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3.8k次,点赞9次,收藏28次。直接上一个工作中碰到的问题,另外一个系统开启多线程调用我这边的接口,然后我这边会开启多线程批量查询第三方接口并且返回给调用方。使用的是两三年前别人遗留下来的方法,放到线上后发现确实是可以正常取到结果,但是一旦调用,CPU占用就直接100%(部署环境是win server服务器)。因此查看了下相关的老代码并使用JProfiler查看发现是在某个while循环的时候有问题。具体项目代码就不贴了,类似于下面这段代码。while(flag) {//your code;}这里的flag._main函数使用while(1)循环cpu占用99
文章浏览阅读347次。idea shift f6 快捷键无效_idea shift +f6快捷键不生效
文章浏览阅读135次。Ecmacript 中没有DOM 和 BOM核心模块Node为JavaScript提供了很多服务器级别,这些API绝大多数都被包装到了一个具名和核心模块中了,例如文件操作的 fs 核心模块 ,http服务构建的http 模块 path 路径操作模块 os 操作系统信息模块// 用来获取机器信息的var os = require('os')// 用来操作路径的var path = require('path')// 获取当前机器的 CPU 信息console.log(os.cpus._node模块中有很多核心模块,以下不属于核心模块,使用时需下载的是
文章浏览阅读10w+次,点赞435次,收藏3.4k次。SPSS 22 下载安装过程7.6 方差分析与回归分析的SPSS实现7.6.1 SPSS软件概述1 SPSS版本与安装2 SPSS界面3 SPSS特点4 SPSS数据7.6.2 SPSS与方差分析1 单因素方差分析2 双因素方差分析7.6.3 SPSS与回归分析SPSS回归分析过程牙膏价格问题的回归分析_化工数学模型数据回归软件
文章浏览阅读7.5k次。如何利用hutool工具包实现邮件发送功能呢?1、首先引入hutool依赖<dependency> <groupId>cn.hutool</groupId> <artifactId>hutool-all</artifactId> <version>5.7.19</version></dependency>2、编写邮件发送工具类package com.pc.c..._hutool发送邮件
文章浏览阅读867次,点赞2次,收藏2次。docker安装elasticsearch,elasticsearch-head,kibana,ik分词器安装方式基本有两种,一种是pull的方式,一种是Dockerfile的方式,由于pull的方式pull下来后还需配置许多东西且不便于复用,个人比较喜欢使用Dockerfile的方式所有docker支持的镜像基本都在https://hub.docker.com/docker的官网上能找到合..._docker安装kibana连接elasticsearch并且elasticsearch有密码
文章浏览阅读1.3w次,点赞57次,收藏92次。整理 | 郑丽媛出品 | CSDN(ID:CSDNnews)近年来,随着机器学习的兴起,有一门编程语言逐渐变得火热——Python。得益于其针对机器学习提供了大量开源框架和第三方模块,内置..._beeware
文章浏览阅读7.9k次。//// ViewController.swift// Day_10_Timer//// Created by dongqiangfei on 2018/10/15.// Copyright 2018年 飞飞. All rights reserved.//import UIKitclass ViewController: UIViewController { ..._swift timer 暂停
文章浏览阅读986次,点赞2次,收藏2次。1.硬性等待让当前线程暂停执行,应用场景:代码执行速度太快了,但是UI元素没有立马加载出来,造成两者不同步,这时候就可以让代码等待一下,再去执行找元素的动作线程休眠,强制等待 Thread.sleep(long mills)package com.example.demo;import org.junit.jupiter.api.Test;import org.openqa.selenium.By;import org.openqa.selenium.firefox.Firefox.._元素三大等待
文章浏览阅读3k次,点赞4次,收藏14次。Java软件工程师职位分析_java岗位分析
文章浏览阅读2k次。Java:Unreachable code的解决方法_java unreachable code
文章浏览阅读1w次。1、html中设置标签data-*的值 标题 11111 222222、点击获取当前标签的data-url的值$('dd').on('click', function() { var urlVal = $(this).data('ur_如何根据data-*属性获取对应的标签对象