pandas之Seris和DataFrame
pandas是一个强大的python工具包，提供了大量处理数据的函数和方法，用于处理数据和分析数据。
使用pandas之前需要先安装pandas包，并通过import pandas as pd导入。
一、系列Series
Seris为带标签的一维数组，标签即为索引。
1.Series的创建
Seris创建的方法：s = pd.Seris(obj , index=' ***' , name='***')
Seris创建时如果不通过参数指定name，名称默认为None，并不是=前面的变量名称s。
①通过字典创建
通过字典创建Seris，字典的key即为索引。如果字典的key有重复，创建Seris时会取最后出现的一个值。
dic = {'name':'Alice','age':23,'age':20,'age':25,'hobby':'dance'}
s = pd.Series(dic,name='dic_Seris')
print(s)
# name Alice
# age 25
# hobby dance
# Name: dic_Seris, dtype: object
通过字典创建Seris
②通过一维数组、列表或元组创建
通过这种方法，如果不指定索引index，默认为从0开始的整数；如果指定index，index的数量必须与Seris的元素个数保持一致，否则会报错。
arr = np.arange(1,6)
s1 = pd.Series(arr)
s2 = pd.Series(arr,index=list('abcde'),name='iter_Seris')
print(s1.name,s2.name)
print(s1)
print('-------------')
print(s2)
# None iter_Seris
# 0 1
# 1 2
# 2 3
# 3 4
# 4 5
# dtype: int32
# -------------
# a 1
# b 2
# c 3
# d 4
# e 5
# Name: iter_Seris, dtype: int32
通过一维数组、列表或元组创建Seris
③通过标量创建
通过标量创建时，参数obj为一个固定的值，表示Seris中元素的值，此时必须指定index，index的个数表示元素个数。
s = pd.Series('hi',index=list('abc'),name='s_Seris')
print(s)
# a hi
# b hi
# c hi
# Name: s_Seris, dtype: object
通过标量创建Seris
2.Series的索引
①下标索引
下标索引从0开始，-1表示最后一个元素，通过[m:n]切片包括m不包括n。Seris中的每一个元素类型为<class 'numpy.***'>
还可以通过[[ m,n,x]]获取下标为m、n、x的值，列表和元组没有该用法。
s = pd.Series([1,2,3,4,5],index=list('abcde'))
print(s[1],type(s[1]))
print(s[-2])
print(s[1:3])
print(s[[0,4]])
# 2 <class 'numpy.int64'>
#
# b 2
# c 3
# dtype: int64
# a 1
# e 5
# dtype: int64
Seris下标索引
②标签索引
与下标索引不同的是，标签通过[m:n]切片时包含m也包含n。也可以通过[[ m,n,x]]获取标签为m、n和x的值
s = pd.Series([1,2,3,4,5],index=list('abcde'))
print(s['b'])
print(s['c':'d'])
print(s[['a','e']])
#
# c 3
# d 4
# dtype: int64
# a 1
# e 5
# dtype: int64
Seris标签索引
注意，如果Seris的标签也为整数时，会出现混乱，因此不建议自定义数字为标签索引。
s = pd.Series([1,2,3,4,5],index=[1,2,3,4,5])
print(s)
print('------------')
print(s[3])
print('------------')
print(s[2:4])
# 1 1
# 2 2
# 3 3
# 4 4
# 5 5
# dtype: int64
# ------------
#
# ------------
# 3 3
# 4 4
# dtype: int64
③布尔索引
s = pd.Series([1,2,3,4,5],index=list('abcde'))
m = s > 3
print(m)
print(s[m])
# a False
# b False
# c False
# d True
# e True
# dtype: bool
# d 4
# e 5
# dtype: int64
Seris布尔值索引
3.Seris查看和常用方法
①head()和tail()
参数默认为5，表示查看前5个和后5个，可指定参数。
s = pd.Series([1,2,3,4,5,6,7,8,9,10])
print(s.head(2))
print(s.tail((3)))
# 0 1
# 1 2
# dtype: int64
# 7 8
# 8 9
# 9 10
# dtype: int64
head()和tail()
②tolist()（也可写作to_list()）
将Seris转化为列表
s = pd.Series(np.random.randint(1,10,10))
print(s.tolist())
# [3, 8, 8, 9, 8, 2, 2, 7, 7, 7]
③reindex(index , fill_value=NaN)
reindex会生成一个新的Seris，对于参数index，如果在原Seris的index中存在则保留，不存在则将值填充为fill_value指定的值，fill_value默认为NaN
arr = np.arange(1,6)
s1 = pd.Series(arr,index = list('abcde'))
s2 =s1.reindex(['a','d','f','h'],fill_value=0)
print(s1)
print(s2)
# a 1
# b 2
# c 3
# d 4
# e 5
# dtype: int32
# a 1
# d 4
# f 0
# h 0
# dtype: int32
reindex()
④+和-
Seris与单个值的加法和减法，是对Seris的每个元素进行操作。
两个Seris的加法和减法，对两者index相同的数值做加法和减法，不相同的部分index都保留，值默认为NaN。
s1 = pd.Series(np.arange(1,4),index = list('abc'))
s2 = pd.Series(np.arange(5,8),index = list('bcd'))
print(s1+s2)
print('--------')
print(s2-s1)
print('--------')
print(s1+10)
# a NaN
# b 7.0
# c 9.0
# d NaN
# dtype: float64
# --------
# a NaN
# b 3.0
# c 3.0
# d NaN
# dtype: float64
# --------
# a 11
# b 12
# c 13
# dtype: int32
Seris的加法和减法
⑤元素的添加
直接通过标签方式添加元素（通过下标方式添加报超出索引错误），修改原Seris。
s = pd.Series(np.arange(1,4),index = list('abc'))
# s[3] = 10
s['p'] = 15
print(s)
# a 1
# b 2
# c 3
# p 15
# dtype: int64
Seris添加元素
s1.appeng(s2)，生成一个新的Seris，不修改s1和s2
s1 = pd.Series(np.arange(1,3),index = list('ab'))
s2 = pd.Series(np.arange(3,5),index = list('mn'))
a = s1.append(s2)
print(s1)
print(s2)
print(a)
# a 1
# b 2
# dtype: int32
# m 3
# n 4
# dtype: int32
# a 1
# b 2
# m 3
# n 4
# dtype: int32
append()
⑥元素的删除drop()
用法：drop(index,inplace = False)，表示删除原Seris中索引为参数index的值，默认删除的内容会生成一个新的Seris且不改变原Seris，如果指定Inplace = True则会直接修改原Seris。
s1 = pd.Series(np.arange(1,4),index = list('abc'))
s2 = s1.drop(['a','c'])
print(s1)
print(s2)
s3 = pd.Series(np.arange(5,8),index = list('lmn'))
s4 = s3.drop('m',inplace=True)
print(s3)
print(s4)
# a 1
# b 2
# c 3
# dtype: int32
# b 2
# dtype: int32
# l 5
# n 7
drop()删除元素
二、数据帧DataFrame
DataFrame是一个表格型的数据结构，是一组带有标签的二维数组，DataFrame是pandas中最常用的一种数据结构。创建一个DataFrame为df，则
df.index表示行索引，df.columns表示列索引，df.values表示实际的值。
dic = {'name':['alice','Bob','Jane'],'age':[23,26,25]}
df = pd.DataFrame(dic)
print(df)
print(type(df))
print(df.index)
print(df.columns)
print(df.values)
# name age
# 0 alice 23
# 1 Bob 26
# 2 Jane 25
# <class 'pandas.core.frame.DataFrame'>
# RangeIndex(start=0, stop=3, step=1)
# Index(['name', 'age'], dtype='object')
# [['alice' 23]
# ['Bob' 26]
# ['Jane' 25]]
DataFrame数据示例
1.DataFrame的创建
①通过字典、或者由字典组成的列表创建
通过这种方法，字典的key就是列索引，行索引默认为从0开始的整数。
dic1 = [{'name':'Alice','age':23},{'name':'Bob','age':26},{'name':'Jane','age':25}]
dic2 = {'name':['alice','Bob','Jane'],'age':[23,26,25]}
df1 = pd.DataFrame(dic1)
df2 = pd.DataFrame(dic2)
print(df1)
print('---------------')
# print(pd.DataFrame(df1,columns=['name','age']))
print(df2)
# age name
# 0 23 Alice
# 1 26 Bob
# 2 25 Jane
# ---------------
# name age
# 0 alice 23
# 1 Bob 26
# 2 Jane 25
通过列表或字典创建DataFrame
创建时可通过index指定行索引，但是索引的个数必须要与DataFrame的行数保持一致，否则会报错。
也可以通过columns指定列索引，列索引的个数可以不与DataFrame的列数保持一致，索引相同的部分保留，原字典或列表中多余的部分去除，columns中多余的部分保留并填充值为NaN
dic = {'name':['alice','Bob','Jane'],'age':[23,26,25]}
df1 = pd.DataFrame(dic,columns=['name','hobby'])
df2 = pd.DataFrame(dic,index=['a','b','c'])
print(df1)
print(df2)
# name hobby
# 0 alice NaN
# 1 Bob NaN
# 2 Jane NaN
# name age
# a alice 23
# b Bob 26
# c Jane 25
指定行索引和列索引
②通过Seris创建
通过Seris创建时，Seris的长度可以不一致，DataFrame会取最长的Seris，并将不足的部分填充为NaN
dic1 = {'one':pd.Series(np.arange(2)),'two':pd.Series(np.arange(3))}
dic2 = {'one':pd.Series(np.arange(2),index=['a','b']),'two':pd.Series(np.arange(3),index = ['a','b','c'])}
print(pd.DataFrame(dic1))
print('------------')
print(pd.DataFrame(dic2))
# one two
# 0 0.0 0
# 1 1.0 1
# 2 NaN 2
# ------------
# one two
# a 0.0 0
# b 1.0 1
# c NaN 2
通过Seris创建DataFrame
③通过二维数组创建
方法：DataFrame(arr,index=‘***’ ,columns=‘***’)，如果不指定index和columns，默认都是从0开始的整数，如果指定则index和columns的长度必须与二维数据的行数和列数相同，否则会报错。
arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(arr,index=['a','b','c'],columns=['col1','col2','col3','col4'])
print(df)
# col1 col2 col3 col4
# a 0 1 2 3
# b 4 5 6 7
# c 8 9 10 11
通过二维数组创建DataFrame
④通过嵌套字典创建
通过这种方法创建，字典的外层key为列索引，内层key为行索引。
dic = {'Chinese':{'Alice':92,'Bob':95,'Jane':93},'Math':{'Alice':96,'Bob':98,'Jane':95}}
print(pd.DataFrame(dic))
# Chinese Math
# Alice 92 96
# Bob 95 98
# Jane 93 95
通过嵌套字典创建DataFrame
2.DataFrame的索引
可通过.values直接获取不带index和column的内容部分，结果为一个二维数组。
arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
print(df.values)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
.values获取内容部分
①列索引
单列索引直接使用df['列索引']即可，数据类型为Seris，名称为列索引，index为原DataFrame的index；
多列索引通过df[['列索引1','列索引2',...]]，结果为DataFrame，columns为指定的索引，index为原DataFrame的index。
arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
print(df)
print('-------------')
print(df['one'],type(df['one']))
print('-------------')
print(df[['one','three']])
# one two three four
# a 0 1 2 3
# b 4 5 6 7
# c 8 9 10 11
# -------------
# a 0
# b 4
# c 8
# Name: one, dtype: int32 <class 'pandas.core.series.Series'>
# -------------
# one three
# a 0 2
# b 4 6
# c 8 10
DataFrame列索引
②行索引
单行索引通过df.loc['行索引']实现，数据类型为Seris，名称为行索引，index为原DataFrame的columns；
多行索引通过df.loc[['行索引1','行索引2',...]]，结果为DataFrame，columns为原DataFrame的columns，index为的指定的行索引。
arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
print(df.loc['a'],type(df.loc['a']))
print(df.loc[['a','c']])
# one 0
# two 1
# three 2
# four 3
# Name: a, dtype: int32 <class 'pandas.core.series.Series'>
# one two three four
# a 0 1 2 3
# c 8 9 10 11
DataFrame行索引
行索引也可以使用iloc[]，loc[]使用标签作为行索引，iloc[ ]使用下标（即第几行）作为索引
arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
print(df.iloc[1],type(df.iloc[1]))
print(df.iloc[[0,2]])
# one 4
# two 5
# three 6
# four 7
# Name: b, dtype: int32 <class 'pandas.core.series.Series'>
# one two three four
# a 0 1 2 3
# c 8 9 10 11
DataFrame的iloc[]行索引
③单元格和块索引
单元格的索引有三种方式：df['列索引'].loc['行索引']、df.loc['行索引']['列索引']、df.loc['行索引','列索引']
块索引：df[['列索引1','列索引2'...]].loc[['行索引1','行索引2'...]]、df.loc[['行索引1','行索引2'...]][['列索引1','列索引2'...]]、df.loc[['行索引1','行索引2'...]],[['列索引1','列索引2'...]]
arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
print(df)
print('--------------------------')
print(df['two'].loc['b'] , df.loc['b']['two'] , df.loc['b','two'])
print('--------------------------')
print(df.loc[['a','c'],['one','four']])
# one two three four
# a 0 1 2 3
# b 4 5 6 7
# c 8 9 10 11
# --------------------------
# 5 5 5
# --------------------------
# one four
# a 0 3
# c 8 11
DataFrame单元格和块索引
④布尔索引
如果对DataFrame进行单列布尔索引，结果会显示列中值为True所在的行。
arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
m1= df['one']>5
print(df)
print('------------------------')
print(m1) #索引c对应的值为True
print('------------------------')
print(df[m1]) #显示索引c所在的行，包括所有列
# one two three four
# a 0 1 2 3
# b 4 5 6 7
# c 8 9 10 11
# ------------------------
# a False
# b False
# c True
# Name: one, dtype: bool
# ------------------------
# one two three four
# c 8 9 10 11
DataFrame单列布尔索引
如果对多列或整个DataFrame进行布尔索引，结果是一个与DataFrame结构相同的DataFrame，其中索引列中符合条件的以实际值显示，不符合条件的以NaN显示。
arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
m1 = df[['one','three']] > 5
print(m1)
print(df[m1]) #列one、three中符合条件的显示实际值，其他都显示为NaN
# one three
# a False False
# b False True
# c True True
# one two three four
# a NaN NaN NaN NaN
# b NaN NaN 6.0 NaN
# c 8.0 NaN 10.0 NaN
DataFrame多列布尔索引
df = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
m = df >5
print(m)
print(df[m])
# one two three four
# a False False False False
# b False False True True
# c True True True True
# one two three four
# a NaN NaN NaN NaN
# b NaN NaN 6.0 7.0
# c 8.0 9.0 10.0 11.0
整个DataFrame布尔索引
（对行做布尔索引会报错pandas.core.indexing.IndexingError: Unalignable boolean Series provided as indexer (index of the boolean Series and of the indexed object do not match）
3.DataFrame的常用方法
①.T转置
DataFrame转置会将原columns变为index，原index变为columns，并且修改原DataFrame会修改转置后的DataFrame，修改转置后的DataFrame也会修改原DataFrame。
arr = np.arange(12).reshape(3,4)
df1 = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
df2 = df1.T
df1.loc['a','one'] = 100
print(df1)
print(df2)
df2.loc['two','b'] = 500
print(df1)
print(df2)
# one two three four
# a 100 1 2 3
# b 4 5 6 7
# c 8 9 10 11
# a b c
# one 100 4 8
# two 1 5 9
# three 2 6 10
# four 3 7 11
# one two three four
# a 100 1 2 3
# b 4 500 6 7
# c 8 9 10 11
# a b c
# one 100 4 8
# two 1 500 9
# three 2 6 10
# four 3 7 11
DataFrame转置
②添加与修改
增加列：df['新列索引'] = [***]，元素的个数必须与DataFrame的行数相同，否则会报错。
增加行：df.loc['新行索引'] = [***]，元素的个数必须与DataFrame的列数相同，否则会报错。
修改DataFrame直接通过上一节单元格或块索引的方式获得单元格或块，再修改即可。
arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
print(df)
df['five'] = [11,22,33] #元素个数必须与行数相同，否则会报错
print(df)
df.loc['d'] = [100,200,300,400,500] #元素个数必须与列数相同，否则会报错
print(df)
# one two three four
# a 0 1 2 3
# b 4 5 6 7
# c 8 9 10 11
# one two three four five
# a 0 1 2 3 11
# b 4 5 6 7 22
# c 8 9 10 11 33
# one two three four five
# a 0 1 2 3 11
# b 4 5 6 7 22
# c 8 9 10 11 33
# d 100 200 300 400 500
DataFrame增加行或列
③删除
del df['列索引'] 直接删除原DataFrame的列
df.drop('索引',axis = 0,inplace = False)，drop可以删除行也可以删除列，默认axis为0即默认删除行，为1则表示删除列，如果给定的索引在行中或者列中不存在会报错；
drop默认生成新的DataFrame不改变原DataFrame，即inplace=False，如果inplace设置为True则不生成新的DataFrame，而是直接修改原DataFrame。
arr = np.arange(12).reshape(3,4)
df = pd.DataFrame(arr,index = ['a','b','c'],columns = ['one','two','three','four'])
print(df)
del df['four']
print(df) #del删除原DataFrame的列
f = df.drop('c')
print(f)
print(df)
f = df.drop('three',axis=1,inplace=True)
print(f)
print(df)
# one two three four
# a 0 1 2 3
# b 4 5 6 7
# c 8 9 10 11
# one two three
# a 0 1 2
# b 4 5 6
# c 8 9 10
# one two three
# a 0 1 2
# b 4 5 6
# one two three
# a 0 1 2
# b 4 5 6
# c 8 9 10
# None
# one two
# a 0 1
# b 4 5
# c 8 9
DataFrame删除行或列
④相加
DataFrame与单个值相加或相减，对每个元素进行加或减即可。
DataFrame之间相加或相减，不要求index和columns相同，对行和列对应的部分加或减，多余的行和列都保留并且值全部为NaN。
arr1 = np.arange(12).reshape(3,4)
arr2 = np.arange(12).reshape(4,3)
df1 = pd.DataFrame(arr1,index = ['a','b','c'],columns = ['one','two','three','four'])
df2 = pd.DataFrame(arr2,index = ['a','b','c','d'],columns = ['one','two','three'])
print( df1 + 1 )
print( df1 + df2 )
# one two three four
# a 1 2 3 4
# b 5 6 7 8
# c 9 10 11 12
# four one three two
# a NaN 0.0 4.0 2.0
# b NaN 7.0 11.0 9.0
# c NaN 14.0 18.0 16.0
# d NaN NaN NaN NaN
DataFrame相加或相减
⑤排序
按值排序：sort_values('列索引',ascending=True)，即对某一列的值按行排序，默认升序排序，对多个列排序则用['列索引1','列索引2',...]
按index排序：sort_index(ascending=True)，按照index的名称进行排序，默认升序。
arr = np.random.randint(1,10,[4,3])
df = pd.DataFrame(arr,index = ['a','b','c','d'],columns = ['one','two','three'])
print(df)
print(df.sort_values(['one','three'],ascending=True))
print(df.sort_index(ascending=False))
# one two three
# a 7 7 1
# b 5 7 1
# c 1 9 4
# d 7 9 9
# one two three
# c 1 9 4
# b 5 7 1
# a 7 7 1
# d 7 9 9
# one two three
# d 7 9 9
# c 1 9 4
# b 5 7 1
# a 7 7 1
DataFrame排序
pandas之Seris和DataFrame的更多相关文章
- 利用Python进行数据分析(7) pandas基础: Series和DataFrame的简单介绍
一.pandas 是什么 pandas 是基于 NumPy 的一个 Python 数据分析包,主要目的是为了数据分析.它提供了大量高级的数据结构和对数据处理的方法. pandas 有两个主要的数据结构 ...
- pandas使用drop_duplicates去除DataFrame重复项
DataFrame中存在重复的行或者几行中某几列的值重复,这时候需要去掉重复行,示例如下: data.drop_duplicates(subset=['A','B'],keep='first',inp ...
- Python之Pandas中Series、DataFrame
Python之Pandas中Series.DataFrame实践 1. pandas的数据结构Series 1.1 Series是一种类似于一维数组的对象,它由一组数据(各种NumPy数据类型)以及一 ...
- Python之Pandas中Series、DataFrame实践
Python之Pandas中Series.DataFrame实践 1. pandas的数据结构Series 1.1 Series是一种类似于一维数组的对象,它由一组数据(各种NumPy数据类型)以及一 ...
- pandas中的数据结构-DataFrame
pandas中的数据结构-DataFrame DataFrame是什么? 表格型的数据结构 DataFrame 是一个表格型的数据类型,每列值类型可以不同 DataFrame 既有行索引.也有列索引 ...
- python——pandas技巧（处理dataframe每个元素，不用for，而用apply）
用apply处理pandas比用for循环,快了无数倍,测试如下: 我们有一个pandas加载的dataframe如下,features是0和1特征的组合,可惜都是str形式(字符串形式),我们要将其 ...
- 利用Python进行数据分析(8) pandas基础: Series和DataFrame的基本操作
一.reindex() 方法:重新索引 针对 Series 重新索引指的是根据index参数重新进行排序. 如果传入的索引值在数据里不存在,则不会报错,而是添加缺失值的新行. 不想用缺失值,可以用 ...
- pandas和spark的dataframe互转
pandas的dataframe转spark的dataframe from pyspark.sql import SparkSession # 初始化spark会话 spark = SparkSess ...
- Pandas 1 表格数据类型DataFrame
# -*- encoding:utf-8 -*- # Copyright (c) 2015 Shiye Inc. # All rights reserved. # # Author: ldq < ...
随机推荐
- Dll的多字节和Unicode
Dll的多字节和Unicode 分类: MFC2013-10-17 13:00 28人阅读 评论(0) 收藏 举报 dll字符集字符集多字节Unicode 我们定义dll的时候会区分: 字符集:使用多 ...
- ionic2/Angularjs cordova node.js
ionic 和 cordova 的区别 环境的搭建{node.js,jdk1.8/jdk1.7,android sdk,intellijIdea,ionic,cordova} nodejs+ionic ...
- Spring Boot 整合 Shiro-登录认证和权限管理
这篇文章我们来学习如何使用 Spring Boot 集成 Apache Shiro .安全应该是互联网公司的一道生命线,几乎任何的公司都会涉及到这方面的需求.在 Java 领域一般有 Spring S ...
- 【FastDFS】FastDFS 分布式文件系统的安装与使用，看这一篇就够了！！
写在前面 有不少小伙伴在实际工作中,对于如何存储文件(图片.视频.音频等)没有一个很好的解决思路.都明白不能将文件存储在单台服务器的磁盘上,也知道需要将文件进行副本备份.如果自己手动写文件的副本机制, ...
- Idea自带插件Groovy无法创建和启动
前言 如果现在有人要开始完全重写 Java,那么 Groovy 就像是 Java 2.0.Groovy 并没有取代 Java,而是作为 Java 的补充,它提供了更简单.更灵活的语法,可以在运行时动态 ...
- 又一款开源图标库 CSS.GG，值得一用
嗨,我是 Martin,也叫老王,今天推荐一款好用的开源图标库. 我们平常找图标往往会去 iconfont 但是今天,我们看了 Martin 的文章之后,就会有一个新的选择--CSS.GG Githu ...
- swiper的自适应高度问题
#swiper的自适应高度问题 众所周知,swiper组件的元素swiper-item是设置了绝对定位的,所以里面的内容是无法撑开swiper的,并且给swiper盒子设置overflow:vis ...
- rpm部分命令解读
rpm部分命令解读 rpm---RedHat Package Manger---打包及安装工具 rpm参数列表 rpm -a rpm -q < rpm package name> 解读 ...
- linux安装phantomjs
一.下载PhantomJS: 从官网http://phantomjs.org/download.html下载linux64位的安装包即 phantomjs-2.1.1-linux-x86_64.ta ...
- 概率图模型（CPD）（二）
CPD是conditional probability distribution的缩写,翻译成中文叫做 条件概率分布.在概率图中,条件概率分布是一个非常重要的概念.因为概率图研究的是随机变量之间的练习 ...