当前位置：首页 > news >正文

数学建模——校园供水系统智能管理

news 文章来源：https://blog.csdn.net/Aure219/article/details/132501324 2025/5/2 14:32:20

import pandas as pd
data1=pd.read_excel("C://Users//JJH//Desktop//E//附件_一季度.xlsx")
data2=pd.read_excel("C://Users//JJH//Desktop//E//附件_二季度.xlsx")
data3=pd.read_excel("C://Users//JJH//Desktop//E//附件_三季度.xlsx")
data4=pd.read_excel("C://Users//JJH//Desktop//E//附件_四季度.xlsx")
data1

	水表名	水表号	采集时间	上次读数	当前读数	用量
0	司法鉴定中心	0	2019/1/1 00:15:00	2157.1	2157.1	0.0
1	司法鉴定中心	0	2019/1/1 00:30:00	2157.1	2157.1	0.0
2	司法鉴定中心	0	2019/1/1 00:45:00	2157.1	2157.1	0.0
3	司法鉴定中心	0	2019/1/1 01:00:00	2157.1	2157.1	0.0
4	司法鉴定中心	0	2019/1/1 01:15:00	2157.1	2157.1	0.0
...	...	...	...	...	...	...
729278	物业	3030100102	2019/3/31 22:45:00	50.9	50.9	0.0
729279	物业	3030100102	2019/3/31 23:00:00	50.9	50.9	0.0
729280	物业	3030100102	2019/3/31 23:15:00	50.9	50.9	0.0
729281	物业	3030100102	2019/3/31 23:30:00	50.9	50.9	0.0
729282	物业	3030100102	2019/3/31 23:45:00	50.9	50.9	0.0

729283 rows × 6 columns

data1.isnull().sum()

水表名     0
水表号     0
采集时间    0
上次读数    0
当前读数    0
用量      0
dtype: int64

data2.isnull().sum()

水表名     0
水表号     0
采集时间    0
上次读数    0
当前读数    0
用量      0
dtype: int64

data3.isnull().sum()

水表名     0
水表号     0
采集时间    0
上次读数    0
当前读数    0
用量      0
dtype: int64

data4.isnull().sum()

水表名     0
水表号     0
采集时间    0
上次读数    0
当前读数    0
用量      0
dtype: int64

import numpy as np
# 合并数据
data1['季度'] = pd.Series(["一季度" for i in range(len(data1.index))])
data2['季度'] = pd.Series(["二季度" for i in range(len(data2.index))])
data3['季度'] = pd.Series(["三季度" for i in range(len(data3.index))])
data4['季度'] = pd.Series(["四季度" for i in range(len(data4.index))])
data1

	水表名	水表号	采集时间	上次读数	当前读数	用量	季度
0	司法鉴定中心	0	2019/1/1 00:15:00	2157.1	2157.1	0.0	一季度
1	司法鉴定中心	0	2019/1/1 00:30:00	2157.1	2157.1	0.0	一季度
2	司法鉴定中心	0	2019/1/1 00:45:00	2157.1	2157.1	0.0	一季度
3	司法鉴定中心	0	2019/1/1 01:00:00	2157.1	2157.1	0.0	一季度
4	司法鉴定中心	0	2019/1/1 01:15:00	2157.1	2157.1	0.0	一季度
...	...	...	...	...	...	...	...
729278	物业	3030100102	2019/3/31 22:45:00	50.9	50.9	0.0	一季度
729279	物业	3030100102	2019/3/31 23:00:00	50.9	50.9	0.0	一季度
729280	物业	3030100102	2019/3/31 23:15:00	50.9	50.9	0.0	一季度
729281	物业	3030100102	2019/3/31 23:30:00	50.9	50.9	0.0	一季度
729282	物业	3030100102	2019/3/31 23:45:00	50.9	50.9	0.0	一季度

729283 rows × 7 columns

data = data1.append([data2,data3,data4],ignore_index=True) # 添加合并
data

C:\Users\JJH\AppData\Local\Temp\ipykernel_31264\4019438690.py:1: FutureWarning: The frame.append method is deprecated and will be removed from pandas in a future version. Use pandas.concat instead.data = data1.append([data2,data3,data4],ignore_index=True) # 添加合并

	水表名	水表号	采集时间	上次读数	当前读数	用量	季度
0	司法鉴定中心	0	2019/1/1 00:15:00	2157.1	2157.1	0.0	一季度
1	司法鉴定中心	0	2019/1/1 00:30:00	2157.1	2157.1	0.0	一季度
2	司法鉴定中心	0	2019/1/1 00:45:00	2157.1	2157.1	0.0	一季度
3	司法鉴定中心	0	2019/1/1 01:00:00	2157.1	2157.1	0.0	一季度
4	司法鉴定中心	0	2019/1/1 01:15:00	2157.1	2157.1	0.0	一季度
...	...	...	...	...	...	...	...
3086783	消防	3620303200	2019/12/31 22:45:00	22.0	22.0	0.0	四季度
3086784	消防	3620303200	2019/12/31 23:00:00	22.0	22.0	0.0	四季度
3086785	消防	3620303200	2019/12/31 23:15:00	22.0	22.0	0.0	四季度
3086786	消防	3620303200	2019/12/31 23:30:00	22.0	22.0	0.0	四季度
3086787	消防	3620303200	2019/12/31 23:45:00	22.0	22.0	0.0	四季度

3086788 rows × 7 columns

x=data[['水表名','用量','采集时间']]
x

	水表名	用量	采集时间
0	司法鉴定中心	0.0	2019/1/1 00:15:00
1	司法鉴定中心	0.0	2019/1/1 00:30:00
2	司法鉴定中心	0.0	2019/1/1 00:45:00
3	司法鉴定中心	0.0	2019/1/1 01:00:00
4	司法鉴定中心	0.0	2019/1/1 01:15:00
...	...	...	...
3086783	消防	0.0	2019/12/31 22:45:00
3086784	消防	0.0	2019/12/31 23:00:00
3086785	消防	0.0	2019/12/31 23:15:00
3086786	消防	0.0	2019/12/31 23:30:00
3086787	消防	0.0	2019/12/31 23:45:00

3086788 rows × 3 columns

x1=x[x['水表名']=='消防']
x1

	水表名	用量	采集时间
1500912	消防	0.0	2019/4/22 12:15:00
1500913	消防	0.0	2019/4/22 12:30:00
1500914	消防	0.0	2019/4/22 12:45:00
1500915	消防	0.0	2019/4/22 13:00:00
1500916	消防	0.0	2019/4/22 13:15:00
...	...	...	...
3086783	消防	0.0	2019/12/31 22:45:00
3086784	消防	0.0	2019/12/31 23:00:00
3086785	消防	0.0	2019/12/31 23:15:00
3086786	消防	0.0	2019/12/31 23:30:00
3086787	消防	0.0	2019/12/31 23:45:00

23984 rows × 3 columns

import matplotlib.pyplot as plt

print(len(x1))

# 自定义x轴刻度
xticks = ['Jan', 'Mar', 'May', 'Jul', 'Sep','Nov']  # 自定义刻度标签
x = range(23984)# 自定义x轴刻度
num_ticks = 6  # 指定刻度数量
step = len(x) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
plt.xticks(xtick_positions, xticks)
plt.plot(x1['采集时间'],x1['用量'],color='black',linewidth=0.5)
plt.show()

在这里插入图片描述

x=data[['水表名','用量','采集时间']]
x

	水表名	用量	采集时间
0	司法鉴定中心	0.0	2019/1/1 00:15:00
1	司法鉴定中心	0.0	2019/1/1 00:30:00
2	司法鉴定中心	0.0	2019/1/1 00:45:00
3	司法鉴定中心	0.0	2019/1/1 01:00:00
4	司法鉴定中心	0.0	2019/1/1 01:15:00
...	...	...	...
3086783	消防	0.0	2019/12/31 22:45:00
3086784	消防	0.0	2019/12/31 23:00:00
3086785	消防	0.0	2019/12/31 23:15:00
3086786	消防	0.0	2019/12/31 23:30:00
3086787	消防	0.0	2019/12/31 23:45:00

3086788 rows × 3 columns

x2=x[x['水表名']=='XXX第一学生宿舍']
x2

	水表名	用量	采集时间
220372	XXX第一学生宿舍	0.12	2019/1/1 00:15:00
220373	XXX第一学生宿舍	0.12	2019/1/1 00:30:00
220374	XXX第一学生宿舍	0.12	2019/1/1 00:45:00
220375	XXX第一学生宿舍	0.12	2019/1/1 01:00:00
220376	XXX第一学生宿舍	0.12	2019/1/1 01:15:00
...	...	...	...
2533541	XXX第一学生宿舍	0.40	2019/12/31 22:45:00
2533542	XXX第一学生宿舍	0.40	2019/12/31 23:00:00
2533543	XXX第一学生宿舍	0.50	2019/12/31 23:15:00
2533544	XXX第一学生宿舍	0.50	2019/12/31 23:30:00
2533545	XXX第一学生宿舍	0.50	2019/12/31 23:45:00

35039 rows × 3 columns

# 自定义x轴刻度
xticks = ['Jan', 'Mar', 'May', 'Jul', 'Sep','Nov']  # 自定义刻度标签# 自定义x轴刻度
num_ticks = 6  # 指定刻度数量
step = len(x2) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
plt.xticks(xtick_positions, xticks)
plt.plot(x2['采集时间'],x2['用量'],color='black',linewidth=0.5)
plt.show()

在这里插入图片描述

x=data[['水表名','用量','采集时间']]
x3=x[x['水表名']=='留学生楼（新）']
# 自定义x轴刻度
xticks = ['Jan', 'Mar', 'May', 'Jul', 'Sep','Nov']  # 自定义刻度标签# 自定义x轴刻度
num_ticks = 6  # 指定刻度数量
step = len(x3) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
plt.xticks(xtick_positions, xticks)
plt.plot(x3['采集时间'],x3['用量'],color='black',linewidth=0.3)
plt.show()

在这里插入图片描述

x=data[['水表名','用量','采集时间']]
x4=x[x['水表名']=='XXX教学大楼总表']
# 自定义x轴刻度
xticks = ['Jan', 'Mar', 'May', 'Jul', 'Sep','Nov']  # 自定义刻度标签# 自定义x轴刻度
num_ticks = 6  # 指定刻度数量
step = len(x4) // num_ticks  # 计算刻度步长
xtick_positions = [i * step for i in range(num_ticks)]  # 生成刻度位置
plt.xticks(xtick_positions, xticks)
plt.plot(x4['采集时间'],x4['用量'],color='black',linewidth=0.3)
plt.show()

在这里插入图片描述

import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei']  # 指定字体为SimHei
labels = ['消防', '留学生楼（新）', 'XXX教学大楼总表']plt.boxplot([x1['用量'],x3['用量'],x4['用量']])plt.xticks(range(1, 4), labels)
# 显示图形
plt.show()

在这里插入图片描述

x5=x[x['水表名']=='XXX第四学生宿舍']
x5

	水表名	用量	采集时间
246289	XXX第四学生宿舍	0.4	2019/1/1 00:15:00
246290	XXX第四学生宿舍	0.4	2019/1/1 00:30:00
246291	XXX第四学生宿舍	0.4	2019/1/1 00:45:00
246292	XXX第四学生宿舍	0.4	2019/1/1 01:00:00
246293	XXX第四学生宿舍	0.4	2019/1/1 01:15:00
...	...	...	...
2560037	XXX第四学生宿舍	0.7	2019/12/31 22:45:00
2560038	XXX第四学生宿舍	0.6	2019/12/31 23:00:00
2560039	XXX第四学生宿舍	0.6	2019/12/31 23:15:00
2560040	XXX第四学生宿舍	0.5	2019/12/31 23:30:00
2560041	XXX第四学生宿舍	1.2	2019/12/31 23:45:00

35039 rows × 3 columns

x6=x[x['水表名']=='茶园+']
x6

	水表名	用量	采集时间
611260	茶园+	0.0	2019/1/3 16:15:00
611261	茶园+	0.0	2019/1/3 16:30:00
611262	茶园+	0.0	2019/1/3 16:45:00
611263	茶园+	0.0	2019/1/3 17:00:00
611264	茶园+	0.0	2019/1/3 17:15:00
...	...	...	...
2945006	茶园+	0.0	2019/12/31 22:45:00
2945007	茶园+	0.0	2019/12/31 23:00:00
2945008	茶园+	0.0	2019/12/31 23:15:00
2945009	茶园+	0.0	2019/12/31 23:30:00
2945010	茶园+	0.0	2019/12/31 23:45:00

34249 rows × 3 columns

x7=x[x['水表名']=='XXX4舍热泵热水舍']
x7

	水表名	用量	采集时间

x21=x[x['水表名']=='XXX第一学生宿舍']
x21

	水表名	用量	采集时间
220372	XXX第一学生宿舍	0.12	2019/1/1 00:15:00
220373	XXX第一学生宿舍	0.12	2019/1/1 00:30:00
220374	XXX第一学生宿舍	0.12	2019/1/1 00:45:00
220375	XXX第一学生宿舍	0.12	2019/1/1 01:00:00
220376	XXX第一学生宿舍	0.12	2019/1/1 01:15:00
...	...	...	...
2533541	XXX第一学生宿舍	0.40	2019/12/31 22:45:00
2533542	XXX第一学生宿舍	0.40	2019/12/31 23:00:00
2533543	XXX第一学生宿舍	0.50	2019/12/31 23:15:00
2533544	XXX第一学生宿舍	0.50	2019/12/31 23:30:00
2533545	XXX第一学生宿舍	0.50	2019/12/31 23:45:00

35039 rows × 3 columns

x22=x[x['水表名']=='XXX第二学生宿舍']
x22

	水表名	用量	采集时间
229011	XXX第二学生宿舍	0.9	2019/1/1 00:15:00
229012	XXX第二学生宿舍	0.7	2019/1/1 00:30:00
229013	XXX第二学生宿舍	0.8	2019/1/1 00:45:00
229014	XXX第二学生宿舍	0.7	2019/1/1 01:00:00
229015	XXX第二学生宿舍	0.1	2019/1/1 01:15:00
...	...	...	...
2542373	XXX第二学生宿舍	0.1	2019/12/31 22:45:00
2542374	XXX第二学生宿舍	0.1	2019/12/31 23:00:00
2542375	XXX第二学生宿舍	0.2	2019/12/31 23:15:00
2542376	XXX第二学生宿舍	0.1	2019/12/31 23:30:00
2542377	XXX第二学生宿舍	0.1	2019/12/31 23:45:00

35039 rows × 3 columns

x21.set_index('采集时间', inplace=True)
x22.set_index('采集时间', inplace=True)

print(x21['用量'].dtypes,x21['水表名'])
print(x22['用量'].dtypes,x22['水表名'])
x_sum = x21.add(x22, fill_value=0)# 打印结果
x_sum

float64 采集时间
2019/1/1 00:15:00      XXX第一学生宿舍
2019/1/1 00:30:00      XXX第一学生宿舍
2019/1/1 00:45:00      XXX第一学生宿舍
2019/1/1 01:00:00      XXX第一学生宿舍
2019/1/1 01:15:00      XXX第一学生宿舍...    
2019/12/31 22:45:00    XXX第一学生宿舍
2019/12/31 23:00:00    XXX第一学生宿舍
2019/12/31 23:15:00    XXX第一学生宿舍
2019/12/31 23:30:00    XXX第一学生宿舍
2019/12/31 23:45:00    XXX第一学生宿舍
Name: 水表名, Length: 35039, dtype: object
float64 采集时间
2019/1/1 00:15:00      XXX第二学生宿舍
2019/1/1 00:30:00      XXX第二学生宿舍
2019/1/1 00:45:00      XXX第二学生宿舍
2019/1/1 01:00:00      XXX第二学生宿舍
2019/1/1 01:15:00      XXX第二学生宿舍...    
2019/12/31 22:45:00    XXX第二学生宿舍
2019/12/31 23:00:00    XXX第二学生宿舍
2019/12/31 23:15:00    XXX第二学生宿舍
2019/12/31 23:30:00    XXX第二学生宿舍
2019/12/31 23:45:00    XXX第二学生宿舍
Name: 水表名, Length: 35039, dtype: object

	水表名	用量
采集时间
2019/1/1 00:15:00	XXX第一学生宿舍XXX第二学生宿舍	1.02
2019/1/1 00:30:00	XXX第一学生宿舍XXX第二学生宿舍	0.82
2019/1/1 00:45:00	XXX第一学生宿舍XXX第二学生宿舍	0.92
2019/1/1 01:00:00	XXX第一学生宿舍XXX第二学生宿舍	0.82
2019/1/1 01:15:00	XXX第一学生宿舍XXX第二学生宿舍	0.22
...	...	...
2019/12/31 22:45:00	XXX第一学生宿舍XXX第二学生宿舍	0.50
2019/12/31 23:00:00	XXX第一学生宿舍XXX第二学生宿舍	0.50
2019/12/31 23:15:00	XXX第一学生宿舍XXX第二学生宿舍	0.70
2019/12/31 23:30:00	XXX第一学生宿舍XXX第二学生宿舍	0.60
2019/12/31 23:45:00	XXX第一学生宿舍XXX第二学生宿舍	0.60

35039 rows × 2 columns

x26=x[x['水表名']=='茶园+']
x26

	水表名	用量	采集时间
611260	茶园+	0.0	2019/1/3 16:15:00
611261	茶园+	0.0	2019/1/3 16:30:00
611262	茶园+	0.0	2019/1/3 16:45:00
611263	茶园+	0.0	2019/1/3 17:00:00
611264	茶园+	0.0	2019/1/3 17:15:00
...	...	...	...
2945006	茶园+	0.0	2019/12/31 22:45:00
2945007	茶园+	0.0	2019/12/31 23:00:00
2945008	茶园+	0.0	2019/12/31 23:15:00
2945009	茶园+	0.0	2019/12/31 23:30:00
2945010	茶园+	0.0	2019/12/31 23:45:00

34249 rows × 3 columns

x21=x[x['水表名']=='XXX第一学生宿舍']

x21

	水表名	用量	采集时间
220372	XXX第一学生宿舍	0.12	2019/1/1 00:15:00
220373	XXX第一学生宿舍	0.12	2019/1/1 00:30:00
220374	XXX第一学生宿舍	0.12	2019/1/1 00:45:00
220375	XXX第一学生宿舍	0.12	2019/1/1 01:00:00
220376	XXX第一学生宿舍	0.12	2019/1/1 01:15:00
...	...	...	...
2533541	XXX第一学生宿舍	0.40	2019/12/31 22:45:00
2533542	XXX第一学生宿舍	0.40	2019/12/31 23:00:00
2533543	XXX第一学生宿舍	0.50	2019/12/31 23:15:00
2533544	XXX第一学生宿舍	0.50	2019/12/31 23:30:00
2533545	XXX第一学生宿舍	0.50	2019/12/31 23:45:00

35039 rows × 3 columns

df_merged = pd.merge(x21, x26, on='采集时间', how='inner')
df_merged

	水表名_x	用量_x	采集时间	水表名_y	用量_y
0	XXX第一学生宿舍	0.22	2019/1/3 16:15:00	茶园+	0.0
1	XXX第一学生宿舍	0.22	2019/1/3 16:30:00	茶园+	0.0
2	XXX第一学生宿舍	0.22	2019/1/3 16:45:00	茶园+	0.0
3	XXX第一学生宿舍	0.22	2019/1/3 17:00:00	茶园+	0.0
4	XXX第一学生宿舍	0.22	2019/1/3 17:15:00	茶园+	0.0
...	...	...	...	...	...
34244	XXX第一学生宿舍	0.40	2019/12/31 22:45:00	茶园+	0.0
34245	XXX第一学生宿舍	0.40	2019/12/31 23:00:00	茶园+	0.0
34246	XXX第一学生宿舍	0.50	2019/12/31 23:15:00	茶园+	0.0
34247	XXX第一学生宿舍	0.50	2019/12/31 23:30:00	茶园+	0.0
34248	XXX第一学生宿舍	0.50	2019/12/31 23:45:00	茶园+	0.0

34249 rows × 5 columns

df_merged['总用水量'] = df_merged['用量_x'] + df_merged['用量_y']
df_merged

	水表名_x	用量_x	采集时间	水表名_y	用量_y	总用水量
0	XXX第一学生宿舍	0.22	2019/1/3 16:15:00	茶园+	0.0	0.22
1	XXX第一学生宿舍	0.22	2019/1/3 16:30:00	茶园+	0.0	0.22
2	XXX第一学生宿舍	0.22	2019/1/3 16:45:00	茶园+	0.0	0.22
3	XXX第一学生宿舍	0.22	2019/1/3 17:00:00	茶园+	0.0	0.22
4	XXX第一学生宿舍	0.22	2019/1/3 17:15:00	茶园+	0.0	0.22
...	...	...	...	...	...	...
34244	XXX第一学生宿舍	0.40	2019/12/31 22:45:00	茶园+	0.0	0.40
34245	XXX第一学生宿舍	0.40	2019/12/31 23:00:00	茶园+	0.0	0.40
34246	XXX第一学生宿舍	0.50	2019/12/31 23:15:00	茶园+	0.0	0.50
34247	XXX第一学生宿舍	0.50	2019/12/31 23:30:00	茶园+	0.0	0.50
34248	XXX第一学生宿舍	0.50	2019/12/31 23:45:00	茶园+	0.0	0.50

34249 rows × 6 columns

df_merged1 = pd.merge(x21, x26, on='采集时间', how='outer')
df_merged1

	水表名_x	用量_x	采集时间	水表名_y	用量_y
0	XXX第一学生宿舍	0.12	2019/1/1 00:15:00	NaN	NaN
1	XXX第一学生宿舍	0.12	2019/1/1 00:30:00	NaN	NaN
2	XXX第一学生宿舍	0.12	2019/1/1 00:45:00	NaN	NaN
3	XXX第一学生宿舍	0.12	2019/1/1 01:00:00	NaN	NaN
4	XXX第一学生宿舍	0.12	2019/1/1 01:15:00	NaN	NaN
...	...	...	...	...	...
35034	XXX第一学生宿舍	0.40	2019/12/31 22:45:00	茶园+	0.0
35035	XXX第一学生宿舍	0.40	2019/12/31 23:00:00	茶园+	0.0
35036	XXX第一学生宿舍	0.50	2019/12/31 23:15:00	茶园+	0.0
35037	XXX第一学生宿舍	0.50	2019/12/31 23:30:00	茶园+	0.0
35038	XXX第一学生宿舍	0.50	2019/12/31 23:45:00	茶园+	0.0

35039 rows × 5 columns

df_merged1['用量_y'] = df_merged1['用量_y'].replace(np.nan, 0)
df_merged1
# df_merged1['总用水量'] = df_merged1['用量_x'] + df_merged1['用量_y']
# df_merged1

	水表名_x	用量_x	采集时间	水表名_y	用量_y	总用水量
0	XXX第一学生宿舍	0.12	2019/1/1 00:15:00	NaN	0.0	0.12
1	XXX第一学生宿舍	0.12	2019/1/1 00:30:00	NaN	0.0	0.12
2	XXX第一学生宿舍	0.12	2019/1/1 00:45:00	NaN	0.0	0.12
3	XXX第一学生宿舍	0.12	2019/1/1 01:00:00	NaN	0.0	0.12
4	XXX第一学生宿舍	0.12	2019/1/1 01:15:00	NaN	0.0	0.12
...	...	...	...	...	...	...
35034	XXX第一学生宿舍	0.40	2019/12/31 22:45:00	茶园+	0.0	0.40
35035	XXX第一学生宿舍	0.40	2019/12/31 23:00:00	茶园+	0.0	0.40
35036	XXX第一学生宿舍	0.50	2019/12/31 23:15:00	茶园+	0.0	0.50
35037	XXX第一学生宿舍	0.50	2019/12/31 23:30:00	茶园+	0.0	0.50
35038	XXX第一学生宿舍	0.50	2019/12/31 23:45:00	茶园+	0.0	0.50

35039 rows × 6 columns

df_merged1['总用水量'] = df_merged1['用量_x'] + df_merged1['用量_y']
df_merged1

	水表名_x	用量_x	采集时间	水表名_y	用量_y	总用水量
0	XXX第一学生宿舍	0.12	2019/1/1 00:15:00	NaN	0.0	0.12
1	XXX第一学生宿舍	0.12	2019/1/1 00:30:00	NaN	0.0	0.12
2	XXX第一学生宿舍	0.12	2019/1/1 00:45:00	NaN	0.0	0.12
3	XXX第一学生宿舍	0.12	2019/1/1 01:00:00	NaN	0.0	0.12
4	XXX第一学生宿舍	0.12	2019/1/1 01:15:00	NaN	0.0	0.12
...	...	...	...	...	...	...
35034	XXX第一学生宿舍	0.40	2019/12/31 22:45:00	茶园+	0.0	0.40
35035	XXX第一学生宿舍	0.40	2019/12/31 23:00:00	茶园+	0.0	0.40
35036	XXX第一学生宿舍	0.50	2019/12/31 23:15:00	茶园+	0.0	0.50
35037	XXX第一学生宿舍	0.50	2019/12/31 23:30:00	茶园+	0.0	0.50
35038	XXX第一学生宿舍	0.50	2019/12/31 23:45:00	茶园+	0.0	0.50

35039 rows × 6 columns

数学建模——校园供水系统智能管理

import pandas as pd data1pd.read_excel("C://Users//JJH//Desktop//E//附件_一季度.xlsx") data2pd.read_excel("C://Users//JJH//Desktop//E//附件_二季度.xlsx") data3pd.read_excel("C://Users//JJH//Desktop//E//附件_三季度.xlsx") data4…...

编程日记 2023/8/31 8:27:41

分布式集群——搭建Hadoop环境以及相关的Hadoop介绍

系列文章目录分布式集群——jdk配置与zookeeper环境搭建分布式集群——搭建Hadoop环境以及相关的Hadoop介绍文章目录前言一 hadoop的相关概念 1.1 Hadoop概念补充：块的存储 1.2 HDFS是什么 1.3 三种节点的功能 I、NameNode节点 II、fsimage与edits…...

编程日记 2023/8/31 8:26:40

Python的os.walk()函数使用案例

在Python中，os模块是一个非常实用的工具，它可以让我们与操作系统进行交互，操作文件和目录。在本文中，我们将详细介绍os模块中的遍历文件功能，并通过具体案例和使用场景来解释。首先，导入os模块。在Pytho…...

编程日记 2023/8/31 8:25:39

学习JAVA打卡第四十五天

StringBuffer类 StringBuffer对象 String对象的字符序列是不可修改的，也就是说，String对象的字符序列的字符不能被修改、删除，即String对象的实体是不可以再发生变化，例如：对于 StringBuffer有三个构造方法&#xff…...

编程日记 2023/8/31 8:24:38

创建K8s pod Webhook

目录 1.前提条件 2.开始创建核心组件Pod的Webhook 2.1.什么是Webhook 2.2.在本地k8s集群安装cert-manager 2.3.创建一个空的文件夹 2.4. 生成工程框架 2.5. 生成核心组件Pod的API 2.6.生成Webhook 2.7.开始实现Webhook相关代码 2.7.1.修改相关配置 2.7.2.修改代码 2…...

编程日记 2023/8/31 8:23:37

抓包-要抓取Spring Boot应用程序的请求

要抓取Spring Boot应用程序的请求，可以按照以下步骤进行操作： 1. 确保你已经按照之前提到的方法设置了Charles代理，并在Charles的SSL代理设置中添加了Spring Boot应用程序的域名。 2. 在Spring Boot应用程序的代码中，添加以下配…...

编程日记 2023/8/31 8:22:18

jmeter+nmon+crontab简单的执行接口定时压测

一、概述临时接到任务要对系统的接口进行压测，上面的要求就是：压测，并发2000 在不熟悉系统的情况下，按目前的需求，需要做的步骤： 需要有接口脚本需要能监控系统性能需要能定时执行脚本二、观察 >针…...

编程日记 2023/8/31 8:21:16

ZooKeeper基础命令和Java客户端操作

1、zkCli的常用命令操作 （1）Help （2）ls 使用 ls 命令来查看当前znode中所包含的内容 （3）ls2查看当前节点数据并能看到更新次数等数据 （4）stat查看节点状态 （5&#xf…...

编程日记 2023/8/31 8:20:14

【数据分享】2000-2020年全球人类足迹数据（无需转发\免费获取）

人类足迹(Human Footprint)是生态过程和自然景观变化对生态环境造成的压力，是世界各国对生物多样性和生态保护的关注重点。那如何才能获取长时间跨度的人类足迹时空数据呢？ 之前我们分享了来自于中国农业大学土地科学与技术学院的城市环境监测及建模&am…...

编程日记 2023/8/31 8:19:13

基于机器学习的fNIRS信号质量控制方法

摘要尽管功能性近红外光谱(fNIRS)在神经系统研究中的应用越来越广泛，但fNIRS信号处理仍未标准化，并且受到经验和手动操作的高度影响。在任何信号处理过程的开始阶段，信号质量控制(SQC)对于防止错误和不可靠结果至关重要。在fNIRS分析中&…...

编程日记 2023/8/31 8:18:11

分布式锁的三种实现方式是什么？

分布式锁三种实现方式： 基于数据库实现分布式锁；基于缓存（Redis等）实现分布式锁；基于Zookeeper实现分布式锁； 一， 基于数据库实现分布式锁悲观锁利用select … where … for update 排他锁…...

编程日记 2023/8/31 8:17:10

华为云软件精英实战营——感受软件改变世界，享受Coding乐趣

机器人已经在诸多领域显现出巨大的商业价值，华为云计算致力于以云助端的方式为机器人产业带来全新机会如果您是开发爱好者，想了解华为云，想和其他自由开发者交流经验； 如果您是学生，想和正在从事软件开发行业的大佬…...

编程日记 2023/8/31 8:16:08

贪心算法总结篇

文章转自代码随想录贪心算法总结篇我刚刚开始讲解贪心系列的时候就说了，贪心系列并不打算严格的从简单到困难这么个顺序来讲解。因为贪心的简单题可能往往过于简单甚至感觉不到贪心，如果我连续几天讲解简单的贪心，估计录友们一定会不耐…...

编程日记 2023/8/31 8:15:07

ICCV 2023 | 港中文MMLab: 多帧光流估计模型VideoFlow，首次实现亚像素级别误差

本文提出了一个多帧光流估计模型 VideoFlow，旨在充分挖掘视频中的时序信息和运动规律，避免当前主流方法只以两帧图片作为输入而面临的信息瓶颈，显著提升了光流估计的性能。在公开的 Sintel Bechmark 上，VideoFlow 在 Clean 和 Fi…...

编程日记 2023/8/31 8:14:06

【python爬虫】—图片爬取

图片爬取需求分析Python实现需求分析从https://pic.netbian.com/4kfengjing/网站爬取图片，并保存 Python实现获取待爬取网页 def get_htmls(pageslist(range(2, 5))):"""获取待爬取网页"""pages_list []for page in pages:u…...

编程日记 2023/8/31 8:13:05

自动化运维工具—Ansible

一、Ansible概述1.1 Ansible是什么1.2 Ansible的特性1.3 Ansible的特点1.4 Ansible数据流向二、Ansible 环境安装部署三、Ansible 命令行模块（1）command 模块（2）shell 模块（3）cron 模块（4&…...

编程日记 2023/8/31 8:12:03

uniapp 安卓平台签名证书(.keystore)生成

安装JRE环境下载jre安装包：https://www.oracle.com/java/technologies/downloads/#java8安装jre安装包时，记录安装目录(例:C:\Program Files\Java\jdk-20)打开命令行（cmd），将JRE安装路径添加到系统环境变量 d: se…...

编程日记 2023/8/31 8:11:02

缓存中间件Redis常考知识点

缓存中间件Redis常考知识点 1 什么是RDB和AOF2 Redis的过期键的删除策略3 简述Redis事务实现4 Redis 主从复制的核⼼原理5 Redis有哪些数据结构？分别有哪些典型的应⽤场景？6 Redis分布式锁底层是如何实现的？7 Redis主从复制的核⼼原理8 Redis…...

编程日记 2023/8/31 8:10:01

detour编译问题及导入visual studio

Detours是经过微软认证的一个开源Hook库，Detours在GitHub上，网址为 https://github.com/Microsoft/Detours 注意版本不一样的话也是会出问题的，因为我之前是vs2022的所以之前的detours.lib不能使用，必须用对应版本的x64 Native To…...

编程日记 2023/8/31 8:08:59

江西武功山旅游攻略(周末两日游)

一、往返路线 1: 出发路线周五晚上上海出发坐火车🚄到江西萍乡(11.5小时,卧铺550左右) 打车到江西武功山景区,120-150元左右,人均30元,1小时10分左右到达或者 🚗到达萍乡北之后出站后步行200米到长途汽车站，乘旅游巴士直达武功山游…...

编程日记 2023/8/31 8:07:58

Django静态文件媒体文件文件上传

文章目录一、静态文件和媒体文件1.在django中使用静态文件实践2.在django中使用媒体文件二、文件上传单文件上传实践多文件上传一、静态文件和媒体文件媒体文件: 用户上传的文件，叫做media 静态文件:存放在服务器的css,js,image,font等叫做static1.在django中…...

编程日记 2023/8/31 8:06:57

mysql 分库分表实现思路

MySQL的分库分表是一种常用的数据库拆分方案，它可以提高数据库的性能和扩展性。下面是一般的实现步骤： 数据库设计：首先，需要对数据库进行良好的设计。确定要分库分表的实体和关系，并根据业务需求进行合理的拆分。数…...

编程日记 2023/8/31 8:05:55

Android深思如何防止快速点击

前言其实快速点击是个很好解决的问题，但是如何优雅的去解决确是一个难题，本文主要是记录一些本人通过解决快速点击的过程中脑海里浮现的一些对这个问题的深思。作者：流浪汉kylin 链接：https://juejin.cn/post/7197337416096055…...

编程日记 2023/8/31 8:04:54

PHP自己的框架cookie()使用（完善篇七）

1、PHP自己的框架cookie() 2、cookie类（CookieBase.php） <?php class CookieBase {/*** 设置cookie*/public static function set($name, $value, $expire 3600, $path , $domain , $secure false, $httponly false) {setcookie($name, $valu…...

编程日记 2023/8/31 8:03:53

Spring Boot Dubbo Zookeeper（含ZK安装脚本）

文章目录 Spring Boot Dubbo Zookeeper（含ZK安装脚本）简介DubboCommonProviderConsumer Zookeeper Spring Boot Dubbo Zookeeper（含ZK安装脚本） 简介 Dubbo Common 公共依赖  <dependen…...

编程日记 2023/8/31 8:02:51

BigDecimal百科全书

一、BigDecimal简述 Java在java.math包中提供的API类BigDecimal，用来对超过16位有效位的数进行精确的运算。双精度浮点型变量double可以处理16位有效数，但在实际应用中，可能需要对更大或者更小的数进行运算和处理。一般情况下，…...

编程日记 2023/8/31 8:01:50

【30天熟悉Go语言】11 数组的全方位使用与解析

作者：秃秃爱健身，多平台博客专家，某大厂后端开发，个人IP起于源码分析文章 😋。源码系列专栏：Spring MVC源码系列、Spring Boot源码系列、SpringCloud源码系列（含：Ribbon、Feign&…...

编程日记 2023/8/31 8:00:49

静态路由(详细理解+实例精讲)

系列文章目录华为数通学习（6） 前言一，静态路由二，静态路由配置三，缺省路由四，缺省路由应用场景总结前言随着华为公司的不断发展，数据通信这门技术也越来越重要，很多人…...

编程日记 2023/8/31 7:59:47

leetcode做题笔记118. 杨辉三角

给定一个非负整数 numRows，生成「杨辉三角」的前 numRows 行。在「杨辉三角」中，每个数是它左上方和右上方的数的和。思路一：动态规划 int** generate(int numRows, int* returnSize, int** returnColumnSizes){int **returnnum(int **)…...

编程日记 2023/8/31 7:58:46

stm32之24.RTC闹钟usart端口修改配置

（需要修改） 源码 while(1){//rtc唤醒事件if(g_rtc_wakeup_event){//获取日期RTC_GetDate(RTC_Format_BCD,&RTC_DateStructure);printf("20%02x/%02x/%02xWeek:%x\r\n",RTC_DateStructure.RTC_Year,RTC_DateStructure.RTC_Month,RTC_Date…...

编程日记 2023/8/31 7:57:43

相关文章：