Python数据分析处理报告--实训小案例
目录
1、实验一
1.1、题目总览
1.2、代码解析
2、实现二
2.1、题目总览
2.2、代码解析
3、实验三
3.1、题目总览
3.2、代码解析
4、实验四
3.1、题目总览
3.2、代码解析
哈喽~今天学习记录的是数据分析实训小案例。
就用这个案例来好好巩固一下 python 数据分析三剑客。
前期准备:
- 确认 Jupyter Notebook 环境
- 准备实验数据:http://qn.yuanxinghua.love/%E5%AE%9E%E9%AA%8C.zip
1、实验一
1.1、题目总览
1.2、代码解析
1.求3+6+9+12+15= ?
import numpy as np s = np.array([3,6,9,12,15])
np.sum(s)
2.生成范围在0~1、服从均匀分布的10行5列的数组
arry = np.random.rand(10,5)print(arry)
3.创建一个数值范围为0~1,间隔为0.01的数组
arry1 = np.arange(0,1,0.01)print(arry1)
4.创建100个服从正态分布的随机数
arry2 = np.random.randn(100)print(arry2)
5.对创建的两个数组进行四则运算
arry1 = np.arange(0,1,0.01)
arry2 = np.random.randn(100)print("加法",arry1 + arry2)
print("减法",arry1 - arry2)
print("乘法",arry1 * arry2)
print("除法",arry1 / arry2)
6.对创建的随机数进行简单的统计分析
arry2 = np.random.randn(100).reshape(5,20)print('排序\n',np.sort(arry2))
print('数据去重\n',np.unique(arry2)) print('数组求总和\n',np.sum(arry2))
print('数组纵轴和\n',np.sum(arry2,axis = 0))
print('数组横轴和\n',np.sum(arry2,axis = 1))print('数组均值\n',np.mean(arry2))
print('数组纵轴均值\n',np.mean(arry2,axis = 0))
print('数组横轴均值\n',np.mean(arry2,axis = 1)) print('数组标准差\n',np.std(arry2))
print('数组纵轴标准差\n',np.std(arry2,axis = 0))
print('数组横轴标准差\n',np.std(arry2,axis = 1)) print('方差\n',np.var(arry2))
print('最小值\n',np.min(arry2))
print('最大值\n',np.max(arry2))
2、实现二
2.1、题目总览
2.2、代码解析
1.读取mtcar数据
import pandas as pd
data = pd.read_csv("D:\桌面\mtcars.csv")
data
截图:
2.查看mtcar数据集的元素的个数、维度、大小等信息,输出表的列名
print('所有值为:\n',data.values)
print('索引:\n',data.index)
print('类型为:\n',data.dtypes)
print('元素个数为:',data.size)
print('维度为:',data.ndim)
print('大小为:',data.shape)
print('表的列名:\n',data.columns)
3.使用describe方法对整个mtcar数据集进行描述性统计
data.describe()
4.计算不同cyl(气缸数)、carb(化油器)对应的mpg(油耗)和hp(马力)的均值
a = data.loc[:,['cyl','carb','mpg','hp']]
b = a.groupby(['cyl','carb']).mean()
b
5.输出mpg和hp前5个元素
c = data.loc[:4,['mpg','hp']]
c
6.输出mtcar数据的前3行元素
d = data[:][:3]
d
7.使用head()和tail()方法输出前后5行数据
print('前5行元素为:\n',data.head())
print('==================')
print('后5行元素为:\n',data.tail())
8.用loc和iloc分别提取第1列和第3列的数据
print(data.loc[:,['mpg','disp']])
print('**---------------***-------------**')
print(data.iloc[:,[1,3]])
9.取出列名为mpg、hp,行名为2,3,4的数据
e = data.loc[2:4,['mpg','hp']] # loc[索引/条件,名称/]
print(e)
10.取出列位置为2和4,行位置为5,6,7的数据
f = data.iloc[5:8,[2,4]]
print(f)
11.取出列位置为3,行名为2-6的数据
j = data.loc[2:6,['disp']]
print(j)
12.新增1列,名称为abc(abc=mpg+hp),输出前5行数据
data['abc'] = data['mpg'] + data['hp']
data.head()
13.删除前两行数据
print('原数据长度:',len(data))
data.drop(labels=range(0,2),axis=0,inplace=True)
print('删除后长度:',len(data))
14.删除abc列
data['abc'] = data['mpg'] + data['hp']
print('增加 abc 列后:\n',data.columns)
print('****************************************')
data.drop(labels='abc',axis=1,inplace=True)
print('删除 abc 列后:\n',data.columns)
3、实验三
3.1、题目总览
3.2、代码解析
1.使用如下方法规范化数组:200,300,400,600,1000
- 离差标准化
- 标准差标准化
- 小数定标标准化
- 先将所给的一组数取绝对值,找出这组数中绝对值最大的数,然后,利用对数+向上取整来确定10的次方。np.abs()
- ①numpy库中有ceil()函数,表示向上取整。np.ceil()
- ②numpy库中log10()用于计算一个数以10为底数,对应的值是多少。np.log10()
- 先将所给的一组数取绝对值,找出这组数中绝对值最大的数,然后,利用对数+向上取整来确定10的次方。np.abs()
import numpy as np
import pandas as pd arry = np.array([200,300,400,500,600,1000])
print('原数组:\n',arry)# mean 均值 sta 标准差
def result(x):x1 = (x - x.min())/(x.max() - x.min()) # 离差x2 = (x - x.mean()/x.std()) # 标准差x3 = x/10**np.ceil(np.log10(np.abs(x).max())) # 小数 return x1,x2,x3print('离差:\n',result(arry)[0])
print('标准差:\n',result(arry)[1])
print('小数:\n',result(arry)[2])
2.12个销售价格记录如下:5,10,11,13,15,35,50,55,72,92,204,215。使用等宽法对其进行离散化处理(分3类)
price = np.array([5,10,11,13,15,35,50,55,72,92,204,215])pd.cut(price,3) # 精度默认为 3
3.自定义一个能够自动实现数据去重、缺失值中位数填补的函数。自行定义测试数据进行验证
- drop_duplicates() 删除重复的行
- x.median() 中值
- x.fillna() 将缺失值替换为该值 x.fillna(0) ==> 将缺失值替换为 0
- inplace = True 在原数组上操作
def test(x):x.drop_duplicates(inplace = True)x.fillna(x.median(),inplace = True)return(x)arr = pd.DataFrame({'a':['1','2']*2,'b':['1','2']*2,}
)
print('============去重前的数组===================')
print(arr)
print('============去重===================')
print(test(arr))
print('============去重后的数组===================')
print(arr)
4、实验四
3.1、题目总览
3.2、代码解析
1.用plot方法画出x在(0,10)间cos的图像
import numpy as np
from matplotlib import pyplot as pltx = np.arange(0,10,0.1)
y = np.cos(x)plt.xlabel('X')
plt.ylabel('Y')plt.plot(x,y) # 折线图
plt.show()
运行截图:
2.用scatter方法画出x在(0,10)间sin的点图像
x1 = np.arange(0,10,0.2)
y1 = np.sin(x1)plt.xlabel('X')
plt.ylabel('Y')plt.scatter(x1,y1) # 散点图
plt.show()
运行截图:
3.绘制一个高分别为3,1,4,5,8,9,7,2,X轴上值为A,B,C,D,E,F,G,H的柱状图
x2 = [1,2,3,4,5,6,7,8]
y2 = [3,1,4,5,8,9,7,2]label=['A','B','C','D','E','F','G','H']# 用来显示中文字符 不加中文显示 会报错
plt.rcParams['font.sans-serif'] = ['SimHei'] plt.title('柱状图')
plt.xlabel('X')
plt.ylabel('Y')p = plt.bar(x2,y2,tick_label = label) # 柱状图
plt.bar_label(p,labels=y2,padding=0.2) # 为条形图添加数据标签plt.show()
运行截图:
4.人口数据总共拥有6个特征,分别为年末总人口、男性人口、女性人口、城镇人口、乡村人口和年份。查看各个特征随着时间推移发生的变化情况可以分析出未来男女人口比例、城乡人口变化的方向。使用NumPy库读取人口数据。创建画布,并添加子图。在两个子图,上分别绘制散点图和折线图。保存,显示图片。分析未来人口变化趋势
import numpy as np
from matplotlib import pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号# ==========读取文件========================
data = np.load('D:\桌面\populations.npz',allow_pickle=True) # print(type(data)) # class 'numpy.lib.npyio.NpzFile'># data.files # npz结尾的数据集是压缩文件,里面还有其他的文件 可用 data.files 进行查看 ['data', 'feature_names']# print(data['data'])
# print(data['feature_names']) # ['时间' '年末总人口(万人)' '男性人口(万人)' '女性人口(万人)' '城镇人口(万人)' '乡村人口(万人)']# =========处理数据==========================
# 去除缺失值 print(data['data'][:-2])
new_data = np.delete(data['data'],[-1,-2], 0) # [-1,-2] 要删除的行 删除第 -1 行 和 第-2 行
y = new_data
# print(y)# numpy 选取二维数组 ==> 转为一维 ==> 逆序取值 [-1::-1] 字符串 逆序 取值 不自动实现 排大小功能y1 = y[:,:1][:,0][-1::-1] # 时间
y2 = y[:,1:2][:,0][-1::-1] # 年末总人口
y3 = y[:,2:3][:,0][-1::-1] # 男性人口
y4 = y[:,3:4][:,0][-1::-1] # 女性人口
y5 = y[:,4:5][:,0][-1::-1] # 城镇人口
y6 = y[:,5:6][:,0][-1::-1] # 乡村人口# print(y1)
#y1 = y[:,:1][:,0]
x = y1 # x = x[-1::-1]
# print(y2)# ===创建一个空白画布===
fig = plt.figure( figsize=(22,26) ) # ===创建一个子图===
ax1 = fig.add_subplot(2,1,1) # 位置: 2行1列 第1个# ==============散点图===================================line1 = ax1.scatter(x,y2)
line2 = ax1.scatter(x,y3)
line3 = ax1.scatter(x,y4)
line4 = ax1.scatter(x,y5)
line5 = ax1.scatter(x,y6)
plt.legend(handles=[line1,line2,line3,line4,line5], labels=['年末总人口(万人)','男性人口(万人)','女性人口(万人)','城镇人口(万人)','乡村人口(万人)'], loc='best')# ===创建一个子图===
ax2 = fig.add_subplot(2,1,2) # 位置: 2行1列 第2个# ==============折线图====================================line11, = ax2.plot(x,y2)
line22, = ax2.plot(x,y3)
line33, = ax2.plot(x,y4)
line44, = ax2.plot(x,y5)
line55, = ax2.plot(x,y6)
plt.legend(handles=[line11,line22,line33,line44,line55], labels=['年末总人口(万人)','男性人口(万人)','女性人口(万人)','城镇人口(万人)','乡村人口(万人)'], loc='best')# =====保存图片===========
plt.savefig('1996-2015年人口数据各个特征随时间推移的变化情况图') # 保存在当前路径下# =====在本机显示图片=====
plt.show()# ============问题=========================
# 之前会报错: A proxy artist may be used instead. ==> https://blog.csdn.net/weixin_39944233/article/details/110777868
# 原因: plt.plot( )返回的是一个二元组值,若要获取实例,必须用x, = plt.plot( )才能取出来实例对象
运行截图:
5.通过绘制各年份男女人口数目及城乡人口数目的直方图,男女人口比例及城乡人口比例的饼图可以发现人口结构的变化
- 各年份男女人口数目及城乡人口数目的直方图
# =====各年份男女人口数目及城乡人口数目的直方图
'''
y1 = y[:,:1][:,0][-1::-1] # 时间
y3 = y[:,2:3][:,0][-1::-1] # 男性人口
y4 = y[:,3:4][:,0][-1::-1] # 女性人口
y5 = y[:,4:5][:,0][-1::-1] # 城镇人口
y6 = y[:,5:6][:,0][-1::-1] # 乡村人口
'''
# ===创建一个空白画布===
fig = plt.figure( figsize=(22,26) ) # ===新建一个子图=== =====各年份男女人口数目直方图
ax3 = fig.add_subplot(3,1,1) plt.title("1996-2015年男女人口数目直方图")
plt.xlabel('年份')
plt.ylabel('人口数目(万人)')new_x = np.arange(len(y1))
man_y = y3
woman_y = y4
c_y = y5
x_y = y6pb1 = plt.bar(new_x - 0.2,man_y,width=0.4) # 柱状图
pb2 = plt.bar(new_x + 0.2,woman_y,width=0.4)plt.bar_label(pb1,labels=man_y,padding=0.2) # 每个条块加上其值
plt.bar_label(pb2,labels=woman_y,padding=0.2)
plt.legend(['男', '女'], loc='best')plt.xticks(ticks= new_x, labels= y1) # ticks: x轴刻度的列表集合 labels:用文本或其他来代替刻度的值# ===新建一个子图=== ======各年份城乡人口数目直方图
ax4 = fig.add_subplot(3,1,2) plt.title("1996-2015年城乡人口数目直方图")
plt.xlabel('年份')
plt.ylabel('人口数目(万人)')pb3 = plt.bar(new_x - 0.2,c_y,width=0.4) # 柱状图
pb4 = plt.bar(new_x + 0.2,x_y,width=0.4)plt.bar_label(pb3,labels=c_y,padding=0.2) # 每个条块加上其值
plt.bar_label(pb4,labels=x_y,padding=0.2)plt.xticks(ticks= new_x, labels= y1) # ticks: x轴刻度的列表集合 labels:用文本或其他来代替刻度的值
plt.legend(['城镇人口', '乡村人口'], loc='best')plt.show()
运行截图:
- 各年份男女人口比例及城乡人口比例的饼图
# =====各年份男女人口比例及城乡人口比例的饼图
'''
y1 = y[:,:1][:,0][-1::-1] # 时间
y3 = y[:,2:3][:,0][-1::-1] # 男性人口
y4 = y[:,3:4][:,0][-1::-1] # 女性人口
y5 = y[:,4:5][:,0][-1::-1] # 城镇人口
y6 = y[:,5:6][:,0][-1::-1] # 乡村人口
'''
# ===创建一个空白画布===
fig = plt.figure( figsize=(20,16) )
explode = (0.02,0.02)
# =====各年份男女人口数目饼图
labels = ['男性人口','女性人口']
labels1 = ['城镇人口','乡村人口']
v = [[y3[0],y4[0]],[y3[1],y4[1]],[y3[-2],y4[-2]], [y3[-1],y4[-2]],
]v1 = [[y5[0],y6[0]],[y5[1],y6[1]],[y5[-2],y6[-2]], [y5[-1],y6[-2]],
]# 男女人口数目饼图
ax5 = fig.add_subplot(2,4,1)
plt.pie(v[0],labels= labels, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('1996年男女人口数饼图')ax6 = fig.add_subplot(2,4,2)
plt.pie(v[1],labels= labels, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('1997年男女人口数饼图')ax7 = fig.add_subplot(2,4,3)
plt.pie(v[-2],labels= labels, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('2014年男女人口数饼图')ax8 = fig.add_subplot(2,4,4)
plt.pie(v[-1],labels= labels, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('2015年男女人口数饼图')# 城乡人口数目饼图
ax9 = fig.add_subplot(2,4,5)
plt.pie(v1[0],labels= labels1, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('1996年城乡人口数饼图')ax10 = fig.add_subplot(2,4,6)
plt.pie(v1[1],labels= labels1, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('1997年城乡人口数饼图')ax11 = fig.add_subplot(2,4,7)
plt.pie(v1[-2],labels= labels1, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('2014年城乡人口数饼图')ax12 = fig.add_subplot(2,4,8)
plt.pie(v1[-1],labels= labels1, explode=explode, autopct='%1.1f%%')
plt.tick_params(labelsize=12)
plt.title('2015年城乡人口数饼图')# =====保存图片===========
plt.savefig('1996,19967,2014,2015年男女人口比例及城乡人口比例的饼图') plt.show()
运行截图:
ok`----- 小案例到这里就结束啦~
我们下次再见 ^_^
相关文章:

Python数据分析处理报告--实训小案例
目录 1、实验一 1.1、题目总览 1.2、代码解析 2、实现二 2.1、题目总览 2.2、代码解析 3、实验三 3.1、题目总览 3.2、代码解析 4、实验四 3.1、题目总览 3.2、代码解析 哈喽~今天学习记录的是数据分析实训小案例。 就用这个案例来好好巩固一下 python 数据分析三…...

OpenCV入门(十二)快速学会OpenCV 11几何变换
OpenCV入门(十二)快速学会OpenCV 11几何变换1.图像平移2.图像旋转3.仿射变换4.图像缩放我们在处理图像时,往往会遇到需要对图像进行几何变换的问题。图像的几何变换是图像处理和图像分析的基础内容之一,不仅提供了产生某些图像的可…...

小菜鸟Python历险记:(第二集)
今天写的文章是记录我从零开始学习Python的全过程。Python基础语法学习:Python中的数值运算一共有7种,分别是加法()、减法(-)、除法(/)得到的结果是一个浮点数、乘法(*&a…...

ContentProvider程序之间数据的相互调用
1权限的获取和调用 权限分为普通权限和危险权限,除了日历信息,电话,通话记录,相机,通讯录,定位,麦克风,电话,传感器,界面识别(Activity-Recognit…...

金三银四最近一次面试,被阿里P8测开虐惨了...
都说金三银四涨薪季,我是着急忙慌的准备简历——5年软件测试经验,可独立测试大型产品项目,熟悉项目测试流程...薪资要求?5年测试经验起码能要个20K吧 我加班肝了一页半简历,投出去一周,面试电话倒是不少&a…...
算法题——给定一个字符串 s ,请你找出其中不含有重复字符的最长子串 的长度
给定一个字符串 s ,请你找出其中不含有重复字符的最长子串 的长度 示例 1: 输入: s “abcabcbb” 输出: 3 解释: 因为无重复字符的最长子串是 “abc”,所以其长度为 3。 示例 2: 输入: s “bbbbb” 输出: 1 解释: 因为无重复字符的最长子串是 “b”&am…...

机器学习中的数学原理——F值与交叉验证
通过这篇博客,你将清晰的明白什么是F值、交叉验证。这个专栏名为白话机器学习中数学学习笔记,主要是用来分享一下我在 机器学习中的学习笔记及一些感悟,也希望对你的学习有帮助哦!感兴趣的小伙伴欢迎私信或者评论区留言࿰…...
vue.js介绍
个人名片: 😊作者简介:一名大一在校生,web前端开发专业 🤡 个人主页:python学不会123 🐼座右铭:懒惰受到的惩罚不仅仅是自己的失败,还有别人的成功。 🎅**学习…...

【设计模式】1、设计模式七大原则
目录一、单一职责二、接口隔离三、依赖倒置(倒转)四、里氏替换五、迪米特法则(Law of Demeter)六、开闭七、合成复用一、单一职责 类(或方法)功能的专一性。一个类(或方法)不应该承担…...
【前端老赵的CSS简明教程】10-1 CSS预处理器和使用方法
大家好,欢迎来到本期前端课程。我是前端老赵,今天的课程将讲解CSS预处理器的概念和使用方法,希望能够帮助大家更好地进行前端开发。 CSS预处理器是什么? CSS预处理器是一种将类似CSS的语言转换为CSS的工具。它们提供了许多额外的功能,如变量、嵌套、混入、函数等等。这些…...
BFC详解
1. 引言 在前端的布局手段中,一直有这么一个知识点,很多前端开发者都知道有它的存在,但是很多人也仅仅是知道它的存在而已,对它的作用也只是将将说得出来,可是却没办法说得非常的清晰。这个知识点,就是BFC…...

C++:哈希结构(内含unordered_set和unordered_map实现)
unordered系列关联式容器 在C98中,STL提供了底层为红黑树结构的一系列关联式容器,在查询时效率可达到$log_2 N$,即最差情况下需要比较红黑树的高度次,当树中的节点非常多时,查询效率也不理想。最好 的查询是ÿ…...

Java实现调用第三方相关接口(附详细思路)
目录1.0.简单版2.0.升级版2-1.call.timeout()怎么传入新的超时值2-2.timeout(10, TimeUnit.SECONDS)两个参数的意思,具体含义3.0.进阶版3-1.java.net.SocketTimeoutException: 超时如何解决4.0.终极版1.0.简单版 以下是一个使用 Java 实际请求“第三方”的简单示例代…...

基础数据结构:单链表
今天懒洋洋学习了关于基础数据结构有关单链表的相关操作,懒洋洋来这温习一下。一:单链表的定义链表定义:用链式存储的线性表统称为链表,即逻辑结构上连续,物理结构上不连续。链表分类:单链表、双链表、循环链表、静态链…...

基于51单片机的智能计算器Protues仿真设计
目录 一、设计背景 二、实现功能 三、硬件设计 3.1 总体硬件设计 3.2 键盘电路的设计 3.3 显示电路的设计 四、仿真演示 五、源程序 一、设计背景 随着社会的发展,科学的进步,人们的生活水平在逐步的提高,尤其是微电子技术的发展&am…...
Pandas数据分析实战练习
Pandas数据分析实战练习 文章目录 Pandas数据分析实战练习一、读取Excel文件中的数据1、读取工号、姓名、时段、交易额这四列数据,使用默认索引,输出前10行数据2、读取第一个worksheet中所有列,跳过第1、3、5行,指定下标为1的列中数据为DataFrame的行索引标签二、筛选符合特…...

C++ 继承下(二篇文章学习继承所有知识点)
5.继承与友元友元关系不能继承,也就是说基类友元不能访问子类私有和保护成员 //验证友元不能继承 class B {friend void Print(); public:B(int b): _b(b){cout << "B()" << endl;}protected:int _b; };class D : public B { public:D(int b,…...

【C++】C++11新特性——类的改进|lambda表达式
文章目录一、类的改进1.1 默认生成1.2 移动构造函数1.3 移动赋值重载函数1.4 成员变量缺省值1.5 强制生成默认函数的关键字default1.6 禁止生成默认函数的关键字delete1.6.1 C98防拷贝1.6.1 C11防拷贝二、lambda表达式2.1 对比2.2 lambda表达式语法2.3 捕捉列表2.4 函数对象与l…...

C语言进阶(37) | 程序环境和预处理
目录 1.程序的翻译环境和执行环境 2.详解编译链接 2.1 翻译环境 2.2 编译本身也分为几个阶段: 2.3 运行环境 3.预处理详解 3.1预定符号 3.2 #define 3.3 #undef 3.4 命令行定义 3.5 条件编译 3.6 文件包含 了解重点: 程序的翻译环境程序的执行环境详解: C语言程…...

Golang每日一练(leetDay0005)
目录 13. 罗马数字转整数 Roman to Integer ★ 14. 最长公共前缀 Longest Common Prefix ★ 15. 三数之和 3Sum ★★★ 🌟 每日一练刷题专栏 🌟 Golang每日一练 专栏 Python每日一练 专栏 C/C每日一练 专栏 Java每日一练 专栏 13. 罗马数字转…...

前端导出带有合并单元格的列表
// 导出async function exportExcel(fileName "共识调整.xlsx") {// 所有数据const exportData await getAllMainData();// 表头内容let fitstTitleList [];const secondTitleList [];allColumns.value.forEach(column > {if (!column.children) {fitstTitleL…...

Python实现prophet 理论及参数优化
文章目录 Prophet理论及模型参数介绍Python代码完整实现prophet 添加外部数据进行模型优化 之前初步学习prophet的时候,写过一篇简单实现,后期随着对该模型的深入研究,本次记录涉及到prophet 的公式以及参数调优,从公式可以更直观…...

cf2117E
原题链接:https://codeforces.com/contest/2117/problem/E 题目背景: 给定两个数组a,b,可以执行多次以下操作:选择 i (1 < i < n - 1),并设置 或,也可以在执行上述操作前执行一次删除任意 和 。求…...

视频字幕质量评估的大规模细粒度基准
大家读完觉得有帮助记得关注和点赞!!! 摘要 视频字幕在文本到视频生成任务中起着至关重要的作用,因为它们的质量直接影响所生成视频的语义连贯性和视觉保真度。尽管大型视觉-语言模型(VLMs)在字幕生成方面…...

嵌入式学习笔记DAY33(网络编程——TCP)
一、网络架构 C/S (client/server 客户端/服务器):由客户端和服务器端两个部分组成。客户端通常是用户使用的应用程序,负责提供用户界面和交互逻辑 ,接收用户输入,向服务器发送请求,并展示服务…...
怎么让Comfyui导出的图像不包含工作流信息,
为了数据安全,让Comfyui导出的图像不包含工作流信息,导出的图像就不会拖到comfyui中加载出来工作流。 ComfyUI的目录下node.py 直接移除 pnginfo(推荐) 在 save_images 方法中,删除或注释掉所有与 metadata …...

Qemu arm操作系统开发环境
使用qemu虚拟arm硬件比较合适。 步骤如下: 安装qemu apt install qemu-system安装aarch64-none-elf-gcc 需要手动下载,下载地址:https://developer.arm.com/-/media/Files/downloads/gnu/13.2.rel1/binrel/arm-gnu-toolchain-13.2.rel1-x…...

给网站添加live2d看板娘
给网站添加live2d看板娘 参考文献: stevenjoezhang/live2d-widget: 把萌萌哒的看板娘抱回家 (ノ≧∇≦)ノ | Live2D widget for web platformEikanya/Live2d-model: Live2d model collectionzenghongtu/live2d-model-assets 前言 网站环境如下,文章也主…...

ubuntu22.04有线网络无法连接,图标也没了
今天突然无法有线网络无法连接任何设备,并且图标都没了 错误案例 往上一顿搜索,试了很多博客都不行,比如 Ubuntu22.04右上角网络图标消失 最后解决的办法 下载网卡驱动,重新安装 操作步骤 查看自己网卡的型号 lspci | gre…...
6️⃣Go 语言中的哈希、加密与序列化:通往区块链世界的钥匙
Go 语言中的哈希、加密与序列化:通往区块链世界的钥匙 一、前言:离区块链还有多远? 区块链听起来可能遥不可及,似乎是只有密码学专家和资深工程师才能涉足的领域。但事实上,构建一个区块链的核心并不复杂,尤其当你已经掌握了一门系统编程语言,比如 Go。 要真正理解区…...