2. 程式人生 > >python的pandas學習筆記

python的pandas學習筆記

阿新 • • 發佈：2019-01-24 
import pandas as pd
import numpy as np
from pandas import Series,DataFrame
obj = Series(range(5),index=['a','a','b','b','c'])
obj
a    0
a    1
b    2
b    3
c    4
dtype: int64

obj.index.is_unique   #判斷索引值是否唯一
False 
obj['a']              #返回多個索引值
 
a    0
a    1
dtype: int64

對於DataFrame也如此

df = DataFrame(np.random.randn(4,3),index=list('aabb'))
df
0 1 2
a 0.599982 2.421799 0.081475
a 0.420616 2.265408 1.196068
b -1.153728 -0.173130 -0.098733
b 0.540624 -0.286814 0.287023 
df.ix['b']
0 1 2
b -1.153728 -0.173130 -0.098733
b 0.540624 -0.286814 0.287023
# #彙總和計算描述統計 
df = DataFrame([[1.4,np.nan],[7.1,-4.5],[np.nan,np.nan],[0.75,-1.3]],index=list('abcd'),columns=['one','two'])
df
one two
a 1.40 NaN
b 7.10 -4.5
c NaN NaN
d 0.75 -1.3

sum（）預設對列進行求和

df.sum()
one    9.25
two   -5.80
dtype: float64

df.sum(axis = 1)            #對行
a    1.40
b    2.60
c    0.00
d   -0.55
dtype: float64

NA值會自動排除，通過skipa選項可以禁止

df.mean(axis=1,skipna=False)
a      NaN
b    1.300
c      NaN
d   -0.275
dtype: float64

df.idxmax()       #返回最大值的索引值
one    b
two    d
dtype: object

df.cumsum()     #累計型
one two
a 1.40 NaN
b 8.50 -4.5
c NaN NaN
d 9.25 -5.8

彙總統計描述describe

df.describe()
one two
count 3.000000 2.000000
mean 3.083333 -2.900000
std 3.493685 2.262742
min 0.750000 -4.500000
25% 1.075000 -3.700000
50% 1.400000 -2.900000
75% 4.250000 -2.100000
max 7.100000 -1.300000

對於非數值型，describe會產生另外一種彙總統計

obj = Series(['a','a','b','c']*4)
obj
0     a
1     a
2     b
3     c
4     a
5     a
6     b
7     c
8     a
9     a
10    b
11    c
12    a
13    a
14    b
15    c
dtype: object

obj.describe()
count     16
unique     3
top        a
freq       8
dtype: object
  • 相關係數與協方差 唯一值、值計數以及成員資格
obj = Series(['c','a','d','a','a','b','b','c','c'])
uniques = obj.unique()
uniques
array([‘c’, ‘a’, ‘d’, ‘b’], dtype=object) 返回的唯一值是未排序的，如果需要則可以再次進行排序(unique.sort()) 
obj.value_counts()
c 3 a 3 b 2 d 1 dtype: int64 Series值頻統計是按降序排列。value_counts還是一個頂級的pandas方法，可以用於任何陣列和序列 
pd.value_counts(obj.values,sort=False)
a 3 c 3 b 2 d 1 dtype: int64 isin,它用於判斷向量化的成員資格，可用於選取Series中或DataFrame列中資料的子集 
mask = obj.isin(['b','c'])
mask
0 True 1 False 2 False 3 False 4 False 5 True 6 True 7 True 8 True dtype: bool 
obj[mask]
0 c 5 b 6 b 7 c 8 c dtype: object 
data = DataFrame({
        'Qu1':[1,3,4,3,4],
        'Qu2':[2,3,1,2,3],
        'Qu3':[1,5,2,4,4]
    })
data
Qu1 Qu2 Qu3
0 1 2 1
1 3 3 5
2 4 1 2
3 3 2 4
4 4 3 4 
#統計DataFrame的每一列中元素1,2,3，4,5出現的頻率，缺失值用0填
result = data.apply(pd.value_counts).fillna(0)
result
Qu1 Qu2 Qu3
1 1.0 1.0 1.0
2 0.0 2.0 1.0
3 2.0 2.0 0.0
4 2.0 0.0 2.0
5 0.0 0.0 1.0
# #處理缺失資料 
string_data = Series(['aardvark','artichoke',np.nan,'avocado'])
string_data
0 aardvark 1 artichoke 2 NaN 3 avocado dtype: object 
string_data.isnull()
0 False 1 False 2 True 3 False dtype: bool python內建的None值也會被當做NA處理 
string_data[0] = None
string_data
0 None 1 artichoke 2 NaN 3 avocado dtype: object 
string_data.isnull()
0 True 1 False 2 True 3 False dtype: bool Na處理方法 dropna 根據各標籤的值中是否存在缺失資料對軸標籤進行過濾，可通過閾值調節對缺失值的容忍度 fillna 用指定值或插值方法（如ffill或bfill）填充缺失資料 isnull 返回一個含有布林值的物件，這些布林值表示哪些是缺失 notnull isnull的否定式 # #濾除缺失值 
from numpy import nan as NA
data = Series([1,NA,3.5,NA,7])
data.dropna()
0 1.0 2 3.5 4 7.0 dtype: float64 
#也可以通過布林值索引達到目的
data[data.notnull()]
0 1.0 2 3.5 4 7.0 dtype: float64 
#dropna預設丟棄任何含有缺失值的行
data = DataFrame([[1,6.5,3],[1,NA,NA],[NA,NA,NA],[NA,6.5,3]])
cleaned = data.dropna()
cleaned
0 1 2
0 1.0 6.5 3.0 
#傳入how = 'all'將只丟棄全為NA的哪些行
data.dropna(how = 'all')
0 1 2
0 1.0 6.5 3.0
1 1.0 NaN NaN
3 NaN 6.5 3.0 
data[4] = NA
data
0 1 2 4
0 1.0 6.5 3.0 NaN
1 1.0 NaN NaN NaN
2 NaN NaN NaN NaN
3 NaN 6.5 3.0 NaN 
#要用這種方法丟棄列，只需傳入axis=1即可
data.dropna(axis=1,how='all')
0 1 2
0 1.0 6.5 3.0
1 1.0 NaN NaN
2 NaN NaN NaN
3 NaN 6.5 3.0 
df = DataFrame(np.random.randn(7,3));df
0 1 2
0 -1.051300 -0.526329 -0.204891
1 -0.977547 -1.706029 0.946824
2 0.540648 -1.228170 -1.180031
3 -0.320932 -0.667305 0.239980
4 -0.303641 -1.096918 0.355744
5 -0.424176 1.880769 -0.013825
6 0.643725 0.301759 -1.520921 
df.ix[:4,1] = NA;df
0 1 2
0 -1.051300 NaN -0.204891
1 -0.977547 NaN 0.946824
2 0.540648 NaN -1.180031
3 -0.320932 NaN 0.239980
4 -0.303641 NaN 0.355744
5 -0.424176 1.880769 -0.013825
6 0.643725 0.301759 -1.520921 
df.ix[:2,2] = NA;df
0 1 2
0 -1.051300 NaN NaN
1 -0.977547 NaN NaN
2 0.540648 NaN NaN
3 -0.320932 NaN 0.239980
4 -0.303641 NaN 0.355744
5 -0.424176 1.880769 -0.013825
6 0.643725 0.301759 -1.520921 
df
0 1 2
0 -1.051300 NaN NaN
1 -0.977547 NaN NaN
2 0.540648 NaN NaN
3 -0.320932 NaN 0.239980
4 -0.303641 NaN 0.355744
5 -0.424176 1.880769 -0.013825
6 0.643725 0.301759 -1.520921 
df.dropna(thresh=2)
0 1 2
3 -0.320932 NaN 0.239980
4 -0.303641 NaN 0.355744
5 -0.424176 1.880769 -0.013825
6 0.643725 0.301759 -1.520921 
help(df.dropna)
Help on method dropna in module pandas.core.frame: dropna(self, axis=0, how=’any’, thresh=None, subset=None, inplace=False) method of pandas.core.frame.DataFrame instance Return object with labels on given axis omitted where alternately any or all of the data are missing Parameters ———- axis : {0 or ‘index’, 1 or ‘columns’}, or tuple/list thereof Pass tuple or list to drop on multiple axes how : {‘any’, ‘all’} * any : if any NA values are present, drop that label * all : if all values are NA, drop that label thresh : int, default None int value : require that many non-NA values subset : array-like Labels along other axis to consider, e.g. if you are dropping rows these would be a list of columns to include inplace : boolean, default False If True, do operation inplace and return None. Returns ——- dropped : DataFrame 
df.fillna(0)
0 1 2
0 -1.051300 0.000000 0.000000
1 -0.977547 0.000000 0.000000
2 0.540648 0.000000 0.000000
3 -0.320932 0.000000 0.239980
4 -0.303641 0.000000 0.355744
5 -0.424176 1.880769 -0.013825
6 0.643725 0.301759 -1.520921 
#若通過一個字典呼叫fillna，就可以實現對不同的列填充不同的值
df.fillna({1:0.5,3:-1})
0 1 2
0 -1.051300 0.500000 NaN
1 -0.977547 0.500000 NaN
2 0.540648 0.500000 NaN
3 -0.320932 0.500000 0.239980
4 -0.303641 0.500000 0.355744
5 -0.424176 1.880769 -0.013825
6 0.643725 0.301759 -1.520921

fillna預設會返回新物件，但也可以對現有物件進行就地修改

_ = df.fillna(0,inplace=True)
df
0 1 2
0 -1.051300 0.000000 0.000000
1 -0.977547 0.000000 0.000000
2 0.540648 0.000000 0.000000
3 -0.320932 0.000000 0.239980
4 -0.303641 0.000000 0.355744
5 -0.424176 1.880769 -0.013825
6 0.643725 0.301759 -1.520921

對reindex有效的哪些插值方法也可以用於fillna

df = DataFrame(np.random.randn(6,3))
df
0 1 2
0 0.936874 0.226055 -0.008118
1 -1.885668 0.947839 -0.344767
2 -1.620408 -0.895714 1.133733
3 1.442455 0.959708 0.107022
4 -1.455846 0.572486 1.087657
5 1.189054 -1.623793 -0.334216 
df.ix[2:,1] = NA; df.ix[4:,2] = NA
df
0 1 2
0 0.936874 0.226055 -0.008118
1 -1.885668 0.947839 -0.344767
2 -1.620408 NaN 1.133733
3 1.442455 NaN 0.107022
4 -1.455846 NaN NaN
5 1.189054 NaN NaN 
# ffill :將有效的觀察傳播到下一個有效的觀察
df.fillna(method='ffill')
0 1 2
0 0.936874 0.226055 -0.008118
1 -1.885668 0.947839 -0.344767
2 -1.620408 0.947839 1.133733
3 1.442455 0.947839 0.107022
4 -1.455846 0.947839 0.107022
5 1.189054 0.947839 0.107022 
help(df.fillna)
Help on method fillna in module pandas.core.frame: fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) method of pandas.core.frame.DataFrame instance Fill NA/NaN values using the specified method Parameters ———- value : scalar, dict, Series, or DataFrame Value to use to fill holes (e.g. 0), alternately a dict/Series/DataFrame of values specifying which value to use for each index (for a Series) or column (for a DataFrame). (values not in the dict/Series/DataFrame will not be filled). This value cannot be a list. method : {‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, default None Method to use for filling holes in reindexed Series pad / ffill: propagate last valid observation forward to next valid backfill / bfill: use NEXT valid observation to fill gap axis : {0, 1, ‘index’, ‘columns’} inplace : boolean, default False If True, fill in place. Note: this will modify any other views on this object, (e.g. a no-copy slice for a column in a DataFrame). limit : int, default None If method is specified, this is the maximum number of consecutive NaN values to forward/backward fill. In other words, if there is a gap with more than this number of consecutive NaNs, it will only be partially filled. If method is not specified, this is the maximum number of entries along the entire axis where NaNs will be filled. downcast : dict, default is None a dict of item->dtype of what to downcast if possible, or the string ‘infer’ which will try to downcast to an appropriate equal type (e.g. float64 to int64 if possible) See Also ——– reindex, asfreq Returns ——- filled : DataFrame 
df.fillna(method='ffill',limit=2)
0 1 2
0 0.936874 0.226055 -0.008118
1 -1.885668 0.947839 -0.344767
2 -1.620408 0.947839 1.133733
3 1.442455 0.947839 0.107022
4 -1.455846 NaN 0.107022
5 1.189054 NaN 0.107022 
data = Series([1,NA,3.5,NA,7])
#使用平均值填充
data.fillna(data.mean())
0    1.000000
1    3.833333
2    3.500000
3    3.833333
4    7.000000
dtype: float64
  • 層次化索引
data = Series(np.random.randn(10),
              index=[['a','a','a','b','b','b','c','c','d','d'],[1,2,3,1,2,3,1,2,2,3]])
data
a  1   -0.520847
   2    0.858349
   3   -1.048257
b  1    0.281738
   2    0.757592
   3    0.032117
c  1    0.526343
   2   -2.281655
d  2   -0.017352
   3    0.047178
dtype: float64

data.index
MultiIndex(levels=[[u’a’, u’b’, u’c’, u’d’], [1, 2, 3]], labels=[[0, 0, 0, 1, 1, 1, 2, 2, 3, 3], [0, 1, 2, 0, 1, 2, 0, 1, 1, 2]]) 
#對一個層次索引
data['b']
1    0.281738
2    0.757592
3    0.032117
dtype: float64

data['b':'c']
b  1    0.281738
   2    0.757592
   3    0.032117
c  1    0.526343
   2   -2.281655
dtype: float64

data.ix[['b','d']]
b  1    0.281738
   2    0.757592
   3    0.032117
d  2   -0.017352
   3    0.047178
dtype: float64

data[:,2]
a    0.858349
b    0.757592
c   -2.281655
d   -0.017352
dtype: float64

data
a  1   -0.520847
   2    0.858349
   3   -1.048257
b  1    0.281738
   2    0.757592
   3    0.032117
c  1    0.526343
   2   -2.281655
d  2   -0.017352
   3    0.047178
dtype: float64

層次化索引在資料重塑和基於分組的操作中扮演著重要的角色。可以使用unstack方法被重新安排到一個DataFrame中

data.unstack()
1 2 3
a -0.520847 0.858349 -1.048257
b 0.281738 0.757592 0.032117
c 0.526343 -2.281655 NaN
d NaN -0.017352 0.047178 
#unstack的逆運算是stack
data.unstack().stack()
a  1   -0.520847
   2    0.858349
   3   -1.048257
b  1    0.281738
   2    0.757592
   3    0.032117
c  1    0.526343
   2   -2.281655
d  2   -0.017352
   3    0.047178
dtype: float64

frame = DataFrame(np.arange(12).reshape(4,3),index=[['a','a','b','b'],[1,2,1,2]],
                  columns=[['Ohio','Ohio','Colorado'],['Green','Red','Green']])
frame
Ohio Colorado
Green Red Green
a 1 0 1 2
2 3 4 5
b 1 6 7 8
2 9 10 11 
frame.index.names = ['key1','key2']
frame.columns.names = ['state','color']
frame
state Ohio Colorado
color Green Red Green
key1 key2
a 1 0 1 2
2 3 4 5
b 1 6 7 8
2 9 10 11 
frame['Ohio']
color Green Red
key1 key2
a 1 0 1
2 3 4
b 1 6 7
2 9 10

swaplevel接受兩個級別編號或名稱並返回一個互換了級別的新物件（但資料不會發生變化）

frame.swaplevel('key1','key2')
state Ohio Colorado
color Green Red Green
key2 key1
1 a 0 1 2
2 a 3 4 5
1 b 6 7 8
2 b 9 10 11 
frame
state Ohio Colorado
color Green Red Green
key1 key2
a 1 0 1 2
2 3 4 5
b 1 6 7 8
2 9 10 11 
stortlevel則根據單個級別中的值對資料進行排序（穩定的）
#兩級分層，取0,1，分別表示第一層，第二層
frame.sortlevel(1)
state Ohio Colorado
color Green Red Green
key1 key2
a 1 0 1 2
b 1 6 7 8
a 2 3 4 5
b 2 9 10 11 
frame
state Ohio Colorado
color Green Red Green
key1 key2
a 1 0 1 2
2 3 4 5
b 1 6 7 8
2 9 10 11 
frame.swaplevel(0,1)
state Ohio Colorado
color Green Red Green
key2 key1
1 a 0 1 2
2 a 3 4 5
1 b 6 7 8
2 b 9 10 11 
frame.swaplevel(0,1).sortlevel(0)
state Ohio Colorado
color Green Red Green
key2 key1
1 a 0 1 2
b 6 7 8
2 a 3 4 5
b 9 10 11
# #根據級別彙總統計 
frame
state Ohio Colorado
color Green Red Green
key1 key2
a 1 0 1 2
2 3 4 5
b 1 6 7 8
2 9 10 11 
frame.sum(level='key2')
state Ohio Colorado
color Green Red Green
key2
1 6 8 10
2 12 14 16 
frame.sum(level='color',axis=1)
color Green Red
key1 key2
a 1 2 1
2 8 4
b 1 14 7
2 20 10
# #使用DataFrame的列 
frame = DataFrame({
        'a':range(7),
        'b':range(7,0,-1),
        'c':['one','one','one','two','two','two','two'],
        'd':[0,1,2,0,1,2,3]
        })
frame
a b c d
0 0 7 one 0
1 1 6 one 1
2 2 5 one 2
3 3 4 two 0
4 4 3 two 1
5 5 2 two 2
6 6 1 two 3

DataFrame的set_index函式會將其中一個或多個列轉換為行索引，並建立一個新的DataFrame

frame2 = frame.set_index(['c','d'])
frame2
a b
c d
one 0 0 7
1 1 6
2 2 5
two 0 3 4
1 4 3
2 5 2
3 6 1

預設情況下，哪些列會從DataFrame中移除，但也可以將其保留下來

frame.set_index(['c','d'],drop=False)
a b c d
c d
one 0 0 7 one 0
1 1 6 one 1
2 2 5 one 2
two 0 3 4 two 0
1 4 3 two 1
2 5 2 two 2
3 6 1 two 3

reset_index的功能跟set_index剛好相反，層次化索引的級別會被轉移到列裡

frame2.reset_index()
c d a b
0 one 0 0 7
1 one 1 1 6
2 one 2 2 5
3 two 0 3 4
4 two 1 4 3
5 two 2 5 2
6 two 3 6 1

整數索引

ser = Series(np.arange(3.))
#會以為是倒數第一的索引，其實報錯，整數的索引值為0,1,2
ser[-1]
————————————————————————— KeyError Traceback (most recent call last) in () 1 #會以為是倒數第一的索引，其實報錯，整數的索引值為0,1,2 —-> 2 ser[-1] C:\Anaconda\Anaconda2\lib\site-packages\pandas\core\series.pyc in __getitem__(self, key) 558 def __getitem__(self, key): 559 try: –> 560 result = self.index.get_value(self, key) 561 562 if not lib.isscalar(result): C:\Anaconda\Anaconda2\lib\site-packages\pandas\indexes\base.pyc in get_value(self, series, key) 1909 try: 1910 return self._engine.get_value(s, k, -> 1911 tz=getattr(series.dtype, ‘tz’, None)) 1912 except KeyError as e1: 1913 if len(self) > 0 and self.inferred_type in [‘integer’, ‘boolean’]: pandas\index.pyx in pandas.index.IndexEngine.get_value (pandas\index.c:3234)() pandas\index.pyx in pandas.index.IndexEngine.get_value (pandas\index.c:2931)() pandas\index.pyx in pandas.index.IndexEngine.get_loc (pandas\index.c:3891)() pandas\hashtable.pyx in pandas.hashtable.Int64HashTable.get_item (pandas\hashtable.c:6527)() pandas\hashtable.pyx in pandas.hashtable.Int64HashTable.get_item (pandas\hashtable.c:6465)() KeyError: -1L 相反，對於一個非整數索引，就沒有這樣的歧義 
ser2 = Series(np.arange(3.),index=['a','b','c'])
ser2[-1]
2.0 
ser.ix[:1]
0 0.0 1 1.0 dtype: float64 如果需要可靠的，不考慮索引型別的，基於位置的索引，可以使用Series的iget_value方法和Dataframe的irow和icol方法 
ser3 = Series(range(3),index=[-5,1,3])
ser3
-5 0 1 1 3 2 dtype: int64 
ser3.iget_value(2)
C:\Anaconda\Anaconda2\lib\site-packages\ipykernel\__main__.py:1: FutureWarning: iget_value(i) is deprecated. Please use .iloc[i] or .iat[i] if __name__ == ‘__main__’: 2 
frame = DataFrame(np.arange(6).reshape(3,2),index=[2,0,1])
frame
0 1
2 0 1
0 2 3
1 4 5 
frame.irow(1)
C:\Anaconda\Anaconda2\lib\site-packages\ipykernel\__main__.py:1: FutureWarning: irow(i) is deprecated. Please use .iloc[i]
  if __name__ == '__main__':





0    2
1    3
Name: 0, dtype: int32

相關推薦

Robot Operating System (ROS)學習筆記4---語音控制

sla 語音 出現 tput http 學習 process 輸入 ubun 搭建環境：XMWare Ubuntu14.04 ROS（indigo） 轉載自古月居 轉載連接：http://www.guyuehome.com/260 一、語音識別包 1、安裝

MySQL學習筆記（六）—— MySQL自連接

概念 cor 子查詢 ron 表操作 例子 質量 _id order by 有的時候我們需要對同一表中的數據進行多次檢索,這個時候我們可以使用之前學習過的子查詢,先查詢出需要的數據,再進行一次檢索。 例如:一張products表,有產品id,供應商id(vend_

jquery 深入學習筆記之中的一個 （事件綁定）

color 動態 name his pan mouseover this pre con 【jquery 事件綁定】 1、加入元素事件綁定 (1) 加入事件為當前元素 $(‘p‘).on(‘click‘,function(){ //code here ..

AngularJS入門學習筆記一

rect directive 技術分享 attr 兩個 ava 內容 module 大括號 首先聲明： 本博客源自於學習：跟我學AngularJs:AngularJs入門及第一個實例。通過學習，我自己的一些學習筆記。 1.AngularJS的一些基本特性 （1）使用雙大括號

Python學習筆記-2017.5.4

列表 lin 覆蓋範圍 復習 處理 pytho 內部 global txt 本文章記錄學習過程中的細節和心得： 復習所學課程： 1、文件的操作： 　　打開文件，對文件的操作打開方式有兩種： 　　第一種： 　　　　 f = open("test.txt", "r")#以只讀

SAS學習筆記之函數應用

不能 oracle 理解 資料 oracl 函數應用 特殊 put acl 今天在做數據需求的時候遇到一些問題，因為不能夠在數據庫裏面做，僅僅好在SAS裏面實現。這就遇到了一些麻煩，須要使用一些函數實現部分功能，如查找字段中某個特殊字符出現的次數，查找某個字符的位置等，

OpenCV2學習筆記（十五）：利用Cmake高速查找OpenCV函數源代碼

one 生成 img log 分享 lan 學習筆記 全部 modules 在使用OpenCV時，在對一個函數的調用不是非常了解的情況下，通常希望查到該函數的官方聲明。而假設想進一步研究OpenCV的函數，則必須深入到源碼。在VS中我們能夠選中想要查

avalonjs 學習筆記1---checkbox

nod item ack lex server ini npm 學習 define 一、vscode 安裝使用 1.vs code+node.js下載安裝 2.在node.js command prompt 中運行 npm install -g live-server 3

Linux學習筆記(三)：系統執行級與執行級的切換

查看 用戶操作 回車 water hat ntsysv tde 文件表 config 1.Linux系統與其它的操作系統不同，它設有執行級別。該執行級指定操作系統所處的狀態。Linux系統在不論什麽時候都執行於某個執行級上，且在不同的執行級上執行的程序和服務都不同，所要

Principle of Computing (Python)學習筆記(7) DFS Search + Tic Tac Toe use MiniMax Stratedy

ide out generate depth sku color ati cond with 1. Trees Tree is a recursive structure. 1.1 math nodes https://class.coursera.org/prin

Java程序猿的JavaScript學習筆記（12——jQuery-擴展選擇器）

type write number article mat 我們 content ace val 計劃按例如以下順序完畢這篇筆記： Java程序猿的JavaScript學習筆記（1——理念） Java程序猿的JavaScript學習筆記（2——屬性復制和繼承） Jav

java學習筆記——String類

通過 ray [] 原理 log spl 2.3 -s 長度 一、概述 ·字符串是一個特殊的對象 ·字符串一旦初始化就不可以被改變 ·String str = "abc"; ·String str1 = new String("abc"); 有什麽區別？ package

java學習筆記——java中對象的創建，初始化，引用的解析

初始 學習筆記 style article 學習 base 表達 如果 bsp 如果有一個A類。 1、例如以下表達式： A a1 = new A(); 那麽A是類，a1是引用。new A()是對象。僅僅是a1這個引用指向了new A()這個對象。 2、又如： A

構建之法 學習筆記04

部分 使用 用戶 != 工作 應該 覆蓋率 錯誤處理 必須 關於軟件工程的一些基本概念和技術 單元測試 絕大部分軟件都是由多人合作完成的，大家的工作互相有依賴關系。最典型的的例子就是，某人負責的模板的功能被其他人調用。軟件的額很多錯誤都是來源於程序員對模塊功能的誤解、疏忽或

cocos2d-x學習筆記（c++與lua交互回調函數的處理）

回調函數 tolua++ cocos2dx lua 本文假設讀者已經會使用tolua++進行C++與lua之間的通訊1、在頭文件中定義註冊回調函數，定義在MyClass類中void register(unsigned short cmdID, LUA_FUNCTION func);//LUA_

python框架之 Tornado 學習筆記（一）

tornado pythontornado 一個簡單的服務器的例子：首先，我們需要安裝 tornado ，安裝比較簡單： pip install tornado 測試安裝是否成功，可以打開python 終端，輸入： import tornado.https

Java學習筆記--鏈表

引用變量 nts mage 集合 tran 分享 isp exce pub 心在山東身在吳，飄蓬江海漫嗟籲。 他時若遂淩雲誌， 敢笑黃巢不丈夫。 　　　　　　　　　　　　　　　——水滸傳 先上源代碼,LinkedList類: 1 private static class

Linux Unix shell 編程指南學習筆記（第四部分）

fcm 驗證 () only arguments line div 反饋 sed 第十六章 shell腳本介紹 此章節內容較為簡單，跳過。 第十七章 條件測試 test命令 expr命令 test 格式 test condition 或者 [

php yii 學習筆記

code https lease nbsp utf8 down title 應用 nload yii 歸檔安裝 1,下載 yii Yii2的高級應用程序模板 2,解壓模板到目錄,進入控制臺進入目錄 運行 php init 安裝YII 3,進入 http://loc

Halcon學習筆記(一)

direct fusion 采集 das com nom pat 學習 filter 一、Halcon編程之圖像處理 1、讀取圖片 1、讀取單個圖片： 1.1 直接用算子read_image read_image (Image, ‘D:/3.tiff‘) 2