当前位置：首页 > news >正文

【数据可视化-12】数据分析岗位招聘分析

news 来源：原创 2025/8/9 23:56:02

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

在这里插入图片描述

【数据可视化-12】数据分析岗位招聘分析

引言
一、数据集简介
二、数据预处理
- 2.1 加载分析需要的库
2.2 导入数据
2.3 数据清洗
三、可视化分析
3.1 各个城市数据分析岗位招聘数量情况
3.2 数据分析师在各城市薪资水平情况
3.3 薪资和城市分析
3.4 热门城市薪资箱线图
3.5 学历与薪资数据分析
3.6 学历与岗位需求的数据分析
3.7 工龄与薪资数据分析
3.8 工龄与市场需求分析
3.9 数据分析岗技能需求情况
四、结论与建议

引言

在数字化时代，数据分析已成为各行各业不可或缺的重要技能。为了深入了解当前市场对数据分析师岗位的需求情况，我们从BOSS直聘平台上爬取了一份关于数据分析师招聘信息的数据集。本博客将通过对这份数据进行可视化分析，揭示数据分析师岗位的地域分布、薪资水平、经验要求、学历要求以及技能标签等关键信息，帮助求职者更好地把握市场动态，制定职业规划。

一、数据集简介

本次分析的数据集包含了以下字段：

company：公司名称
job_position：岗位名称
job_address：工作地点
job_salary：薪资范围
job_exper：经验要求及学历
company_type：经验要求
tags：技能标签

二、数据预处理

在正式分析之前，我们加载数据集并进行了预处理，具体流程如下：

2.1 加载分析需要的库

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as pltimport warnings
from scipy.stats import norm,mode
import re
from collections import Counter
import pyecharts.options as opts
from pyecharts.charts import WordCloudplt.rcParams['font.sans-serif'] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False

2.2 导入数据

#导入数据
df = pd.read_csv("boss.csv",header=None)
df.columns = ['company','job_position','job_address','job_salary','job_exper','company_type','tags']
df.head()
df.info()

数据一共有7个维度，2537条招聘记录，而且数据中无缺失值的存在。

2.3 数据清洗

首先把工作job_exper：经验要求及学历，拆分成工作经验experience和学历diploma字段；
对数据进行去重；
计算各城市薪资均值

df["experience"]=df["job_exper"].str.extract("^(\d+/?-\d+)")
df["diploma"]=df["job_exper"].str[-2:]#去重
df.duplicated().sum()df["experience"].replace(np.nan,"经验不限",inplace=True)
df["experience"].replace("1-3","1-3年",inplace=True)
df["experience"].replace("3-5","3-5年",inplace=True)
df["experience"].replace("5-10","5-10年",inplace=True)
df["experience"].unique()

#计算各城市薪资均值
def avg_ar(x):if "-" in x:a,b=x.split("-")return (int(a)+int(b))/2else:return None  
df["avg_address"]=df["job_salary"].apply(lambda x: re.split("K|元",x)[0])
df["avg_address"]=df["avg_address"].apply(lambda x: avg_ar(x))
df.head()

三、可视化分析

为了进行这些可视化分析，我们将使用Python及其相关库（如pandas、matplotlib、seaborn等）来处理和分析数据。以下是一个详细的步骤指南和相应的Python代码示例。

3.1 各个城市数据分析岗位招聘数量情况

我们可以使用matplotlib或seaborn来绘制各个城市数据分析岗位招聘数量情况。

city_job_num = df['job_address'].value_counts().reset_index()
city_job_num.columns = ['city','job_nums']
sns.barplot(x='city', y='job_nums', data=city_job_num)
plt.xticks(rotation=45)  # 旋转x轴标签以便阅读
plt.title('各城市数据分析师招聘数量情况')
plt.show()

从图中我们可以知道，南京发布的数据分析招聘信息数量最多；

3.2 数据分析师在各城市薪资水平情况

我们可以使用matplotlib或seaborn来绘制薪资水平的柱状图。


# 按城市分组并计算平均薪资
city_salaries = df.groupby('job_address')['avg_address'].mean().reset_index()# 绘制薪资水平的地图（需要额外的地理数据，这里使用柱状图作为替代）
sns.barplot(x='job_address', y='avg_address', data=city_salaries)
plt.xticks(rotation=45)  # 旋转x轴标签以便阅读
plt.title('数据分析师在各城市薪资水平情况')
plt.show()

从图中我们可以知道，北京、杭州、上海、深圳发布的数据分析招聘信息薪资最高；

3.3 薪资和城市分析

我们已经计算了各城市的在一定范围内的薪资占比情况；

# 薪资和城市
fig=plt.figure(figsize=(10,5),dpi=100)
plt.subplot(121)
temp=df[df.avg_address<10].groupby("job_address").avg_address.count()
temp=pd.DataFrame(temp).sort_values("avg_address").iloc[-8:]
plt.pie(temp["avg_address"],labels=temp.index,autopct="%.2f%%")
plt.title("薪资小于10K的城市占比")
plt.subplot(122)
temp=df[df.avg_address>10].groupby("job_address").avg_address.count()
temp=pd.DataFrame(temp).sort_values("avg_address").iloc[-8:]
plt.pie(temp["avg_address"],labels=temp.index,autopct="%.2f%%")
plt.title("薪资大于10K的城市占比")plt.show()

从上图可以看出，在薪资小于10k的城市占比中南京和武汉发布的招聘最高，在薪资大于10k的城市占比中北京和杭州发布的招聘信息最多。

3.4 热门城市薪资箱线图

我们可以选择几个热门城市，并绘制它们的薪资箱线图。

# 热门城市薪资箱线图
df1=df[df["avg_address"]<100]
data1=df1[df.job_address=="北京"]["avg_address"]
data2=df1[df.job_address=="上海"]["avg_address"]
data3=df1[df.job_address=="广州"]["avg_address"]
data4=df1[df.job_address=="深圳"]["avg_address"]
data5=df1[df.job_address=="杭州"]["avg_address"]
plt.figure(figsize=(12,6))
plt.boxplot([data1,data2,data3,data4,data5],labels=["北京","上海","广州","深圳","杭州"],flierprops={"marker":"o","markerfacecolor":"r","color":"k"},patch_artist=True,boxprops={"color":"k","facecolor":"#FFFACD"})
ax=plt.gca()
ax.patch.set_facecolor("#FFFAFA")
ax.patch.set_alpha(0.8)
plt.title("主要城市薪资水平箱线图",fontsize=15)
plt.ylabel("薪资(单位：K)",fontsize=12)plt.show()

从上图中可以看出，几个主要的热门城市发布的招聘信息来看，平均薪资最高的是北京，最低的是广州，杭州的高工资和低工资都比较多，求职者的可能性更大，发展机遇就好，努力奋斗；

3.5 学历与薪资数据分析

我们可以使用条形图来展示不同学历的薪资分布。

# 学历与薪资数据分析
d=df["avg_address"].groupby(df["diploma"])
d_avg = d.mean()
c=list(d_avg.index)
v=list(range(1,len(c)+1))
w=d_avg.values.astype("int64")
x=d.median().values.astype("int64")
move=0.4plt.figure(figsize=(12,5))
plt.bar(v,w,width=move,color="#eed777")
plt.bar([i+move for i in v],x,width=move,color="#334f65")
a=np.arange(0,7)+1.2
plt.xticks(a,c,fontsize=15)
plt.yticks(list(range(0,60,10)),fontsize=15)
plt.legend(["均值","中位数"])
plt.title("各学历薪资均值及中位数比较图",fontsize=16)plt.xlabel("学历",fontsize=12)
plt.ylabel("薪资(单位：K)",fontsize=12)for e,f in zip(v,w):plt.text(e,f+1,"{}K".format(f),ha="center",fontsize=12)
for g,h in zip([i+move for i in v],x):plt.text(g,h+1,"{}K".format(h),ha="center",fontsize=12)
plt.show()

从上图可以看得出，薪资和学历一般是呈现正相关的关系，学历越高薪资也会越高，兄弟们，不说了写好卷学历去了。

3.6 学历与岗位需求的数据分析

我们可以使用饼状图来展示不同学历在岗位需求中的占比。

# 学历与岗位需求的数据分析
data=df["diploma"].value_counts()
y=data.values
plt.figure(figsize=(6,6))
plt.pie(y,labels=data.index,autopct="%.2f%%")
plt.show()

从上图可以看出，数据分析岗位招聘要求中本科学历是占绝大多数的。

3.7 工龄与薪资数据分析

我们可以使用条状图来展示不同工龄的薪资分布。

# 工龄与薪资数据分析
d=df["avg_address"].groupby(df["experience"])
d_avg = d.mean()
c=list(d_avg.index)
v=list(range(1,len(c)+1))
w=d_avg.values.astype("int64")
x=d.median().values.astype("int64")
move=0.4plt.figure(figsize=(14,8))
plt.bar(v,w,width=move,color="#002c53")
plt.bar([i+move for i in v],x,width=move,color="#0c84c6")
a=np.arange(0,4)+1.2
plt.xticks(a,c,fontsize=15)
plt.yticks(list(range(0,35,5)),fontsize=15)
plt.legend(["均值","中位数"])
plt.title("各学历薪资均值及中位数比较图",fontsize=16)plt.xlabel("工作经验",fontsize=12)
plt.ylabel("薪资(单位：K)",fontsize=12)for e,f in zip(v,w):plt.text(e,f+1,"{}K".format(f),ha="center",fontsize=12)
for g,h in zip([i+move for i in v],x):plt.text(g,h+1,"{}K".format(h),ha="center",fontsize=12)
plt.show()

从图中可以看出，工作的年限越长，工资也会相应的高一些。

3.8 工龄与市场需求分析

我们可以使用饼状图来展示不同工龄在市场需求中的占比。

# 工龄与市场需求分析
data=df["experience"].value_counts()
y=data.values
plt.figure(figsize=(6,6))
plt.pie(y,labels=data.index,autopct="%.2f%%",colors = ['tomato', 'lightskyblue', 'goldenrod', 'green'])
plt.show()

从上图可以看出，工龄3-5年工作的人有一定的工作经验，工资也相对较小，所以比较受欢迎。的需求量是最大的占35.87%，该3-5年工作的人有一定的工作经验，工资也相对较小，所以比较受欢迎。

3.9 数据分析岗技能需求情况

tag = df['tags'].tolist()
tags = []
for item in tag:item_split = item.split(',')tags.extend(item_split)counter = Counter(tags)
element_counts = dict(counter)data = []
for item in element_counts.keys():data.append((item,element_counts.get(item)))c = (WordCloud().add(# 系列名称，用于 tooltip 的显示，legend 的图例筛选。series_name="数据分析岗位技能需求",   # 系列数据项，[(word1, count1), (word2, count2)]data_pair=data,  # 单词字体大小范围word_size_range=[6, 66])# 全局配置项.set_global_opts(# 标题设置title_opts=opts.TitleOpts(title="数据分析岗位技能需求", title_textstyle_opts=opts.TextStyleOpts(font_size=23)),# 提示框设置tooltip_opts=opts.TooltipOpts(is_show=True),).render("basic_wordcloud.html")
)

从上图可以看出，SQL、Python等数据分析工具是基础技能，数据挖掘、大数据处理、建模等高级技能是加分项。

四、结论与建议

通过对BOSS直聘平台上数据分析师招聘信息的可视化分析，我们得出以下结论：

数据分析师岗位主要集中在一线城市和新一线城市，薪资水平较高但竞争激烈。
市场对数据分析师的经验和学历要求以本科为主，但高级岗位对学历和经验要求更高。
SQL、Python等数据分析工具是基础技能，机器学习、大数据处理等高级技能是加分项。

针对以上结论，我们提出以下建议：

求职者应结合自身实际情况，选择适合自己的城市和行业方向。
注重提升个人技能和经验积累，尤其是SQL、Python等数据分析工具的使用能力。
关注市场动态和新兴技术趋势，不断拓展自己的知识边界和技能组合。

【数据可视化-12】数据分析岗位招聘分析

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN…...

编程日记 2025/8/9 23:56:02

UE材质节点Fresnel

Fresnel节点 ExponentIn 控制边缘透明度 BaseReflectFractionIn 控制中心透明度...

编程日记 2025/8/10 4:38:41

宁德时代C++后端开发面试题及参考答案

请阐述面向对象的三大特性。面向对象编程有三大特性，分别是封装、继承和多态。封装是指将数据和操作数据的方法绑定在一起，对数据的访问和操作进行限制。这样做的好处是可以隐藏对象的内部细节，只暴露必要的接口给外部。例如，我们可以把一个汽车类的内部引擎状态、速度等…...

编程日记 2025/8/10 4:34:36

基于opencv 3.1.0源代码 sources\modules\imgproc\src\imgwarp.cpp void cv::warpAffine( InputArray _src, OutputArray _dst,InputArray _M0, Size dsize,int flags, int borderType, const Scalar& borderValue ) {...if( !(flags & WARP_INVERSE_MAP) ){//变换矩阵…...

编程日记 2025/8/10 4:34:37

六十九：基于openssl实战验证RSA

RSA（Rivest-Shamir-Adleman）是一种非对称加密算法，广泛应用于数据加密和数字签名领域。在实际开发和学习过程中，理解 RSA 的工作原理和使用场景非常重要。本文将以 OpenSSL 工具为基础，通过实例操作来验证和理解 RSA 的…...

编程日记 2025/8/10 4:36:21

Docker的CMD指令

CMD指令是Dockerfile中的一个重要指令，用于指定容器启动时执行的默认命令。CMD为容器运行时提供了一个默认的执行指令，可以在容器启动时自动运行该命令。 * CMD指令用于指定容器启动时的默认命令 CMD指令指定的命令通常是容器启动后要执行的主要进程。…...

编程日记 2025/7/29 0:55:28

redis缓存篇知识点总结

1.缓存雪崩当大量缓存数据在同一时间过期（失效）或者 Redis 故障宕机时，如果此时有大量的用户请求，都无法在 Redis 中处理，于是全部请求都直接访问数据库，从而导致数据库的压力骤增，严重的会造成数据库宕机，从而形成一系列连锁反应，造成整个系统崩溃发生缓存雪崩有两…...

编程日记 2025/8/8 22:13:51

onlyoffice编辑服务部署

下载官方镜像下载onlyoffice_7.4.1.tar.gz镜像包安装官方镜像上传镜像包后执行 docker load -i onlyoffice_7.4.1.tar.gz 将镜像部署到本地仓库下载onlyoffice编辑服务包下载onlyoffice.zip包启动onlyoffice编辑服务上传包至服务器，解压包，…...

编程日记 2025/8/6 19:44:59

RPC实现原理，怎么跟调用本地一样

回答1 要让⽹络通信细节对使⽤者透明，我们需要对通信细节进⾏封装，我们先看下⼀个 RPC 调⽤的流程涉及到哪些通信细节： 1. 服务消费⽅（ client ）调⽤以本地调⽤⽅式调⽤服务； 2. client stub 接收到调…...

编程日记 2025/8/7 11:37:48

JDK下载安装配置

一.JDK安装配置。 1.安装注意路径,其他直接下一步。 2.配置。下接第4步. 或者代码复制: JAVA_HOME D:\Program Files\Java\jdk1.8.0_91 %JAVA_HOME%\bin 或者直接配置 D:\Program Files\Java\jdk1.8.0_91\bin 3.验证(CMD)。 java javac java -version javac -version 二.下…...

编程日记 2025/8/6 2:02:10

C++（3）

1.顺序表封装 #include <iostream>using namespace std;//类型重命名 using datatype int;//定义一个顺序表类 class SeqList { private:datatype *data;//指向堆区空间的指针int size 0;//数组大小int len 0;//顺序表实际长度public://无参构造SeqList():data(new d…...

编程日记 2025/8/7 5:31:54

工具学习_Conan_Install

1. 依赖关系获取为了获取TPL间的依赖关系，我们首先从 GitHub 项目中提取 Conan 包含的组件，如下所示： 在获取组件名之后，我们根据组件名从 Conan 中获取 TPL 间的依赖关系，如下图所示： 之后获得包含TPL间…...

编程日记 2025/8/10 1:17:15

忘记了PDF文件的密码，怎么办？

PDF文件可以加密，大家都不陌生，并且大家应该也都知道PDF文件有两种密码，一个打开密码、一个限制编辑密码，因为PDF文件设置了密码，那么打开、编辑PDF文件就会受到限制。忘记了PDF密码该如何解密？ PDF和offi…...

编程日记 2025/8/6 6:30:32

HTML实战课堂之启动动画弹窗

一：代码片段讲解小提示：下面是一个包含启动页和弹窗的完整示例。这个示例包括一个简单的启动页和一个弹窗，当用户点击启动页上的按钮时，会显示弹窗。 1. **HTML结构**： - #startPage：启动页，包…...

编程日记 2025/8/6 5:15:00

thinkphp 5.0 结合redis 做延迟队列，队列无法被消费

目录一、Linux 环境下二、如何验证消息队列被正确监听一、Linux 环境下项目部署在Linux 环境下，首先找到项目的部署路径，接着输入命令,这个命令是以守护进程方式进行监听你的队列，只要redis 不关闭就可以一直监听这个队列 nohup php …...

编程日记 2025/8/9 4:45:00

open3d+opencv实现矩形框裁剪点云操作（C++）

👑主页：吾名招财 👓简介：工科学硕，研究方向机器视觉，爱好较广泛… 💫签名：面朝大海，春暖花开！ open3dopencv实现矩形框裁剪点云操作（C&#xff…...

编程日记 2025/8/5 4:26:45

Android RIL（Radio Interface Layer）全面概述和知识要点（3万字长文）

在Android面试时，懂得越多越深android framework的知识，越为自己加分。目录第一章：RIL 概述 1.1 RIL 的定义与作用 1.2 RIL 的发展历程 1.3 RIL 与 Android 系统的关系第二章：RIL 的架构与工作原理 2.1 RIL 的架构组成 2.2 RIL 的工作原理 2.3 RIL 的接口与协议…...

编程日记 2025/7/31 18:46:42

mac安装java17

目录 1、确保 Homebrew 已安装。如果没有安装，运行以下命令2、安装 OpenJDK 173、安装完成后，运行以下命令设置环境变量4、检查一下 1、确保 Homebrew 已安装。如果没有安装，运行以下命令 /bin/bash -c "$(curl -fsSL https://raw.gith…...

编程日记 2025/8/8 14:29:54

npx和npm区别

npx 和 npm 是 Node.js 生态中的两个工具，它们有不同的用途和功能： 1. npm（Node Package Manager） 主要作用： 包管理工具： 用来安装、管理、卸载 Node.js 的包（module/library）。提…...

编程日记 2025/8/9 6:46:33

STM32 FreeRTOS 介绍

目录什么是裸机开发什么是操作系统通用操作系统实时操作系统 FreeRTOS简介 FreeRTOS发展历史 FreeRTOS优势 FreeRTOS特点什么是裸机开发裸机开发指的是在没有操作系统（OS）或者其他高级软件支持的情况下，直接在裸机硬件上进行软…...

编程日记 2025/8/8 9:35:08

C#面向对象(封装,继承,多态,抽象)--08

目录一.类和对象 1.类(Class) 2.对象二.继承 1.定义 2.实现方式三.多态 1.定义 2.实现方式 3.代码示例四.抽象 1.定义 2.实现方式 3.代码示例总结面向对象(OOP)是C#编程语言的核心概念之一.它通过类和对象的方式来组织代码,提供了更高的代码复用性,可拓展性…...

编程日记 2025/8/5 4:53:45

Frp工具配置内网穿透

Frp工具配置内网穿透一.资源准备固定 IP 的公网服务器：最低配 1C1G 即可，硬盘 20G，带宽 10M，系统推荐使用 Debian 9 或 10（ Ubuntu 20.04 LTS）。安全组需要开放 443、8080、8081 端口（其他…...

编程日记 2025/8/3 20:39:07

pg_hba.conf是PostgreSQL中控制客户端认证和访问权限的配置文件

报错提示：FATAL: no pg_hba.conf entry for host "117.26.241.1", user "postgres", databa 报错解释： 这个错误表示PostgreSQL数据库服务器没有找到适合的认证方式来处理来自特定IP地址（在这个例子中是117.26.241.1&a…...

编程日记 2025/8/5 14:51:29

Winforms开发基础之非主线程操作UI控件的误区

前言想象一下，你正在开发一个桌面应用程序，用户点击按钮后需要执行一个耗时操作。为了避免界面卡顿，你决定使用后台线程来处理任务。然而，当你在后台线程中尝试更新UI控件时，程序突然崩溃了。这是为什么呢&#xff1…...

编程日记 2025/8/8 7:50:43

【机器学习】主动学习-增加标签的操作方法-流式选择性采样（Stream-based selective sampling）

Stream-Based Selective Sampling Stream-based selective sampling 是一种主动学习方法，在处理大量数据流时特别有用。它允许学习算法动态选择是否对当前数据实例进行标注（通过与 Oracle 交互）。此方法主要应用于流数据场景中，目…...

编程日记 2025/8/8 3:09:14

STL之VectorMapList针对erase方法踩坑笔记

前沿如下总结的三种容器，开头都会涉及当前容器的特点，再者就本次针对erase方法的使用避坑总结。一.Vector vector关联关联容器，存储内存是连续，且特点支持快速访问，但是插入和删除效率比较地(需要找查找和移动)。另…...

编程日记 2025/8/7 22:14:02

Docker compose 使用 --force-recreate --no-recreate 控制重启容器时的行为

一、--force-recreate 作用强制重新创建指定的服务，即使服务的配置未发生任何变化。忽略现有容器的状态，无论容器是停止、运行还是有无变化，都会销毁并重新创建。用法 docker compose up -d --force-recreate [services...]不指定服务&…...

编程日记 2025/8/9 3:53:43

【pycharm】远程部署失败，查看日志

pycharm 远程部署失败，查看日志远程一直失败，gateway超时会还知道拉取一份日志：在./root 下发现了崩溃日志，启动崩溃了，导致backend一直无法启动。win11就是一直在connect到ubuntu的后端pycharm。。gateway 拉取的日志我上传的linux版本的pycharm暂时存在dist目录下，…...

编程日记 2025/8/5 18:38:10

FilmMusic

电影推荐《五朵金花》《沉睡魔咒》《三国之见龙卸甲》《灰姑娘》《正义联盟》《沉睡魔咒2》《神奇女侠》《神奇女侠》HD中字在线观看 - 影视天堂《野性的呼唤》《野性的呼唤2020》HD中字在线观看 - 影视天堂《毒液2》《小马王》《秦时明月之百步飞剑》《秦时明月之夜尽…...

编程日记 2025/8/8 17:05:39

使用 Python 实现自动化办公（邮件、Excel）

目录一、Python 自动化办公的准备工作 1.1 安装必要的库 1.2 设置邮件服务二、邮件自动化处理 2.1 发送邮件示例代码注意事项 2.2 接收和读取邮件示例代码三、Excel 自动化处理 3.1 读取和写入 Excel 文件示例代码 3.2 数据处理和分析示例代码四、综合…...

编程日记 2025/8/5 11:40:10

稀疏编码 (Sparse Coding) 算法详解与PyTorch实现

稀疏编码 (Sparse Coding) 算法详解与PyTorch实现目录稀疏编码 (Sparse Coding) 算法详解与PyTorch实现1. 稀疏编码 (Sparse Coding) 算法概述1.1 稀疏表示1.2 稀疏编码的优势2. 稀疏编码的核心技术2.1 稀疏编码的目标2.2 稀疏编码的优化2.3 基向量的学习3. PyTorch实现稀疏编…...

编程日记 2025/8/9 18:26:08

基于springboot的疫情网课管理系统

作者：学姐开发技术：SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、Python、小程序等文末获取“源码数据库万字文档PPT”，支持远程部署调试、运行安装。项目包含： 完整源码数据库功能演示视频万字文档PPT 项目编码&#xff1…...

编程日记 2025/8/9 22:33:20

Cookie和Session

会话： 有状态会话： 客户端知道发起请求的是谁无状态会话： 不知道发起请求的是谁只知道有请求 http是无状态请求保存会话信息的两种技术： 可以通过Cookie和Session储存会话信息 cookie：客户端技术信心存…...

编程日记 2025/8/9 8:42:30

分布式ID—雪花算法

背景现在的服务基本是分布式、微服务形式的，而且大数据量也导致分库分表的产生，对于水平分表就需要保证表中 id 的全局唯一性。对于 MySQL 而言，一个表中的主键 id 一般使用自增的方式，但是如果进行水平分表之后，多…...

编程日记 2025/8/9 0:49:31

【无标题】四类sql语句通用

select select a from tableA where aa1： 总是丢掉from。。运算： select a*3 b from tableA； 使用()来定义运算优先级。别名 select a as xx from tableA；可以不加as，仅为增加可读性。别名不可以中间有空格&…...

编程日记 2025/8/6 20:54:13

Vue的生命周期方法

Vue 的生命周期方法是指 Vue 实例从创建到销毁的过程中的一系列钩子函数。它们可以让你在特定时刻执行代码。Vue 2 和 Vue 3 的生命周期钩子大致相同，下面是 Vue 中常用的生命周期方法： 1. beforeCreate 在实例初始化之后，数据观测和事件配…...

编程日记 2025/8/8 16:06:58

Android SystemUI——基础简介（一）

Android SystemUI 是 Android 操作系统的一部分，负责处理与用户界面相关的所有元素。它是 Android 设备上的一个关键组件，管理着屏幕顶部的状态栏（显示时间、信号强度、电池电量等）、屏幕底部的导航栏（返回、主页、最近…...

编程日记 2025/8/7 21:02:21

大疆机场及无人机上云

最近基于大疆上云api进行二次开发，后面将按照开发步骤对其进行说明！...

编程日记 2025/8/6 23:38:54

js:正则表达式

目录正则表达式的语法定义检测检索元字符边界符量词字符类表单判断案例修饰符过滤敏感词正则表达式是一种用于匹配和操作文本的强大工具，它是由一系列字符和特殊字符组成的模式，用于描述要匹配的文本字符组合模式正则表达式是一…...

编程日记 2025/8/10 1:35:49

【芯片设计- RTL 数字逻辑设计入门 9.2 -- flip flop 与寄存器的关系详细介绍】

编程日记 2025/8/6 20:21:50

JAVA实战开源项目：课程智能组卷系统(Vue+SpringBoot) 附源码

本文项目编号 T 009 ，文末自助获取源码 \color{red}{T009，文末自助获取源码} T009，文末自助获取源码目录一、系统介绍二、演示录屏三、启动教程四、功能截图五、文案资料5.1 选题背景5.2 国内外研究现状5.3 可行性分析六、核心代码6.1 老…...

编程日记 2025/8/10 1:30:41

【Rust自学】11.8. 忽略测试

喜欢的话别忘了点赞、收藏加关注哦，对接下来的教程有兴趣的可以关注专栏。谢谢喵！(･ω･) 11.8.1. 忽略某些测试，执行剩余测试某些测试执行起来非常耗时，所以在大部分情况下会想在运行cargo test时忽略它…...

编程日记 2025/8/6 20:01:46

浅谈云计算09 | 服务器虚拟化

服务器虚拟化基础一、虚拟化的定义二、系统虚拟化三、服务器虚拟化的核心要义四、典型实现：探索不同路径五、全虚拟化与半虚拟化六、主流服务器虚拟化技术一、虚拟化的定义虚拟化是一种将物理资源抽象为逻辑资源的技术，通过在物理硬件与操作系统、应…...

编程日记 2025/8/6 17:22:52

【Ubuntu 24.04】虚拟机常见问题解决

1.24开启3D加速黑屏参考文章：Ubuntu24开机黑屏，VMware卡死，虚拟机繁忙解决方案没有3D加速就没有动画，所以我们需要开启3D加速，但是直接开启3D加速会黑屏由于Ubuntu24内部的图形加速驱动异常，因此需要更新…...

编程日记 2025/8/7 1:56:26

【已解决】【记录】2AI大模型web UI使用tips 本地

docker desktop使用互动如果需要发送网页链接，就在链接上加上【#】号如果要上传文件就点击这个➕号中文回复命令它只用中文回复，在右上角打开【对话高级设置】输入提示词（提示词使用英文会更好） Must reply to the us…...

编程日记 2025/8/8 1:12:28

iostat命令详解

iostat 命令是 I/O statistics(输入/输出统计)的缩写，用来报告系统的 CPU 统计信息和块设备及其分区的 IO 统计信息。iostat 是 sysstat 工具集的一个工具，在 Ubuntu 系统中默认是不带 iostat 命令的，需要自行安装： $ sudo apt in…...

编程日记 2025/8/8 15:50:29