numpy pandas

news2025/5/9 12:41:18

视频链接

numpy

numpy是基于一个矩阵的运算

矩阵的属性

import numpy as np


# 把一个列表转换成矩阵的方法
array = np.array([[1,2,3],[3,4,5]])

# 打印矩阵
print(array)

# 维度
print('number of dim:',array.ndim)

# 行数和列数
print('shape:',array.shape)

# 总共有多少个元素在里面
print('size:',array.size)

生成矩阵

import numpy as np

array = np.array([[1,2,3],[3,4,5]],dtype=np.int)

# 矩阵里的元素的数据类型
print(a.dtype)

# 生成一个0矩阵
a1 = np.zeros((3,4))
print(a)

# 生成一个全是1的矩阵
a2 = np.ones((1,4),dtpye=np.int16)

# 生成一个空矩阵
a3 = np.empty((3,4))

# 生成一个有序的矩阵
a4 = np.arange(10,20,2)

# 有序和矩阵形状结合
a5 = np.arange(12).reshape((3,4))

# 一个线段
a6 = np.linspace(1,10,6).reshape(2,3)

numpy的基础运算

import numpy as np

a1 = np.array([10,20,30,40])
b1 = np.arange(4)

# 减法
c1 = a1 - b1
print(c1)

# 加法
c2 = a1 - b1
print(c2)

# 乘法
c3 = a1 * b1
print(c3)

# 次方
c4 = a1**2 
print(c4)

# 三角运算
# 注：这里的sin 可以换成cos，tan
c5 = 10*np.sin(a1)
print(c5)

# 列表中的大小关系
a2 = np.arange(1,5)  
print(a2)  
print(a2>3)

# [1 2 3 4]
# [False False False  True]

# 乘法

a3 = np.array([[1,1],[0,1]])
b3 = np.arange(4).reshape((2,2))

c = a*b  # 逐一相乘
c_dot = np.dot(a,b) # 矩阵乘法
c_dot_2 = a.dot(b)  # 矩阵乘法的另外一种形式

print(c)
print(c_dot)
print(c_dot_2)

# [[0 1]
# [0 3]]
# [[2 4]
# [2 3]]


# 随机生成一些值
a = np.random.random(2,3)

print(a)
print(np.sum(a,axis=1))
print(np.min(a,axis=0))
print(np.max(a,axis=1))
# 注：axis=1 是在每一行中进行处理，最后返回是一个矩阵
# 注：axis=0 是在每一列中进行处理，最后返回是一个矩阵
# 注：axis 对矩阵的大多数指令都有用

numpy的基础运算2

import numpy as np

A = np.arange(2,14).reshape((3,4))

# 整个矩阵的最大值和最小值

print(np.argmin(A))
print(np.argmax(A))

#平均值

print(np.mean(A))
print(A.mean())

print(np.average(A))

# 求中位数

print(np.median(A))

# 求和

print(A)
print(np.cumsum(A))
print(np.diff(A)) # 累差

# [[ 2  3  4  5]
 [ 6  7  8  9]
 [10 11 12 13]]
#[ 2  5  9 14 20 27 35 44 54 65 77 90]


# 排序
print(np,.sort(A)) # 逐行排序


# 转置
print(A)
print(np.transpose(A))
print(A.T)

# 让所有小于5的数字变成5，让所有大于9的数字，变成9
print(np.clip(A,5,9))

np的索引

矩阵合并

有些不是很懂，先这样

 A = np.array([1,1,1])
 B = np.array([2,2,2])

# vertical stack 向下的合并
C1 = np.vstack((A,B))
print(A.shape,C.shape)

# horizontal 左右合并
C2 = np.hstack((A,B))
print(C2)


# 这里将A，B转了一个方向
A = A[:,np.newaxis]
B = B[:,np.newaxis]

# 多矩阵，可要求方向的合并

C3 = np.concatenate((A,B,B,A),axis=0)

分隔矩阵

import numpy as np

A = np.arange(12),reshape((3,4))

# 分隔
print(np.split(A,2,axis=1))

# 不等分隔
print(np.array_split(A,3,axis=1))

# 分隔
print(np.vsplit(A,3))
print(np.hsplit(A,2))

赋值和复制

import numpy as py
a = np.arrange(4)

b = a
c = a
d = b
a[0] = 11

print(b) # b 也会变，因为a和b，c，d都指向一个实体


# deep copy
b1 = a.copy()

Pandas

创建一个DataFrame

import pandas as pd
import numpy as np


# 创建pandas的一个序列

s = pd.Series([1,2,3,np.nan,44,1])
print(s)

0     1.0
1     2.0
2     3.0
3     NaN
4    44.0
5     1.0
dtype: float64


# 创建一个dataform

dates = pd.date_range('20250507',periods=6)
print(dates)

DatetimeIndex(['2025-05-07', '2025-05-08', '2025-05-09', '2025-05-10','2025-05-11', '2025-05-12'],
dtype='datetime64[ns]', freq='D')



df1 = pd.DataFrame(np.random.randn(6,4),index=dates,columns=['a','b','c','d'])

                   a         b         c         d
2025-05-07  1.707762  1.067165 -0.030727 -0.501342
2025-05-08 -0.743115 -0.543604  0.591870 -1.422352
2025-05-09  0.418383 -1.863935 -1.131557 -0.529528
2025-05-10  1.242757 -0.054061  1.878575  1.810151
2025-05-11 -0.392040 -0.467716 -1.235588  0.007852
2025-05-12 -1.293517  0.573971  0.913581 -0.293789


# 默认状态下的DataFrame的（第一）横竖栏
df2 = pf.DataFrame(np.arange(12).reshape((3,4)))

   0  1   2   3
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11

# 用字典生成DataFrame

df3 = pd.DataFrame({
	'A':1,
	'B':pd.Timestamp('20252507'),
	'C':pd.Series(1,index=list(range(4)),dtype='float32')
	'D':np.array([3]*4,dtype='int32'),
	'E':pd.Categorical(["test","train","test","train"]),
	'F':'foo'
})


   A          B    C  D      E    F
0  1 2025-05-07  1.0  3   test  foo
1  1 2025-05-07  1.0  3  train  foo
2  1 2025-05-07  1.0  3   test  foo
3  1 2025-05-07  1.0  3  train  foo

DataFrame的属性

# 输出每一列的属性
print(df3.dtypes)

A            int64
B    datetime64[s]
C          float32
D            int32
E         category
F           object
dtype: object


# 输出所有行的名字
print(df2.index)
RangeIndex(start=0, stop=3, step=1)


# 输出所有的列的名字
print(df2.columns)
RangeIndex(start=0, stop=4, step=1)


# 输出所有的values
print(df2.values)
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

# 处理表中的一些数学运算
print(df2.describe())

         0    1     2     3
count  3.0  3.0   3.0   3.0
mean   4.0  5.0   6.0   7.0
std    4.0  4.0   4.0   4.0
min    0.0  1.0   2.0   3.0
25%    2.0  3.0   4.0   5.0
50%    4.0  5.0   6.0   7.0
75%    6.0  7.0   8.0   9.0
max    8.0  9.0  10.0  11.0

# 转置
print(df2.T)
   0  1   2
0  0  4   8
1  1  5   9
2  2  6  10
3  3  7  11

# 排序
print(df2.sort_index(axis=1,ascending=False))

>>> df2.sort_index(axis=1,ascending=False)
    3   2  1  0
0   3   2  1  0
1   7   6  5  4
2  11  10  9  8
>>> df2
   0  1   2   3
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11

>>> df2.sort_index(axis=0,ascending=False)
   0  1   2   3
2  8  9  10  11
1  4  5   6   7
0  0  1   2   3
>>> df2
   0  1   2   3
0  0  1   2   3
1  4  5   6   7
2  8  9  10  11


# 排序value
print(df3.sort_values(by='E))

   A          B    C  D      E    F
0  1 2025-05-07  1.0  3   test  foo
2  1 2025-05-07  1.0  3   test  foo
1  1 2025-05-07  1.0  3  train  foo
3  1 2025-05-07  1.0  3  train  foo

选择数据

import pandas as pd
import numpy as np

dates = pd.date_range('20250507',periods=6)
df = pd.DataFrame(np.arange(24).reshape((6,4)),index=dates,columns=['A','B','C','D'])


# 直接索引（列）

print(df["A"])
print(df.A)

2025-05-07     0
2025-05-08     4
2025-05-09     8
2025-05-10    12
2025-05-11    16
2025-05-12    20
Freq: D, Name: A, dtype: int64

# 切片 （行）
print(df[0:3])
print(df['20250507':'202505010']) # 左闭右闭

            A  B   C   D
2025-05-07  0  1   2   3
2025-05-08  4  5   6   7
2025-05-09  8  9  10  11

# select by loc 
# , 前面挑选行，‘，’后面挑选列
print(df.loc['20250507']) #打印一行
print(df.loc[:,'A'])  # 打印一列
print(df.loc['20250507','B'])

# select by position:iloc
# 这里的用法和上面差不多，只不过将索引变成了数字
print(df.iloc[1,2])

# mixed selection:ix
# 上面两种的混合使用

# Boolean indexing
print(df)
print(df[df.A > 8])

>>> df
             A   B   C   D
2025-05-07   0   1   2   3
2025-05-08   4   5   6   7
2025-05-09   8   9  10  11
2025-05-10  12  13  14  15
2025-05-11  16  17  18  19
2025-05-12  20  21  22  23
>>> df[df.A >8]
             A   B   C   D
2025-05-10  12  13  14  15
2025-05-11  16  17  18  19
2025-05-12  20  21  22  23
>>>

设置值

import pandas as pd
import numpy as np

dates = pd.date_range('20250507',periods=6)
df = pd.DataFrame(np.arange(24).reshape((6,4)),index=dates,columns=['A','B','C','D'])

# 使用数据的选择来改变

df.iloc[2,2] = 1111
df.loc['20250506','B'] = 22222

# 这样是更改一行
df[df.A>0] = 0

# 更改一个,A这一列符合条件的元素将会被更改
df.A[df.A>4] = 0

# 定义一个空列
df['F'] = np.nan

# 添加一个列
df['E'] = pd.Series([1,2,3,4,5,6],index=pd.date_range('20250507',periods=6))

             A    B   C   D  (1, 1)   F  E
2025-05-07   0    1   2   3    1111 NaN  1
2025-05-08   4  100   6   7    1111 NaN  2
2025-05-09   8    9  10  11    1111 NaN  3
2025-05-10  12   13  14  15    1111 NaN  4
2025-05-11  16   17  18  19    1111 NaN  5
2025-05-12  20   21  22  23    1111 NaN  6

处理丢失数据

import pandas as pd
import numpy as np

dates = pd.date_range('20250507',periods=6)
df = pd.DataFrame(np.arange(24).reshape((6,4)),index=dates,columns=['A','B','C','D'])

>>> df.iloc[0,1] = np.nan
>>> df.iloc[1,2] = np.nan
>>> df
             A     B     C   D
2025-05-07   0   NaN   2.0   3
2025-05-08   4   5.0   NaN   7
2025-05-09   8   9.0  10.0  11
2025-05-10  12  13.0  14.0  15
2025-05-11  16  17.0  18.0  19
2025-05-12  20  21.0  22.0  23

# dropna 的使用（丢掉）

print(df.dropna(axis=1,how='any'))

>>> df.dropna(axis=1,how='any')
             A   D
2025-05-07   0   3
2025-05-08   4   7
2025-05-09   8  11
2025-05-10  12  15
2025-05-11  16  19
2025-05-12  20  23

# axis=1 丢失含nan的列
# how={'any','all'}


# 将没有数据的位置填上默认

print(df.fillna(value=0))

>>> df.fillna(value=0)
             A     B     C   D
2025-05-07   0   0.0   2.0   3
2025-05-08   4   5.0   0.0   7
2025-05-09   8   9.0  10.0  11
2025-05-10  12  13.0  14.0  15
2025-05-11  16  17.0  18.0  19
2025-05-12  20  21.0  22.0  23


# 检查有没有丢失数据

print(df,.isnull())

>>> df.isnull()
                A      B      C      D
2025-05-07  False   True  False  False
2025-05-08  False  False   True  False
2025-05-09  False  False  False  False
2025-05-10  False  False  False  False
2025-05-11  False  False  False  False
2025-05-12  False  False  False  False


print(np.any(df.isnull()) == True)

pandas的导入导出

读取文件

  • read_csv
  • read_excel
  • read_hdf
  • read_sql
  • read_json
  • read_msgpack
  • read_html
  • read_gbq
  • read_stata
  • read_sas
  • read_clipboard
  • read_pickle

保存数据

  • to_csv
  • to_excel
  • to_hdf
  • to_sql
  • to_json
  • to_msgpack
  • to_html
  • to_gbq
  • to_stata
  • to_clipboard
  • to_pickle
import pandas as pd

data = pd.read_csv('文件名')

data.to_csv('文件名')

合并

import pandas as pd
import numpy as np

# concatenating 以及它的参数

df1 = pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])
df2 = pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])
df3 = pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])


# concat
>>> res = pd.concat([df1,df2,df3],axis=0，ignore_index=True)
>>> res
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0
5  1.0  1.0  1.0  1.0
6  2.0  2.0  2.0  2.0
7  2.0  2.0  2.0  2.0
8  2.0  2.0  2.0  2.0

# join,[inner','outer']

df4 = pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'],index=[1,2,3])
df5 = pd.DataFrame(np.ones((3,4))*1,columns=['b','c','d','e'],index=[2,3,4])

# 如果直接合并，join默认是 outer
res1 = pd.conct([df1,df2])

>>> res1 = pd.concat([df4,df5])
>>> res1
     a    b    c    d    e
1  0.0  0.0  0.0  0.0  NaN
2  0.0  0.0  0.0  0.0  NaN
3  0.0  0.0  0.0  0.0  NaN
2  NaN  1.0  1.0  1.0  1.0
3  NaN  1.0  1.0  1.0  1.0
4  NaN  1.0  1.0  1.0  1.0

>>> res2 = pd.concat([df4,df5],join='inner',ignore_index=True)
>>> res2
     b    c    d
0  0.0  0.0  0.0
1  0.0  0.0  0.0
2  0.0  0.0  0.0
3  1.0  1.0  1.0
4  1.0  1.0  1.0
5  1.0  1.0  1.0



# _append
df1 = pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'],index=[1,2,3])
df2 = pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'],index=[2,3,4])

>>> res = df1._append(df2,ignore_index=True)
>>> res
     a    b    c    d
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  1.0  1.0  1.0  1.0
4  1.0  1.0  1.0  1.0
5  1.0  1.0  1.0  1.0

merge

>>> import pandas as pd
>> left = pd.DataFrame({'key':['K0','K1','K2','K3'],'A':['A0','A1','A2','A3'],'B':['B0','B1','B2','B3']})
>> right = pd.DataFrame({'key':['K0','K1','K2','K3'],'C':['C0','C1','C2','C3'],'D':['D0','D1','D2','D3']})


# merging two df by key/keys
>>> res = pd.merge(left,right,on='key')
>>> res
  key   A   B   C   D
0  K0  A0  B0  C0  D0
1  K1  A1  B1  C1  D1
2  K2  A2  B2  C2  D2
3  K3  A3  B3  C3  D3

# consider two keys

left1 = pd.DataFrame({'key1':['K0','K0','K1','K2'],'key2':['K0','K1','K0','K1'],'A':['A0','A1','A2','A3'],'B':['B0','B1','B2','B3']})

right1 = pd.DataFrame({'key1':['K0','K1','K1','K2'],'key2':['K0','K0','K0','K0'],'C':['C0','C1','C2','C3'],'D':['D0','D1','D2','D3']})


>>> res = pd.merge(left1,right1,on=['key1','key2'])
>>> res
  key1 key2   A   B   C   D
0   K0   K0  A0  B0  C0  D0
1   K1   K0  A2  B2  C1  D1
2   K1   K0  A2  B2  C2  D2
>>> left1
  key1 key2   A   B
0   K0   K0  A0  B0
1   K0   K1  A1  B1
2   K1   K0  A2  B2
3   K2   K1  A3  B3
>>> right1
  key1 key2   C   D
0   K0   K0  C0  D0
1   K1   K0  C1  D1
2   K1   K0  C2  D2
3   K2   K0  C3  D3

# how=['left','right','out','inner']
# left ---> 基于left 的key来填充

# indicator  -----> 显示怎么合并的


# left_index and right_index

>>> res1 = pd.merge(left,right,left_index=True,right_index=True,how='outer')
>>> res1
  key_x   A   B key_y   C   D
0    K0  A0  B0    K0  C0  D0
1    K1  A1  B1    K1  C1  D1
2    K2  A2  B2    K2  C2  D2
3    K3  A3  B3    K3  C3  D3

plot

>>> import pandas as pd
>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> data = pd.Series(np.random.randn(1000),index=np.arange(1000))
>>> data = data.cumsum()
>>> data.plot()
>>> plt.show()

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2371465.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Elasticsearch 中的索引模板：如何使用可组合模板

Elasticsearch 中的索引模板：如何使用可组合模板

作者：来自 Elastic Kofi Bartlett 探索可组合模板以及如何创建它们。 更多阅读： Elasticsearch：可组合的 Index templates - 7.8 版本之后 想获得 Elastic 认证吗？查看下一期 Elasticsearch Engineer 培训的时间！ El…
阅读更多...
【LeetCode 42】接雨水（单调栈、DP、双指针）

【LeetCode 42】接雨水（单调栈、DP、双指针）

题面： 思路： 能接雨水的点，必然是比两边都低（小）的点。有两种思路，一种是直接计算每个点的最大贡献（也就是每个点在纵向上最多能接多少水），另一种就是计算每个点在横向上…
阅读更多...
【JS逆向基础】前端基础-HTML与CSS

【JS逆向基础】前端基础-HTML与CSS

1，flask框架 以下是一个使用flask框架写成的serve程序 # noinspection PyUnresolvedReferences #Flash框架的基本内容from flask import Flask app Flask(__name__)app.route(/index) def index():return "hello index"app.route(/login) def login():re…
阅读更多...
手机网页提示ip被拉黑名单什么意思？怎么办

手机网页提示ip被拉黑名单什么意思？怎么办

‌当您使用手机浏览网页时，突然看到“您的IP地址已被列入黑名单”的提示，是否感到困惑和不安？这种情况在现代网络生活中并不罕见，但确实会给用户带来诸多不便。本文将详细解释IP被拉黑的含义、常见原因，并提供一系列实…
阅读更多...
CCF编程能力等级认证 一级 第一次课

CCF编程能力等级认证 一级 第一次课

介绍 CCF 编程能力等级认证（GESP）为青少年计算机和编程学习者提供学业能力验证的规则和平台，由中国计算机学会发起并主办。 每年考试分四次，时间是每年的3月、6月、9月、12月，以当年每期公布的时间为准。 GESP适用年…
阅读更多...
SpringBoot 讯飞星火AI WebFlux流式接口返回 异步返回 对接AI大模型 人工智能接口返回

SpringBoot 讯飞星火AI WebFlux流式接口返回 异步返回 对接AI大模型 人工智能接口返回

介绍 用于构建基于 WebFlux 的响应式 Web 应用程序。集成了 Spring WebFlux 模块，支持响应式编程模型，构建非阻塞、异步的 Web 应用。WebFlux 使用了非阻塞的异步模型，能够更好地处理高并发请求。适合需要实时数据推送的应用场景。 WebClie…
阅读更多...
Python爬虫中time.sleep()与动态加载的配合使用

Python爬虫中time.sleep()与动态加载的配合使用

一、动态加载网页的挑战 动态加载网页是指网页的内容并非一次性加载完成，而是通过JavaScript等技术在用户交互或页面加载过程中逐步加载。这种设计虽然提升了用户体验，但对于爬虫来说，却增加了抓取的难度。传统的爬虫方法，如简单…
阅读更多...
AtCoder Beginner Contest 404 A-E 题解

AtCoder Beginner Contest 404 A-E 题解

还是ABC好打~比ARC好打多了&#xff08; 题解部分 A - Not Found 给定你一个长度最大25的字符串&#xff0c;任意输出一个未出现过的小写字母 签到题&#xff0c;map或者数组下标查询一下就好 #include<bits/stdc.h>using namespace std;#define int long long #def…
阅读更多...
【mysql】常用命令

【mysql】常用命令

一 系统mysql用户密码查询 1、在工程目录如/usr/local/httpd/下的*.php中查找类似有db.inf的文件 以php为例。 2、在代码文件中确认有数据库连接的的功能实现 例如&#xff1a; $dbconf parse_ini_file(/usr/local/httpd/conf/db.inf); $link mysql_connect($dbconf[d…
阅读更多...
macOS Arduino IDE离线安装ESP8266支持包

macOS Arduino IDE离线安装ESP8266支持包

其实吧&#xff0c;本来用platformio也是可以的&#xff0c;不过有时候用Arduino IDE可能更快一些&#xff0c;因为以前一直是Arduino.app和Arduino IDE.app共存了一段时间&#xff0c;后来下决心删掉Arduino.app并升级到最新的Arduino IDE.app。删除了旧的支持板级支持包之后就…
阅读更多...
网络靶场基础知识

网络靶场基础知识

一、网络靶场的核心概念 网络靶场&#xff08;Cyber Range&#xff09;是一种基于虚拟化和仿真技术的网络安全训练与测试平台&#xff0c;通过模拟真实网络环境和业务场景&#xff0c;为攻防演练、漏洞验证、安全测试和人才培养提供安全可控的实验空间。其核心目标是通过“虚实…
阅读更多...
Python项目源码57：数据格式转换工具1.0（csv+json+excel+sqlite3）

Python项目源码57：数据格式转换工具1.0（csv+json+excel+sqlite3）

1.智能路径处理&#xff1a;自动识别并修正文件扩展名&#xff0c;根据转换类型自动建议目标路径&#xff0c;实时路径格式验证&#xff0c;自动补全缺失的文件扩展名。 2.增强型预览功能&#xff1a;使用pandastable库实现表格预览&#xff0c;第三方模块自己安装一下&#x…
阅读更多...
雷赛伺服电机

雷赛伺服电机

ACM0经济 编码器17位&#xff1a; ACM1基本 编码器23位磁编&#xff0c; ACM2通用 编码器24位光电&#xff0c; 插头定义&#xff1a;
阅读更多...
【deepseek教学应用】001：deepseek如何撰写教案并自动实现word排版

【deepseek教学应用】001：deepseek如何撰写教案并自动实现word排版

本文讲述利用deepseek如何撰写教案并自动实现word高效完美排版。 文章目录 一、访问deepseek官网二、输入教案关键词三、格式转换四、word进一步排版 一、访问deepseek官网 官网&#xff1a;https://www.deepseek.com/ 进入主页后&#xff0c;点击【开始对话】&#xff0c;如…
阅读更多...
CH32V208GBU6沁恒绑定配对获取静态地址

CH32V208GBU6沁恒绑定配对获取静态地址

从事嵌入式单片机的工作算是符合我个人兴趣爱好的,当面对一个新的芯片我即想把芯片尽快搞懂完成项目赚钱,也想着能够把自己遇到的坑和注意事项记录下来,即方便自己后面查阅也可以分享给大家,这是一种冲动,但是这个或许并不是原厂希望的,尽管这样有可能会牺牲一些时间也有哪天原…
阅读更多...
RT Thread Studio创建软件和硬件RTC工程

RT Thread Studio创建软件和硬件RTC工程

MCU型号&#xff1a;STM32F103RET6 一.配置软件模拟RTC 1.生成一个带串口输出的工程文件&#xff0c;新建RT-Thread项目工程文件。 2.查看电路图中的串口输出管脚&#xff0c;根据STMCubeMx软件可知此串口为USART1&#xff0c;选择芯片型号为STM32F103RET6&#xff0c;控制台…
阅读更多...
苍穹外卖心得体会

苍穹外卖心得体会

1 登录认证 技术点&#xff1a;JWT令牌技术&#xff08;JSON Web Token&#xff09; JWT&#xff08;JSON Web Token&#xff09;是一种令牌技术&#xff0c;主要由三部分组成&#xff1a;Header头部、Payload载荷和Signature签名。Header头部存储令牌的类型&#xff08;如JW…
阅读更多...
Zcanpro搭配USBCANFD-200U在新能源汽车研发测试中的应用指南（周立功/致远电子）

Zcanpro搭配USBCANFD-200U在新能源汽车研发测试中的应用指南（周立功/致远电子）

——国产工具链的崛起与智能汽车测试新范式 引言&#xff1a;新能源汽车测试的国产化突围 随着新能源汽车智能化、网联化程度的提升&#xff0c;研发测试面临三大核心挑战&#xff1a;多协议融合&#xff08;CAN FD/LIN/以太网&#xff09;、高实时性数据交互需求、复杂工况下…
阅读更多...
青少年抑郁症患者亚群结构和功能连接耦合的重构

青少年抑郁症患者亚群结构和功能连接耦合的重构

目录 1 研究背景及目的 2 研究方法 2.1 数据来源与参与者 2.1.1 MDD患者&#xff1a; 2.1.2 健康对照组&#xff1a; 2.2 神经影像分析流程 2.2.1 图像采集与预处理&#xff1a; 2.2.2 网络构建&#xff1a; 2.2.3 区域结构-功能耦合&#xff08;SC-FC耦合&#xff09…
阅读更多...
SQL手工注入（DVWA）

SQL手工注入（DVWA）

手工SQL注入攻击的标准思路 Low等级 &#xff08;1&#xff09;判断是否存在注入 &#xff08;2&#xff09;猜解字段个数 &#xff08;3&#xff09;确定字段顺序 &#xff08;4&#xff09;获取当前数据库 &#xff08;5&#xff09;获取当前数据库中的表 &#xff08…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023