当前位置：首页 > news >正文

【python】python基于机器学习与数据分析的二手手机特性关联与分类预测（源码+数据集）【独一无二】

news 来源：原创 2025/5/16 22:55:48

👉博__主👈：米码收割机
👉技__能👈：C++/Python语言
👉专__注👈：专注主流机器人、人工智能等相关领域的开发、测试技术。

python基于机器学习与数据分析的二手手机特性关联与分类预测（源码+数据集）【独一无二】

目录

python基于机器学习与数据分析的二手手机特性关联与分类预测（源码+数据集）【独一无二】
一、设计要求
二、设计思路
**1. 数据读取与预处理**
**2. 描述性统计与分布分析**
**3. 分类变量分布分析**
**4. 热力图分析（RAM与内核搭配特征）**
**5. 线性回归模型**
**6. 聚类分析**

三、可视化分析

一、设计要求

本项目的目标是分析智能手机数据，揭示其特性与价格区间的联系，并利用机器学习技术进行预测和聚类。设计涵盖数据预处理、探索性分析、模型构建与性能评估：

数据预处理
- 读取多个数据源，清理缺失值、重复值和异常值。
- 新增业务特征 “屏幕尺寸”，提升数据分析深度。
数据分析与可视化
- 基于核心数值特征（如手机重量、电池容量等）进行统计特征分析。
- 利用饼图、直方图、热力图等方式展现变量分布和关联。
监督学习
- 应用线性回归模型预测价格区间（连续变量）。
- 使用 SVM 进行价格区间分类，并分析特征重要性。
无监督学习
- 对手机特性进行聚类分析，揭示潜在分组模式。
- 利用肘部法选择最佳聚类数，并评估聚类效果（轮廓系数等）。
可视化与解读
- 通过高质量图表展示分析结果，为决策提供支持。
- 输出模型性能指标（如准确率、决定系数）并解释结果的商业意义。

在这里插入图片描述

二、设计思路

1. 数据读取与预处理

目的：

利用 pandas 读取 Excel 文件，合并数据集，并进行清洗与扩展，以生成干净、可信的数据供后续使用。

关键环节：

加载两个 Excel 数据集。
检查缺失值并填充（使用bfill策略填充）。
删除重复数据行。
删除特定非法值（如 m_dep 非正数的非法行）。
创建业务衍生字段 “屏幕尺寸”，计算公式为屏幕宽高的欧几里得长度。

import pandas as pd# 读取 Excel 文件
file1 = "phone1.xlsx"
file2 = "phone2.xlsx"# 使用 openpyxl 引擎读取数据
df1 = pd.read_excel(file1, engine='openpyxl')
df2 = pd.read_excel(file2, engine='openpyxl')# 合并数据集
merged_df = pd.concat([df1, df2], ignore_index=True)# 代码略...至少10行
# 代码略...至少10行
# 代码略...至少10行# 新增字段“屏幕尺寸”
if 'px_height' in merged_df.columns and 'px_width' in merged_df.columns:merged_df['屏幕尺寸'] = (merged_df['px_height']**2 + merged_df['px_width']**2) ** 0.5

核心作用：

数据预处理旨在防止后续分析因数据空值、重复值或非法值而产生报错或异常结果。
“屏幕尺寸” 字段的添加是基于业务逻辑拓展的重要步骤，为模型提供了额外的特征支持。

2. 描述性统计与分布分析

目的：

对特定数值变量（如 mobile_wt、battery_power）进行数据分布的探索，以及统计特征（均值、中位数、众数）的提取。

代码实现：

显示均值、中位数和众数：

# 核心数值特征的统计描述
print("描述性统计分析 - 手机基本属性")
for col in ['mobile_wt', 'battery_power', 'pc']:if col in merged_df.columns:
# 代码略...至少10行
# 代码略...至少10行
# 代码略...至少10行mode = merged_df[col].mode()[0] if not merged_df[col].mode().empty else Noneprint(f"{col} - 平均值: {mean:.2f}, 中位数: {median}, 众数: {mode}")

绘制数据分布：
通过直方图 + 核密度估计展示数据分布，便于判断变量的分布是否对称，是否存在偏态。

import matplotlib.pyplot as plt# 分布特征：带核密度估计的直方图
fig, axes = plt.subplots(3, 1, figsize=(8, 12))for i, col in enumerate(['mobile_wt', 'battery_power', 'pc']):if col in merged_df.columns:axes[i].hist(merged_df[col], bins=20, density=True, alpha=0.6, label=f'{col}直方图')merged_df[col].plot.kde(ax=axes[i], color='red', label=f'{col}核密度估计')
# 代码略...至少10行
# 代码略...至少10行
# 代码略...至少10行axes[i].legend()plt.tight_layout()

输出如下：

从分布图可以直观查看特征数据的分布形状：
- 若为双峰形态或偏态分布，可考虑使用对数变换等手段消除偏态。
- 若为近似正态分布，则适合直接用于建模。

3. 分类变量分布分析

目的：

分析手机特征（如是否支持双卡、是否支持 4G）的类别分布，展示百分比占比。

代码实现：

利用饼状图显示不同类别型特征的分布比例。

# 分类特征分布分析 - 饼图
categorical_cols = ['dual_sim', 'four_g', 'three_g', 'touch_screen']for col in categorical_cols:if col in merged_df.columns:# 统计频数value_counts = merged_df[col].value_counts(normalize=True) * 100  # 计算百分比labels = value_counts.index.map(lambda x: f"{x} ({value_counts[x]:.2f}%)")
# 代码略...至少10行
# 代码略...至少10行
# 代码略...至少10行plt.show()

特点：

各类别的比例直接反映了特征倾斜性。例如，若 dual_sim 中某类占比远超50%，则该变量可能对模型贡献不足。

在这里插入图片描述

4. 热力图分析（RAM与内核搭配特征）

目的：

使用交叉表和热力图分析不同运行内存与核心数的分布特征，观察变量是否存在某种偏好模式。

代码实现：

import seaborn as sns# RAM、内核分组后统计频次，绘制热力图
# 代码略...至少10行
# 代码略...至少10行
# 代码略...至少10行plt.figure(figsize=(8, 6))
sns.heatmap(group_counts, annot=True, fmt="d", cmap="YlGnBu")
plt.title("运行内存与内核分组统计热力图")
plt.xlabel("处理器内核数分组")
plt.ylabel("运行内存分组")
plt.show()

分析：

热力图便于观察分组统计结果。若某些分组对应的频数特别高，表明这些分组有更高的用户偏好或商业价值。

5. 线性回归模型

目的：

预测 price_range，并解读特征对价格的线性贡献。

代码实现：

建模：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score# 提取特征及目标变量
X = merged_df[['battery_power', 'ram', 'n_cores']]  # 自变量
# 代码略...至少10行
# 代码略...至少10行
# 代码略...至少10行# 数据集拆分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 线性回归模型
model = LinearRegression()
# 代码略...至少10行
# 代码略...至少10行
# 代码略...至少10行# 模型评估
print("线性回归模型的系数：", model.coef_)
print("线性回归模型的截距：", model.intercept_)
# 代码略...至少10行
# 代码略...至少10行
# 代码略...至少10行
print(f"均方误差（MSE）：{mse:.2f}")
print(f"决定系数（R²）：{r2:.2f}")

分析结果：
- 若 R² 接近 1，说明模型有较强的拟合能力。
- 若某些特征系数（model.coef_）的值很小或负数，表明这些特征对预测贡献甚微或为负面影响。

在这里插入图片描述

6. 聚类分析

目的：

用无监督学习了解手机特性分组行为。

代码实现：

from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler# 特征标准化
features = merged_df[['px_height', 'px_width', '屏幕尺寸', 'four_g']].copy()
scaler = StandardScaler()
scaled_features = scaler.fit_transform(features)# K 均值聚类分析
optimal_k = 4
# 代码略...至少10行
# 代码略...至少10行
# 代码略...至少10行
features['Cluster'] = clusters# 聚类评价
from sklearn.metrics import silhouette_score
# 代码略...至少10行
# 代码略...至少10行
# 代码略...至少10行
print(f"轮廓系数 (Silhouette Score): {silhouette_avg:.2f}")

输出：

聚类标签反映了不同组群手机可能对应的特性偏好。

这段代码从数据清洗到回归、分类和聚类，每一步都设计得合理、高效，且充分考虑了数据和任务特点，为分析智能设备提供了系统支持。

三、可视化分析

在这里插入图片描述

【python】python基于机器学习与数据分析的二手手机特性关联与分类预测（源码+数据集）【独一无二】

👉博__主👈：米码收割机 👉技__能👈：C/Python语言 👉专__注👈：专注主流机器人、人工智能等相关领域的开发、测试技术。 python基于机器学习与数据分析的二手手机特性关联与…...

编程日记 2025/5/16 22:55:48

构建可靠的时间序列预测模型：数据泄露检测、前瞻性偏差消除与因果关系验证

在时间序列分析领域中，存在多种可能影响分析结果有效性的技术挑战。其中，数据泄露、前瞻性偏差和因果关系违反是最为常见且具有显著影响的问题。数据泄露：隐蔽的系统性错误数据泄露是指在预测时理论上无法获取的信息，通过某种…...

编程日记 2025/5/16 22:49:32

Spring Boot - 数据库集成05 - 集成MongoDB

Spring Boot集成MongoDB 文章目录 Spring Boot集成MongoDB一：使用前的准备1：依赖导入 & 配置2：实体类创建二：核心 - MongoRepository三：核心 - MongoTemplate1：集合操作2：文档操作(重点)3&…...

编程日记 2025/5/16 21:50:40

计算机网络之运输层

本文章目录结构出自于《王道计算机考研计算机网络_哔哩哔哩_bilibili》 04 传输层在网上看到其他人做了相关笔记，就不再多余写了，直接参考着学习吧。王道考研计算机网络笔记第五章：传输层_王道计算机网络传输层_Baret-H的博客-CSDN博…...

编程日记 2025/5/16 22:47:13

DeepSeekMoE：迈向混合专家语言模型的终极专业化

一、结论写在前面论文提出了MoE语言模型的DeepSeekMoE架构，目的是实现终极的专家专业化(expert specialization)。通过细粒度的专家分割和共享专家隔离，DeepSeekMoE相比主流的MoE架构实现了显著更高的专家专业化和性能。从较小的2B参数规模开始&#x…...

编程日记 2025/5/16 20:59:49

知识库管理驱动企业知识流动与工作协同创新模式

内容概要知识库管理在现代企业中扮演着至关重要的角色，其价值不仅体现在知识的积累，还在于通过优质的信息流动促进协作与创新。有效的知识库能够将分散的信息整合为有序、易于访问的资源，为员工提供实时支持，进而提升整体工作效…...

编程日记 2025/5/16 22:09:58

二叉树-堆（补充）

二叉树-堆 1.二叉树的基本特性2.堆2.1.堆的基本概念2.2.堆的实现2.2.1.基本结构2.2.2.堆的初始化2.2.3.堆的销毁2.2.4.堆的插入2.2.5.取出堆顶的数据2.2.6.堆的删除2.2.7.堆的判空2.2.8.堆的数据个数2.2.9.交换2.2.10.打印堆数据2.2.11.堆的创建2.2.12.堆排序2.2.13.完整代码 3…...

编程日记 2025/5/16 22:42:58

Java面试题2025-并发编程基础（多线程、锁、阻塞队列）

并发编程一、线程的基础概念一、基础概念 1.1 进程与线程A 什么是进程？ 进程是指运行中的程序。比如我们使用钉钉，浏览器，需要启动这个程序，操作系统会给这个程序分配一定的资源（占用内存资源）。 …...

编程日记 2025/5/16 17:45:12

【方法论】ChatGPT与DeepSeek的联合应用，提升工作效率的新解决方案

标题：ChatGPT与DeepSeek的联合应用，提升工作效率的新解决方案【表格】ChatGPT与DeepSeek联合应用流程阶段工具主要任务优势备注初稿生成ChatGPT基于用户输入生成初步内容高效、快速生成内容，适应多种主题适合生成长篇文章、报告、分析等验…...

编程日记 2025/5/16 21:16:20

RoboMaster- RDK X5能量机关实现案例（一）识别

作者：SkyXZ CSDN：https://blog.csdn.net/xiongqi123123 博客园：https://www.cnblogs.com/SkyXZ 在RoboMaster的25赛季，我主要负责了能量机关的视觉方案开发，目前整体算法已经搭建完成，实际方案上我使用的上…...

编程日记 2025/5/16 20:43:58

5分钟带你获取deepseek api并搭建简易问答应用

目录 1、获取api 2、获取base_url和chat_model 3、配置模型参数方法一：终端中临时将加入方法二：创建.env文件 4、配置client 5、利用deepseek大模型实现简易问答 deepseek-v3是截止博文撰写之日，无论是国内还是国际上发布的大模型中…...

编程日记 2025/5/15 1:15:24

Ikigai是什么

Ikigai（生き甲斐） 是一个日语词语，意思是“生活的意义”或“生命的价值所在”。它是一种关于人生意义的哲学概念，源自日本文化，强调通过找到自己热爱、擅长、社会需要以及能带来经济回报的交集来实现幸福和满足感。 I…...

编程日记 2025/5/11 12:22:49

基于PyQt设计的智能停车管理系统

文章目录一、前言1.1 项目介绍【1】项目开发背景【2】设计实现的功能【3】设计意义【4】国内外研究现状【6】摘要1.2 设计思路1.3 系统功能总结1.4 开发工具的选择【1】VSCODE【2】python【3】ptqt【4】HyperLPR31.5 参考文献二、安装Python环境1.1 环境介绍**1.2 Python版本介…...

编程日记 2025/5/16 21:55:39

Flink (十二) ：Table API SQL (一) 概览

Apache Flink 有两种关系型 API 来做流批统一处理：Table API 和 SQL。Table API 是用于 Scala 和 Java 语言的查询API，它可以用一种非常直观的方式来组合使用选取、过滤、join 等关系型算子。Flink SQL 是基于 Apache Calcite 来实现的标准 SQL。无论输入…...

编程日记 2025/5/16 22:50:57

MySQL知识点总结（十三）

执行逻辑备份要具备哪些条件，其优缺点在哪。逻辑备份是温备，创建逻辑备份文件时，MySQL服务器必须处于运行状态，其他应用程序在逻辑备份期间不能修改但可以执行读取操作。逻辑备份会把表结构和数据转换为SQL语句保存。逻辑备份…...

编程日记 2025/5/16 21:05:39

ACL-2024 | 具身智能空间理解能力几何？EmbSpatial-Bench：视觉语言大模型在具身任务中空间理解水平测试基准

作者：Mengfei Du, Binhao Wu, Zejun Li, Xuanjing Huang, Zhongyu Wei 单位：复旦大学数据科学学院，复旦大学计算机科学学院论文标题：EmbSpatial-Bench: Benchmarking Spatial Understanding for Embodied Tasks with Large Vis…...

编程日记 2025/5/9 13:27:47

动手学图神经网络（6）：利用图神经网络进行点云分类

利用图神经网络进行点云分类引言在本教程中，大家将学习使用图神经网络（Graph Neural Networks, GNN）进行点云分类的基本工具。给定一组对象或点集的数据集，将这些对象嵌入到一个特征空间中，使得它们在特定任务下能够分类。将原始点云作为神经网络的输入，让网络学习捕…...

编程日记 2025/5/16 22:49:32

Ollama+DeepSeek本地大模型部署

1、Ollama 官网：https://ollama.com/ Ollama可以干什么？ 可以快速在本地部署和管理各种大语言模型，操作命令和dokcer类似。 mac安装ollama： # 安装ollama brew install ollama# 启动ollama服务（默认11434端口&#xf…...

编程日记 2025/5/16 22:23:30

docker安装Redis:docker离线安装Redis、docker在线安装Redis、Redis镜像下载、Redis配置、Redis命令

一、镜像下载 1、在线下载在一台能连外网的linux上执行docker镜像拉取命令 docker pull redis:7.4.0 2、离线包下载两种方式： 方式一： -）在一台能连外网的linux上安装docker执行第一步的命令下载镜像 -）导出 # 导出镜像…...

编程日记 2025/5/16 14:44:56

HTML 标题

HTML 标题引言 HTML（超文本标记语言）是构建网页的基础，而标题则是网页中不可或缺的元素。标题不仅能够帮助用户快速了解网页内容，还能够对搜索引擎优化（SEO）产生重要影响。本文将详细介绍HTML标题的用法…...

编程日记 2025/5/16 22:13:43

记录 | MaxKB创建本地AI智能问答系统

目录前言一、重建MaxKBStep1 复制路径Step2 删除MaxKBStep3 创建数据存储文件夹Step4 重建二、创建知识库Step1 新建知识库Step2 下载测试所用的txtStep3 上传本地文档Step4 选择模型补充智谱的API Key如何获取 Step5 查看是否成功三、创建应用Step1 新建应用Step2 配置AI助…...

编程日记 2025/5/16 21:49:35

Linux 非阻塞IO

Linux 非阻塞IO 1. fcntl() 在Linux操作系统中，fcntl() 是一个用于操作文件描述符的系统调用。它提供了多种功能，包括控制文件描述符的属性、管理文件锁定、设置文件的非阻塞模式等。本文只截取了用于IO模型的 fcntl() 部分内容， fcntl() …...

编程日记 2025/5/16 12:37:50

美国本科申请文书PS写作中的注意事项

在完成了introduction之后，便可进入到main body的写作之中。美国本科申请文书PS的写作不同于学术论文写作，要求你提出论点进行论证之类。PS更多的注重对你自己的经历或者motivation的介绍和描述。而这一描述过程只能通过对你自己的过往的经历的展现才能体…...

编程日记 2025/5/16 22:02:58

Qt文件操作

目录一、文件操作相关类 1.QFile 2.QFileInfo 3.QTextStream 4.QDataStream 5.QDir 6.QFileSystemWatcher 7.QTemporaryFile 二、文件操作示例 1.文本文件操作 2.目录操作 3.二进制文件操作一、文件操作相关类 1.QFile QFile类用于文件的创建、读写、复制、删除…...

编程日记 2025/5/16 15:29:50

赚钱的究极认识

1、赚钱的本质是提供了价值或者价值想象价值： 比如小米手机靠什么？“性价比”，什么饥饿营销，创新，用户参与，生态供应链，品牌这些不能说不重要，但是加在一起都没有“性价比”这3字重…...

编程日记 2025/5/16 21:03:29

【项目】基于Qt开发的音乐播放软件

目录项目介绍项目概述界面开发界面分析创建工程主界面布局设计窗口主框架设计界面美化主窗口设定添加图片资源 head处理播放控制区处理自定义控件 BtForm 推荐页面自定义CommonPage 自定义ListItemBox 自定义MusicSlider 自定义VolumeTool 音…...

编程日记 2025/5/16 21:28:03

week08_文本匹配任务

1、文本匹配任务概述狭义： 给定一组文本，判断其是否语义相似今天天气不错 match 今儿个天不错呀 √ 今天天气不错 match 你的代码有bug 以分值形式给出相似度今天天气不错 match 今儿个天不错呀 0.9 今天天气不错 match…...

编程日记 2025/5/16 22:24:39

01-01 五元组

[外链图片转存中…(img-8JR8fhPZ-1737855365022)] 01-01 五元组网络中的五元组（5-Tuple） 是用于唯一标识一个网络连接或数据流的五个关键参数组合。这五个参数共同定义了数据包的来源、目的地以及传输方式，是网络设备（如防火墙…...

编程日记 2025/5/15 12:46:42

5.2 软件需求分析

文章目录需求分析的意义软件需求的组成需求分析的5个方面需求分析方法需求分析的意义需求分析解决软件“做什么”的问题。由于开发人员比较熟悉计算机而不熟悉领域业务，用户比较熟悉领域业务而不熟悉计算机，双方需要通过交流，制定出完整、…...

编程日记 2025/5/15 17:36:18

OpenCV：在图像中添加噪声（瑞利、伽马、脉冲、泊松）

目录简述 1. 瑞利噪声 2. 伽马噪声 3. 脉冲噪声 4. 泊松噪声总结相关阅读 OpenCV：在图像中添加高斯噪声、胡椒噪声-CSDN博客 OpenCV：高通滤波之索贝尔、沙尔和拉普拉斯-CSDN博客 OpenCV：图像处理中的低通滤波-CSDN博客 OpenCV&…...

编程日记 2025/5/13 2:00:58

进程池的制作（linux进程间通信，匿名管道... ...）

目录一、进程间通信的理解 1.为什么进程间要通信 2.如何进行通信二、匿名管道 1.管道的理解 2.匿名管道的使用 3.管道的五种特性 4.管道的四种通信情况 5.管道缓冲区容量三、进程池 1.进程池的理解 2.进程池的制作四、源码 1.ProcessPool.hpp 2.Task.hpp 3…...

编程日记 2025/5/14 18:00:30

C++：多继承习题3

题目内容： 声明一个时间类Time，时间类中有3个私有数据成员(Hour，Minute，Second)和两个公有成员函数(SetTime和PrintTime)。要求： （1） SetTime根据传递的3个参数为对象设置时间； &a…...

编程日记 2025/5/15 6:56:43

数论问题75

命题，证明:存在K∈N，使得对于每个n∈N，Kx2^n1都是合数。证明:设n2^m，当m0，1，2，3，4时，a(m)2^(2^m)1都是素数。 a(0)213，a(1)2^215，a(2)2^4117&…...

编程日记 2025/5/14 17:27:13

Baklib引领数字化内容管理转型提升企业运营效率

内容概要在数字化迅速发展的背景下，企业正面临着前所未有的内容管理挑战。传统的内容管理方式已难以适应如今的信息爆炸，企业需要更加高效、智能的解决方案以应对复杂的数据处理需求。Baklib作为行业的先锋，以其创新技术对数字化内容管理进…...

编程日记 2025/5/14 21:46:09

2025年AI手机集中上市，三星Galaxy S25系列上市

2025年被认为是AI手机集中爆发的一年，各大厂商都会推出搭载人工智能的智能手机。三星Galaxy S25系列全球上市了。三星Galaxy S25系列包含S25、S25和S25 Ultra三款机型，起售价为800美元（约合人民币5800元）。全系搭载骁龙8 Elite芯…...

编程日记 2025/5/11 18:21:04

Vue2官网教程查漏补缺学习笔记 - 3Vue实例4模板语法5计算属性监听器

3 Vue实例 3.1 创建一个 Vue 实例每个 Vue 应用都是通过用 Vue 函数创建一个新的 Vue 实例开始的： var vm new Vue({// 选项 })虽然没有完全遵循 MVVM 模型，但是 Vue 的设计也受到了它的启发。因此在文档中经常会使用 vm (ViewModel 的缩写) 这个变…...

编程日记 2025/5/14 6:03:15

2025年数学建模美赛：A题分析（1）Testing Time: The Constant Wear On Stairs

2025年数学建模美赛 A题分析（1）Testing Time: The Constant Wear On Stairs 2025年数学建模美赛 A题分析（2）楼梯磨损分析模型 2025年数学建模美赛 A题分析（3）楼梯使用方向偏好模型 2025年数学建模美赛 A题分…...

编程日记 2025/5/12 3:22:47

WPS数据分析000007

目录一、分列智能分列出生日期数值转换公式不运算二、数据对比离职员工新入职员工都在职的员工三、合并计算四、拆分表格合并表格一、分列智能分列出生日期数据求和文本型数字左对齐；数值型数字右对齐数值转换方式一： 方…...

编程日记 2025/5/15 21:54:08

oracle 19C RAC打补丁到19.26

oracle 19CRAC打补丁到19.26 本文只保留简介命令和每个命令大概的用时，方便大家直接copy使用，并了解每个命令的预期时间，减少命令执行期的等待焦虑。 1.本次所需的补丁如下 p6880880_190000_Linux-x86-64.zip （.43的opatch&…...

编程日记 2025/5/16 14:17:18

在消息传递中定制聚合操作安装Pytorch和PyG # 安装所需的包 import os import torch os.environ[TORCH] = torch.__version__# 以下是安装命令，实际运行时可取消注释 #!pip install -q torch-scatter -f https://data.pyg.org/whl/torch-${TORCH}.html #!pip install -q to…...

编程日记 2025/5/13 23:52:48

MySQL安装教程

一、下载点开下面的链接：下载地址点击Download 就可以下载对应的安装包了, 安装包如下: 二、解压下载完成后我们得到的是一个压缩包，将其解压，我们就可以得到MySQL 8.0.34 的软件本体了(就是一个文件夹)，我们可以把它放在你想…...

编程日记 2025/5/11 21:04:56

信息学奥赛一本通 1390：食物链【NOI2001】| 洛谷 P2024 [NOI2001] 食物链

【题目链接】 ybt 1390：食物链【NOI2001】洛谷 P2024 [NOI2001] 食物链【题目考点】 1. 种类并查集 2. 带权并查集【解题思路】解法1：种类并查集已知有三类动物A、B、C。A吃B，B吃C，C吃A。对于B类动物来说&#xff0c…...

编程日记 2025/5/14 3:14:27

Linux网络之序列化和反序列化

目录序列化和反序列化上期我们学习了基于TCP的socket套接字编程接口，并实现了一个TCP网络小程序，本期我们将在此基础上进一步延伸学习，实现一个网络版简单计算器。序列化和反序列化在生活中肯定有这样一个情景。上图大家肯定不陌生&a…...

编程日记 2025/5/16 12:23:36

【Django教程】用户管理系统

Get Started With Django User Management 开始使用Django用户管理 By the end of this tutorial, you’ll understand that: 在本教程结束时，您将了解： Django’s user authentication is a built-in authentication system that comes with pre-conf…...

编程日记 2025/5/10 18:59:29

万字长文总结前端开发知识---JavaScriptVue3Axios

JavaScript学习目录一、JavaScript1. 引入方式1.1 内部脚本 (Inline Script)1.2 外部脚本 (External Script) 2. 基础语法2.1 声明变量2.2 声明常量2.3 输出信息 3. 数据类型3.1 基本数据类型3.2 模板字符串 4. 函数4.1 具名函数 (Named Function)4.2 匿名函数 (Anonymous Fun…...

编程日记 2025/5/14 17:58:59

React基础

前言 （2021年笔记）补充记录 React基础前言React讲义一、create-react-app二、关于React1、React的起源和发展2、React与传统MVC的关系3、React高性能的体现：虚拟DOM4、React的特点和优势三、编写第一个react应用程序四、元素与组件1、函数…...

编程日记 2025/5/15 9:39:36