网络编程及socket模块
目标：掌握网络相关的基础知识并可以基于Python开发程序（基于网络进行数据传输）。课程概要： 网络必备基础 网络编程（Python代码） B/S和C/S架构 1.必备基础你必须了解的网络相关设备和基础概念。1.1 网络架构假设 lbw 上了一个野鸡大学买了一台电脑，电脑里存了1部小电影，整宿整宿的在宿舍反复的看。lbw 如何想要和室友 uzi 进行收发数据，可以通过一根网线来进行连接，并进行数据的传输。1.1.1 交换机...
Python之Numpy系列详细教程【从零到入门】 -- 第二章 Numpy基本操作
1. 生成数组的方法1.1 生成0和1的数组np.ones(shape, dtype) 生成结果都是1的数组 shape： 数组形状维度 dtype： 数组类型np.ones_like(a, dtype) 生成结果都是1的数组，形状和a一致 a： ndarray对象 dtype： 数组类型np.zeros(shape, dtype) 生成结果都是0的数组np.zeros_like(a, dtype) 生成结果都是0的数组举例
Python之Numpy系列详细教程【从零到入门】 -- 第三章 Numpy中ndarray运算
问题如果想要对ndarray中的数据进行运算，应该怎么做呢？1 逻辑运算# 生成10名同学，5门功课的数据>>> score = np.random.randint(40, 100, (10, 5))# 取出最后4名同学的成绩，用于逻辑判断>>> test_score = score[6:, 0:5]# 逻辑判断, 如果成绩大于60就标记为True 否则为False>>> test_score > 60array([[ Tru
Python之Pandas超详细入门教程 -- 第一章 Pandas数据结构【基础篇】
1 Pandas介绍2008年WesMcKinney开发出的库专门用于数据挖掘的开源python库以Numpy为基础，借力Numpy模块在计算方面性能高的优势基于matplotlib，能够简便的画图独特的数据结构Numpy已经能够帮助我们处理数据，能够结合matplotlib解决部分数据展示等问题，那么pandas学习的目的在什么地方呢？增强图表可读性便捷的数据处理能力读取文件方便封装了Matplotlib、Numpy的画图和计算2 Pandas数据结构Pandas中一共有三
Python之Pandas超详细入门教程 -- 第二章 Pandas基本数据操作【基础篇】
为了更好的理解这些基本操作，下面会通过读取一个股票数据，来进行Pandas基本数据操作的语法介绍。# 读取文件（读取保存文件后面会专门进行讲解，这里先直接调用下api）data = pd.read_csv("./data/stock_day.csv") # 读取当前目录下一个csv文件# 删除一些列，让数据更简单些，再去做后面的操作data = data.drop(["ma5","ma10","ma20","v_ma5","v_ma10","v_ma20"], axis=1)1 索引操作
stm32+HAL库制作蓝牙平衡车
cubeMX+MDK制作蓝牙平衡车前言有很多单片机初学者都会选择把平衡小车作为第一件作品，但是制作过程中会碰到许多疑问，笔者也在学习过程中完成了一台摇摇晃晃的平衡小车，希望以自己的方式，向读者展示一台平衡小车诞生的全流程。文末获取工程文件及其他资料，建议结合keil工程阅读本文。效果 蓝牙平衡车 组成{#fig:组成框图}底盘{#fig:小车底盘}如图，有两个带编码器的
C/C++面试筑基计划
所有的伟大，源于一个勇敢的开始，与博主一起坚持学习，“practice makes perfect”(熟能生巧)吧！友元函数（与成员函数相对）是定义在类外部，可以访问该类中的所有私有（private）成员和保护（protected）成员。指定函数为某个类的友元函数的方法是使用关键字friend。friend ();友元可以是一个函数，该函数被称为友元函数；友元也可以是一个类，该类被称为友元类，在这种情况下，整个类及其所有成员都是友元。......
Python之Pandas超详细入门教程 -- 第三章 Pandas中DataFrame运算【基础篇】
1 算术运算add(other) / sub(other)’比如进行数学运算加上或者减去具体的一个数字data['open'].add(1)2018-02-27 24.532018-02-26 23.802018-02-23 23.882018-02-22 23.252018-02-14 22.492 逻辑运算2.1 逻辑运算符号例如筛选data[“open”] > 22的日期数据data[“open”] > 22返回逻辑结果
stm32+HAL库制作红外测温枪
cubeMX+MDK制作红外测温枪前言本文展示用cubeMX+MDK制作一个红外测温枪的过程。文末获取工程文件及其他资料，建议结合keil工程阅读本文。效果组成{#fig:组成框图}MCU{#fig:组成框图}电源{#fig:组成框图}{#fig:组成框图}{#fig:组成框图}上图的两种电源模块从功能上讲差不多，白色的可以用miniusb供电，可切换两路电压3.3或5v，黑色的可以用usb口对外输出电压，带一个开关等。本文选用的是白色的那款，使用了充电宝供电。传感器{#f
Python之Pandas超详细入门教程 -- 第四章 Pandas中文件读取与存储【基础篇】
我们的数据大部分存在于文件当中，所以pandas会支持复杂的IO操作，pandas的API支持众多的文件格式，如CSV、SQL、XLS、JSON、HDF5。注：最常用的HDF5和CSV文件。1 CSV1.1 read_csvpandas.read_csv(filepath_or_buffer, sep =’,’, usecols )filepath_or_buffer:文件路径sep :分隔符，默认用","隔开usecols:指定读取的列名，列表形式举例：读取之前的股票的数据
proteus+keilC51制作八卦阵
proteus+keilC51制作八卦阵前言本文展示用keil c51 + proteus制作一个八卦阵的过程。文末获取工程文件及其他资料，建议结合keil工程阅读本文。效果组成MCU受到proteus和笔者电脑性能的限制，stm32模型运行及其卡顿，所以此处使用51单片机，完成这个简单的任务。为了整体的观赏性，避免八卦和阴阳鱼像干扰，用了两个相互独立的51芯片。锁存器为了实现一组管脚控制多个LED和点阵，这里使用了锁存器，使用方法非常简单，OE置0，当LE脚输入高电平，Q[0
Python之Pandas超详细入门教程 -- 第五章 Pandas缺失值处理【进阶篇】
1 如何处理NAN获取缺失值的标记方式(NaN或者其他标记方式)如果缺失值的标记方式是NaN判断数据中是否包含NaN：pd.isnull(df),pd.notnull(df)存在缺失值nan:1、删除存在缺失值的:dropna(axis=‘rows’)注：不会修改原数据，需要接受返回值2、替换缺失值:fillna(value, inplace=True)value:替换成的值inplace:True:会修改原数据，False:不替换修改原数据，生成新 的对
stm32+HAL库制作转速仪
stm32cubeMX+MDK制作转速仪前言电机在运行过程中，需要实时检测其转速的稳定性，有效反映电机的运行情况。本文介绍了基于stm32的转速仪的设计，可以用光电门传感器和红外对管传感器测量，可以设置选择传感器、计数方式，可以显示测量结果。描述总体设计方案、器件选型，各模块原理分析、软件设计思路与过程。制作测试仪并从精度、稳定性等角度对其进行测试。测试得转速仪可以正常稳定工作，有结构简单、便携、易于操作等优点，适用于小型直流电机的转速测量。本文展示用cubeMX+MDK制作一个红外测温枪的过程。
Python之Pandas超详细入门教程 -- 第六章 Pandas数据离散化与合并【进阶篇】
1 数据离散化1.1 为什么要离散化连续属性离散化的目的是为了简化数据结构，数据离散化技术可以用来减少给定连续属性值的个数。离散化方法经常作为数据挖掘的工具。1.2 什么是数据的离散化连续属性的离散化就是在连续属性的值域上，将值域划分为若干个离散的区间，最后用不同的符号或整数 值代表落在每个子区间中的属性值。离散化有很多种方法，下面距离一种最简单的方式去操作。原始人的身高数据：165，174，160，180，159，163，192，184假设按照身高分几个区间段：150-165，165-18
latex假装插入参考文献(不用bibtex)
用bibtex编译一直报错，不得已用了一些临时方法，编译出来样子是差不多的thebibliography环境示例\documentclass{article}\usepackage{ctex}\begin{document} \section{问题重述}\subsection{建模思路}\subsection{参数说明}\section{符号说明}\begin{thebibliography}{7}\bibitem{1} SAVASKAN R C, BHATTACHARYA
Python之Pandas超详细入门教程 -- 第七章 Pandas分组与聚合【进阶篇】
分组与聚合通常是分析数据的一种方式，通常与一些统计函数一起使用，查看数据的分组情况1 什么分组与聚合2 分组APIDataFrame.groupby(key, as_index=False)key:分组的列数据，可以多个案例:不同颜色的不同笔的价格数据col =pd.DataFrame({'color': ['white','red','green','red','green'], 'object': ['pen','pencil','pencil','ashtray','pen']
今日推荐
周排行