NumPy数组是一个多维数组对象,称为ndarray。其由两部分组成:
① 实际的数据
② 描述这些数据的元数据
# 导入模块
import numpy as np
① 数组的维数称为秩(rank),一维数组的秩为1,二维数组的秩为2,以此类推
② 在NumPy中,每一个线性的数组称为是一个轴(axes),秩其实是描述轴的数量:比如说,二维数组相当于是两个一维数组,其中第一个一维数组中每个元素又是一个一维数组,所以一维数组就是NumPy中的轴(axes),第一个轴相当于是底层数组,第二个轴是底层数组里的数组。而轴的数量——秩,就是数组的维数。
ar = np.array([1,2,3,4,5,6,7])
print(ar) # 输出数组,注意数组的格式:中括号,元素之间没有逗号(和列表区分)
>>> [1 2 3 4 5 6 7]
print(ar.ndim) # 输出数组维度的个数(轴数),或者说“秩”,维度的数量也称rank
>>> 1
print(ar.shape) # 数组的维度,对于n行m列的数组,shape为(n,m)
>>> (7,)
print(ar.size) # 数组的元素总数,对于n行m列的数组,元素总数为n*m
>>> 7
print(ar.dtype) # 数组中元素的类型,类似type()(注意了,type()是函数,.dtype是方法)
>>> int64
print(ar.itemsize) # 数组中每个元素的字节大小,int64类型字节为8,float64的字节为8
>>> 8
print(ar.data) # 包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。
>>> <memory at 0x0000000005927108>
array()
函数括号内可以是列表、元祖、数组、生成器等
ar1 = np.array(range(10)) # 整型
ar2 = np.array([1,2,3.14,4,5]) # 浮点型
ar3 = np.array([[1,2,3],('a','b','c')]) # 二维数组:嵌套序列(列表,元祖均可)
ar4 = np.array([[1,2,3],('a','b','c','d')]) # 注意嵌套序列数量不一会怎么样
print(ar1,type(ar1),ar1.dtype)
>>> [0 1 2 3 4 5 6 7 8 9] <class 'numpy.ndarray'> int64
print(ar2,type(ar2),ar2.dtype)
>>> [ 1. 2. 3.14 4. 5. ] <class 'numpy.ndarray'> float64
print(ar3,ar3.shape,ar3.ndim,ar3.size) # 二维数组,共6个元素
>>> [['1' '2' '3']
['a' 'b' 'c']] (2, 3) 2 6
print(ar4,ar4.shape,ar4.ndim,ar4.size) # 一维数组,共2个元素
>>> [[1, 2, 3] ('a', 'b', 'c', 'd')] (2,) 1 2
arange()
函数类似range(),在给定间隔内返回均匀间隔的值
print(np.arange(10)) # 返回0-9,整型
>>> [0 1 2 3 4 5 6 7 8 9]
print(np.arange(10.0)) # 返回0.0-9.0,浮点型
>>> [ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
print(np.arange(5,12)) # 返回5-11
>>> [ 5 6 7 8 9 10 11]
print(np.arange(5.0,12,2)) # 返回5.0-12.0,步长为2
>>> [ 5. 7. 9. 11.]
print(np.arange(10000)) # 如果数组太大而无法打印,NumPy会自动跳过数组的中心部分,并只打印边角
>>> [ 0 1 2 ..., 9997 9998 9999]
linspace()
函数返回在间隔[开始,停止]上计算的num个均匀间隔的样本
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
- start:起始值,stop:结束值
- num:生成样本数,默认为50
- endpoint:如果为真,则停止是最后一个样本。否则,不包括在内。默认值为True
- retstep:如果为真,返回(样本,步长),其中步长是样本之间的间距 → 输出为一个包含2个元素的元祖,第一个元素为array,第二个为步长实际值
ar1 = np.linspace(2.0, 3.0, num=5)
ar2 = np.linspace(2.0, 3.0, num=5, endpoint=False)
ar3 = np.linspace(2.0, 3.0, num=5, retstep=True)
print(ar1,type(ar1))
>>> [ 2. 2.25 2.5 2.75 3. ] <class 'numpy.ndarray'>
print(ar2)
>>> [ 2. 2.2 2.4 2.6 2.8]
print(ar3,type(ar3))
>>> (array([ 2. , 2.25, 2.5 , 2.75, 3. ]), 0.25) <class 'tuple'>
zeros()
/zeros_like()numpy.zeros(shape, dtype=float, order=‘C’):返回给定形状和类型的新数组,用零填充。
- shape:数组纬度,二维以上需要用(),且输入参数为整数
- dtype:数据类型,默认numpy.float64
- order:是否在存储器中以C或Fortran连续(按行或列方式)存储多维数据。
ar1 = np.zeros(5)
ar2 = np.zeros((2,2), dtype = np.int)
print(ar1,ar1.dtype)
>>> [ 0. 0. 0. 0. 0.] float64
print(ar2,ar2.dtype)
>>> [[0 0]
[0 0]] int64
ar3 = np.array([list(range(5)),list(range(5,10))])
ar4 = np.zeros_like(ar3)
print(ar3)
>>> [[0 1 2 3 4]
[5 6 7 8 9]]
print(ar4)
>>> [[0 0 0 0 0]
[0 0 0 0 0]]
# 返回具有与给定数组相同的形状和类型的零数组,这里ar4根据ar3的形状和dtype创建一个全0的数组
ones()
/ones_like()
#ones()/ones_like()和zeros()/zeros_like()一样,只是填充为1
ar5 = np.ones(9)
ar6 = np.ones((2,3,4))
ar7 = np.ones_like(ar3)
print(ar5)
>>> [ 1. 1. 1. 1. 1. 1. 1. 1. 1.]
print(ar6)
>>> [[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]
[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]]
print(ar7)
>>> [[1 1 1 1 1]
[1 1 1 1 1]]
eye()
print(np.eye(5))
# 创建一个正方的N*N的单位矩阵,对角线值为1,其余为0
>>> [[ 1. 0. 0. 0. 0.]
[ 0. 1. 0. 0. 0.]
[ 0. 0. 1. 0. 0.]
[ 0. 0. 0. 1. 0.]
[ 0. 0. 0. 0. 1.]]
.T/.reshape()/.resize()
.T方法:转置,例如原shape为(3,4)/(2,3,4),转置结果为(4,3)/(4,3,2) → 所以一维数组转置后结果不变
numpy.reshape(a, newshape, order=‘C’):为数组提供新形状,而不更改其数据,所以元素数量需要一致!!!
numpy.resize(a, new_shape):返回具有指定形状的新数组,如有必要可重复填充所需数量的元素
注意了:.T/.reshape()/.resize()都是生成新的数组!!!
# .T方法
ar1 = np.arange(10)
ar2 = np.ones((5,2))
print(ar1,'\n',ar1.T)
>>> [0 1 2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7 8 9]
print(ar2,'\n',ar2.T)
>>> [[ 1. 1.]
[ 1. 1.]
[ 1. 1.]
[ 1. 1.]
[ 1. 1.]]
# .reshape()
ar3 = ar1.reshape(2,5) # 用法1:直接将已有数组改变形状
ar4 = np.zeros((4,6)).reshape(3,8) # 用法2:生成数组后直接改变形状
ar5 = np.reshape(np.arange(12),(3,4)) # 用法3:参数内添加数组,目标形状
print(ar1,'\n',ar3)
>>> [0 1 2 3 4 5 6 7 8 9]
>>> [[0 1 2 3 4]
[5 6 7 8 9]]
print(ar4)
>>> [[ 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0.]]
print(ar5)
>>> [[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
# .resize()
ar6 = np.resize(np.arange(5),(3,4))
print(ar6)
>>> [[0 1 2 3]
[4 0 1 2]
[3 4 0 1]]
copy()
ar1 = np.arange(10)
ar2 = ar1
print(ar2 is ar1)
>>> True
ar1[2] = 9
print(ar1,ar2)
>>> [0 1 9 3 4 5 6 7 8 9] [0 1 9 3 4 5 6 7 8 9]
# 回忆python的赋值逻辑:指向内存中生成的一个值 → 这里ar1和ar2指向同一个值,所以ar1改变,ar2一起改变
# copy方法生成数组及其数据的完整拷贝
ar3 = ar1.copy()
print(ar3 is ar1)
>>> False
ar1[0] = 9
print(ar1,ar3)
>>> [9 1 9 3 4 5 6 7 8 9] [0 1 9 3 4 5 6 7 8 9]
.astype()
ar1 = np.arange(10,dtype=float)
print(ar1,ar1.dtype)
>>> [ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] float64
# 可以在参数位置设置数组类型
ar2 = ar1.astype(np.int64)
print(ar2,ar2.dtype)
>> [0 1 2 3 4 5 6 7 8 9] int64
print(ar1,ar1.dtype)
>>> [ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] float64
# a.astype():转换数组类型
# 注意:养成好习惯,数组类型用np.int64,而不是直接int64
.hstack()/.vstack()/.stack()
# numpy.hstack(tup):水平(按列顺序)堆叠数组
a = np.arange(5) # a为一维数组,5个元素
b = np.arange(5,9) # b为一维数组,4个元素
ar1 = np.hstack((a,b)) # 注意:((a,b)),这里形状可以不一样
print(a,a.shape)
print(b,b.shape)
print(ar1,ar1.shape)
>>> [0 1 2 3 4] (5,)
>>> [5 6 7 8] (4,)
>>> [0 1 2 3 4 5 6 7 8] (9,)
a = np.array([[1],[2],[3]]) # a为二维数组,3行1列
b = np.array([['a'],['b'],['c']]) # b为二维数组,3行1列
ar2 = np.hstack((a,b)) # 注意:((a,b)),这里形状必须一样
print(a,a.shape)
print(b,b.shape)
print(ar2,ar2.shape)
>>> [[1]
[2]
[3]] (3, 1)
>>> [['a']
['b']
['c']] (3, 1)
>>> [['1' 'a']
['2' 'b']
['3' 'c']] (3, 2)
# numpy.vstack(tup):垂直(按列顺序)堆叠数组
a = np.arange(5)
b = np.arange(5,10)
ar1 = np.vstack((a,b))
print(a,a.shape)
print(b,b.shape)
print(ar1,ar1.shape)
>>> [0 1 2 3 4] (5,)
>>> [5 6 7 8 9] (5,)
>>> [[0 1 2 3 4]
[5 6 7 8 9]] (2, 5)
a = np.array([[1],[2],[3]])
b = np.array([['a'],['b'],['c'],['d']])
ar2 = np.vstack((a,b)) # 这里形状可以不一样
print(a,a.shape)
print(b,b.shape)
print(ar2,ar2.shape)
>>> [[1]
[2]
[3]] (3, 1)
>>> [['a']
['b']
['c']
['d']] (4, 1)
>>> [['1']
['2']
['3']
['a']
['b']
['c']
['d']] (7, 1)
# numpy.stack(arrays, axis=0):沿着新轴连接数组的序列,形状必须一样!
a = np.arange(5)
b = np.arange(5,10)
ar1 = np.stack((a,b))
ar2 = np.stack((a,b),axis = 1)
print(a,a.shape)
print(b,b.shape)
print(ar1,ar1.shape)
print(ar2,ar2.shape)
>>> [0 1 2 3 4] (5,)
>>> [5 6 7 8 9] (5,)
>>> [[0 1 2 3 4]
[5 6 7 8 9]] (2, 5)
>>> [[0 5]
[1 6]
[2 7]
[3 8]
[4 9]] (5, 2)
# 重点解释axis参数的意思,假设两个数组[1 2 3]和[4 5 6],shape均为(3,0)
# axis=0:[[1 2 3] [4 5 6]],shape为(2,3)
# axis=1:[[1 4] [2 5] [3 6]],shape为(3,2)
numpy.hsplit(ary, indices_or_sections):将数组水平(逐列)拆分为多个子数组 → 按列拆分
numpy.vsplit(ary, indices_or_sections)::将数组垂直(行方向)拆分为多个子数组 → 按行拆
输出结果为列表,列表中元素为数组
ar = np.arange(16).reshape(4,4)
ar1 = np.hsplit(ar,2)
ar2 = np.vsplit(ar,4)
print(ar)
>>> [[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
print(ar1,type(ar1))
>>> [array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]]),
array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])] <class 'list'>
print(ar2,type(ar2))
>>> [array([[0, 1, 2, 3]]),
array([[4, 5, 6, 7]]),
array([[ 8, 9, 10, 11]]),
array([[12, 13, 14, 15]])] <class 'list'>
# 数组简单运算
ar = np.arange(6).reshape(2,3)
print(ar)
>>> [[0 1 2]
[3 4 5]]
print(ar + 10) # 加法
>>> [[10 11 12]
[13 14 15]]
print(ar * 2) # 乘法
>>> [[ 0 2 4]
[ 6 8 10]]
print(1 / (ar+1)) # 除法
>>> [[ 1. 0.5 0.33333333]
[ 0.25 0.2 0.16666667]]
print(ar ** 0.5) # 幂
>>> [[ 0. 1. 1.41421356]
[ 1.73205081 2. 2.23606798]]
# 与标量的运算
print(ar.mean()) # 求平均值
>>> 2.5
print(ar.max()) # 求最大值
>>> 5
print(ar.min()) # 求最小值
>>> 0
print(ar.std()) # 求标准差
>>> 1.70782512766
print(ar.var()) # 求方差
>>> 2.91666666667
print(ar.sum(), np.sum(ar,axis = 0)) # 求和,np.sum() → axis为0,按列求和;axis为1,按行求和
>>> 15 [3 5 7]
print(np.sort(np.array([1,4,3,2,5,6]))) # 排序
>>> [1 2 3 4 5 6]
一维、二维、三维
# 基本索引及切片
ar = np.arange(20)
print(ar)
print(ar[4])
print(ar[3:6])
>>> [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19]
>>> 4
>>> [3 4 5]
# 一维数组索引及切片
ar = np.arange(16).reshape(4,4)
print(ar, '数组轴数为%i' %ar.ndim) # 4*4的数组
>>> [[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]] 数组轴数为2
print(ar[2], '数组轴数为%i' %ar[2].ndim) # 切片为下一维度的一个元素,所以是一维数组
>>> [ 8 9 10 11] 数组轴数为1
print(ar[2][1]) # 二次索引,得到一维数组中的一个值
>>> 9
print(ar[1:3], '数组轴数为%i' %ar[1:3].ndim) # 切片为两个一维数组组成的二维数组
>>> [[ 4 5 6 7]
[ 8 9 10 11]] 数组轴数为2
print(ar[2,2]) # 切片数组中的第三行第三列 → 10
>>> 10
print(ar[:2,1:]) # 切片数组中的1,2行、2,3,4列 → 二维数组
>>> [[1 2 3]
[5 6 7]]
# 二维数组索引及切片
ar = np.arange(8).reshape(2,2,2)
print(ar, '数组轴数为%i' %ar.ndim) # 2*2*2的数组
>>> [[[0 1]
[2 3]]
[[4 5]
[6 7]]] 数组轴数为3
print(ar[0], '数组轴数为%i' %ar[0].ndim) # 三维数组的下一个维度的第一个元素 → 一个二维数组
>>> [[0 1]
[2 3]] 数组轴数为2
print(ar[0][0], '数组轴数为%i' %ar[0][0].ndim) # 三维数组的下一个维度的第一个元素下的第一个元素 → 一个一维数组
>>> [0 1] 数组轴数为1
print(ar[0][0][1], '数组轴数为%i' %ar[0][0][1].ndim)
>>> 1 数组轴数为0
# 三维数组索引及切片
ar = np.arange(12).reshape(3,4)
i = np.array([True,False,True])
j = np.array([True,True,False,False])
print(ar)
>>> [[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
print(i)
>>> [ True False True]
print(j)
>>> [ True True False False]
print(ar[i,:]) # 在第一维度做判断,只保留True,这里第一维度就是行,ar[i,:] = ar[i](简单书写格式)
>>> [[ 0 1 2 3]
[ 8 9 10 11]]
print(ar[:,j]) # 在第二维度做判断,这里如果ar[:,i]会有警告,因为i是3个元素,而ar在列上有4个
>>> [[0 1]
[4 5]
[8 9]]
# 布尔型索引:以布尔型的矩阵去做筛选
m = ar > 5
print(m) # 这里m是一个判断矩阵
>>> [[False False False False]
[False False True True]
[ True True True True]]
print(ar[m]) # 用m判断矩阵去筛选ar数组中>5的元素 → 重点!后面的pandas判断方式原理就来自此处
>>> [ 6 7 8 9 10 11]
ar = np.arange(10)
print(ar)
>>> [0 1 2 3 4 5 6 7 8 9]
ar[5] = 100
ar[7:9] = 200
print(ar)
>>> [ 0 1 2 3 4 100 6 200 200 9]
# 一个标量赋值给一个索引/切片时,会自动改变/传播原始数组
ar = np.arange(10)
b = ar.copy()
b[7:9] = 200
print(ar)
>>> [0 1 2 3 4 5 6 7 8 9]
print(b)
>>> [ 0 1 2 3 4 5 6 200 200 9]
# 复制
numpy.random包含多种概率分布的随机样本,是数据分析辅助的重点工具之一
numpy.random.normal(d0, d1, ..., dn)
:生成一个标准正态分布的样本值 —— 标准正态分布
numpy.random.rand(d0, d1, ..., dn)
:生成一个[0,1)之间的随机浮点数或N维浮点数组 —— 均匀分布
numpy.random.randn(d0, d1, ..., dn)
:生成一个浮点数或N维浮点数组 —— 正态分布
numpy.random.randint(low, high=None, size=None, dtype='l')
:生成一个整数或N维整数数组,若high不为None时,取[low,high)之间随机整数,否则取值[0,low)之间随机整数,且high必须大于low ,dtype参数:只能是int类型
random.normal()
# 随机数生成
samples = np.random.normal(size=(4,4))
print(samples)
>>> [[ 0.17875618 -1.19367146 -1.29127688 1.11541622]
[ 1.48126355 -0.81119863 -0.94187702 -0.13203948]
[ 0.11418808 -2.34415548 0.17391121 1.4822019 ]
[ 0.46157021 0.43227682 0.58489093 0.74553395]]
# 生成一个标准正态分布的4*4样本值
random.rand()
# numpy.random.rand(d0, d1, ..., dn):生成一个[0,1)之间的随机浮点数或N维浮点数组 —— 均匀分布
import matplotlib.pyplot as plt # 导入matplotlib模块,用于图表辅助分析
% matplotlib inline
# 魔法函数,每次运行自动生成图表
a = np.random.rand()
print(a,type(a)) # 生成一个随机浮点数
>>> 0.3671245126484347 <class 'float'>
b = np.random.rand(4)
print(b,type(b)) # 生成形状为4的一维数组
>>> [ 0.95365841 0.45627035 0.71528562 0.98488116] <class 'numpy.ndarray'>
c = np.random.rand(2,3)
print(c,type(c)) # 生成形状为2*3的二维数组,注意这里不是((2,3))
>>> [[ 0.82284657 0.95853197 0.87376954]
[ 0.53341526 0.17313861 0.18831533]] <class 'numpy.ndarray'>
samples1 = np.random.rand(1000)
samples2 = np.random.rand(1000)
plt.scatter(samples1,samples2)
# 生成1000个均匀分布的样本值
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zdX9zX2u-1683527885467)(output_24_2.png)]
random.randn()
# numpy.random.randn(d0, d1, ..., dn):生成一个浮点数或N维浮点数组 —— 正态分布
samples1 = np.random.randn(1000)
samples2 = np.random.randn(1000)
plt.scatter(samples1,samples2)
# randn和rand的参数用法一样
# 生成1000个正态的样本值
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PU0qtXxn-1683527885467)(output_25_1.png)]
random.randint()
# numpy.random.randint(low, high=None, size=None, dtype='l'):生成一个整数或N维整数数组
# 若high不为None时,取[low,high)之间随机整数,否则取值[0,low)之间随机整数,且high必须大于low
# dtype参数:只能是int类型
print(np.random.randint(2))
>>> 0
# low=2:生成1个[0,2)之间随机整数
print(np.random.randint(2,size=5))
>>> [0 1 1 0 1]
# low=2,size=5 :生成5个[0,2)之间随机整数
print(np.random.randint(2,6,size=5))
>>> [2 5 2 3 5]
# low=2,high=6,size=5:生成5个[2,6)之间随机整数
print(np.random.randint(2,size=(2,3)))
>>> [[0 1 1]
[1 1 1]]
# low=2,size=(2,3):生成一个2x3整数数组,取数范围:[0,2)随机整数
print(np.random.randint(2,6,(2,3)))
>>> [[4 4 3]
[2 3 3]]
# low=2,high=6,size=(2,3):生成一个2*3整数数组,取值范围:[2,6)随机整数
numpy读取/写入数组数据、文本数据
import os
os.chdir('C:/Users/Hjx/Desktop/')
ar = np.random.rand(5,5)
print(ar)
>>> [[ 0.57358458 0.71126411 0.22317828 0.69640773 0.97406015]
[ 0.83007851 0.63460575 0.37424462 0.49711017 0.42822812]
[ 0.51354459 0.96671598 0.21427951 0.91429226 0.00393325]
[ 0.680534 0.31516091 0.79848663 0.35308657 0.21576843]
[ 0.38634472 0.47153005 0.6457086 0.94983697 0.97670458]]
np.save('arraydata.npy', ar)
# 也可以直接 np.save('C:/Users/Hjx/Desktop/arraydata.npy', ar)
ar_load =np.load('arraydata.npy')
print(ar_load)
>>> [[ 0.57358458 0.71126411 0.22317828 0.69640773 0.97406015]
[ 0.83007851 0.63460575 0.37424462 0.49711017 0.42822812]
[ 0.51354459 0.96671598 0.21427951 0.91429226 0.00393325]
[ 0.680534 0.31516091 0.79848663 0.35308657 0.21576843]
[ 0.38634472 0.47153005 0.6457086 0.94983697 0.97670458]]
# 也可以直接 np.load('C:/Users/Hjx/Desktop/arraydata.npy')
ar = np.random.rand(5,5)
np.savetxt('array.txt',ar, delimiter=',')
# np.savetxt(fname, X, fmt='%.18e', delimiter=' ', newline='\n', header='', footer='', comments='# '):存储为文本txt文件
ar_loadtxt = np.loadtxt('array.txt', delimiter=',')
print(ar_loadtxt)
>>> [[ 0.28280684 0.66188985 0.00372083 0.54051044 0.68553963]
[ 0.9138449 0.37056825 0.62813711 0.83032184 0.70196173]
[ 0.63438739 0.86552157 0.68294764 0.2959724 0.62337767]
[ 0.67411154 0.87678919 0.53732168 0.90366896 0.70480366]
[ 0.00936579 0.32914898 0.30001813 0.66198967 0.04336824]]
# 也可以直接 np.loadtxt('C:/Users/Hjx/Desktop/array.txt')
文章浏览阅读1k次。通过使用ajax方法跨域请求是浏览器所不允许的,浏览器出于安全考虑是禁止的。警告信息如下:不过jQuery对跨域问题也有解决方案,使用jsonp的方式解决,方法如下:$.ajax({ async:false, url: 'http://www.mysite.com/demo.do', // 跨域URL ty..._nginx不停的xhr
文章浏览阅读2k次。关于在 Oracle 中配置 extproc 以访问 ST_Geometry,也就是我们所说的 使用空间SQL 的方法,官方文档链接如下。http://desktop.arcgis.com/zh-cn/arcmap/latest/manage-data/gdbs-in-oracle/configure-oracle-extproc.htm其实简单总结一下,主要就分为以下几个步骤。..._extproc
文章浏览阅读1.5w次。linux下没有上面的两个函数,需要使用函数 mbstowcs和wcstombsmbstowcs将多字节编码转换为宽字节编码wcstombs将宽字节编码转换为多字节编码这两个函数,转换过程中受到系统编码类型的影响,需要通过设置来设定转换前和转换后的编码类型。通过函数setlocale进行系统编码的设置。linux下输入命名locale -a查看系统支持的编码_linux c++ gbk->utf8
文章浏览阅读750次。今天准备从生产库向测试库进行数据导入,结果在imp导入的时候遇到“ IMP-00009:导出文件异常结束” 错误,google一下,发现可能有如下原因导致imp的数据太大,没有写buffer和commit两个数据库字符集不同从低版本exp的dmp文件,向高版本imp导出的dmp文件出错传输dmp文件时,文件损坏解决办法:imp时指定..._imp-00009导出文件异常结束
文章浏览阅读143次。当下是一个大数据的时代,各个行业都离不开数据的支持。因此,网络爬虫就应运而生。网络爬虫当下最为火热的是Python,Python开发爬虫相对简单,而且功能库相当完善,力压众多开发语言。本次教程我们爬取前程无忧的招聘信息来分析Python程序员需要掌握那些编程技术。首先在谷歌浏览器打开前程无忧的首页,按F12打开浏览器的开发者工具。浏览器开发者工具是用于捕捉网站的请求信息,通过分析请求信息可以了解请..._初级python程序员能力要求
文章浏览阅读7.6k次,点赞2次,收藏6次。@Service标注的bean,类名:ABDemoService查看源码后发现,原来是经过一个特殊处理:当类的名字是以两个或以上的大写字母开头的话,bean的名字会与类名保持一致public class AnnotationBeanNameGenerator implements BeanNameGenerator { private static final String C..._@service beanname
文章浏览阅读6.9w次,点赞73次,收藏463次。1.前序创建#include<stdio.h>#include<string.h>#include<stdlib.h>#include<malloc.h>#include<iostream>#include<stack>#include<queue>using namespace std;typed_二叉树的建立
文章浏览阅读7.1k次。在Asp.net上使用Excel导出功能,如果文件名出现中文,便会以乱码视之。 解决方法: fileName = HttpUtility.UrlEncode(fileName, System.Text.Encoding.UTF8);_asp.net utf8 导出中文字符乱码
文章浏览阅读2.1k次,点赞4次,收藏23次。第一次实验 词法分析实验报告设计思想词法分析的主要任务是根据文法的词汇表以及对应约定的编码进行一定的识别,找出文件中所有的合法的单词,并给出一定的信息作为最后的结果,用于后续语法分析程序的使用;本实验针对 PL/0 语言 的文法、词汇表编写一个词法分析程序,对于每个单词根据词汇表输出: (单词种类, 单词的值) 二元对。词汇表:种别编码单词符号助记符0beginb..._对pl/0作以下修改扩充。增加单词
文章浏览阅读773次。我在使用adb.exe时遇到了麻烦.我想使用与bash相同的adb.exe shell提示符,所以我决定更改默认的bash二进制文件(当然二进制文件是交叉编译的,一切都很完美)更改bash二进制文件遵循以下顺序> adb remount> adb push bash / system / bin /> adb shell> cd / system / bin> chm..._adb shell mv 权限
文章浏览阅读6.8k次,点赞12次,收藏125次。1. 单目相机标定引言相机标定已经研究多年,标定的算法可以分为基于摄影测量的标定和自标定。其中,应用最为广泛的还是张正友标定法。这是一种简单灵活、高鲁棒性、低成本的相机标定算法。仅需要一台相机和一块平面标定板构建相机标定系统,在标定过程中,相机拍摄多个角度下(至少两个角度,推荐10~20个角度)的标定板图像(相机和标定板都可以移动),即可对相机的内外参数进行标定。下面介绍张氏标定法(以下也这么称呼)的原理。原理相机模型和单应矩阵相机标定,就是对相机的内外参数进行计算的过程,从而得到物体到图像的投影_相机-投影仪标定
文章浏览阅读2.2k次。文章目录Wayland 架构Wayland 渲染Wayland的 硬件支持简 述: 翻译一篇关于和 wayland 有关的技术文章, 其英文标题为Wayland Architecture .Wayland 架构若是想要更好的理解 Wayland 架构及其与 X (X11 or X Window System) 结构;一种很好的方法是将事件从输入设备就开始跟踪, 查看期间所有的屏幕上出现的变化。这就是我们现在对 X 的理解。 内核是从一个输入设备中获取一个事件,并通过 evdev 输入_wayland