ICode9

精准搜索请尝试: 精确搜索
  • 如何将Excel表格中的两列内容合并成一列2022-07-15 09:02:45

    工作中我们会遇到,很多两列的内容需要合并到一块方便查看(起讫点桩号合并。起点桩号0,讫点桩号1.111,需要合并成起讫点桩号K0+000-K1+111)        要想完成目标,首先要将整数部分提取出来:用公式=INT(number),第二行完成后双击格子右下角进行填充就将整数部分全部提取出来了。 =int(num

  • lab4学习2022-06-15 22:04:40

    用户态和内核态(也称用户模式和内核模式): 它们是 CPU 运行的两种状态。根据 lab3 的说明,在 MOS 操作系统实验使用的仿真 R3000 CPU 中,该状态由 CP0 SR 寄存器中 KUc 位的值标志。 syscall_* 的函数是我们在用户空间中最接近的内核的也是最原子的函数,而 sys_* 的函数是内核中系统调用

  • LeetCode No16. 最接近的三数之和2022-04-21 20:00:35

    题目 给你一个长度为 n 的整数数组 nums 和 一个目标值 target。请你从 nums 中选出三个整数,使它们的和与 target 最接近。 返回这三个数的和。 假定每组输入只存在恰好一个解。 示例 1: 输入:nums = [-1,2,1,-4], target = 1 输出:2 解释:与 target 最接近的和是 2 (-1 + 2 + 1

  • pandas学习笔记(五)2022-03-01 22:03:03

    一.append和assign 1.append方法 (a)利用序列号添加行(必须指定name) df_append=df.loc[:3,['Gender','Height']].copy() Gender Height 0 M 173 1 F 192 2 M 186 3 F 167 s = pd.Series({'Gender':'F','Height':188},name='new_ro

  • 【python】GPU计算2022-01-16 14:59:26

    A=cuda.to_device(a) fgriddim, blockdim b=A.copy_to_host() cuda{ blockDim:[x], blockIdx:[x], threadDim:[x], threadIdx:[x], gridDim:[x], } from numba import cuda import numpy as np @cuda.jit def addGPU(A,B,C): i=cuda.blockIdx.x j=cuda.threadIdx.

  • 一文过pandas入门(中篇)——才疏学浅的莫笑天2021-11-21 22:00:32

    本篇核心内容为数据清洗。 数据清洗 数据工作的步骤应该为: 数据获取数据清洗数据分析数据可视化与建模 因此,上一篇博文中,本人说过,下一篇博文会讲一下数据分析中重要的一步 我们要知道,数据清洗本着为下一步数据分析服务的目的进行,因此,数据处理要根据数据分析确定它是否需要处

  • Pandas数据清洗2021-11-15 01:33:33

    数据清洗 一、数据清洗和准备 数据清洗是数据分析关键的一步,直接影响之后的处理工作 数据需要修改吗?有什么需要修改的吗?数据应该怎么调整才能适用于接下来的分析和挖掘? 是一个迭代的过程,实际项目中可能需要不止一次地执行这些清洗操作 1. 处理缺失数据: pd.fillna() pd.dropna()

  • 2021 陇原抗疫 WriteUp2021-11-08 10:05:49

    希望疫情早日结束 注:打*的是赛后出的 总WP:https://wp.n03tack.top/posts/14620/ Misc soEasyCheckin base32,但有问题,倒数出现了0$,0–>O,$—>S,得到一串hex。 结果hex那里又有问题,具体是出在83¥6988ee这里 根据规律,每6个字节的第1个字节为e,然后把¥替换成e 得到社会主义核心

  • Python 数据分析整理大全(二)2021-10-27 21:34:57

    本文主要针对Python处理Excel & CSV文件的应用。所有代码均实例化代入且逐条备注解释。 全文逐条手工输入整理,可能会产生错误之处,还请指正。 之后会陆续整理 “爬虫” 与 “金融量化分析” 两个文档 #   -------------------------------------------------------------------

  • 图像加密中测试混沌系统性能的 0-1测试/0-1 Test方法与MATLAB实现代码2021-09-01 09:02:49

    因为博主学习与实验的原因,需要对混沌系统的性能进行测试,无奈代码有问题,于是上网后找到了0-1测试的代码,经过调试成功运行。 用到的方法与0-1测试的原理在文献:The 0-1 Test for Chaos: A Review中写了,感兴趣可以自行了解。 z1test用法 以Logistic:X(n+1)=4u(1-Xn) 为例,首先给定X0=0

  • 使用matlab对方波信号进行仿真实验2021-07-30 22:32:18

    使用matlab对方波信号进行仿真实验 实验任务 本实验来自于信号与系统五一大作业,实验任务如下:现有一输入信号为x(t)为一方波信号,其波形如图所示。其中 T = 2 ,

  • 【2021山东大学数字逻辑实验4】 译码器2021-07-10 13:02:41

    1、实验内容 本实验要求完成一个3线-8线译码器的设计。其中i2-i0为译码器输入端,y7-y0为译码器输出端。图3.7为三线―八线译码器的框图,图8给出了三线―八线译码器的原理图。 图3.7 3线―8线译码器框图: 2、实验原理图 ①3-8译码器: ②4-16译码器: 引脚分配图: 键K4是使能端,键

  • Pandas高级教程之:Dataframe的合并2021-06-14 20:51:39

    简介 Pandas提供了很多合并Series和Dataframe的强大的功能,通过这些功能可以方便的进行数据分析。本文将会详细讲解如何使用Pandas来合并Series和Dataframe。 使用concat concat是最常用的合并DF的方法,先看下concat的定义: pd.concat(objs, axis=0, join='outer', ignore_index=False

  • 2021-05-292021-05-29 13:00:01

    下行跨时隙调度 协议相关跨时隙调度(cross-slotscheduling)K0是啥 有什么价值与什么相关如何实现UE能力支持DCI知识R15R16 协议相关 跨时隙调度(cross-slotscheduling) 下行的跨时隙调度(cross-slotscheduling)是指:当前时隙(slot)的物理下行控制信道(physicaldownlinkc

  • ***机器学习于数据分析学习笔记之常用函数操作***2021-04-10 17:33:05

    ***机器学习于数据分析学习笔记之常用函数操作*** ——.Merge函数(用于整合数据) 数据处理中可能经常要对提取的特征进行整合,例如后续实战中会拿到一份歌曲数据集,但是不同的文件存储的特征不同,有的文件包括歌曲名、播放量;有的包括歌曲名、歌手名。现在我们要做的就是把

  • 面试题 16.07. 最大数值2021-03-17 20:32:41

    编写一个方法,找出两个数字a和b中最大的那一个。不得使用if-else或其他比较运算符。 分析:这里需要了解左移,右移,符号位,异或运算,类型转换(虽然我也没太搞明白

  • 合并pd.merge2020-08-30 09:03:53

    import pandas as pd df1 = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'], 'A': ['A0', 'A1', 'A2', 'A3'], 'B&

  • 51/52单片机:利用外部中断实现4位(多位)数码管动态扫描--------计数器2020-06-02 11:05:29

    前言 首先此源码设计知识点少,更容易供路人/初学者参考; 要点讲解 1.设置外部中断初始化.(我放在了一个函数里用来调用) void intinit() { IT0 = 1; //设置外部中断0的触发方式为跳沿触发。 EX0 = 1; //开启外部中断0 IT1 = 1; //设置外部中断1的触发方式为跳沿触发。 EX1 =

  • Pandas concat和merge合并2020-05-17 20:01:37

    1、pd.concat实现数据合并 def concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None, verify_integrity=False, sort=None, copy=True): # objs: series,dataframe或者是panel构成的序列lsit # ax

  • pandas学习进阶12019-07-15 22:02:35

    1、numpy与pandas区别 numpy是一个序列化好了的矩阵 pandas是一个字典化的numpy 2、pandas里面none就是nan >>> import pandas as pd >>> import numpy as np >>> s = pd.Series([1,3,6,np.nan,44,1]) >>> s 0 1.0 1 3.0 2 6.0 3 NaN # 空 4 44.0

  • 【python数据分析】pandas库之文本处理2019-05-21 20:49:15

    Pandas针对字符串配备的一套方法,使其易于对数组的每个元素进行操作 1、常用方法 lower,upper,len,startswith,endswith s = pd.Series(['A','b','C','bbhello','123',np.nan,'hj']) df = pd.DataFrame({'key1':list('abcdef'

  • pandas - 合并2019-03-12 09:50:14

    学习目标 应用pd.concat实现数据的合并 应用pd.merge实现数据的合并 如果你的数据由多张表组成,那么有时候需要将不同的内容合并在一起分析 1 pd.concat实现数据合并 pd.concat([data1, data2], axis=1) 按照行或列进行合并 比如我们将刚才处理好的哑变量与原数据合并 pd.co

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有