- 博客(45)
- 收藏
- 关注
RSS订阅原创 商品案例-组件封装(vue)
一、各组件作用分析1. 组件（通用表格组件）核心作用：提供一个结构灵活的表格容器，支持表头和表格内容的自定义，数据由父组件动态传入。模板部分：脚本部分：样式部分：核心作用：实现一个支持双击编辑、回车 / 失焦保存的标签组件，通过与父组件同步数据。模板部分： 脚本部分：样式部分：核心作用：整合和组件，实现一个带可编辑标签的商品表格页面。模板部分：脚本部分：样式部分：在使用 组件的父组件（比如你之前案例中的 ）中，通常会用 绑定一个数据，例如：这里的 是父组件中的数据（比如商品的标签值，如
2025-11-12 19:38:11
941
1
原创 小黑记账清单案例（axios，echarts，vue）
app二、自定义 CSS 样式（关键部分）@media.red!importantindex + 1totalPrice#maindatalistnamepricecomputedtotalPricereducelist2. 生命周期钩子（初始化）createdgetList()mountedGETlistv-forlistPOSTcreatornamepricegetList()idDELETEidgetList()五、整体流程总结createdgetList()POSTDELETE补充。
2025-11-05 18:34:01
1162
原创 vue 记事本案例详解
HTML 部分负责展示页面内容，并通过 Vue 指令与逻辑层的数据和方法绑定，实现 “数据驱动视图”。定义方法，实现对任务的添加、删除、清空等操作，是应用的 “大脑”。一、HTML 视图层：页面结构与交互绑定。方法是实现交互逻辑的核心，通过修改。二、Vue 逻辑层：数据与方法（1. Vue 实例初始化。4. 统计与清空区域（），驱动视图自动更新。3. 任务列表区域（
2025-11-01 17:31:30
728
原创 Pandas Excel 文件作
Pandas 的 Excel 操作是数据分析的核心技能，能帮你高效处理表格数据。核心结论：Pandas 通过 4 个核心方法 / 类实现 Excel 文件的读取、写入、多表单管理，支持.xls 和.xlsx 格式，满足从简单读取到复杂写入的各类需求。适合需要多次访问同一 Excel 的多个表单，避免重复打开文件，提升效率。支持更复杂的写入需求，比如设置日期格式、追加数据、替换表单等。关键参数（常用核心参数）关键参数（补充核心参数）
2025-10-31 08:00:00
1088
原创 力扣9. 回文数
作用：覆盖 “偶数位” 和 “奇数位” 两种情况，判断前半部分与反转的后半部分是否对称。从左向右读, 为 -121。从右向左读, 为 121-。因此它不是一个回文数。回文数是指正序（从左向右）和倒序（从右向左）读都是一样的整数。从右向左读, 为 01。，再与前半部分比较，避免字符串的额外空间开销。2：排除特殊情况（提前过滤非回文数）3：初始化变量存储反转的后半部分。4：反转数字的后半部分（核心循环）：确保只反转 “后半部分”（当。时，说明已反转到中间位置）。5. 判断是否为回文数。
2025-10-31 08:00:00
686
原创 Vue简介与实例
下图展示了实例的生命周期。你不需要立马弄明白所有的东西，不过随着你的不断学习和使用，它的参考价值会越来越高。Vue 应用的入口是 Vue 实例（根实例），所有组件本质都是 Vue 实例，通过选项对象配置行为。Vue 是渐进式视图层框架，支持自底向上逐层应用，既适用于简单页面，也能驱动复杂单页应用。实例初始化过程中触发的函数，允许在不同阶段插入自定义逻辑，
2025-10-30 17:55:32
784
原创 力扣1. 两数之和
因为 nums[0] + nums[1] == 9 ，返回 [0, 1]。你可以假设每种输入只会对应一个答案，并且你不能使用两次相同的元素。整数，并返回它们的数组下标。你可以想出一个时间复杂度小于。你可以按任意顺序返回答案。8. 兜底返回（语法兼容），请你在该数组中找出。4. 计算 “补数”
2025-10-30 16:16:58
933
原创 Pandas CSV 文件
CSV（逗号分隔值）是纯文本格式，用于存储表格数据，兼容性强、体积小，广泛应用于数据交换。Pandas 对其提供了极简的处理方案，无需手动解析字符。：将 CSV 文件数据加载为 DataFrame 格式，支持灵活的参数配置以适配不同格式的 CSV。核心作用：将 DataFrame 数据保存为 CSV 文件，支持筛选列、控制索引、追加写入等功能。这个需求很实用，Pandas 处理 CSV 是数据分析的基础操作！核心结论：Pandas 通过。1.基础读取（默认配置）：读取 CSV 文件。：写入 CSV 文件。
2025-10-30 08:00:00
669
原创 Pandas DataFrame 全面用法指南
DataFrame 是 Pandas 核心二维数据结构，类似 Excel 表格或 SQL 数据表，支持多种数据类型、灵活索引及丰富的数据处理操作，是数据分析的核心工具。四、常用属性（快速查看数据信息）六、常用方法汇总（核心功能速查）4. Series 组合创建。三、构造函数参数（表格汇总）二、构造方法（含代码示例）3. NumPy 数组创建。五、核心操作（含代码示例）3. 缺失值与重复值处理。
2025-10-29 15:32:22
1061
原创 Pandas Series讲解
这个需求特别实用，Series 作为 Pandas 的核心基础，搞懂它能快速入门数据分析！核心结论：Series 是 Pandas 中。
2025-10-28 08:00:00
1054
原创 pandas简介
Pandas 是 Python 开源数据分析库，核心数据结构为 Series（一维）和 DataFrame（二维），专注结构化数据的导入、清洗、分析与导出，是数据科学领域的核心工具。Pandas 的核心能力依赖两种基础数据结构，覆盖一维到二维数据场景。Pandas 的功能覆盖数据处理全流程，以下是高频核心功能及关键参数。2. DataFrame（二维数据结构）1. Series（一维数据结构）二、核心功能（含参数表格）1. 数据读取与导出。
2025-10-27 20:50:37
902
原创 NumPy 与 Matplotlib 使用教程
Matplotlib 是 Python 主流绘图库，可与 NumPy 无缝配合（NumPy 负责生成 / 处理数据，Matplotlib 负责可视化），提供开源的 MatLab 替代方案，还支持 PyQt、wxPython 等图形工具包。本文基于菜鸟教程内容，详细讲解其安装、基础用法、核心功能及常见图表实现。一、Matplotlib 安装1. 主流安装方式不同操作系统的安装命令如下，推荐使用）提升下载速度：操作系统 / 环境安装命令说明2. 安装验证二、基础绘图：线性图实例。
2025-10-23 21:06:08
1421
原创 NumPy IO
1. 创建 4 行 5 列的浮点数组（0 到 9.5，步长 0.5）# 2. 保存：指定逗号分隔，存为整数（fmt="%d"）# 3. 读取：必须匹配保存时的分隔符print("读取后数组：\n", loaded_arr)
2025-10-21 08:00:00
654
原创 c++结构体讲解
结构体是 C++ 中组织关联数据的重要工具，通过将变量和操作函数封装在一起，使代码更清晰、逻辑更紧凑。它与类（class）的核心功能类似，主要差异在于默认访问权限（struct默认publicclass默认private），实际开发中可根据需求选择使用。示例二详解：在这个成员函数中，是一个函数参数，它的作用和可传入的数据类型可以从两方面理解：1. 可以传入什么数据？double是 C++ 中的双精度浮点数类型，因此newScoredouble类型的字面量（带小数点的数值）：比如95.088.5。
2025-10-20 19:38:14
868
原创 NumPy 线性代数库（linalg）全面讲解
a = np.array([[1, 2], [3, 4]]) # 最后一轴（axis=1）为 [1,2] 和 [3,4]b = np.array([[11, 12], [13, 14]]) # 最后一轴为 [11,12] 和 [13,14]输出[[35 41][81 95]]计算逻辑（第一行第一列）；（第一行第二列）；（第二行第一列）；（第二行第二列）。4.：标准矩阵积（推荐用于矩阵运算）作用专门用于矩阵乘法，行为更符合线性代数中 “矩阵积” 的定义，是多维矩阵运算的首选函数，与dot。
2025-10-11 08:00:00
1019
原创 NumPy 矩阵库（numpy.matlib）用法与作用详解
NumPy 的模块是专门用于的工具库，其核心特点是：函数返回的是matrix（矩阵）类型对象，而非 NumPy 默认的ndarray（n 维数组）。矩阵本质是（行数 × 列数），更适合线性代数运算；而ndarray支持 n 维数据，默认是元素级运算，二者可互换但用途不同。矩阵转置是将矩阵的。
2025-10-10 18:00:00
1595
原创 NumPy 副本与视图详解
在 NumPy 中，数组的和是处理数据时的核心概念，二者的本质区别在于，这直接决定了修改操作对原始数据的影响。下面将结合实例，从无复制、视图（浅拷贝）、副本（深拷贝）三个维度，详细讲解其定义、代码实现、作用及用法。一、核心概念总览在正式讲解前，先通过表格明确三者的核心差异：类型物理内存共享数组对象 ID 是否相同修改影响（改数据 / 改形状）本质id()函数用于获取 Python 对象的唯一标识符，可理解为 “内存地址标签”，相同 ID 表示同一对象。二、无复制：简单赋值，共享全部内存。
2025-10-09 19:49:07
1064
原创 NumPy 字节交换（Byte Swapping）完全指南
函数是解决这一问题的核心工具，本文将结合官方示例，详细讲解字节交换的概念、函数用法及实践场景。在跨设备数据传输或读取二进制文件时，字节顺序不匹配会导致数据解析错误。结合官方示例，逐行拆解字节交换的过程，理解数据变化的本质。字节交换是解决跨设备数据一致性的关键操作，NumPy 的。是 NumPy 中用于字节交换的实例方法，可对数组中。：直接修改原数组（不创建新数组，节省内存））无意义（仅 1 个字节，交换前后一致）。）在内存中以连续字节存储，但不同设备的。：不修改原数组，返回一个字节交换后的。
2025-10-01 08:00:00
591
原创 NumPy 排序与条件筛选函数全解析
NumPy 提供了一套高效的排序和条件筛选工具，覆盖从基础数组排序到复杂多维度筛选的需求。本文基于内容，系统讲解核心函数的，并补充关键细节与应用场景，重要功能通过图表直观呈现。一、排序算法基础：三种核心算法对比NumPy 的排序函数（如）支持指定排序算法，不同算法在速度、稳定性等维度差异显著，选择需结合场景。排序算法（kind 参数值）工作空间需求稳定性（相等元素相对位置不变）（快速排序）（归并排序）'heapsort'（堆排序）
2025-09-30 08:00:00
761
原创 NumPy 统计函数详解
NumPy 提供了一系列高效的统计函数，用于快速分析数组中的数据特征，如极值、离散程度、集中趋势等。这些函数支持多维数组运算，并可通过指定轴、权重等参数实现灵活的统计分析。：分别计算数组中元素沿指定轴的最小值和最大值，未指定轴时返回整个数组的极值。，即第 50 百分位数，是反映数据集中趋势的稳健指标（不受极端值影响）。，反映数据相对于平均值的分散程度。，即所有元素的总和除以元素个数，是最常用的集中趋势指标。，即最大值与最小值的差值，反映数据的极端波动范围。，即标准差的平方，同样用于衡量数据的离散程度。
2025-09-29 08:00:00
898
原创 NumPy 算术函数详解
NumPy 提供了一系列高效的，核心优势在于支持（无需手动编写循环），且能处理符合「数组广播规则」的不同形状数组，大幅提升数据处理效率。以下将详细讲解常用算术函数的用法、作用及实例。一、核心前提：数组形状要求二、基础四则运算函数包含add()（加）、subtract()（减）、multiply()（乘）、divide()（除），分别对应元素级的四则运算。1. 函数说明2. 实例演示三、其他重要算术函数除基础运算外，NumPy 还提供了倒数、幂运算、取余等高频函数。1.：求元素级倒数。
2025-09-28 08:00:00
794
原创 NumPy 数学函数详解
NumPy 作为 Python 科学计算的核心库，提供了丰富的数学运算函数，覆盖三角函数、舍入函数等多个类别，且支持数组级别的元素操作，效率远高于 Python 原生函数。本文基于内容，结合实例详细讲解核心函数的用法与作用，并补充关键注意事项。一、三角函数NumPy 提供了标准的三角函数及反三角函数，，若需处理角度值，需先转换为弧度（转换公式：弧度 = 角度 × π/180）。1. 基本三角函数：sin ()、cos ()、tan ()
2025-09-27 08:00:00
763
原创 NumPy 字符串函数详解
NumPy 提供了一套专门用于字符串操作的函数，这些函数封装在numpy.char模块中，专门针对dtype为或的数组执行。与 Python 内置字符串函数相比，其核心优势在于支持批量处理数组中的所有字符串元素，无需手动编写循环，大幅提升了处理效率。一、NumPy 字符串函数概览下表汇总了numpy.char\n\r\r\n二、核心函数用法详解以下函数均需先导入 NumPy 库（），实例包含代码、输出及关键说明。1.：字符串连接：逐个对应连接两个数组中的字符串元素（支持单个字符串或同形状数组）。
2025-09-26 08:00:00
761
原创 NumPy 位运算详解
位运算是直接对二进制数字的进行操作的运算方式，不依赖数字的整体十进制值。NumPy 提供了一套高效的位运算工具，支持对数组元素进行，性能远超 Python 原生位运算（尤其处理大规模数据时），广泛应用于底层数据优化、状态标志处理、数据压缩等场景。一、核心概念与优势NumPy 位运算函数均以bitwise_开头，同时支持与 Python 原生位运算符对应的简写形式。二、NumPy 位运算核心函数与运算符总览下表完整梳理了 NumPy 中所有位运算的函数、对应运算符及核心功能：操作类型。
2025-09-25 08:00:00
1533
原创 引用作为函数传参(c++)
修改后的代码通过引用传递在中修改外部变量c的值，统计目标元素的个数；在中高效操作结构体对象，避免不必要的拷贝。引用作为函数参数是 C++ 中优化参数传递、实现数据交互的重要手段，既解决了值传递无法修改实参的问题，又比指针更安全、简洁。
2025-09-24 20:32:37
519
原创 NumPy 数组操作全解析
总结NumPy 是 Python 科学计算的核心库，其数组（ndarray）的灵活操作是数据处理、机器学习等领域的基础。本文基于，按拆解函数用法，补充关键细节与对比分析，帮助高效掌握数组变形、组合、拆分等核心能力。一、修改数组形状此类函数用于在的前提下，调整数组的维度（如 1D→2D、2D→3D），核心是保证 “新形状的元素总数 = 原数组元素总数”。函数 / 属性核心作用语法 / 调用方式arr.flatreshape关键参数arrnewshape(4,2)-1(2,4)order'C'
2025-09-24 08:00:00
1293
原创 NumPy 数组迭代详解
的数组元素访问方式，可适配内存布局、控制遍历顺序、支持元素修改与广播迭代。，符合 C-order（行优先），与数组在内存中的存储顺序完全一致（内存中数组按。遍历（即先遍历完一行，再进入下一行），这与数组在内存中的默认存储顺序一致。会创建新数组，按 C-order 重新排列内存。在 NumPy 中，多维数组的遍历是高频操作。3.1 实例：对比 C-order 与 F-order 遍历。可同时迭代它们，自动将小数组广播为与大数组长宽一致的形状。3. 控制遍历顺序：C-order 与 F-order。
2025-09-23 14:59:56
1098
原创 内存释放机制以及栈和堆（c++）
内存释放机制内存释放机制代码演示ptrptrdelete ptrptrNULLnullptrnewdeletenew[]delete[]nullptrnewfree()new[]delete补充内存泄漏1.内存泄漏会导致程序持续占用动态分配但未释放的内存，随着运行时间增长，可用内存会逐渐减少。当系统物理内存不足时，操作系统会启用虚拟内存（如磁盘交换区），而虚拟内存的读写速度远低于物理内存，会导致程序运行卡顿、响应缓慢，甚至出现 “假死” 现象。2.
2025-09-22 19:28:57
741
原创 NumPy 广播（Broadcast）完全指南
一、什么是 NumPy 广播？广播（Broadcast）是 NumPy 核心特性之一，指。在 NumPy 中，数组的算术运算（加、减、乘、除等）默认基于「对应元素」执行，当两个数组形状不同时，广播机制会自动调整数组的「逻辑形状」（非实际复制数据），使其满足运算条件，从而避免手动扩展数组的繁琐操作。二、广播的核心作用np.tile()三、广播的基础用法广播的使用场景可分为「同形状数组运算」和「不同形状数组运算」两类，前者是后者的基础。1. 同形状数组：直接元素级运算。
2025-09-21 08:00:00
847
原创 NumPy 高级索引详解
NumPy 作为 Python 科学计算的核心库，提供了远超基础 Python 序列的索引能力。除了整数和切片等基础索引方式外，通过整数数组、布尔数组或其他序列实现对数组元素的灵活访问与操作，可精准定位任意元素并完成复杂的数据处理任务。本文将详细解析高级索引的三类核心用法：整数数组索引、布尔索引和花式索引。一、整数数组索引整数数组索引是通过一个或多个整数数组作为索引，提取目标数组中指定维度下标的元素。其核心逻辑是：索引数组中的每个元素对应目标数组某一维度的位置，多维度索引需保证各维度索引数组形状一致。
2025-09-20 08:00:00
1064
原创 区间调度问题(c++)
从给定的多个区间中，选择最多数量的不重叠区间。（主要来自排序），高效解决了区间调度问题，符合题目中 “最多 100 个区间” 的规模要求。输入:反复输入一个n，代表有n个区间，然后输入n个区间。输出:输出选择最多的区间数，保证所有的区间都不重叠。1. 结构体与比较函数定义。（3）贪心选择不重叠区间。这段代码解决的是经典的。
2025-09-19 18:00:00
374
原创 NumPy 切片和索引
的切片操作一致，但针对多维数组做了功能扩展。以下结合具体实例，详解其语法、用法及作用。，使「选择元组的长度与数组维度一致」。是切片操作的基础，以下通过实例演示不同参数组合的效果。多维数组（如二维、三维）的切片逻辑与一维一致，核心是。再切第 1 轴，即列）。控制行和列的切割范围（逗号分隔不同轴的参数）。，切割两个索引之间的元素（不含终止索引）。，切割两个索引之间的元素（不含终止索引）。2. 冒号的灵活用法（参数省略），参数可省略（默认值见下表）。，返回该索引对应的单个元素。，从起始索引切割至数组末尾。
2025-09-19 08:00:00
500
原创 C++ 指针深度解析：从基础到进阶核心概念
（先看arr-name[size]确定是数组，再看(*)[arr-size]确定元素是数组指针）。本文在基础指针知识之上，补充指针数组、函数指针等关键进阶概念，系统覆盖指针的定义、操作、进阶特性及实际应用。指针是存储 “其他变量内存地址” 的特殊变量，普通变量存数据，指针变量存 “数据的位置”。数组指针是指针，专门指向一个 “固定长度、固定基类型” 的数组。三、新增进阶概念：指针与数组、函数的深度结合。1. 指针数组：“存储指针的数组”。5. 函数指针：“指向函数的指针”。
2025-09-18 18:00:00
1076
原创 NumPy 从数值范围创建数组
1. 概述本章核心内容：通过 NumPy 提供的三个专用函数，从数值范围直接生成ndarray2.1 函数格式功能：根据start（起始值）、stop（终止值）、step（步长）生成ndarraystop。2.2 参数说明参数描述0stop1ndarray2.3 实例解析。
2025-09-18 08:00:00
735
1
原创 发工资题目（c++）
这段代码的核心逻辑是利用贪心算法计算单金额的最少纸币张数，再累加多金额的总张数，适用于快速计算固定面额组合下的纸币使用量。输入:反复输入一个整数n(n<100)，表示老师的人数，然后是n个老师的工资。n-0表示输入的结束，不做处理。如果每个老师的工资额都知道，最少需要准备多少张人民币，才能在给每位老师发工资的时候都不用老师找零呢?这里假设老师的工资都是正整数，单位元，人民币一共有100元、50元、10元、5元、2元和1元六种。输出:输出一个整数x，表示至少需要准备的人民币张数。所需的最少纸币张数，采用。
2025-09-17 18:00:00
209
原创 NumPy 从已有的数组创建数组
1. numpy.asarray 函数：基于已有数据创建 ndarray1.1 函数核心作用类似，用于将列表、元组等非数组数据或已有数组转换为 NumPy 的ndarray对象，参数数量比少 2 个，核心是 “根据输入数据生成数组”。1.2 函数语法与参数说明参数描述"C""F"1.3 代码实例与详细解释。
2025-09-17 08:00:00
728
原创 判断素数（c++）
问题描述：对于表达式，当n在(x,y)范围内取整数值时（包括x,y），判定该表达式的值是否都为素数。输入：多组数据，每组包含两个整数x,y，当x=0且y=0时表示输入结束。输出：若范围内所有表达式值都是素数输出"OK"，否则输出"Sorry"3. 套用表达式并判断。2. 定义数值并输入。
2025-09-16 18:00:00
225
原创 NumPy 创建数组
ndarray 数组除了可以使用底层 ndarray 构造器来创建外，也可以通过以下几种方式来创建。4. numpy.zeros_like：创建与给定数组同形状的全 0 数组。5. numpy.ones_like：创建与给定数组同形状的全 1 数组。该方法用于生成指定形状和数据类型的数组，但数组元素为。生成指定形状和数据类型的数组，所有元素均填充为。生成指定形状和数据类型的数组，所有元素均填充为。逻辑一致，基于已有数组的形状生成全 1 数组。生成全 0 数组，无需手动指定。，是初始化数组的常用方法。
2025-09-16 08:00:00
335
原创 NumPy 数组属性
NumPy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。在 NumPy中，每一个线性的数组称为是一个（axis），也就是维度比如说，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（axis），第一个轴相当于是，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。很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；
2025-09-15 18:30:49
791
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人