程序及主…...

编程日记 2025/5/18 6:28:46

寻找树的中心（重心）

题目： 思路： “剥洋葱”：每次剥掉一层叶子结点，直到最后剩余不多于2个节点，这些节点就是树的中心（重心）。解释： 1、根据图论的知识可以知道，一颗树的中心&#xff08…...

编程日记 2025/5/18 6:28:45

Oracle 高水位线（High Water Mark, HWM）

1. 高水位线（HWM）的定义基本概念：HWM 是 Oracle 数据库中一个段（如表、索引）中已分配并被格式化（Formatted）的存储空间的最高位置。它标识了该段历史上曾达到的最大数据块使用量。物理意义&a…...

编程日记 2025/5/18 6:28:43

Redis学习专题（二）事务和锁机制

目录引言 1、事务三特性 2、事务相关指令 ：Multi、Exec、discard 快速入门注意： 3、事务冲突解决办法： 1.悲观锁 2.乐观锁 3.watch & unwatch 引言 Redis 的事务是什么? 1、Redis 事务是一个单独的隔离操作：事…...

编程日记 2025/5/18 6:28:43

多平台！像素艺术的最佳选择，开源像素画工具

项目简介如果你喜欢作像素风格的游戏或动画，那么这款Pixelorama或许是你的好帮手。它是一款免费开源的像素画编辑器，功能丰富，操作便捷，支持多平台使用（Windows、macOS、Linux）。无论你是像素新手还是老手…...

编程日记 2025/5/18 6:28:42

使用 Kotlin 和 Jetpack Compose 开发 Wear OS 应用的完整指南

环境配置与项目搭建 1. Gradle 依赖配置 // build.gradle (Module) android {buildFeatures {compose true}composeOptions {kotlinCompilerExtensionVersion "1.5.3"} }dependencies {def wear_compose_version "1.2.0"implementation "androidx.…...

编程日记 2025/6/1 22:28:14

JavaScript【5】DOM模型

1.概述： DOM (Document Object Model)：当页面被加载时，浏览器会创建页面的文档对象模型，即dom对象；dom对象会被结构化为对象树，如一个HTML文档会被分为head，body等部分，而每个部分又…...

编程日记 2025/5/18 6:27:40

【诊所电子处方专用软件】佳易王个体诊所门诊电子处方开单管理系统：零售药店电子处方服务系统#操作简单#诊所软件教程#药房划价

一、软件试用版资源文件下载说明 （一）若您想体验软件功能，可通过以下方式获取软件试用版资源文件： 访问头像主页：进入作者头像主页，找到第一篇文章，点击文章最后的卡片按钮，即可了…...

编程日记 2025/5/18 6:27:39

【OpenCV】帧差法、级联分类器、透视变换

一、帧差法（移动目标识别）： 好处：开销小，不怎么消耗CPU的算力，对硬件要求不高，但只适合固定摄像头 1、优点计算效率高，硬件要求响应速度快，实时性强直接利用连续帧…...

编程日记 2025/5/24 15:46:53

OpenCV 特征检测全面解析与实战应用

在计算机视觉领域，特征检测是从图像中提取关键信息的核心技术，这些关键特征是图像匹配、目标识别、场景理解等复杂任务的基础。OpenCV 作为计算机视觉领域最受欢迎的开源库之一，提供了丰富且高效的特征检测算法。本文将深入介绍 OpenCV 中多种…...

编程日记 2025/5/18 6:27:38

AI预测3D新模型百十个定位预测+胆码预测+去和尾2025年5月17日第80弹

从今天开始，咱们还是暂时基于旧的模型进行预测，好了，废话不多说，按照老办法，重点8-9码定位，配合三胆下1或下2，杀1-2个和尾，再杀6-8个和值，可以做到100-300注左右。 (1)定…...

编程日记 2025/5/18 6:27:37

IDEA反斜杠路径不会显示JUnit运行的工作目录配置问题

1. 当在IDEA基准目录下创建junit-reflect-annotation-proxy-app\\src\\data.txt时，如果是Mac电脑，这种\\文件路径时，IDEA里面不会显示，但在Finder下会显示，是直接创建了文件名为junit-reflect-annotation-proxy-app\sr…...

编程日记 2025/5/18 6:27:35

Linux517 rsync同步 rsync借xinetd托管配置yum源回顾

计划测试下定时服务同步成功是否为本地YUM源内容太少？考虑网络YUM源单词拼错了计划后面再看下 MX安装参考计划回顾配置YUM源配置本地YUM源配置外网YUM源配置仓库YUM源（不熟） 参考参考阿里云配置完毕本地yum源配置先备份再…...

编程日记 2025/5/18 6:26:32

【论文阅读】A Survey on Multimodal Large Language Models

目录前言一、背景与核心概念1-1、多模态大语言模型（MLLMs）的定义二、MLLMs的架构设计2-1、三大核心模块2-2、架构优化趋势三、训练策略与数据3-1、三阶段训练流程四、评估方法4-1、闭集评估（Closed-set）4-2、开集评估&…...

编程日记 2025/5/18 6:26:30

大型语言模型中的QKV与多头注意力机制解析

每周跟踪AI热点新闻动向和震撼发展想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领…...

编程日记 2025/5/18 6:26:29

React Flow 节点事件处理实战：鼠标 / 键盘事件全解析（含节点交互代码示例）

本文为《React Agent：从零开始构建 AI 智能体》专栏系列文章。专栏地址：https://blog.csdn.net/suiyingy/category_12933485.html。项目地址：https://gitee.com/fgai/react-agent（含完整代码示例与实战源）。完整介绍…...

编程日记 2025/5/18 6:25:27