当前位置：首页 > news >正文

Python入门（18）--实战项目

news 来源：原创 2025/7/15 23:19:14

机器学习实战项目指南 🤖

项目概览 🌐

本项目是一个综合性的机器学习入门实战指南，通过实际案例展示机器学习项目的完整生命周期，包括数据处理、模型训练、评估和部署等关键环节。

1. 系统架构 🏗️

1.1 核心组件

数据处理模块
- 数据清洗与预处理
- 特征工程
- 数据集划分
- 数据增强
- 特征选择
模型训练模块
- 模型选择
- 参数调优
- 交叉验证
- 模型集成
- 训练监控
评估与分析模块
- 性能指标计算
- 结果可视化
- 模型解释
- 错误分析
- 对比实验
预测系统模块
- 模型部署
- API服务
- 批量预测
- 结果输出
- 监控反馈

2. 技术栈 🛠️

核心框架:
- scikit-learn
- tensorflow
- pytorch
- xgboost
数据处理:
- pandas
- numpy
- scipy
可视化:
- matplotlib
- seaborn
- plotly
部署:
- flask
- fastapi
- docker
监控:
- mlflow
- wandb
- tensorboard

3. 系统详细设计 📋

3.1 数据处理流水线

from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.model_selection import train_test_split
import pandas as pd
import numpy as npclass DataPipeline:def __init__(self, config: dict):self.config = configself.scaler = StandardScaler()self.label_encoder = LabelEncoder()def load_data(self, file_path: str) -> pd.DataFrame:"""加载数据集并进行基础检查"""df = pd.read_csv(file_path)print(f"数据集形状: {df.shape}")print(f"缺失值统计:\n{df.isnull().sum()}")return dfdef preprocess_features(self, df: pd.DataFrame) -> pd.DataFrame:"""特征预处理"""# 处理缺失值for col in df.columns:if df[col].isnull().sum() > 0:if df[col].dtype in ['int64', 'float64']:df[col].fillna(df[col].mean(), inplace=True)else:df[col].fillna(df[col].mode()[0], inplace=True)# 特征编码categorical_cols = df.select_dtypes(include=['object']).columnsfor col in categorical_cols:df[col] = self.label_encoder.fit_transform(df[col])# 特征缩放numerical_cols = df.select_dtypes(include=['int64', 'float64']).columnsdf[numerical_cols] = self.scaler.fit_transform(df[numerical_cols])return dfdef create_features(self, df: pd.DataFrame) -> pd.DataFrame:"""特征工程"""# 示例：创建交互特征for col1 in df.columns:for col2 in df.columns:if col1 != col2 and df[col1].dtype in ['int64', 'float64'] and df[col2].dtype in ['int64', 'float64']:df[f'{col1}_{col2}_interaction'] = df[col1] * df[col2]return df

3.2 模型训练管理器

from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from typing import Dict, Any
import mlflow
import joblibclass ModelTrainer:def __init__(self, config: Dict[str, Any]):self.config = configself.models = {'random_forest': RandomForestClassifier(),'gradient_boosting': GradientBoostingClassifier(),'logistic_regression': LogisticRegression()}self.param_grids = {'random_forest': {'n_estimators': [100, 200, 300],'max_depth': [None, 10, 20, 30],'min_samples_split': [2, 5, 10]},'gradient_boosting': {'n_estimators': [100, 200],'learning_rate': [0.01, 0.1],'max_depth': [3, 5, 7]},'logistic_regression': {'C': [0.1, 1.0, 10.0],'penalty': ['l1', 'l2']}}def train_model(self, X_train, y_train, model_name: str):"""训练模型并进行参数调优"""mlflow.start_run()# 记录训练参数mlflow.log_params(self.config)# 网格搜索最优参数model = self.models[model_name]grid_search = GridSearchCV(model,self.param_grids[model_name],cv=5,scoring='accuracy',n_jobs=-1)grid_search.fit(X_train, y_train)# 记录最优参数和性能指标mlflow.log_params(grid_search.best_params_)mlflow.log_metric('best_score', grid_search.best_score_)# 保存模型mlflow.sklearn.log_model(grid_search.best_estimator_, "model")mlflow.end_run()return grid_search.best_estimator_

3.3 模型评估器

from sklearn.metrics import accuracy_score, precision_recall_fscore_support
from sklearn.metrics import confusion_matrix, roc_curve, auc
import matplotlib.pyplot as plt
import seaborn as sns
from typing import Dict, Anyclass ModelEvaluator:def __init__(self):self.metrics = {}def evaluate_model(self, model, X_test, y_test) -> Dict[str, Any]:"""综合评估模型性能"""# 获取预测结果y_pred = model.predict(X_test)y_pred_proba = model.predict_proba(X_test)[:, 1]# 计算各项指标accuracy = accuracy_score(y_test, y_pred)precision, recall, f1, _ = precision_recall_fscore_support(y_test, y_pred, average='weighted')# 计算ROC曲线fpr, tpr, _ = roc_curve(y_test, y_pred_proba)roc_auc = auc(fpr, tpr)self.metrics = {'accuracy': accuracy,'precision': precision,'recall': recall,'f1': f1,'roc_auc': roc_auc}return self.metricsdef plot_results(self, y_test, y_pred):"""可视化评估结果"""# 混淆矩阵plt.figure(figsize=(10, 8))cm = confusion_matrix(y_test, y_pred)sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')plt.title('Confusion Matrix')plt.ylabel('True Label')plt.xlabel('Predicted Label')plt.show()# 性能指标柱状图plt.figure(figsize=(10, 6))metrics_df = pd.DataFrame(list(self.metrics.items()),columns=['Metric', 'Value'])sns.barplot(x='Metric', y='Value', data=metrics_df)plt.title('Model Performance Metrics')plt.xticks(rotation=45)plt.show()

3.4 预测系统服务

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import numpy as np
import joblib
from typing import List, Dictclass PredictionRequest(BaseModel):features: List[float]class PredictionService:def __init__(self, model_path: str):self.model = joblib.load(model_path)self.app = FastAPI()self.setup_routes()def setup_routes(self):@self.app.post("/predict")async def predict(request: PredictionRequest):try:features = np.array(request.features).reshape(1, -1)prediction = self.model.predict(features)probability = self.model.predict_proba(features)return {"prediction": int(prediction[0]),"probability": float(probability[0][1]),"status": "success"}except Exception as e:raise HTTPException(status_code=500,detail=f"预测失败: {str(e)}")def start(self, host: str = "0.0.0.0", port: int = 8000):import uvicornuvicorn.run(self.app, host=host, port=port)

4. 部署与优化 🚀

4.1 Docker部署配置

FROM python:3.9-slimWORKDIR /appCOPY requirements.txt .
RUN pip install -r requirements.txtCOPY . .EXPOSE 8000CMD ["python", "main.py"]

4.2 性能优化建议

数据处理优化
- 使用增量学习
- 特征选择优化
- 数据采样策略
- 并行处理
模型优化
- 模型压缩
- 量化技术
- 模型蒸馏
- 超参数优化
部署优化
- 批量预测
- 模型缓存
- 负载均衡
- 资源管理

5. 实践案例 📊

5.1 信用卡欺诈检测

# 完整示例代码
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split# 生成示例数据
X, y = make_classification(n_samples=10000,n_features=20,n_informative=15,n_redundant=5,random_state=42
)# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42
)# 初始化组件
data_pipeline = DataPipeline(config={})
model_trainer = ModelTrainer(config={})
evaluator = ModelEvaluator()# 数据预处理
X_train_processed = data_pipeline.preprocess_features(pd.DataFrame(X_train))
X_test_processed = data_pipeline.preprocess_features(pd.DataFrame(X_test))# 模型训练
model = model_trainer.train_model(X_train_processed,y_train,'random_forest'
)# 模型评估
metrics = evaluator.evaluate_model(model, X_test_processed, y_test)
evaluator.plot_results(y_test, model.predict(X_test_processed))# 部署预测服务
prediction_service = PredictionService('model.joblib')
prediction_service.start()

6. 进阶主题 🎓

高级模型技术
- 深度学习模型
- 迁移学习
- 自动机器学习
- 强化学习
特殊场景处理
- 不平衡数据
- 小样本学习
- 在线学习
- 多标签分类
工程化实践
- CI/CD流程
- A/B测试
- 模型监控
- 版本控制

结语

本项目提供了机器学习实战的完整框架，从数据处理到模型部署的各个环节都有详细说明和代码实现。通过这个项目，读者可以快速掌握机器学习项目的开发流程和最佳实践。

学习资源:

示例代码库
在线文档
视频教程
实践练习
常见问题解答

如果你觉得这篇文章有帮助，欢迎点赞转发，也期待在评论区看到你的想法和建议！👇

咱们下一期见！

Python入门（18）--实战项目

机器学习实战项目指南 🤖 项目概览 🌐 本项目是一个综合性的机器学习入门实战指南，通过实际案例展示机器学习项目的完整生命周期，包括数据处理、模型训练、评估和部署等关键环节。 1. 系统架构 🏗️ 1.1 核心组件 …...

编程日记 2025/7/15 23:19:14

DRM(数字权限管理技术)防截屏录屏----视频转hls流加密、web解密播放

提示：视频转hls流加密、web解密播放需求：研究视频截屏时，播放器变黑，所以先研究的视频转hls流加密文章目录 [TOC](文章目录) 前言一、工具ffmpeg、openssl二、后端nodeexpress三、web播放四、文档总结前言 ‌HLS流媒体协议‌&a…...

编程日记 2025/7/15 23:14:44

在linux上部署Tomcat方法

上传jdk,配置运行环境解压jdk安装包将jdk文件夹移动到/usr/local/jdk目录下配置java环境变量vim /etc/profile 使环境变量生效，并且查看是否配置成功安装tomcat，上传tomcat软件包解压tomcat软件包将tomcat解压文件移动到/usr/local/tomcat/下启动…...

编程日记 2025/7/15 22:57:04

Git 使用问题与解决方案

Git 使用问题与解决方案目录常见错误及原因分析检查当前使用 HTTPS 或 SSH如何切换远程仓库到 SSHSSH 密钥的配置与验证错误解决步骤总结与参考 1. 常见错误及原因分析错误提示 fatal: unable to access https://github.com/username/repository.git/: Failed to connect…...

编程日记 2025/7/11 21:40:07

LeetCode 热题 100_最大子数组和(13_53)（贪心算法 ||动态规划）

LeetCode 热题 100_最大子数组和（13_53） 题目描述：输入输出样例：题解：解题思路：代码实现（思路二（贪心算法 ||动态规划））： 题目描述： …...

编程日记 2025/7/8 6:09:18

Z2400023基于Java+Servlet+jsp+mysql的酒店管理系统的设计与实现源码调试文档

酒店管理系统的设计与实现 1.摘要2.主要功能3. 项目技术栈运行环境 4.系统界面截图5.源码获取 1.摘要本文介绍了一个基于Java的酒店管理系统，该系统采用Servlet、JSP、JDBC以及c3p0等技术构建，为酒店提供了一个全面的管理平台。该系统不仅适合酒店进行…...

编程日记 2025/7/15 23:14:42

T3 TensorFlow入门实战——天气识别

🍨 本文為🔗365天深度學習訓練營中的學習紀錄博客🍖 原作者：K同学啊 | 接輔導、項目定制一、前期准备 1. 导入数据 # Import the required libraries import numpy as np import os,PIL,pathlib import matplotlib.pyplot as …...

编程日记 2025/7/11 8:11:00

vue3 多种方式接受props，定义ref,reactive

定义props 1 第一种 interface AddType { dialogStudyVisible: boolean; } const props defineProps<AddType>(); 第二种 // const props defineProps({ // dialogStudyVisible:{ // type:Boolean, // default:false // } // }) 第三种 // const …...

编程日记 2025/7/15 22:57:56

15：00面试，15：06就出来了，问的问题有点变态。。。

从小厂出来，没想到在另一家公司又寄了。到这家公司开始上班，加班是每天必不可少的，看在钱给的比较多的份上，就不太计较了。没想到9月一纸通知，所有人不准加班，加班费不仅没有了，薪资还要降40%…...

编程日记 2025/7/15 23:06:00

vue3 数字滚动插件vue3-count-to

安装 npm i vue3-count-to -S 引入 import { CountTo } from vue3-count-to 使用 <countTo :startVal"0" :endVal"57.63" :decimals"0" :duration"3000"></countTo> 所有配置...

编程日记 2025/7/3 18:34:16

Android 手写签名板

文章目录 Android 手写签名板概述效果代码实现源码下载 Android 手写签名板概述手写签名板功能，支持图片保存、支持去除空白区域。效果生成图片效果： 代码实现定义属性： <declare-styleable name"SignatureView">&…...

编程日记 2025/7/15 4:37:55

Java基础夯实——2.9 多线程如何共享数据

在 Java 多线程编程中，共享数据通过以下几种方式实现： 1. 使用共享对象多个线程可以通过引用同一个对象来实现数据共享。例如： class SharedData {private int count;public synchronized void increment() {count;}public synchronized …...

编程日记 2025/7/13 6:42:05

京准电钟：NTP网络校时服务器从入门到精准

京准电钟：NTP网络校时服务器从入门到精准京准电钟：NTP网络校时服务器从入门到精准 1.前言由计算机网络系统组成的分布式系统，若想协调一致进行：IT行业的“整点开拍”、“秒杀”、“Leader选举”，通信行业的“同步…...

编程日记 2025/7/15 22:57:57

【C++习题】15.滑动窗口_串联所有单词的子串

文章目录题目链接：题目描述：解法C 算法代码：图解题目链接： 30. 串联所有单词的子串题目描述： 解法滑动窗口哈希表这题和第14题不同的是： 哈希表不同：hash<string,int>left与right指…...

编程日记 2025/7/15 17:22:36

【好玩的经典游戏】Docker环境下部署贪吃蛇网页小游戏（二）

【好玩的经典游戏】Docker环境下部署贪吃蛇网页小游戏（二）一、贪吃蛇小游戏介绍1.1 小游戏简介1.2 项目预览二、本次实践介绍2.1 本地环境规划2.2 本次实践介绍三、本地环境检查3.1 检查Docker服务状态3.3 检查Docker版本3.4 检查docker compose 版本四、下载容器镜像五、部…...

编程日记 2025/7/15 12:39:37

《Python Web 抓取实战：豆瓣电影 Top 250 数据抓取与分析》

引言在信息爆炸的时代，掌握数据获取的能力显得尤为重要。通过数据抓取，我们可以从互联网上获取大量有价值的信息，并进行深入分析。本文将介绍如何使用 Python 进行 Web 抓取，以豆瓣电影 Top 250 为例，展示数据抓取的…...

编程日记 2025/7/8 9:53:30

Qt-系统相关(2)多线程网络

Qt多线程在 Qt 中，多线程的处理⼀般是通过 QThread类来实现。 QThread 代表⼀个在应⽤程序中可以独⽴控制的线程，也可以和进程中的其他线程共享数据。 QThread 对象管理程序中的⼀个控制线程。 QThread 常⽤ API： 使用线程关于创建线程…...

编程日记 2025/7/14 20:15:02

代码随想录算法训练营第五十九天|Day59 图论

Bellman_ford 算法精讲 https://www.programmercarl.com/kamacoder/0094.%E5%9F%8E%E5%B8%82%E9%97%B4%E8%B4%A7%E7%89%A9%E8%BF%90%E8%BE%93I.html 思路 #include <stdio.h> #include <stdlib.h> #include <limits.h>#define MAXM 10000 // 假设最大边数为1…...

编程日记 2025/7/15 16:39:15

SpringBoot集成ESAPI

官网地址：https://github.com/ESAPI/esapi-java-legacy 一、POM依赖 <dependency><groupId>org.owasp.esapi</groupId><artifactId>esapi</artifactId><version>2.6.0.0</version> <!-- Preferably the latest ver…...

编程日记 2025/7/14 11:25:02

Git 进程占用报错-解决方案

背景大仓库，由于开发者分支较多，我们在使用 git pull 或 git push 等命令时（与远端仓库交互的命令），不知之前配置了什么，我的电脑会必现以下报错（有非常长一大串报错-不同分支的git进程占用报…...

编程日记 2025/7/15 11:51:20

python怎么设置静态变量

众所周知，Python语言并不支持静态变量，比如下面这样一个应用场景： void foo() {static int count 0;count ; } 在Python中无法自然实现这个功能。换个角度来看这个问题，函数中的静态变量其实可以看做是函数的一个内部变量&#x…...

编程日记 2025/7/13 1:12:33

【H2O2|全栈】Node.js(1)

目录前言开篇语准备工作 ES6导入导出导入有名导出匿名导出 Node概念 Node导入导出导入有名导出匿名导出 Node常用模块 path模块和路径有关的全局变量常见方法导入方法 fs模块常见方法导入方法结束语前言开篇语本系列博客主要分享Java…...

编程日记 2025/7/11 17:55:42

SJYP 24冬季系列 FROZEN CHARISMA发布

近日，女装品牌SJYP 2024年冬季系列——FROZEN CHARISMA已正式发布，展现了更加干练的法式风格。此次新品发布不仅延续了SJYP一贯的强烈设计风格和个性时尚，更融入了法式风情的干练元素，为消费者带来了一场视觉与穿着的双重盛宴。　…...

编程日记 2025/7/14 5:02:16

嵌入式硬件实战基础篇(四)多路直流稳压电源

设计一个多路直流稳压电源要求设计制作一个多路输出直流稳压电源,可将220 V / 5 0HZ交流电转换为5路直流稳压输出。具体要求： 输出直流电压 12V， 5V;和一路输出3- 15V连续可调直流稳压电源: 输出电流Iom500mA; 稳压系数 Sr≤0.05;...

编程日记 2025/7/8 1:38:07

力扣_876. 链表的中间结点

力扣_876. 链表的中间结点给你单链表的头结点 head ，请你找出并返回链表的中间结点。如果有两个中间结点，则返回第二个中间结点。输入：head [1,2,3,4,5] 输出：[3,4,5] 解释：链表只有一个中间结点，值为…...

编程日记 2025/7/11 4:23:26

shell脚本命令（一）

shell脚本命令（一） 一、Shell 基础知识 Shell的基本概念定义： Shell 是操作系统中的命令解释器，位于用户与操作系统内核之间。它接收并解释用户输入的命令，将任务传递给操作系统内核执行，然后将执行结果…...

编程日记 2025/7/10 17:28:05

一文理解多模态大语言模型——上

作者：Sebastian Raschka 博士， 翻译：张晶，Linux Fundation APAC Open Source Evangelist 编者按：本文并不是逐字逐句翻译，而是以更有利于中文读者理解的目标，做了删减、重构和意译&#xff0c…...

编程日记 2025/7/13 21:16:37

[代码随想录Day24打卡] 93.复原IP地址 78.子集 90.子集II

93.复原IP地址一个合法的IP地址是什么样的： 有3个’.分割得到4个数，每个数第一个数不能是0，不能含有非法字符，不能大于255。这个是否属于合法IP相当于一个分割问题，把一串字符串分割成4部分，分别判断每…...

编程日记 2025/7/15 16:56:08

去哪儿大数据面试题及参考答案

Hadoop 工作原理是什么？ Hadoop 是一个开源的分布式计算框架，主要由 HDFS（Hadoop 分布式文件系统）和 MapReduce 计算模型两部分组成。 HDFS 工作原理 HDFS 采用主从架构，有一个 NameNode 和多个 DataNode。NameNode 负责管理文件系统的命名空间，维护文件和目录的元数据信…...

编程日记 2025/7/6 13:39:54

controller中的参数注解@Param @RequestParam和@RequestBody的不同

现在controller中有个方法：（LoginUserRequest是一个用户类对象） PostMapping("/test/phone")public Result validPhone(LoginUserRequest loginUserRequest) {return Result.success(loginUserRequest);}现在讨论Param("login…...

编程日记 2025/7/12 23:47:10

排序算法思维导图

冒泡排序 def bubble_sort(alist):j 0while j < len(alist):i 0while i < len(alist) - 1:if alist[i] > alist[i1]:alist[i], alist[i1] alist[i1], alist[i]i 1j 1li [34,556,235,7,56,45,63,35,23,4,875] bubble_sort(li) print(li) 选择排序 def select_s…...

编程日记 2025/7/15 1:35:51

ZYNQ试用于哪些场景

ZYNQ系列SoC（System on Chip）由于其独特的处理器与FPGA（可编程逻辑）集成设计，非常适合应用于多种需要高性能、灵活性和低功耗的场景。以下是一些ZYNQ特别适用的场景： 嵌入式系统：ZYNQ的ARM处理…...

编程日记 2025/7/9 14:48:14

【03】Selenium+Python 八种定位元素方法

操作元素，需要先查找定位到对应的元素。查找单个元素：driver.find_element() 返回是一个web element 对象查找多个元素：driver.find_elements() 返回是一个list对象 By 是 Selenium 中一个非常重要的类，用于定位网页元素。使…...

编程日记 2025/7/15 4:42:47

Java 自动资源管理（Auto Resource Management）详解

Java 自动资源管理（Auto Resource Management）详解在Java编程中，资源的正确管理是开发过程中一个非常重要的环节。如果资源（如文件、数据库连接、网络连接等）未被正确释放，可能会导致资源泄漏&#xff0c…...

编程日记 2025/7/13 1:08:56

IT运维专家给年轻人一些职业上的建议

运维工作在现代企业中是非常重要的一环，保证系统的稳定性、可用性以及安全性对企业的正常运营至关重要。以下是我给年轻人的一些职业发展建议，希望能够帮助你们在运维领域找到方向并取得成功。 1. 夯实基础，扎实技术功底精通操作系统与网络：运维工作需要深入理解操作系统…...

编程日记 2025/7/15 1:28:26

视图查询中投影裁剪规则的原理和解析 | OceanBase 查询优化

背景在SQL查询中使用视图查询时，执行中可能会产生的较多的中间结果集。为了优化这类查询的执行，OceanBase 引入了投影裁剪规则。能够识别出父查询中未实际使用的列，并将这些列从视图查询的select列表中剔除，进而提升整体查询的性…...

编程日记 2025/7/9 15:52:40

利用Nginx在服务器上部署你的第一个静态页面

文章目录序言Nginx常用功能1. 反向代理2.负载均衡轮询加权轮询IP_Hash Nginx配置文件结构安装并部署你的静态网页1. 安装(懒人直接看3)2.查看配置文件3.编写或放入自己的静态页面文件序言首先我们先来认识一下什么是Nginx源码官网 Nginx (engine x) 是一个高性能的HTTP和…...

编程日记 2025/7/8 14:54:17

【拥抱AI】RAG如何通过分析反馈、识别问题来提高命中率

分析用户反馈并识别问题是持续优化RAG系统的重要步骤。这不仅可以帮助你了解系统的当前表现，还可以指导未来的改进方向。直接进入正题， 1. 收集用户反馈方法问卷调查：设计问卷，让用户填写他们对系统输出的满意度、易用性等方…...

编程日记 2025/7/15 16:29:54

内核模块签名验证

安装内核模块报错今天在调试地平线 J6 板子时，安装自己编译的内核模块报错 roothobot:/tmp# insmod hobot_eth_j6.ko insmod: ERROR: could not insert module hobot_eth_j6.ko: Key was rejected by service前两天刚在 x86 电脑上解决过这个问题，参…...

编程日记 2025/7/15 8:37:20

C++模板（入门）

文章目录泛型编程函数模板函数模板的概念函数模板格式函数模板的原理函数模板的实例化隐式实例化显示实例化模板参数的匹配类模板为什么有类模板类模板的定义格式类模板的实例化Stack模板类的简单实现（不涉及深拷贝） 模板的注意问题模板不支持分离编译…...

编程日记 2025/7/8 8:21:38

如何在Python中进行数学建模？

数学建模是数据科学中使用的强大工具，通过数学方程和算法来表示真实世界的系统和现象。Python拥有丰富的库生态系统，为开发和实现数学模型提供了一个很好的平台。本文将指导您完成Python中的数学建模过程，重点关注数据科学中的应用。数学建…...

编程日记 2025/7/13 17:55:22

C++优质学习资源汇总

1 学懂C语言-C核心编程精讲学懂C语言-C核心编程精讲该课程基本把面试所需要的C常用的网络等教程均进行讲解，满足基本需求...

编程日记 2025/7/12 3:36:20

心情追忆：构建支付模块的五个基本接口设计

之前，我独自一人开发了一个名为“心情追忆”的小程序，旨在帮助用户记录日常的心情变化及重要时刻。我从项目的构思、设计、前端（小程序）开发、后端搭建到最终部署。经过一个月的努力，通过群聊分享等方式，用…...

编程日记 2025/7/9 21:13:16

数据库导论

data 数据是数据库中存储的基本数据，描述事物的符号称为数据。 DB 数据库是长期存储在计算机内，有组织，可共享的大量数据的集合。数据库中的数据按照一定的数据模型组织，描述和存储，具有较小的冗余度，较…...

编程日记 2025/7/10 19:49:54

echarts使用示例

柱状图折线图折柱混合：https://echarts.apache.org/examples/zh/editor.html?cmix-line-bar option {title:{show: true},tooltip: {trigger: axis,axisPointer: {type: cross,crossStyle: {color: #999}}},toolbox: {feature: {dataView: { show: true, readOnl…...

编程日记 2025/7/14 1:34:22

选修课（Java Python JS C++ C ）

题目描述现有两门选修课，每门选修课都有一部分学生选修，每个学生都有选修课的成绩，需要你找出同时选修了两门选修课的学生，先按照班级进行划分，班级编号小的先输出，每个班级按照两门选修课成绩和的降序排序，成绩相同时按照学生的学号升序排序。输入描述第一行为第…...

编程日记 2025/7/11 10:14:17

《解锁 C++数据读写秘籍：赋能人工智能训练》

在人工智能蓬勃发展的时代，数据无疑是驱动模型学习与成长的核心燃料。而 C作为一门高性能编程语言，在处理人工智能训练所需数据集的读取与写入时，有着独特的优势与关键作用。高效地运用 C进行数据操作，能够显著加速训练进程&#…...

编程日记 2025/7/13 13:13:12

23种设计模式-外观(Facade)设计模式

文章目录一.什么是外观设计模式？二.外观设计模式的特点三.外观设计模式的结构四.外观设计模式的优缺点五.外观设计模式的 C 实现六.外观设计模式的 JAVA 实现七.代码解析八.总结类图： 外观设计模式类图一.什么是外观设计模式？ 外观设计模…...

编程日记 2025/7/15 8:37:28

ReactPress（阮一峰推荐工具）：一款基于Next.js的免费开源博客CMS系统

ReactPress Github项目地址：https://github.com/fecommunity/reactpress 欢迎Star。此项目是用于构建博客网站的，包含前台展示、管理后台和后端。此项目是基于 React antd NestJS NextJS MySQL 的，项目已经开源，项目地址在 …...

编程日记 2025/7/14 7:47:10

什么是缓存击穿？如何避免之布隆过滤器

缓存击穿（Cache Penetration）是分布式系统和缓存使用中的一个常见问题，布隆过滤器在解决缓存击穿问题时非常有用。接下来我会介绍缓存击穿的概念以及布隆过滤器在解决该问题中的应用。什么是缓存击穿？ 缓存击穿是指当大量的客户…...

编程日记 2025/7/12 23:32:01