-
PHP 魔术变量
所属栏目：[大数据] 日期：2021-07-06 热度：60
在PHP中我们可以自定义常量，同时PHP中也自定义了一些好用的常量,这些常量会根据其所在的位置而自动变化。我们称之为魔术常量。魔术常量可以大写也可以小写,是不区分大小写的 ? ? ?(1). __FILE__ ? ? ? ? ? ? ? ? ?当前文件路径 ? ? ?(2). __DIR__ ? ? ? ? ?[详细]
-
PHP 日期格式化（获取上月第一天、最后一天等）
所属栏目：[大数据] 日期：2021-07-06 热度：161
1.获取上个月第一天及最后一天. echo date('Y-m-01',strtotime('-1 month')); echo "br/"; echo date('Y-m-t',strtotime('-1 month')); echo "br/";2.获取当月第一天及最后一天. $BeginDate=date('Y-m-01',strtotime(date("Y-m-d"))); echo $BeginDate; echo[详细]
-
PHP 获取路径和文件名
所属栏目：[大数据] 日期：2021-07-06 热度：183
1. __FILE__获取当前请求文件的完整路径和文件名，输出格式如下： $dir = __FILE__; echo $dir; /var/www/html/index.PHP 2. dirname() 函数只返回路径，不返回文件名， 输出格式如下： echo dirname("$dir"); /var/www/html 3.basename() 函数只返回文件名[详细]
-
PHP实现队列及队列原理
所属栏目：[大数据] 日期：2021-07-06 热度：108
队列是一种线性表，按照先进先出的原则进行的： PHP实现队列：第一个元素作为队头，最后一个元素作为队尾 ?PHP /** * 队列就是这么简单 * * @link */ $array = ? array ( 'PHP' , 'JAVA' ); array_push($array,17)">'PYTHON' ); //入队列 array_shift($array[详细]
-
PHP获取文件夹的图片以及分页
所属栏目：[大数据] 日期：2021-07-06 热度：108
divstyle=width:90%;margin:10pxauto;border:1pxsolid#ccc;text-align:center?PHP$page=isset($_GET[page])?$_GET[page]:0;//从零开始$imgnums=10;//每页显示的图片数$path=upload;//图片保存的目录$handle=opendir($path);$i=0;while(false!==($file=readdi[详细]
-
PHP操作Excel – PHPExcel 基本用法详解
所属栏目：[大数据] 日期：2021-07-06 热度：118
1.header header(Content-Type:application/vnd.ms-excel);header(Content-Disposition:attachment;filename=sample.xls);header(Pragma:no-cache);header(Expires:0); 2.PHPExcel http://www.codeplex.com/PHPExcel http://www.PHPexcel.net 开发包Tests目[详细]
-
NumPy 教程（第 22 章）：文件I/O操作
所属栏目：[大数据] 日期：2021-07-06 热度：162
Numpy 可以读写磁盘上的文本数据或二进制数据 NumPy 为 ndarray 对象引入了一个简单的文件格式： npy npy 文件用于存储重建 ndarray 所需的数据、图形、dtype 和其他信息 常用的 IO 函数有： load() 和 save() 函数是读写文件数组数据的两个主要函数，默认情[详细]
-
NumPy 教程（第 21 章）：线性代数
所属栏目：[大数据] 日期：2021-07-06 热度：123
NumPy 提供了线性代数函数库 linalg，该库包含了线性代数所需的所有功能，可以看看下面的说明： dot 两个数组的点积，即元素对应相乘 vdot 两个向量的点积 inner 两个数组的内积 matmul 两个数组的矩阵积 determinant 数组的行列式 solve 求解线性矩阵方程 i[详细]
-
NumPy 教程（第 20 章）：矩阵库
所属栏目：[大数据] 日期：2021-07-06 热度：163
NumPy 中包含了一个矩阵库 numpy.matlib ，该模块中的函数返回的是一个矩阵，而不是 ndarray 对象 一个 m * n 的矩阵是一个由 m 行（row）n 列（column）元素排列成的矩形阵列 矩阵里的元素可以是数字、符号或数学式。以下是一个由 6 个数字元素构成的 2 行[详细]
-
NumPy 教程（第 19 章）：副本和视图
所属栏目：[大数据] 日期：2021-07-06 热度：151
副本是一个数据的完整的拷贝，如果我们对副本进行修改，它不会影响到原始数据，物理内存不在同一位置 视图是数据的一个别称或引用，通过该别称或引用亦便可访问、操作原有数据，但原有数据不会产生拷贝。如果我们对视图进行修改，它会影响到原始数据，物理内[详细]
-
NumPy 教程（第 18 章）：字节交换
所属栏目：[大数据] 日期：2021-07-06 热度：74
在几乎所有的机器上，多字节对象都被存储为连续的字节序列。字节顺序，是跨越多字节的程序对象的存储规则 大端模式：指数据的高字节保存在内存的低地址中，而数据的低字节保存在内存的高地址中，这样的存储模式有点儿类似于把数据当作字符串顺序处理：地址由[详细]
-
NumPy 教程（第 16 章）：统计函数
所属栏目：[大数据] 日期：2021-07-06 热度：170
NumPy 提供了很多统计函数，用于从数组中查找最小元素，最大元素，百分位标准差和方差等 numpy.amin() 用于计算数组中的元素沿指定轴的最小值 numpy.amax() 用于计算数组中的元素沿指定轴的最大值 示例： In [1]: import numpy as npIn [2]: num = np.array([详细]
-
NumPy 教程（第 15 章）：算术函数
所属栏目：[大数据] 日期：2021-07-06 热度：82
NumPy 算术函数包含简单的加减乘除: add()，subtract()，multiply() 和 divide() 需要注意的是数组必须具有相同的形状或符合数组广播规则 In [1]: import numpy as npIn [2]: x = np.arange(9,dtype = np.float_).reshape(3,3)In [3]: xOut[3]:array([[0.,1.[详细]
-
NumPy 教程（第 14 章）：数学函数
所属栏目：[大数据] 日期：2021-07-06 热度：178
NumPy 包含大量的各种数学运算的函数，包括三角函数，算术运算的函数，复数处理函数等 三角函数 NumPy 提供了标准的三角函数：sin()、cos()、tan() In [1]: import numpy as npIn [2]: data = np.array([0,30,45,60,90])In [3]: np.sin(data * np.pi / 180)O[详细]
-
NumPy 教程（第 12 章）：位运算
所属栏目：[大数据] 日期：2021-07-06 热度：190
NumPy bitwise_ 开头的函数是位运算函数 NumPy 位运算包括以下几个函数： bitwise_and 对数组元素执行位与操作 bitwise_or 对数组元素执行位或操作 invert 按位取反 left_shift 向左移动二进制表示的位 right_shift 向右移动二进制表示的位 也可以用 Python[详细]
-
NumPy 教程（第 11 章）：数组操作
所属栏目：[大数据] 日期：2021-07-06 热度：97
Numpy 中包含了一些函数用于处理数组，大概可分为以下几类： 修改数组形状 翻转数组 修改数组维度 连接数组 分割数组 数组元素的添加与删除 修改数组形状 reshape 不改变数据的条件下修改形状 flat 数组元素迭代器 flatten 返回一份数组拷贝，对拷贝所做的修[详细]
-
NumPy 教程（第 10 章）：数组迭代
所属栏目：[大数据] 日期：2021-07-06 热度：70
NumPy 迭代器对象 numpy.nditer 提供了一种灵活访问一个或者多个数组元素的方式，迭代器最基本的任务的可以完成对数组元素的访问 使用 arange() 函数创建一个 2X3 数组，并使用 nditer 对它进行迭代 In [1]: import numpy as npIn [2]: num = np.arange(6).r[详细]
-
NumPy 教程（第 8 章）： 高级索引
所属栏目：[大数据] 日期：2021-07-06 热度：59
整数数组索引 NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由 整数数组索引 、 布尔索引 及 花式索引 实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素 In [1]: import numpy as npIn [2]: num = np.array([[详细]
-
NumPy 教程（第 7 章）：切片和索引
所属栏目：[大数据] 日期：2021-07-06 热度：129
ndarray 对象中的元素遵循基于零的索引。 有三种可用的索引方法类型： 字段访问，基本切片和高级索引 ndarray 对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样 ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内[详细]
-
NumPy 教程（第 4 章）：创建空数组
所属栏目：[大数据] 日期：2021-07-06 热度：198
numpy.empty 创建指定形状和dtype的未初始化数组 numpy.empty(shape,dtype = float,order = 'C') Shape 空数组的形状，整数或整数元组 Dtype 所需的输出数组类型，可选 Order 'C’为按行的 C 风格数组，'F’为按列的 Fortran 风格数组 下面的代码展示空数组[详细]
-
NumPy 教程（第 6 章）： 从数值范围创建 Ndarray 数组
所属栏目：[大数据] 日期：2021-07-06 热度：116
numpy.arange 方法创建数值范围并返回 ndarray 对象 numpy.arange(start,stop,step,dtype) start 起始值，默认为 0 stop 终止值（不包含） step 步长，默认为 1 dtype 返回 ndarray 的数据类型，如果没有提供，则会使用输入数据的类型 arange 方法语法： In[详细]
-
NumPy 教程（第 3 章）：数组属性
所属栏目：[大数据] 日期：2021-07-06 热度：166
调整数组的数组大小和维度 ndarray.shape 返回一个包含数组维度的元组，也可以用于调整数组大小和维度 In [1]: import numpy as npIn [2]: num = np.array([[1,2,3],[4,5,6]])In [3]: numOut[3]:array([[1,6]])In [4]: num.shapeOut[4]: (2,3)In [5]: num.sh[详细]
-
NumPy 教程（第 2 章）：数据类型
所属栏目：[大数据] 日期：2021-07-06 热度：124
bool_存储为一个字节的布尔值(真或假) int_默认整数,相当于 C 的long,通常为int32或int64 intc相当于 C 的int,通常为int32或int64 intp用于索引的整数,相当于 C 的size_t,通常为int32或int64 int8字节(-128 ~ 127) int16 16 位整数(-32768 ~ 32767) int32 32[详细]
-
NumPy 教程（第 0 章）：简介和安装
所属栏目：[大数据] 日期：2021-07-06 热度：63
NumPy - 简介 NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。 Numeric，即 NumPy 的前身，是由 Jim Hugunin 开发的。 也开发了另一个包 Numarray ，它拥有一些额外的功能。 2005年，Travi[详细]
-
NumPy 教程（目录）
所属栏目：[大数据] 日期：2021-07-06 热度：60
NumPy 教程（第 0 章）：简介和安装 NumPy 教程（第 1 章）：Ndarray 对象 NumPy 教程（第 2 章）：数据类型 NumPy 教程（第 3 章）：数组属性 NumPy 教程（第 4 章）：创建空数组 NumPy 教程（第 5 章）：从已有的 Python 数组创建 Ndarray 数组 NumPy 教程[详细]
