Numpy&Pandas

Numpy & Pandas 简介

此篇笔记参考来源为《莫烦Python》

运算速度快：numpy 和 pandas 都是采用 C 语言编写, pandas 又是基于 numpy, 是 numpy 的升级版本。

消耗资源少：采用的是矩阵运算，会比 python 自带的字典或者列表快好多

Numpy 学习

2.1 numpy属性

ndim：维度
shape：行数和列数
size：元素个数

举例说明：

import numpy as np

array = np.array([[1,2,3],[2,3,4]])  #列表转化为矩阵

print(array)

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

# number of dim: 2

print('shape :',array.shape)    # 行数和列数

# shape : (2, 3)

print('size:',array.size)   # 元素个数

# size: 6

2.2 Numpy 的创建 array

array：创建数组
dtype：指定数据类型
zeros：创建数据全为0
ones：创建数据全为1
empty：创建数据接近0
arrange：按指定范围创建数据
linspace：创建线段

import numpy as np

#创建数组array

a = np.array([2,3,4])

print(a)

#[2 3 4]

#指定数据类型dtype

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

print(b.dtype)

#int32

#三行四列全零数组,括号内为shape

c = np.zeros((3,4))

print(c)

'''

[[ 0.  0.  0.  0.]

 [ 0.  0.  0.  0.]

 [ 0.  0.  0.  0.]]

'''

#全一数组

d = np.ones((3,4))

print(d)

'''

[[ 1.  1.  1.  1.]

 [ 1.  1.  1.  1.]

 [ 1.  1.  1.  1.]]

'''

#创建全空数组, 其实每个值都是接近于零的数

e = np.empty((3,4))

print(e)

#用 arange 创建连续数组,与range用法类似

f = np.arange(10,20,2)#10-19 的数据，2步长

print(f)

#[10 12 14 16 18]

#使用 reshape 改变数据的形状

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

print(g)

'''

[[ 0  1  2  3]

 [ 4  5  6  7]

 [ 8  9 10 11]]

'''

#用 linspace 创建线段型数据

h = np.linspace(1,10,5)

print(h)

#[  1.     3.25   5.5    7.75  10.  ]

2.3 Numpy 基础运算1

加减乘除
幂运算
sum、max、min
按行或按列（axis）

import numpy as np

a = np.array([10,20,30,40])

b = np.arange(4)

c = a + b # [10, 21, 32, 43]

c = a - b # [10, 19, 28, 37]

c = b**2  # [0, 1, 4, 9]

c=10*np.sin(a)  # [-5.44021111,  9.12945251, -9.88031624,  7.4511316 ]

print(b<3)# [ True,  True,  True, False]

a = np.array([[1,1],

              [0,1]])

b = np.arange(4).reshape((2,2))

#对应元素相乘

c = a*b

'''

[[0 1]

 [0 3]]

'''

#矩阵乘

c_dot = np.dot(a,b)

#c_dot = a.dot(b)

'''

[[2 4]

 [2 3]]

'''

a=np.random.random((2,4))

print(a)

'''

[[ 0.35861795  0.4763303   0.62510912  0.64853572]

 [ 0.53853158  0.70065019  0.17649662  0.99089602]]

'''

np.sum(a)   # 4.4043622002745959

np.min(a)   # 0.23651223533671784

np.max(a)   # 0.90438450240606416

如果你需要对行或者列进行查找运算，就需要在上述代码中为 axis 进行赋值。当axis的值为0的时候，将会以列作为查找单元，当axis的值为1的时候，将会以行作为查找单元。例：

print("sum =",np.sum(a,axis=1))

print("sum =",np.sum(a,axis=0))

2.4 Numpy 基础运算2

argmin/argmax：求矩阵最小/大值的索引
mean/average：求均值
median：中位数
cumsum：累加
diff：累差
nonzero：将所有非零元素的行与列坐标分割开，重构成两个分别关于行和列的矩阵
sort：仅针对每一行进行从小到大排序操作
转置 transpose/T
clip：clip(Array,Array_min,Array_max)

import numpy as np

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

print(A)

'''

[[ 2  3  4  5]

 [ 6  7  8  9]

 [10 11 12 13]]

'''

#均值

print(np.mean(A))    #7.5

print(A.mean())      #7.5

print(np.average(A)) #7.5

#累加

print(np.cumsum(A))

#[ 2  5  9 14 20 27 35 44 54 65 77 90]

#累差

print(np.diff(A))

'''

[[1 1 1]

 [1 1 1]

 [1 1 1]]

'''

print(np.nonzero(A))

#(array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2], dtype=int64), array([0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))

#转置

print(np.transpose(A))

print(A.T)

#clip

print(np.clip(A,5,9))

'''

[[5 5 5 5]

 [6 7 8 9]

 [9 9 9 9]]

'''

2.5 Numpy 索引

与数组类似，二维索引可用print(A[1][1])或者print(A[1,1])
可以使用分片操作，例A[1,1:3]
flatten flat

import numpy as np

A = np.arange(3,15).reshape((3,4))

print(A.flatten())

# array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])

for item in A.flat:

    print(item)

#

#

……

#

flatten是一个展开性质的函数，将多维的矩阵进行展开成1行的数列。而flat是一个迭代器，本身是一个object属性

2.6 Numpy array 合并

nump.vstack() 竖直方向/上下合并

import numpy as np

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

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

print(np.vstack((A,B)))    # vertical stack

"""

[[1,1,1]

 [2,2,2]]

"""

水平方向/左右合并

D = np.hstack((A,B))       # horizontal stack

print(D)

# [1,1,1,2,2,2]

nump.newaxis()新增一个维度

nump.concatenate()：把合并多个矩阵

2.7 Numpy array 分割

axis = 1，表示行（x轴），切割行，分成多列

axis = 0，表示行（y轴），切割列，分成多行

import numpy as np

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

print(A)

print(np.split(A,2,axis = 1))

'''

[array([[0, 1],

       [4, 5],

       [8, 9]]), array([[ 2,  3],

       [ 6,  7],

       [10, 11]])]

'''

print(np.split(A,3,axis = 0))

#[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]

#不等量分割

print(np.array_split(A, 3, axis=1))

'''

[array([[0, 1],

       [4, 5],

       [8, 9]]), array([[ 2],

       [ 6],

       [10]]), array([[ 3],

       [ 7],

       [11]])]

'''

#vsplit与hsplit

print(np.vsplit(A, 3)) #等于 print(np.split(A, 3, axis=0))

# [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]

print(np.hsplit(A, 2)) #等于 print(np.split(A, 2, axis=1))

"""

[array([[0, 1],

       [4, 5],

       [8, 9]]), array([[ 2,  3],

        [ 6,  7],

        [10, 11]])]

"""

2.8 Numpy copy & deep copy

同Python初学基础
= 的赋值方式会带有关联性，copy() 的赋值方式没有关联性

Pandas 学习

3.1 Pandas 基本介绍

如果用 python 的列表和字典来作比较, 那么可以说 Numpy 是列表形式的，没有数值标签，而 Pandas 就是字典形式。Pandas是基于Numpy构建的，让Numpy为中心的应用变得更加简单。

Series

>>> import pandas as pd

>>> 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

Series的字符串表现形式为：索引在左边，值在右边。由于我们没有为数据指定索引。于是会自动创建一个0到N-1（N为长度）的整数型索引。

DataFrame

DataFrame是一个表格型的数据结构，它包含有一组有序的列，每列可以是不同的值类型（数值，字符串，布尔值等）。DataFrame既有行索引也有列索引，它可以被看做由Series组成的大字典

>>> import pandas as pd

>>> import numpy as np

>>> 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

>>> dates = pd.date_range('',periods=6)

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

>>> df

                   a         b         c         d

2018-01-01 -0.837319  0.250373 -1.218879 -0.018287

2018-01-02  0.094332 -0.546386  2.248513 -0.944102

2018-01-03 -0.805855  0.550253  0.552966 -1.704637

2018-01-04 -0.272391  0.150142  0.710317  0.397553

2018-01-05 -2.615182 -1.338799 -0.301048  0.732760

2018-01-06  0.281869  0.376154  0.092362 -1.588711

>>>

>>> df1 = pd.DataFrame(np.arange(12).reshape((3,4)))

>>> df1

   0  1   2   3

0  0  1   2   3

1  4  5   6   7

2  8  9  10  11

#还可以用字典的方式生成

>>> df2 = pd.DataFrame({'A' : 1.,

                    'B' : pd.Timestamp(''),

                    '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'})

>>> print(df2)

     A          B    C  D      E    F

0  1.0 2013-01-02  1.0  3   test  foo

1  1.0 2013-01-02  1.0  3  train  foo

2  1.0 2013-01-02  1.0  3   test  foo

3  1.0 2013-01-02  1.0  3  train  foo

>>>

DataFrame 的一些简单运用

>>> print(df['b'])

2018-01-01    0.250373

2018-01-02   -0.546386

2018-01-03    0.550253

2018-01-04    0.150142

2018-01-05   -1.338799

2018-01-06    0.376154

Freq: D, Name: b, dtype: float64

>>> #查看数据中的类型

>>> print(df2.dtypes)

A           float64

B    datetime64[ns]

C           float32

D             int32

E          category

F            object

dtype: object

>>> #查看对应行的序号

>>> print(df2.index)

Int64Index([0, 1, 2, 3], dtype='int64')

>>> #查看对应列

>>> print(df2.columns)

Index(['A', 'B', 'C', 'D', 'E', 'F'], dtype='object')

>>> #只查看所有df2的值

>>> print(df2.values)

[[1.0 Timestamp('2013-01-02 00:00:00') 1.0 3 'test' 'foo']

 [1.0 Timestamp('2013-01-02 00:00:00') 1.0 3 'train' 'foo']

 [1.0 Timestamp('2013-01-02 00:00:00') 1.0 3 'test' 'foo']

 [1.0 Timestamp('2013-01-02 00:00:00') 1.0 3 'train' 'foo']]

>>> #数据总结

>>> df2.describe()

         A    C    D

count  4.0  4.0  4.0

mean   1.0  1.0  3.0

std    0.0  0.0  0.0

min    1.0  1.0  3.0

25%    1.0  1.0  3.0

50%    1.0  1.0  3.0

75%    1.0  1.0  3.0

max    1.0  1.0  3.0

>>> #对数据的index排序

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

     F      E  D    C          B    A

0  foo   test  3  1.0 2013-01-02  1.0

1  foo  train  3  1.0 2013-01-02  1.0

2  foo   test  3  1.0 2013-01-02  1.0

3  foo  train  3  1.0 2013-01-02  1.0

>>> #对数据值排序

>>> print(df2.sort_values(by='E'))

     A          B    C  D      E    F

0  1.0 2013-01-02  1.0  3   test  foo

2  1.0 2013-01-02  1.0  3   test  foo

1  1.0 2013-01-02  1.0  3  train  foo

3  1.0 2013-01-02  1.0  3  train  foo

3.2 Pandas 选择数据

简单的筛选

import pandas as pd

import numpy as np

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

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

print(df)

print(df['A']) #或print(df.A)

'''

2013-01-01     0

2013-01-02     4

2013-01-03     8

2013-01-04    12

2013-01-05    16

2013-01-06    20

Freq: D, Name: A, dtype: int32

'''

#跨越多行或多列

print(df[0:3]) #或print(df['20130102':'20130104'])

'''

           A  B   C   D

2013-01-01  0  1   2   3

2013-01-02  4  5   6   7

2013-01-03  8  9  10  11

'''

根据标签loc

#select by label:loc

print(df.loc[''])

'''

A    4

B    5

C    6

D    7

Name: 2013-01-02 00:00:00, dtype: int32

'''

print(df.loc[:,['A','B']])

'''

             A   B

2013-01-01   0   1

2013-01-02   4   5

2013-01-03   8   9

2013-01-04  12  13

2013-01-05  16  17

2013-01-06  20  21

'''

根据序列iloc

#select by position:iloc

print(df.iloc[3,1])

#

print(df.iloc[[1,3,5],1:3])

'''

             B   C

2013-01-02   5   6

2013-01-04  13  14

2013-01-06  21  22

'''

混合 ix

print(df.ix[:3,['A','C']])

"""

            A   C

2013-01-01  0   2

2013-01-02  4   6

2013-01-03  8  10

"""

通过判断的筛选

print(df[df.A>8])

"""

             A   B   C   D

2013-01-04  12  13  14  15

2013-01-05  16  17  18  19

2013-01-06  20  21  22  23

"""

3.3 Pandas 设置值

可根据位置设置loc和iloc

例df.loc[2,2]=1111

df.loc['20130101','B']=2222

根据条件设置

df.B[df.A>4] = 0

"""

                A     B     C   D

2013-01-01   0  2222     2   3

2013-01-02   4     5     6   7

2013-01-03   8     0  1111  11

2013-01-04  12     0    14  15

2013-01-05  16     0    18  19

2013-01-06  20     0    22  23

"""

按行或列设置

df['F'] = np.nan

"""

             A     B     C   D   F

2013-01-01   0  2222     2   3 NaN

2013-01-02   4     5     6   7 NaN

2013-01-03   8     0  1111  11 NaN

2013-01-04  12     0    14  15 NaN

2013-01-05  16     0    18  19 NaN

2013-01-06  20     0    22  23 NaN

"""

或者加上Series序列，但是长度必须对齐

df['E'] = pd.Series([1,2,3,4,5,6], index=pd.date_range('',periods=6))

"""

             A     B     C   D   F  E

2013-01-01   0  2222     2   3 NaN  1

2013-01-02   4     5     6   7 NaN  2

2013-01-03   8     0  1111  11 NaN  3

2013-01-04  12     0    14  15 NaN  4

2013-01-05  16     0    18  19 NaN  5

2013-01-06  20     0    22  23 NaN  6

"""

3.4 Pandas 处理丢失数据

首先创建包含NaN的矩阵

dates = pd.date_range('', 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

"""

             A     B     C   D

2013-01-01   0   NaN   2.0   3

2013-01-02   4   5.0   NaN   7

2013-01-03   8   9.0  10.0  11

2013-01-04  12  13.0  14.0  15

2013-01-05  16  17.0  18.0  19

2013-01-06  20  21.0  22.0  23

"""

dropna：去掉有NaN的行或列

print(df.dropna(axis=0,how='any'))  # 'any': 只要存在 NaN 就 drop 掉; 'all': 必须全部是 NaN 才 drop

'''

             A     B     C   D

2013-01-03   8   9.0  10.0  11

2013-01-04  12  13.0  14.0  15

2013-01-05  16  17.0  18.0  19

2013-01-06  20  21.0  22.0  23

'''

fillna()：将NaN的值用其他值代替

print(df.fillna(value=0))

'''

             A     B     C   D

2013-01-01   0   0.0   2.0   3

2013-01-02   4   5.0   0.0   7

2013-01-03   8   9.0  10.0  11

2013-01-04  12  13.0  14.0  15

2013-01-05  16  17.0  18.0  19

2013-01-06  20  21.0  22.0  23

'''

isnull()：判断是否有缺失数据NaN，为True表示缺失数据

print(df.isnull())

'''

                A      B      C      D

2013-01-01  False   True  False  False

2013-01-02  False  False   True  False

2013-01-03  False  False  False  False

2013-01-04  False  False  False  False

2013-01-05  False  False  False  False

2013-01-06  False  False  False  False

'''

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

#True

3.5 Pandas 导入导出

pandas可以读取与存取的资料格式有很多种，像csv、excel、json、html与pickle等…，详细请看官方说明文件

读取csv

示范档案下载 - student.csv

读取csv

#读取csv

data = pd.read_csv('student.csv')

#打印出data

print(data)

将资料存取成pickle

data.to_pickle('student.pickle')

3.6 Pandas 合并 concat

使用concat合并

import pandas as pd

import numpy as np

#定义资料集

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纵向合并

res = pd.concat([df1, df2, df3], axis=0) #函数默认axis=0。

#打印结果

print(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

# 0  1.0  1.0  1.0  1.0

# 1  1.0  1.0  1.0  1.0

# 2  1.0  1.0  1.0  1.0

# 0  2.0  2.0  2.0  2.0

# 1  2.0  2.0  2.0  2.0

# 2  2.0  2.0  2.0  2.0

通过设置ignore_index可重置index

res = pd.concat([df1, df2, df3], axis=0, ignore_index=True)

#打印结果

print(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合并

默认为outer值，纵向合并，有相同的column上下合并在一起，其他独自的column个自成列，原本没有值的位置皆以NaN填充。

值为inner时，只有相同的column合并在一起，其余舍弃

res = pd.concat([df1, df2], axis=0, join='inner', ignore_index=True)

print(res)

#     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

join_axes 依照axes合并

res = pd.concat([df1, df2], axis=1, join_axes=[df1.index])

#打印结果

print(res)

#     a    b    c    d    b    c    d    e

# 1  0.0  0.0  0.0  0.0  NaN  NaN  NaN  NaN

# 2  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0

# 3  0.0  0.0  0.0  0.0  1.0  1.0  1.0  1.0

append添加数据

只有纵向合并，没有横向合并

3.7 Pandas 合并 merge

pandas中的merge和concat类似,但主要是用于两组有key column的数据,统一索引的数据. 通常也被用在Database的处理当中

3.8 Pandas plot 出图

主要讲了ploy与scatter画散点图的用法，与matlab中的类似

为什么用 Numpy 还是慢, 你用对了吗?

Numpy&Pandas的更多相关文章

Ipython自动导入Numpy,pandas等模块
一.引言最近在学习numpy,书上要求安装一个Ipythpn,可以自动导入Numpy,pandas等数据分析的模块,可是当我安装后,并不能自动导入numpy模块,还需要自己import.我就去查了一 ...
python 数据分析工具之 numpy pandas matplotlib
作为一个网络技术人员,机器学习是一种很有必要学习的技术,在这个数据爆炸的时代更是如此. python做数据分析,最常用以下几个库 numpy pandas matplotlib 一.Numpy库为了 ...
有关python numpy pandas scipy 等能在YARN集群上运行PySpark
有关这个问题,似乎这个在某些时候,用python写好,且spark没有响应的算法支持, 能否能在YARN集群上运行PySpark方式, 将python分析程序提交上去? Spark Applicat ...
第一章：AI人工智能の数据预处理编程实战 Numpy, Pandas, Matplotlib, Scikit-Learn
本课主题数据中 Independent 变量和 Dependent 变量 Python 数据预处理的三大神器:Numpy.Pandas.Matplotlib Scikit-Learn 的机器学习实战 ...
Numpy+Pandas读取数据
1.为什么使用Numpy+Pandas 在使用Numpy读取csv文件时,文件中含有字符串时,会出现ValueError错误 2.Pandas读取csv文件:
linux下安装numpy,pandas,scipy,matplotlib,scikit-learn
python在数据科学方面需要用到的库: a.Numpy:科学计算库.提供矩阵运算的库. b.Pandas:数据分析处理库 c.scipy:数值计算库.提供数值积分和常微分方程组求解算法.提供了一个非 ...
Python: NumPy, Pandas学习资料
NumPy 学习资料书籍 NumPy Cookbook_[Idris2012] NumPy Beginner's Guide,3rd_[Idris2015] Python数据分析基础教程:NumPy ...
常用统计分析python包开源学习代码 numpy pandas matplotlib
常用统计分析python包开源学习代码 numpy pandas matplotlib 待办 https://github.com/zmzhouXJTU/Python-Data-Analysis
Numpy Pandas
数据分析 : 是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来,总结出所研究对象的内在规律. 数据分析三剑客 - Numpy Pandas Matplotlib # Numpy 基于一维或多维的数 ...

随机推荐

c++ --> c++中四种类型转换方式
c++中四种类型转换方式 c风格转换的格式很简单(TYPE)EXPRESSION,但是c风格的类型转换有不少缺点, 1)它可以在任意类型之间转换,比如你可以把一个指向const对象的指针转换成指向 ...
vue-过渡动画
本篇资料参考于官方文档: http://cn.vuejs.org/guide/transitions.html 概述: Vue 在跳转页面时,提供多种不同方式的动画过渡效果. ●in-out:新元素先 ...
Intellij Idea下tomcat设置自动编译
*eclipse默认tomcat下是自动完成编译:而Intellij Idea默认tomcat下不是自动完成编译,从如下开始设置: 进入"settings",如下图找到" ...
第二次作业评分可能要 delay 一些
各位同学,因为我现在在出差,昨天刚刚到旧金山,加上倒时差,所以这次作业我处理得会更慢一些,希望谅解. 另外,博客园的邮件通知邮件好多都进垃圾箱了,所以如果你有什么问题我没回且你关心的,请给我写邮件:j ...
201621123040《Java程序设计》第十周学习总结
1.本周学习总结 2.书面作业 2.1常用异常 2.1.1自己以前编写的代码中经常出现什么异常.需要捕获吗(为什么)?应如何避免? 算术异常ArithmeticException(除数为0的情况) 类 ...
python pdb 调试
命令行 Python -m pdb xxx.py l ----> list 显示当前代码 n ----> next 向下执行一行代码 c ----> continue 继续执行代码 ...
nyoj 概率计算
概率计算时间限制:1000 ms | 内存限制:65535 KB 难度:1 描述 A和B两个人参加一场答题比赛.比赛的过程大概是A和B两个人轮流答题,A先答.一旦某人没有正确回答问题,则对手 ...
JAVA_SE基础——18.方法的递归
方法的递归是指在一个方法的内部调用自身的过程,递归必须要有结束条件,不然就会陷入无限递归的状态,永远无法结束调用,接下来用一个最简单的例子来体现下方法递归,使用递归算法计算自然数之和: public ...
JAVA_SE基础——8.基本数据类型
基本数据类型有:整数类型.浮点类型.字符类型.布尔类型整数类型整数类型用来存储整数数值,即没有小数部分的数值.与C.C++语言相同,整数在Java语言中有3种表示形式:十进制.八进制和十六进制. ...
[JCIP笔记] （三）如何设计一个线程安全的对象
在当我们谈论线程安全时,我们在谈论什么中,我们讨论了怎样通过Java的synchronize机制去避免几个线程同时访问一个变量时发生问题.忧国忧民的Brian Goetz大神在多年的开发过程中,也悟到 ...