# Pandas 知识点总结
# Pandas数据结构:Series 和 DataFrame
import pandas as pd
import numpy as np # 一,Series:
# 1, 创建 Series pd.Series(列表或字典) s_obj = pd.Series([4,7,-5,3])
s_obj sdata={'Ohio':35000,'texas':71000,'Oregon':16000,'Utah':1000}
s_obj3=pd.Series(sdata) # 产生一个按【键】排好序的字典。
s_obj3
# 可以对键重新定义,当新定义的键在原字典中不存在时,Series处理这个缺失值为NaN。
# 当原来的字典中的键不存在于新定义的索引列表中时,这个键值对就会被排除掉。
s_obj4=pd.Series(sdata,index=["Tom",'Ohio','Ivan','Utah'])
s_obj4
s_obj.values # Series的值数组 array([ 4, 7, -5, 3], dtype=int64)
s_obj.index # Series的索引对象 RangeIndex(start=0, stop=4, step=1) # 2, 自定义索引:
# 在创建序列时,给 index参数指定索引列表
s_obj2=pd.Series([4,7,-5,3],index=['d','b','a','c'])
# 使用 Series_obj.index属性,按【位置】赋值创建/改变索引:
s_obj2.index=['m','b','a','d'] # 长度必须与 序列的 size一致,否则报错。
s_obj2
# m 4
# b 7
# a -5
# d 3
# dtype: int64 # 3, 使用索引访问和修改序列元素
s_obj[2] # -5
s_obj2['a'] # -5 使用行标签进行索引
s_obj2[2] # -5 使用行号进行索引
s_obj2[2]=0
s_obj2
# m 4
# b 7
# a 0
# d 3
# dtype: int64 # 4, 对Series对象使用 Numpy 函数或 Numpy 风格的各种操作(如根据布尔型数组进行过滤,与标量相乘,或者应用数学函数),都会保留索引与值
# 之间的连接关系: s_obj2[obj2>0] #以布尔型数组进行索引
s_obj2*2
np.exp(obj2) # 计算各元素的以e为底的指数 # 5, 判断索引是否存在于序列中:
print('Yes') if 'b' in s_obj2 else print('No')
print('Yes') if 'b' in s_obj2.index else print('No')
print('Yes') if 'e' in s_obj2 else print('No')
print('Yes') if 'e' in s_obj2.index else print('No') # 6, 检验缺失数据:isnull() notnull()函数
# 既可以作为pandas的顶层函数,也可以作为 Series实例对象调用的方法。
# 对序列中的每个元素进行判断,返回与原数组长度相同的 布尔类型 Series对象。
# 在后面的章节中会深入的讨论如何处理缺失数据。 pd.isnull(Series_obj) 等同于 Series_obj.isnull()
pd.notnull(Series_obj) 等同于 Series_obj.notnull() # 7, Series的索引自动对齐:
# 比如进行数学计算时,相同索引的元素进行计算,索引不相同的引入 NaN
# Series的索引自动对齐功能和数据库的join操作是很相似的。
obj3+obj4 # 8, series_obj.name 属性和 Series_obj.index.name 属性:
# 可以修改这两个属性(默认为None),他们往往和pandas的其他重要功能集成在一起。
print(obj4.name) # None
print(obj4.index.name) # None
obj4.name="population" # 人口
obj4.index.name="state" # 州
obj4 # 二,DataFrame # 表示矩阵数据表,包含已经排序的列集合,每一列可以是不同的值类型(数值,字符串,布尔值等)。
# 既有行索引,也有列索引。
# 可以被视为共享相同索引的 Series的字典。
# 数据被存储为一个以上的二维块,而不是列表,字典或其他一维数组的集合。
# Note: 尽管 DataFrame是二维的,但可以利用分层索引在DataFrame中展现更高维度的数据。分层索引是pandas中一种更为高级的数据处理特性。
# DataFrame 既可以创建而来,也可以由其他数据类型转化而来。 # 1,创建 DataFrame
# DataFrame 构造函数的有效输入: # 二维数组 2d ndarray 数据矩阵,行列的索引标签是可选参数
# 数组,列表,元组,序列构成的字典 每个序列成为 DataFrame 的一列,所有的序列必须长度相等
# Numpy 结构化/记录化数组 与数组构成的字典一致
# Series 构成的字典 每个 Series为一列,Series的索引合并为行索引,也可以显式的传递索引
# 字典构成的字典(嵌套字典) 每一个内部字典形成一列,键联合起来形成结果的行索引
# 字典或Series构成的列表 列表中的一个元素形成 DataFrame的一行,字典的键 或Series索引联合起来形成 DataFrame的列标签
# 列表或元组构成的列表 与 2d ndarray的情况一致 # 其他DataFrame 如果不显式传递索引,则会使用原 DataFrame 的索引
# Numpy MaskedArray 与 2d ndarray的情况类似,但隐藏值会在结果DataFrame 中成为 NA/缺失值 # 示例:
# 1-1)pd.DataFrame(dict_mixvalu)
data={
'name':np.array(['张三','李四','王五','小明']), # 字典的值是 数组
'sex':('female','female','male','male'), # 字典的值是 元组
'year':[2001,2001,2003,2002], # 字典的值是 列表
'city':pd.Series(['北京','上海','广州','深圳']) # 字典的值是 序列
}
df=DataFrame(data3)
df # 1-2)pd.DataFrame(嵌套字典) # 外层字典的键为 列索引,内层字典的键为 行索引
data2={
'sex':{'张三':'female','李四':'female','王五':'male'},
'city':{'张三':'北京','李四':'上海','王五':'广州'}
} df02=DataFrame(data2)
# df02=DataFrame(data2,index=['老大','李四','王五']) # 显式地指定行/列索引的顺序或改变 行/列数据。
# df02=DataFrame(data2,index=['老大','李四','王五'],columns=['sex','city','newcolumn'])
df02 1-7) 使用列表或元组构成的嵌套列表创建 DataFrame 数据
1-8) 使用字典列表创建 DataFrame 数据
1-9) 使用Series对象创建 DataFrame 数据
1-10) 使用 2dndarray 创建 DataFrame 数据 # 2, 查看 行,列索引对象:
df02.columns
df02.index # 3, 指定列索引列表,对列索引进行排序:
# 虽然上面的df都是按创建时的code 顺序对列进行排列的,但由于字典是无序的,所以为了安全起见,我们创建DataFrame时手动指定\修改 列的顺序:
from pandas import DataFrame
import numpy as np
data={
'name':np.array(['张三','李四','王五','小明']),
'sex':np.array(['female','female','male','male']),
'year':np.array([2001,2001,2003,2002]),
'city':np.array(['北京','上海','广州','深圳'])
}
df02=DataFrame(data,columns=['name','year','sex','city'])
df02 # 4, 指定行索引列表(没有指定行索引的情况下,默认的行索引是从0到N-1(N为数据长度))
df03=DataFrame(data,columns=['name','year','sex','city'],index=['a','b','c','d']) # 语法
df03 # 当指定的【列】索引在传入的data字典中不存在时,将会以缺失值NaN处理:
# 如果少指定了某【列】,生成的DataFrame对象就不含此列数据。
# 如果多指定了【行】或少指定了行,就会报错。
df03=DataFrame(data,columns=['name','year','sex','city','job'],index=['a','b','c','d']) # 语法
df03 # 5, 对 DataFrame的行和列进行索引:
# 索引 DataFrame的【列】 返回 Series对象:
df['sex']
df.sex # 索引 DataFrame的【行】 返回 Series对象:
df.loc['李四']
df.iloc[1] # 6,给列赋值 和 增加新的列
df04['job']='Data Analysis' # 将一个值赋值给一列
df04['job']=np.arange(4.) # 将一个与列等长度的ndarray数组赋值给一列
df04['job']=['Data Analysis']*4 # 将一个与列等长度的列表赋值给一列 val=pd.Series(['Data Analysis dev','Data Analysis im','Data Analysis ba'],index=['马','李','张'])
df04['job']=val # 将一个长度<=列长度的 Series对象赋值给一列, 缺失值处理为NAN,按照 DataFrame的索引排列 val=pd.Series(['band 6A','band 8B','band 7B'],index=['马','李','王'])
df04['band']=val # 创建一个新的列。 # 7, del 关键字 删除DataFrame的列
# 示例:先增加一列,再删掉:
df04['new']=df04.sex=='female'
del df04['new'] # 8, 复制列得到 Series对象:
series_copy=df04['sex'].copy()
series_copy[2]='haha' # 对其修改不影响 df04的 sex列 # 9, DataFrame 的转置 dataframe_obj.T
df04.T # 10, 修改列索引和行索引的 name属性:
df04.index.name='Name'
df04.columns.name='Infor' # 11, 查看 DataFrame的 index, column, values属性:
df04.index # 一维 RangeIndex对象
df04.columns # 一维 Index对象
df04.values # 二维 ndarray数组 # 12, 索引对象的操作方法:
# pandas 中的索引对象是用于存储轴标签和其他元数据的 (例如轴名称或标签)。 data={
'name':np.array(['张三','李四','王五','小明']),
'sex':('female','female','male','male'),
'year':[2001,2001,2003,2002],
'city':('北京','上海','广州','深圳')
}
df=DataFrame(data) # 1) 索引对象
df.index # 2) 索引对象不可通过被索引的方式更改,强改会报错:
index=df.index index[1]=0 # 报错
col = df.columns col[1]='a' # 报错
# 可通过如下方式修改 DataFrame的【行】索引:
df.index=['a','b','c','d']
# df.column=['c1','c2','c3','c4'] # 列索引不允许这样修改 # 3)对 DataFrame的行列索引的 name属性赋值/修改:
df.index.name='infor item'
df.columns.name='details' # 三,pandas 索引操作 # (1)讲解 Series 和 DataFrame 的索引操作的方法
# (2)与 Excel 数据类比,讲解 DataFrame 数据的选取与操作 # 1) 修改行或列的索引标签:
# 更改行索引,可以使用 df.index=[新索引列表],或 df.rename(index={'c':'cc'}, inplace = True)
# 更改列索引,可以使用 df.rename(columns={'COMPANY':'公司'}, inplace = True) # 2) 重新索引 se.reindex([]); df.reindex(index=[],columns=[]):
# 用来引入新的行或列,不是用来按位置更改索引的名称,因为引入新的索引名称,会带来 NaN行或 NaN列. # 2-1)Series 重新索引: se_obj.reindex(新索引列表[,method='ffill']) 返回一个新的 Series对象,不改变原来的 Series.
# 其中 method 参数可以缺省,缺省时,新索引列表中新引入的索引对应的元素值为 NaN,
# method='ffill'或'pad' 指元素值与前后一行相同(向前填充),method='bfill' 或'pad' 指元素值与前一行相同(向后填充)。 s_obj=Series([1,2,3,4],index=['a','c','d','f'])
s_obj2=s_obj.reindex(['a','c','m','d','e']) # 没有使用原来的索引 f,新引入了索引 m,e
s_obj2 a 1.0
c 2.0
m NaN
d 3.0
e NaN
dtype: float64 s_obj3=s_obj.reindex(['a','c','m','d','e'],method='ffill') # 使用 f的值填充 m,使用d的值填充 e
s_obj3 a 1
c 2
m 4
d 3
e 3
dtype: int64 s_obj4=s_obj.reindex(['a','c','m','d','e'],method='bfill') # 使用 NaN值填充 m,使用f的值填充 e
s_obj4
a 1.0
c 2.0
m NaN
d 3.0
e 4.0
dtype: float64 # 2-2)DataFrame 重新索引:返回新的 DataFrame, 不改变原有 DataFrame
df=DataFrame(np.arange(9).reshape((3,3)),index=['a','c','d'],columns=['name','id','sex'])
df2=df.reindex(index=['a','b','c','d'],fill_value=0) # 重新索引,引入一个新的行
df3=df.reindex(columns=['name','id','gender','job'],fill_value=0) # 重新指定列索引要使用 columns关键字
# 当 fill_value参数缺省或 fill_value=None时,引入的新行或列对应的元素值是 NaN # 3, 替换默认索引 df.set_index(要使用的某个列的标签):(针对 DataFrame) 返回新的 DataFrame, 不改变原来的 DataFrame
df2=df.set_index('name') # 使用 name 这列来替代默认行索引,'name'变成了行索引的index.name 属性值。 # 4, 更新默认索引 df2.reset_index([drop=True])
df3=df2.reset_index([drop=True]) # 5, 数据的索引和选取:
# 5-1)Series 的数据选取:
# 行号索引: Series_obj[n]
# 行标签索引: Series_obj['a']
# 行号切片索引 Series_obj[n1:n2] 注意,与 Python列表相同: 含左不含右
# 行标签切片索引 Series_obj['i1':'in'] 注意,与 Python列表不同之处: 含左也含右!!!
# 布尔索引 Series_obj[Series_obj==2] # 对选取元素的值的更改,会影响到原来的 Series或 DataFrame。
Series_obj[2]=6 # 5-2)DataFrame 的数据选取:
data={
'name':np.array(['张三','李四','王五','小明']),
'sex':('female','female','male','male'),
'year':[2001,2000,2003,2002],
'city':pd.Series(['北京','上海','广州','深圳'])
}
df=DataFrame(data)
df2=df.set_index('name')
df2 # DataFrame 行列 选取总结: # df2['王五'] # 报错
# df2[1] # 报错
# 多行:
# df2.[['张三','王五']] # 报错
# df2.[[1,3]] # 报错 # 为了防止弄混,DataFrame选取多行时,一律使用 loc和 iloc:(当使用切片时,不使用 loc iloc也是允许的) # 获取单个元素:
df.loc['王五',2]
df.iloc[2,2]
df.loc[df['sex']=='female','female'] ='f' # df['sex']=='female' 是一个布尔序列,布尔序列可以作为行索引。 # 单行:
df.loc['王五']
df.iloc[1] # 多行:
df.iloc[0:2]
df.loc['李四':'王五']
df.loc[['张三','王五']]
df.iloc[[1,3]] # 单列:
df.year # 按属性选取
df['year'] # 按列索引标签选取 # 多列:(不可使用切片)
df[['year','name']] # 选取行列子集:
df.loc[df.index[0:2], ['name','city']]
df.loc[df.index[[0,2]], ['name','city']]
df.iloc[df.index[[0,2]], [0,2]]
df=df.loc[df['status']!="Cancelled",['CNUM','status',"Tax"]] # 选取 status列中的值不是cancelled的'CNUM','status',"Tax"三列数据。类似excel里的筛选。 # 布尔选择
# 与数组布尔型索引相似:!= ~ & |
df['sex']=='female' # 对某一列进行条件判断,返回布尔型 Series
df[df['sex']=='female'] # 返回符合条件的行列子集
df[df['sex']=='female' & df['year']==2001] # 必须使用括号
df[(df['sex']=='female') & ~(df['year']==2001)]
df[(df['sex']=='female') & (df['year']!=2001)]
df[(df['sex']=='female') | (df['year']==2002)] # 使用 loc/iloc 和布尔索引确定 符合条件的元素
df.loc[df['sex']=='female','female'] ='f' # 这样 sex为 female对应的的sex列的值变为 f
iris_df.loc[iris_df['class'] == 'versicolor', 'class'] = 'Iris-versicolor' # 对索引出来的数据进行修改,会影响到原来的数据结构
df[df['sex']=='female'] ='f' # 这样 sex为 female的整行数据都会变为 f
df.loc[df['sex']=='female','female'] ='f' # 这样 sex为 female对应的的sex列的值变为 f
df['year'] = 2010 # 要想索引出来的数据独立使用,不影响原来数据结构,就要使用 .copy()
df2=df[df['sex']=='female'].copy()
df2.year=2030 # 6, DataFrame的增,删,改,查(即索引)
# 【 不会改变原来的 DataFrame,返回一个新的 DataFrame】 # 6-1)查 即上面的 5, 数据的索引和选取:
# 6-2)增
# 6-2-1)对行的增加: df.append(new_data,ignore_index=True) 增加一行数据
import numpy as np
from pandas import DataFrame,Series
import pandas as pd
data={
'name':np.array(['张三','李四','王五','小明']),
'sex':('female','female','male','male'),
'year':[2001,2000,2003,2002],
'city':pd.Series(['北京','上海','广州','深圳'])
}
df=DataFrame(data)
new_data={
'name':"Tom",
'sex':'male',
'year':2007,
'city':'南京'
}
df2=df.append(new_data,ignore_index=True) # 返回一个新的 DataFrame, 不影响原来的。ignore_index=True参数是必须要有的
df2 # 6-2-2) 对列的增加: 对列的增加删除和修改见 : 二 DataFrame 6,给列赋值 和 增加新的列 # 6-3)删
# 删除行:new_df=df.drop(2,axis=0) 或 # 删除行:new_df=df.drop('i3',axis=0) 其中 axis=0可以缺省
# 删除列:new_df=df.drop('city',axis=1)
# 删除原数据的列: del df['city'](会影响原数据) # 6-4)改
# 当参数inplace=True时,会原地修改,当inplace=False或缺省时,不会影响原数据,返回一个新的数据。
# 这里的修改是指 对行列索引标签的修改,通过 df.rename()函数,可完成由于某些原因导致的标签录入错误的问题:
new_df4=new_df3.rename(index={'王五':'王老五','小明':'马六'},columns={'sex':'gender'})
new_df3.rename(index={'王五':'王老五','小明':'马六'},columns={'sex':'gender'},inplace=True) # 可在原数据上进行修改 # 四,pandas 算术运算 # 参与运算的 各个 Series 的size大小任意。
# 参与运算的 各个 DataFrame 的行数必须相同。 # 1, Series 算术运算
# 有共同索引的元素才会进行算术运算,如果没有,则引入 NaN --对齐操作
from pandas import Series,DataFrame
S1=Series([2.1,5,-3,0.2,0.3],index=['a','c','d','f','g'])
S2=Series([3.5,1.5,-2,0.5],index=['a','b','d','e']) # 共同索引为 'a','d'
S1+S2
# S1.add(S2,fill_value=0) # 缺失值 按 0 计算 # 2, DataFrame 算术运算
# 对于 DataFrame数据,对齐操作会同时发生在行和列上
df1=DataFrame(np.arange(9).reshape(3,3),index=['apple','banana','tea'],columns=['a','b','c'])
df2=DataFrame(np.arange(9).reshape(3,3),index=['apple','banana','coco'],columns=['a','b','d'])
df1+df2 # 运算返回的结果包含了参与运算的 df的所有的列。 行和列都符合才可以计算。
# df1.add(df2,fill_value=0) # 行或列只要有一个符合,就可以计算,缺失值按 0计算,行和列都不符合才是 NaN # 3, DataFrame 和 Series的 算术运算:
# 要求 Series的【行索引】和 DataFrame的【列索引】要一致。
S1=Series([2,3,4],index=['a','b','c'])
df1=DataFrame(np.arange(9).reshape(3,3),index=['apple','banana','tea'],columns=['a','b','c'])
df1+S1 # df的 a列+2 b列+3,c列+4 df1=DataFrame(np.arange(9).reshape(3,3),index=['apple','banana','tea'],columns=['a','b','c'])
s1=df1.loc['apple'] # 取 DtaFrame的单行,这样取得的 Series的索引为 DataFrame的列索引
df1+s1 # 五, 函数应用与映射 # 定义函数或 Lambda表达式,然后应用到 pandas数据中对数据进行较为复杂的函数运算:
# 有三种使用自定义函数的datafrom方法: 参数 f 为自定义函数,也可以是lambda表达式
# 1, se.map(f) 函数 将函数套用在每个 Series 元素上
# 2, df.aplly(f,axis=1)函数 将函数套用在 DataFrame的行与列上,若 axis缺省,则默认axis=0
# 3, df.applymap(f)函数 将函数套用在 DataFrame的每个元素上 # 注意,1) lambda 表达式里如果使用判断表达式,if和 else必须要成对出现!、
# 2) 上面几个映射函数,都不改变原来数据结构,返回新的数据结构。 # se.map(f)示例:
data={
'fruit':['apple','orange','grape','banana'],
'price':['25元','42元','35元','15元']
}
df=DataFrame(data)
df2=df1.copy() def removeyuan(x):
return x.split('元')[0] # 取‘25元’中的‘25’ df['price']=df['price'].map(removeyuan) # df['price'] 是序列
df1['price']=df1['price'].map(lambda x:x.split('元')[0]) # df.aplly(f,axis=1)示例:
df2=DataFrame(np.random.randn(3,3),columns=['a','b','c'],index=['linux','win','mac'])
f=lambda x:x.max()-x.min() # 放在apply()里 x在这里代表 行或列
df2.apply(f) # df.applymap(f)示例:
df2.applymap(lambda x:'%.2f'%x) # 保留小数点两位 # 六, 数据排序
# 排序不会影响原来的数据,返回新的数据。 # 1, Series数据排序
# 1-1) se.sort_index(ascending=False) 对 index进行排序 ascending缺省时默认升序,ascending=False为降序
s1=Series([1,-1,3,2],index=['b','a','d','c'])
s1.sort_index() # 升序
s1.sort_index(ascending=False) # 降序
# 1-2) se.sort_values(ascending=False) 对 value进行排序 ascending缺省时默认升序,ascending=False为降序
s1.sort_values()
s1.sort_values(ascending=False) # 2, DataFrame数据排序
# 2-1)df.sort_index(asix=1,ascending=False) 对指定轴数据的索引 进行排序 axis缺省时默认为 axis=0, ascending缺省时升序...
df1.sort_index(axis=0,ascending=True) # 对行索引降序排序
# 2-2) df.sort_values(by='d',ascending=False) 对指定列的值进行排序 ascending缺省时默认升序
df1.sort_values(by='d',ascending=False) # 七, 汇总与统计
# df.sum(axis=0) axis=0 或 axis缺省 表示对【每一列】分别求和,axis=1表示对【每一行】求和,返回 Series数据。
# df.describe() 对每个数值型【列】进行统计,用于对数据的初步观察时使用,得到一个关于最值,平均值,标准差等信息的 DataFrame. df=DataFrame(np.random.randn(3,3),columns=['a','d','c'])
df.sum()
df.sum(axis=1)
df.describe() # 八, 唯一值与值计数 # 1,series.unique() 获取序列(包括 DataFrame的行或列)不重复元素组成的 ndarray数组
s1=Series([2,-1,3,2,1,4,5,3,5])
s1.unique() # array([ 2, -1, 3, 1, 4, 5], dtype=int64)
df1['fruit'].unique()
df1.iloc[2].unique() # 2,series.value_counts() 统计序列中每个值出现的次数 返回以序列元素为索引,以次数为元素的 Series.
s1.value_counts()
df1['fruit'].value_counts()
df1.iloc[2].value_counts() # 九, 层次化索引
# 层次化索引就是轴上有多个级别索引,即索引是个多维列表 index=[[],[]],这里只讨论二维列表。 # 1, Series 数据的层次化索引创建:
series_obj=Series(np.random.randn(9),index=[['one','one','one','two','two','two','three','three','three'],['a','b','c']*3])
series_obj
# 对层次化序列的外层索引: series_obj['two']
# 对层次化序列的内层索引: series_obj[:,'a'] # 所有行的 a 行
# 对层次化序列的内层索引: series_obj['two','a'] # two行的 a 行
eries_obj.index # 该索引对象为 # 2, DataFrame
# 对于 DataFrame,行和列都可以为层次化索引:
df1=DataFrame(np.arange(16).reshape(4,4),index=[['one','one','two','two'],['a','b','a','b']])
df2=DataFrame(np.arange(16).reshape(4,4),columns=[['one','one','two','two'],['a','b','a','b']])
df3=DataFrame(np.arange(16).reshape(4,4),index=[['one','one','two','two'],['a','b','a','b']],
columns=[['apple','apple','orange','orange'],['size','price','size','price']]) df3['apple']
df3['apple','size'] # 返回从层次化索引序列
df3.loc['one']
df3.loc['one','a'] # 返回层次化索引序列 # 3, 重排分级顺序 df3.swaplevel(0,1) 用到再查 # 4, 对层次化索引的 pandas 数据进行汇总统计
# sum()的参数 level=0 表示按相同外层索引的所有子行或子列相加,level=1 表示按相同内层索引的行或列进行求和。
# 层次化索引的用途在后面会详细讲解。 df3.sum(level=0,axis=0) # 表示按相同【外层】索引的所有子行或子列相加 one的 a+b two的 a+b
df3.sum(level=1,axis=0) # 表示按相同【内层】索引的行或列进行求和 one的 a+a two的 b+b
df3.sum(level=0,axis=1) # 表示按相同【外层】索引的所有子行或子列相加
df3.sum(level=1,axis=1) # 表示按相同【内层】索引的行或列进行求和

pandas_知识总结_基础的更多相关文章

  1. Spider_知识目录_基础

    知识目录 静态网页抓取 Spider_基础总结1_Request(get/post__url传参_headers_timeout)+Reponse Spider_基础总结2_Requests异常 Sp ...

  2. Jmeter 接口测试知识梳理——应用基础篇

    Jmeter 使用也有很长时间了,但是一直没有做一下知识梳理,近期会对公司同事做一下这方面的培训,借此机会,把使用过程中应用到的知识,或是遇到的问题,整理出来,方便大家学习! Jmeter 接口测试知 ...

  3. day01<计算机基础知识&Java语言基础>

    计算机基础知识(计算机概述) 计算机基础知识(软件开发和计算机语言概述) 计算机基础知识(人机交互) 计算机基础知识(键盘功能键和快捷键) 计算机基础知识(如何打开DOS控制台) 计算机基础知识(常见 ...

  4. web前端学习python之第一章_基础语法(二)

    web前端学习python之第一章_基础语法(二) 前言:最近新做了一个管理系统,前端已经基本完成, 但是后端人手不足没人给我写接口,自力更生丰衣足食, 所以决定自学python自己给自己写接口哈哈哈 ...

  5. web前端学习python之第一章_基础语法(一)

    web前端学习python之第一章_基础语法(一) 前言:最近新做了一个管理系统,前端已经基本完成, 但是后端人手不足没人给我写接口,自力更生丰衣足食, 所以决定自学python自己给自己写接口哈哈哈 ...

  6. PHP丨PHP基础知识之PHP基础入门——函数「理论篇」

    前两天讲过PHP基础知识的判断条件和流程控制,今天来讲讲PHP基础知识之PHP基础入门--函数! 一.函数的声明与使用 1.函数名是标识符之一,只能有数字字母下划线,开头不能是数字. 函数名的命名,须 ...

  7. SSM整合_年轻人的第一个增删改查_基础环境搭建

    写在前面 SSM整合_年轻人的第一个增删改查_基础环境搭建 SSM整合_年轻人的第一个增删改查_查找 SSM整合_年轻人的第一个增删改查_新增 SSM整合_年轻人的第一个增删改查_修改 SSM整合_年 ...

  8. 3011C语言_基础知识

    第一章  基础知识 1.1  基本框架 //任何一个c语言程序都必须包括以下格式: int main(int argc, char *argv[] ) { : } //这是c语言的基本结构,任何一个程 ...

  9. js基础知识之_入门变量和运算符

    js页面效果学习 (轮播图,文字滚动效果等等) javascript能来做什么 1.数据验证 2.将动态的内容写入网页中(ajax) 3.可以对时间做出响应 4.可以读写html中的内容 5.可以检测 ...

随机推荐

  1. linux 内存泄露检测工具

    Valgrind Memcheck 一个强大开源的程序检测工具 下载地址:http://valgrind.org/downloads/current.html Valgrind快速入门指南:http: ...

  2. 2014年 实验三 B2B模拟实验(一)

    [实验目的] ⑴.熟悉企业网络银行和电子证书的应用 ⑵.通过B2B模拟实验掌握B2B的交易过程 [实验条件] ⑴.个人计算机一台 ⑵.计算机通过局域网形式接入互联网 (3).电子商务模拟实验室软件包. ...

  3. docker启动服务---------------nginx+php

    环境 首先安装Docker,无论你是Windows还是Linux.MocOS都可以.安装Docker自行百度. Docker镜像源 访问https://hub.docker.com即可,它是镜像大仓库 ...

  4. swoole热启动

    通过扫描指定的要扫描的目录,把所有文件找出来,分别md5 连接字符串,最后再md5返回 启动定时器,扫描,当前的加密值和以前一样不管,否则就重启服务,把当前赋值给旧值 . httpServer.php ...

  5. es7.8启动报错 说是主节点没找到

    p.p1 { margin: 0; font: 11px Menlo; color: rgba(0, 0, 0, 1); background-color: rgba(255, 255, 255, 1 ...

  6. spring boot:spring security用mysql实现动态权限管理(spring boot 2.3.3)

    一,动态权限管理的优点和缺点 1,优点: 因为控制权限的数据保存在了mysql或其他存储系统中, 可以动态修改权限控制,无需改动代码和重启应用,  权限变更时灵活方便 2,缺点: 权限的设置需要保存在 ...

  7. Golang数组和切片的区别

    大纲 数组是固定大小 切片不是动态数组,可以扩容 区别 定义方式不一样 初始化方法不一样 package main import "fmt" func main() { // -- ...

  8. centos8上使用crond

    一,查看crond的状态: [root@yjweb crontab]# systemctl status crond 说明:和其他service的执行相同: 启动:systemctl start cr ...

  9. ES5新增数组的方法

    ES5新增数组的方法 ES5新增数组常见方法(indexOf/forEach/map/filter/some/every) .indexOf( data , start)  检测数组中是否存在指定数据 ...

  10. [bug]录

    后端请求地址找不到,Tomcat服务器无响应 报404错误 查看资料和视频,用了2天时间(实际不到2天),还没有解决,我在书上找了描述,也问了别人,路径改成图上所说,还是未解决,找资源找到不广泛,没找 ...