利用chatgpt快速初步学习pandas

最近体验了chatgpt作为编程助手的功能，确实很厉害，只要你擅长提问，找答案很精准快捷，由此可以想到是否能够通过系列提问，快速上手一个工具？以pandas为例，开始提问学习。

是什么？有什么用？

我需要用python处理表格数据,给我推荐现在最流行的几个工具

最流行的表格数据处理工具之一是pandas。它是一个开源的Python库，用于数据操作和数据分析。它提供了快速，灵活和富有表现力的数据结构，旨在使数据清洁和准备工作变得容易。另一个流行的工具是Openpyxl，它是一个用于读取和写入Excel 2010 xlsx / xlsm / xltx / xltm文件的Python库。如果您需要处理大型数据集，则可以考虑使用Dask，它是一个用于并行计算的灵活库，可以处理大型数据集。

详细列举一下pandas的作用？ 

Pandas是一个Python库，用于数据操作和数据分析。它提供了数据结构，使您可以轻松地处理表格数据，例如CSV和TSV文件。Pandas还提供了用于数据清理，数据重塑，数据聚合和数据可视化的工具。它是数据科学家和数据分析师的必备工具之一。

备注：

了解一个工具之前，先要知道这个工具能做什么，返回的结果，上面画粗线的部分也是后面进行继续提问的重要关键词。

如果你不知道pandas，只知道自己的需求，也可以描述自己的需求，让它给你推荐工具，然后深根据自己的需求，选择其中一个工具继续提问。

如何安装pandas?

To install pandas, you can use pip. Open your terminal and type:

pip install pandas
If you are using Anaconda, you can also install it using conda. Type:

conda install pandas

部分答案多余的部分就不出来了，只贴出最核心的内容

给我推荐pandas实战官方文档

备注：学习一个工具，跟着官方文档肯定是最准的，但是有可能效率不高，你可以暂时不看，但是不能没有。

https://pandas.pydata.org/docs/

给我推荐几个pandas cookbook

  • https://pandas.pydata.org/pandas-docs/stable/user_guide/cookbook.html
  • https://github.com/jvns/pandas-cookbook

怎么输入？

Pandas如何读取csv,TSV和xlsx格式数据？

备注：学习一个东西，可以按照安装，输入，处理，输出的顺序来学习。

Pandas提供了许多函数来读取不同格式的数据。以下是一些常用的函数：
pd.read_csv()：用于读取CSV文件。
pd.read_table()：用于读取TSV文件。
pd.read_excel()：用于读取Excel文件。
这些函数都有许多参数，可以根据需要进行调整。例如，您可以使用sep参数指定分隔符，使用header参数指定标题行，使用index_col参数指定索引列等。您可以在Pandas文档中找到有关这些函数的更多信息。

 pandas读取csv文件时候，如何设置分隔符和编码？

import pandas as pd

df = pd.read_csv('path/to/file.csv', sep='|', encoding='utf-8')


pandas读取xlsx文件时候，只读取部分列，给我样例？

import pandas as pd

df = pd.read_excel('path/to/file.xlsx', usecols=['Column1', 'Column2'])

pandas读取xlsx文件时候,给我样例以及官方文档？

备注：也可以用  工具做xxx,给我样例以及官方文档   这样的句式活动基本样例和官方文档。

import pandas as pd

df = pd.read_excel('path/to/your/file.xlsx')
print(df.head())

给出的文档地址如下，也是正确的。 

pandas.read_excel — pandas 1.5.3 documentation


pandas如何将非标准格式的时间转化为时间，给我样例？

 备注：这种需要是因为部分表格中的时间格式是非标准格式时间，需要转化一下，基于需求问问题，效率更高。

import pandas as pd

df = pd.DataFrame({'date': ['2022-01-01 12:00:00', '2022-01-02 13:00:00', '2022-01-03 14:00:00']})

df['date'] = pd.to_datetime(df['date'], format='%Y-%m-%d %H:%M:%S')

Pandas写入文件时候，按照要求格式化时间

备注：上面是读的时候格式化时间，由此联想到写的时候怎么格式化时间呢？联想提问，也可以获取更多信息。

import pandas as pd
from datetime import datetime

# create a dataframe with a datetime column
df = pd.DataFrame({'date': [datetime.now()]})

# format the datetime column as a string with the desired format
df['date'] = df['date'].dt.strftime('%Y-%m-%d %H:%M:%S')

# write the dataframe to a file
df.to_csv('output.csv', index=False)

获取，遍历，查找，排序

如何获取pandas的DataFrame的某一行或者某一列的数据，给我具体样例?

备注：给我一个数据结构，我需要知道怎么访问数据结构的指定部分，如何遍历，如何查找，如何排序，这个是基本思路。
To get a specific row by label:

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}, index=['X', 'Y', 'Z'])

row_y = df.loc['Y']
print(row_y)


To get a specific column by label:

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}, index=['X', 'Y', 'Z'])

col_b = df['B']
print(col_b)

To get a specific row by integer position:

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}, index=['X', 'Y', 'Z'])

row_1 = df.iloc[1]
print(row_1)


To get a specific column by integer position:

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]}, index=['X', 'Y', 'Z'])

col_2 = df.iloc[:, 2]
print(col_2)

[:, 2]是什么意思?

备注：基于上面连续提问，回答也挺准。

[:, 2]是一个Python切片，用于获取pandas DataFrame中的所有行和第3列。冒号表示选择所有行，2表示选择第3列。
 

如何遍历pandas的 DataFrame数据，给我具体样例?

可以使用iterrows()方法遍历DataFrame数据，示例如下：

import pandas as pd

df = pd.DataFrame({'name': ['Alice', 'Bob'], 'age': [25, 30]})

for index, row in df.iterrows():
    print(row['name'], row['age'])
    

Pandas如何指定字段排序？

To sort a pandas dataframe by a specific column, you can use the sort_values() method. For example, if you have a dataframe df and you want to sort it by the column col_name, you can do:

df = df.sort_values('col_name')

By default, the sorting is done in ascending order. If you want to sort in descending order, you can pass the argument ascending=False:

df = df.sort_values('col_name', ascending=False)

If you want to sort by multiple columns, you can pass a list of column names to the sort_values() method:

df = df.sort_values(['col_name1', 'col_name2'])

给你一个表格，字段分别是姓名，班级，成绩，如何用Pandas获取成绩大于60的所有人

import pandas as pd

# assuming the table is stored in a variable called 'table'
result = table[table['成绩'] > 60]

 如何获取某个班级，成绩大于60的所有人

import pandas as pd

# assuming the table is stored in a variable called 'table'
result = table[(table['成绩'] > 60) & (table['班级'] == 'class_name')]

给你一个表格，字段分别是时间，标题，网站，请用Pandas获取某个网站在某个时间区间之间的数据，将结果数据按照时间升序排序

import pandas as pd

# assuming your table is stored in a pandas DataFrame called 'df'
# and the columns are named 'time', 'title', and 'website'

# set the time column as the index
df.set_index('time', inplace=True)

# select the website and time range
website = 'example.com'
start_time = '2021-01-01'
end_time = '2021-12-31'
selected_data = df.loc[(df['website'] == website) & (df.index >= start_time) & (df.index <= end_time)]

# sort the selected data by time in ascending order
sorted_data = selected_data.sort_index()

# print the sorted data
print(sorted_data)

如何在pandas中使用sql？

Pandas提供了一个名为pandasql的库，它允许您使用SQL查询语言查询pandas DataFrame。要使用pandasql，您需要先安装它。您可以使用以下命令在终端中安装它：

备注：由上面的各种条件查询联想到是否可以用sql操作，果然可以。

pip install pandasql

安装完成后，您可以使用以下代码将pandas DataFrame转换为SQL表：)

from pandasql import sqldf

pysqldf = lambda q: sqldf(q, globals())

df = pd.DataFrame({'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35]})

result = pysqldf("SELECT * FROM df WHERE age > 30")

数据清洗

pandas如何进行数据清洗，给我几个详细样例?

1. 删除重复行
使用drop_duplicates()方法可以删除DataFrame中的重复行，示例如下：

import pandas as pd

df = pd.DataFrame({'name': ['Alice', 'Bob', 'Alice'], 'age': [25, 30, 25]})

df.drop_duplicates(inplace=True)

print(df)

2. 缺失值处理
使用fillna()方法可以填充缺失值，示例如下：

import pandas as pd
import numpy as np

df = pd.DataFrame({'name': ['Alice', 'Bob', np.nan], 'age': [25, 30, np.nan]})

df.fillna(value={'name': 'Unknown', 'age': 0}, inplace=True)

print(df)

3. 数据类型转换
使用astype()方法可以将DataFrame中的数据类型进行转换，示例如下：

import pandas as pd

df = pd.DataFrame({'name': ['Alice', 'Bob'], 'age': ['25', '30']})

df['age'] = df['age'].astype(int)

print(df.dtypes)

4. 数据排序
使用sort_values()方法可以对DataFrame进行排序，示例如下：

import pandas as pd

df = pd.DataFrame({'name': ['Alice', 'Bob'], 'age': [25, 30]})

df.sort_values(by='age', inplace=True)

print(df)

inplace=True 是什么意思?

inplace=True 是一个可选参数，如果设置为 True，则会直接修改原始 DataFrame，而不是返回一个新的 DataFrame。如果不设置 inplace=True，则会返回一个新的 DataFrame，原始 DataFrame 不会被修改。在上面的示例中，我们使用了 inplace=True，因此原始 DataFrame 被修改了。

数据统计分析

pandas如何进行数据分析 列举几个具体样例?

读取CSV文件并显示前几行数据：

import pandas as pd

df = pd.read_csv('file.csv')
print(df.head())


计算数据的统计信息：

import pandas as pd

df = pd.read_csv('file.csv')
print(df.describe())


对数据进行排序：

import pandas as pd

df = pd.read_csv('file.csv')
df_sorted = df.sort_values('column_name')
print(df_sorted.head())

对数据进行分组并计算每个组的平均值：

import pandas as pd

df = pd.read_csv('file.csv')
grouped_data = df.groupby('column_name')
mean_data = grouped_data.mean()
print(mean_data)

给你一个表格，字段分别是时间，姓名，请用pandas按照小时，天，周，季度，月，年统计数据个数?

import pandas as pd

# 读取数据
df = pd.read_csv('data.csv')

# 将时间列转换为 pandas 的时间序列类型
df['time'] = pd.to_datetime(df['time'])

# 按照小时统计数据个数
df.resample('H', on='time').count()

# 按照天统计数据个数
df.resample('D', on='time').count()

# 按照周统计数据个数
df.resample('W', on='time').count()

# 按照季度统计数据个数
df.resample('Q', on='time').count()

# 按照月统计数据个数
df.resample('M', on='time').count()

# 按照年统计数据个数
df.resample('Y', on='time').count()

给你一个表格，字段分别是姓名，班级，语文成绩，数学成绩，英文成绩。请用pandas求出每个班级总分的前十名？

import pandas as pd

# 读取数据
df = pd.read_csv('data.csv')

# 计算每个学生的总分
df['total'] = df['语文成绩'] + df['数学成绩'] + df['英文成绩']

# 按照班级进行分组，并对每个班级的数据进行排序
df.groupby('班级').apply(lambda x: x.sort_values('total', ascending=False).head(10))

给你一个表格，字段分别是姓名，成绩1，成绩2，请用Pandas分组求每个人的成绩1的总和?

import pandas as pd

# create a sample dataframe
df = pd.DataFrame({
    'name': ['Alice', 'Bob', 'Charlie', 'Alice', 'Bob', 'Charlie'],
    'score1': [80, 90, 70, 85, 95, 75],
    'score2': [70, 80, 90, 75, 85, 95]
})

# group by name and sum the scores
grouped = df.groupby('name')['score1'].sum()

print(grouped)

Pandas进行数据聚合的操作样例以及文档

备注：深入学习某一个函数可以按照这样的句式提问。

import pandas as pd

# create a sample DataFrame
data = {'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily', 'Frank'],
        'age': [25, 32, 18, 47, 23, 38],
        'gender': ['F', 'M', 'M', 'M', 'F', 'M'],
        'score': [85, 92, 78, 62, 70, 80]}
df = pd.DataFrame(data)

# group the DataFrame by gender
grouped = df.groupby('gender')

# calculate the mean score for each group
mean_scores = grouped['score'].mean()

# print the mean scores
print(mean_scores)

Group by: split-apply-combine — pandas 1.5.3 documentation

数据输出

pandas保存统计结果，设置index名称和统计结果的名称？

#不输出时间这一列
day_counts.to_csv('output2.csv', index=False)
#输出时间这一列并且设置名称
day_counts.to_csv('output2.csv',index_label='time', header=['num'])

 dataFrame保存csv设置编码

import pandas as pd

# create a sample DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

# save the DataFrame to a CSV file with UTF-8 encoding
df.to_csv('path/to/file.csv', encoding='utf-8', index=False)

Pandas求某一列的平均数，并且将最终结果保存成csv？

import pandas as pd

# create a sample DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

# calculate the mean of column B
mean_B = df['B'].mean()

# create a new DataFrame with the mean value
result_df = pd.DataFrame({'mean_B': [mean_B]})

# save the DataFrame to a CSV file
result_df.to_csv('path/to/result.csv', index=False)

DataFrame如何指定列保存到csv？

df[['time', 'num']].to_csv('filename.csv', index=False)

如何将df的time列修改为date列？

df = df.rename(columns={'time': 'date'})

 如何使用Pandas将数据写入xlsx？

df.to_excel('output.xlsx', index=False)

andas的 to_csv方法有哪些参数，以及参数的具体作用

备注:如果希望系统学习某一函数，可以这样提问，回答的结果可能没有包含全部参数，这个时候，可以结合最后给出的文档地址，结合文档地址，继续提问。

The to_csv() method in pandas has several parameters that can be used to customize the output of the CSV file. Here are some of the most commonly used parameters:

  • path_or_buf: This parameter specifies the file path or buffer where the CSV data will be written. If a file path is provided, the file will be created if it does not exist, and overwritten if it does. If a buffer is provided, the CSV data will be written to the buffer instead of a file.

  • sep: This parameter specifies the delimiter to use between fields in the CSV file. The default value is ','.

  • na_rep: This parameter specifies the string to use for missing values. The default value is an empty string.

  • header: This parameter specifies whether to include the column names in the output. The default value is True.

  • index: This parameter specifies whether to include the row index in the output. The default value is True.

  • mode: This parameter specifies the file mode to use when opening the file. The default value is 'w', which means the file will be opened for writing.

  • encoding: This parameter specifies the character encoding to use when writing the file. The default value is 'utf-8'.

For more information on the to_csv()

 method and its parameters, you can refer to the pandas documentation: https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.to_csv.html

to_csv()的index_label参数怎使用，给我样例

备注：查看文档发现index_label这个参数不在答案中，可以继续提问。

import pandas as pd

# create a sample dataframe
df = pd.DataFrame({'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35]})

# write the dataframe to a CSV file with the index label 'id'
df.to_csv('output.csv', index_label='id')

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/6082.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

JVM与Java体系

JVM与Java体系

JVM体系跟着尚硅谷的康师傅学习 JVM内存与垃圾回收概述 除了大部分的Java开发 人员&#xff0c;除了会在项目中使用到与Java平台相关的框架&#xff0c;与API&#xff0c;对于Java的虚拟机了解甚少。但是也需要我们知道如何处理OOM&#xff0c;SOF异常&#xff0c;除了…
阅读更多...
Java实现一个简单的东南西北中的面板

Java实现一个简单的东南西北中的面板

目录 一、前言 二、代码部分 1.代码 三、程序运行结果&#xff08;面板弹出&#xff09; 四、涉及到的知识点代码 一、前言 1.本代码是我在上学时写的&#xff0c;有一些地方没能完美实现&#xff0c;请包涵也请多赐教&#xff01; 2.本弹窗界面可以根据简单的要求进行…
阅读更多...
字节跳动CVPR 2023论文精选来啦（内含一批图像生成新研究）

字节跳动CVPR 2023论文精选来啦（内含一批图像生成新研究）

计算机视觉领域三大顶会之一的 CVPR 今年已经开奖啦。 今年的 CVPR 将于六月在加拿大温哥华举办&#xff0c;和往年一样&#xff0c;字节跳动技术团队的同学们收获了不少中选论文&#xff0c;覆盖文本生成图像、语义分割、目标检测、自监督学习等多个领域&#xff0c;其中不少…
阅读更多...
Linux 中yum获取的的详细步骤

Linux 中yum获取的的详细步骤

**1.yum的作用 可以帮我们管理RPM包 可以帮我们安装软件&#xff0c; 如果软件有其他依赖&#xff0c;会帮我们安装依赖后在安装软件 类似于Maven 2.yum命令 search 查询命令或者软件 info 查看包的信息 list / list jdk 查询安装的rpm包&#xff0c;或者只查询某一周 3.更换yu…
阅读更多...
【Paper】2016_基于LQR的多智能体系统协同最优控制_姚蒙

【Paper】2016_基于LQR的多智能体系统协同最优控制_姚蒙

姚蒙. 基于LQR的多智能体系统协同最优控制[D].华南理工大学,2016. 文章目录第四章 线性离散时间多智能体系统协同最优控制4.1 引言4.2 离散时间多智能体系统一致最优控制4.3 离散时间领导者-跟随者系统跟踪最优控制4.4 数值仿真Ref第四章 线性离散时间多智能体系统协同最优控制…
阅读更多...
HttpRunner3.x（7) hook函数

HttpRunner3.x（7) hook函数

目录 调用 hook 函数 测试用例层面&#xff08;testcase&#xff09;-3.1.11不支持 测试步骤层面&#xff08;teststep&#xff09; 编写hook函数 请求request预处理 返回 response 处理 HttpRunner 从 1.4.5 版本开始实现了全新的 hook 机制&#xff0c;可以在请求前和请…
阅读更多...
JavaSE——方法的使用

JavaSE——方法的使用

目录 一、方法的概念及使用 1、什么是方法(method) 2、方法定义 3、方法调用的执行过程 4、实参和形参的关系 二、方法重载 1、为什么需要方法重载 2、方法重载概念 3、方法签名 三、递归 1、递归的概念 2、递归执行过程分析 3、递归练习 一、方法的概念及使用 1、…
阅读更多...
Java 你还在用lsit.contain做去重？ 你是故意的还是不小心的？

Java 你还在用lsit.contain做去重？ 你是故意的还是不小心的？

前言 最近又是一轮代码review , 发现了一些实现去重的代码&#xff0c;在使用 lsit.contain ...... 如&#xff1a; 我沉思&#xff0c;是不是其实很多初学者也存在这种去重使用问题&#xff1f; 所以我选择把这个事情整出来&#xff0c;分享一下。 正文 首先是造出一个 List&l…
阅读更多...
Linux基础教程

Linux基础教程

Linux 目标 ​ Linux概述【了解】 ​ Linux网络连接三种模式【了解】 Linux目录结构【掌握】 Linux常用命令【掌握】 Linux操作目录的命令【掌握】 Linux操作文件的命令【掌握】 Linux的Vi编辑器【会用】 Linux打包与解压命令【掌握】 一、Linux概述 1、Linux的概述…
阅读更多...
动力节点王鹤SpringBoot3学习笔记——第五章 说说Web服务

动力节点王鹤SpringBoot3学习笔记——第五章 说说Web服务

目录 第五章 说说Web服务 5.1 高效构建Web应用 5.1.1 html页面视图 5.1.2 JSON视图 5.1.3 给项目加favicon 5.2 Spring MVC 5.2.1 控制器Controller 5.2.1.1 匹配请求路径到控制器方法 5.2.1.2 RequestMapping 5.2.1.3 控制器方法参数类型与可用返回值类型 5…
阅读更多...
HashMap底层数据结构

HashMap底层数据结构

TreeMap TreeMap的底层是红黑树&#xff0c;是自平衡的二叉查找树。 在查找元素时会从左子树或右子树查找&#xff0c;和元素一个一个进行比较&#xff0c;对于大数量的查找的场景TreeMap不适合&#xff08;HashMap解决了这个问题&#xff09;。 TreeMap的好处&#xff0c;是…
阅读更多...
隐私计算 FATE - 多分类神经网络算法测试

隐私计算 FATE - 多分类神经网络算法测试

一、说明 本文分享基于 Fate 使用 横向联邦 神经网络算法 对 多分类 的数据进行 模型训练&#xff0c;并使用该模型对数据进行 多分类预测。 二分类算法&#xff1a;是指待预测的 label 标签的取值只有两种&#xff1b;直白来讲就是每个实例的可能类别只有两种 (0 或者 1)&…
阅读更多...
两个数组的交集(力扣刷题)

两个数组的交集(力扣刷题)

给定两个数组 nums1 和 nums2 &#xff0c;返回 它们的交集 。输出结果中的每个元素一定是 唯一 的。我们可以 不考虑输出结果的顺序 。 来源&#xff1a;力扣&#xff08;LeetCode&#xff09; 链接&#xff1a;https://leetcode.cn/problems/intersection-of-two-arrays 说…
阅读更多...
人大女王金融硕士——站在一个更高的起点，拓宽自己的眼界

人大女王金融硕士——站在一个更高的起点，拓宽自己的眼界

俗话说&#xff1a;“视野所及&#xff0c;心之所止”。做任何事情&#xff0c;最重要的是眼光。眼界不一样&#xff0c;就会有不一样的人生。站得更高才能看得更远&#xff0c;看得更远才能收获更多。人民大学与加拿大女王大学金融硕士项目为我们提供在职读研平台&#xff0c;…
阅读更多...
Python机器学习：最大熵模型

Python机器学习：最大熵模型

信息论里&#xff0c;熵是可以度量随机变量的不确定性的&#xff0c;已经证明的&#xff1a;当随机变量呈均匀分布的时候&#xff0c;熵值最大&#xff0c;一个有序的系统有着较小的熵值&#xff0c;无序系统的熵值则较大。 机器学习里面&#xff0c;最大熵原理假设&#xff1…
阅读更多...
【HAL库】HAL库STM32cubemx快速使用

【HAL库】HAL库STM32cubemx快速使用

文章目录整体框图一、基础工程1 新建工程2 配置RCC3 配置SYS4 工程设置5 生成代码6 keil设置下载&复位二、必备外设1 目录规范2 LED2 RTC3 USART4 KEY三、其他外设1 OLED&#xff08;模拟IIC、模拟SPI&#xff09;2 BH1750光强检测3 MQ2烟雾检测3 MQ4甲醛检测4 DHT11温湿度…
阅读更多...
基于蓄电池进行调峰和频率调节研究【超线性增益的联合优化】（Matlab代码实现）

基于蓄电池进行调峰和频率调节研究【超线性增益的联合优化】（Matlab代码实现）

&#x1f4a5;&#x1f4a5;&#x1f49e;&#x1f49e;欢迎来到本博客❤️❤️&#x1f4a5;&#x1f4a5;&#x1f3c6;博主优势&#xff1a;&#x1f31e;&#x1f31e;&#x1f31e;博客内容尽量做到思维缜密&#xff0c;逻辑清晰&#xff0c;为了方便读者。⛳座右铭&#…
阅读更多...
第04章_运算符

第04章_运算符

第04章_运算符 &#x1f3e0;个人主页&#xff1a;shark-Gao &#x1f9d1;个人简介&#xff1a;大家好&#xff0c;我是shark-Gao&#xff0c;一个想要与大家共同进步的男人&#x1f609;&#x1f609; &#x1f389;目前状况&#xff1a;23届毕业生&#xff0c;目前在某公…
阅读更多...
该不该放弃嵌入式，单片机这条路？

该不该放弃嵌入式，单片机这条路？

本文几乎浓缩了我从业10几年的精华&#xff0c;内容涵盖我转行、打工、创业的经历。 建议从头到尾不要错过一字一句&#xff0c;因为字里行间的经验之谈&#xff0c;或许能成为你人生重要转折点。 全文3700多字&#xff0c;写了6个多小时&#xff0c;如果你赶时间&#xff0c;建…
阅读更多...
【17】核心易中期刊推荐——深度学习 | 遥感图像处理

【17】核心易中期刊推荐——深度学习 | 遥感图像处理

🚀🚀🚀NEW！！！核心易中期刊推荐栏目来啦 ~ 📚🍀 核心期刊在国内的应用范围非常广，核心期刊发表论文是国内很多作者晋升的硬性要求，并且在国内属于顶尖论文发表，具有很高的学术价值。在中文核心目录体系中，权威代表有CSSCI、CSCD和北大核心。其中，中文期刊的数…
阅读更多...
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站