Study - mongodb 之 聚合(2)

MongoDB BSON文档模型与模式自由设计原理 文档型数据库中的‘文档’并非传统文件,而是具备结构语义的数据活体单元;BSON作为MongoDB底层二进制数据格式,弥补了JSON在类型精度、二进制支持和扩展性上的根本缺陷,使文档成为可索引、可计算、可原子操作的原生数据实体。其设计支撑了延迟模式定义、嵌套建模、高效索引与聚合等核心能力,在电商、教育、IoT等高并发、多变Schema场景中展现出显著工程优势。理解BSON与文档模型的本质,是构建高性能、可演进NoSQL系统的前提。 阅读详情

累加器

累加器本来只能使用与 g r o u p 下 , 但 是 版 本 3.2 或 以 上 , 部 分 累 加 器 还 能 使 用 于 group下,但是版本3.2或以上,部分累加器还能使用于 group下,但是版本3.2或以上,部分累加器还能使用于project

  • 当在$group中使用时,累加器是针对每个分组使用的
  • 当在$project中使用时,累加器则是针对每个字面量起作用
常用累加器
操作符简述
$sum求和操作符,v3.2+可以用于 g r o u p 或 是 group或是 group或是project
$avg求均值操作符,v3.2+可以用于 g r o u p 或 是 group或是 group或是project
$first用于返回分组的第一个值,只能用于$group
$last用于返回分组的最后一个值,只能用于$group
$max用于返回分组的最大值,v3.2+可以用于 g r o u p 或 是 group或是 group或是project
$min用于返回分组的最小值,v3.2+可以用于 g r o u p 或 是 group或是 group或是project
  • $sum 求和操作符

    • 使用:

      • $group下使用:

        { $sum: <expression> }

      • $project下使用:

        { $sum: <expression> }
        or
        { $sum: [<expression1>, <expression2> … ] }

    • eg

      • 获取每门课的总分
    • 说明:

      值结果
      $sum : <field> }只含数字
      $sum : <field> }含数字和非数字
      $sum : <field> }非数字或不存在
  • $avg 求均值操作符

    • 使用:
      • $group下使用:
        { $avg: <expression> }
      • $project下使用:
        { $avg: <expression> }
        or
        { $avg: [<expression1>, <expression2> … ] }
    • eg
      • 获取每门课的平均分
  • $first 求第一值操作符

    • 使用:
      { $first: <expression>}
    • eg

  • $last 求最后值操作符

    • 使用:
      { $last: <expression> }
    • eg

  • $max 求最大值操作符

    • 使用:
      • $group下使用:

        { $max: <expression> }

      • $project下使用:

        { $max: <expression> }
        or
        { $max: [<expression1>, <expression2> … ] }

    • eg
      • 获取各科目的最高分
  • $min 求最小值操作符

    • 使用:
      • $group下使用:

        { $min: <expression> }

      • $project下使用:

        { $min: <expression> }
        or
        { $min: [<expression1>, <expression2> … ] }

    • eg
      • 获取各科目的最低分

表达式操作符

表达式操作符主要用于在管道中构建表达式时使用,使用类似于函数那样需要参数,主要用于$project操作符中,用于构建表达式

表达式操作符

AI智能体结构化研究规范Knows:从信息混乱到知识图谱的工程实践 在人工智能与自动化研究领域,如何将非结构化的信息输出转化为机器可读、人类可高效利用的结构化知识,是提升智能体协作效率和产出可靠性的核心挑战。这涉及到从传统的自然语言输出范式,向语义化、模块化的数据结构转变。其技术原理在于通过定义标准化的数据模式(如JSON Schema),强制AI模型按照预设的实体类型、关系和元数据来组织发现,从而实现知识的可组合性、可验证性与可追溯性。这一实践对于构建自动化研究流水线、竞争情报系统和多智能体协作网络具有重要价值,能直接将信息消化时间从小时级降至分钟级。本文聚焦的Knows 阅读详情

相关推荐

GitHub趋势榜热门项目解析:AI工程化、开发工具与开源替代

在软件开发领域,持续追踪技术前沿与高效工具是开发者提升生产力的关键。从技术原理上看,开源社区的活跃项目往往反映了当前工程实践的痛点与范式转变。其技术价值在于通过优化工作流、降低使用门槛来解决普遍存在的效率与成本问题,例如在人工智能工程化领域,模型微调与高效推理工具正推动AI能力平民化;在开发体验层面,现代构建工具与全栈框架致力于实现极致的性能与开发效率。这些趋势广泛应用于快速原型开发、云原生基础设施管理、以及企业级软件的开源替代等场景。本文聚焦于GitHub趋势榜中的热门项目,深入探讨了AI智能体开发框架、

318

【MongoDB】聚合、管道($group、$match、$project、$sort、$limit、$skip)、表达式($sum、$avg、$min、$man、$push)

1.聚合 聚合(aggregate)就是把管道合在一起操作,可以对每个阶段(stage)的管道进行分组、过滤等操作 聚合语法 db.集合名称.aggregate([ {管道名 : {表达式}}, {管道名 : {表达式}}, {管道名 : {表达式}}, ... ]) 准备测试数据 db.stu.insert([{"name" : "郭靖", "hometown" : "蒙古", "age" : 20, "gender" : true }, {"name" : "黄蓉", "hom

冰冷的希望的博客 4100

超参数调优实战:从原理陷阱到生产级调优流水线

超参数调优是机器学习模型落地的关键环节,本质是在精度、训练速度与部署鲁棒性之间动态权衡的工程实践。其核心原理并非暴力搜索,而是对高维非凸、非均匀、强耦合的超参空间建模——learning rate与weight decay的交互、batch size与warmup step的绑定、dropout与数据规模的非线性关系,共同决定了模型能否稳定收敛。技术价值体现在将F1提升0.05即可带来千万级业务收益,或使工业质检漏检率日均下降百件。典型应用场景覆盖金融风控、医疗影像分割、边缘端TinyML部署及推荐系统优化

diankui6178的博客 460

Study - MongoDB 浅析

是什么? 由C++语言编写的 是一个文档数据库 将数据存储为一个文档,数据结构由键值(key=>value)对组成 MongoDB 文档类似于 JSON 对象 字段值可以包含其他文档,数组及文档数组 MongoDB是一个NoSQL数据库系统: 一个数据库可以包含多个集合(Collection),每个集合对应于关系数据库中的表 而每个集合中可以存储一组由列标识的记录,列是可以自由...

LLLLLLLLLLe的博客 229

【信息科学与工程学】【数据中心】 第十五篇 智算中心DaaS数据消费场景02

智算中心DaaS数据共享场景的分级分类是一个复杂的系统工程,需要从技术、安全、合规、治理、运营等多个维度进行综合考虑。本分级分类体系为不同场景下的数据共享提供了详细的指导,包括安全分级、共享模式、技术架构、合规治理等方面。在实施数据共享平台时,应结合自身业务需求、技术能力和资源情况,选择适合的共享模式和实施路径。同时,要高度重视数据安全和隐私保护,采用先进的技术和管理手段,确保数据共享的安全可控。

weixin_49199313的博客 1万+

FPGA—ZYNQ_BD Block Design学习(一)

1.第一步:打开Vivado软件,创建或打开一个工程。2.第二步:在Block Design中添加arm核心,并将其配置为IP核。3.第三步:配置arm核心的外设信息,如DDR接口、时钟频率、UART接口等。4.第四步:完成Block Design中的模块互联,生成PL端的比特流。 5.第五步:导出PS端的硬件信息,包括arm IP核的外设、速度、引脚和地址等信息。1创建bd 需要有ddr以及uart和时钟配置外设io口,这里就是zynq的管脚规定好的,根据原理图用哪个个勾选哪一个。 对外设uart的配

m0_58129662的博客 1030

Study - mongodb 之 聚合

aggregate 一般查询可以通过find()方法,但如果是比较复杂的查询或者数据统计的话,find可能就无能为力了,这时也许你需要的是aggregate 什么是聚合管道? aggregation pipeline,直译为聚合管道,它可以对数据文档进行变换和组合 聚合管道是基于数据流概念,数据进入管道经过一个或多个stage,每个stage对数据进行操作(筛选,投射,分组,排序,限制或跳过...

LLLLLLLLLLe的博客 237

智能车学习日记【二】————十字和斜入十字

智能车学习日记【二】————十字和斜入十字 文章目录 智能车学习日记【二】————十字和斜入十字 前言 一、普通十字补线 二、斜入十字 1.判断是否为斜入十字和斜入十字类型 2.找斜入十字拐点 总结 前言 经过了一个多月的学习,小白的我终于也是能较稳定调出了2.8m以上的四轮车,过程中也遇到了很多困难,其中就有十字补线和斜入十字补线。尤其是斜入十字也是困扰了我快一周,现在和大家分享一下我处理斜入十字的方法(我的方法其实还有很多漏洞需要改进,仅供大家参考理解一下,欢迎各位在评论区指点出可

bsefef的博客 2744

MongoDB(三)之SpringBoot整合

MongoDB是一个基于分布式文件存储的数据库。由C++语言编写。旨在为WEB应用提供可扩展的高性能数据存储解决方案。MongoDB是一个介于关系数据库和非关系数据库之间的产品,是非关系数据库当中功能最丰富,最像关系数据库的,它支持的数据结构非常松散,是类似json的bson格式,因此可以存储比较复杂的数据类型。MongoDB最大的特点是它支持的查询语言非常强大,其语法有点类似于面向对象的查询语言,几乎可以实现类似关系数据库单表查询的绝大部分功能,而且还支持对数据建立索引。 03、配置文件 properti

PeterMrWang的博客 1286

转录因子详细介绍(motif)

转录因子详细介绍(motif) TF: transcription factor转录因子TFBS: transcription factor binding site转录因子结合位点TFBS是序列内的location,TF特异结合在这里,这个site有这种特点 1 和一些参考相关的一个位置(开始,结束,strand),这些reference可以是染色体开始,geneTSS。也可以是一段sequence 2 A SITE可以是实验证实的(已知的),也可以是一些算法(预测的) 3 例子,下面这个图是酵母

wangprince2017 3万+

Kettle下载与安装教程【保姆版】

Kettle简介 Kettle最早是一个开源的ETL工具,全称为KDE Extraction, Transportation, Transformation and Loading Environment。后来Kettle重命名为Pentaho Data Integration 。 它由Java开发,支持跨平台运行,其特性包括:支持100%无编码、拖拽方式开发ETL数据管道;可对接包括传统数据库、文件、大数据平台、接口、流数据等数据源;支持ETL数据管道加入机器学习算法。 主要功能 Pentaho D

weixin_43407520的博客 12万+

fluent study

入门 基于Fluentd实现日志聚合与分析 - I'm yunlong fluent · ELKstack 中文指南 使用Fluentd + MongoDB构建实时日志收集系统 - 茄子_2008 - 博客园 Fluentd (td-agent) 日志收集系统 - ...

176

多台树莓派(主机)通信

在做无人机实验时,有个任务需要 两台无人机 或 无人机与小车 进行通信。 由于我们飞机上用了树莓派,相当于一台电脑,索性选用Socket网络编程。 条件:树莓派、局域网(手机热点或路由器)。需要通信的两台树莓派接入同一个局域网。 如若现场没有网络,可将树莓派配置为无线路由器,发射wifi。网上很多教程,注意一点是树莓派需要先用网线接入路由器再配置。 发送数据: # -*- coding...

LNL_LNL的博客 7690

bestvike study 2--自学数据库(1)

数据类型用于指定特定所包含数据的规则,决定了数据保存在列里的方式,包括分配给列的宽度,以及值是否可以是字母、数字、日期和时间等。

qq_51186720的博客 909

Stata中介效应分析实战:从sgmediation安装到Sobel检验结果解读

本文提供了Stata中进行中介效应分析的完整实战指南,重点介绍了第三方命令sgmediation的安装、配置与使用。通过详细案例演示了如何运用Sobel检验分析变量间的间接效应,并深入解读检验结果,帮助研究者厘清自变量影响因变量的具体路径。文章还探讨了Sobel检验的原理、优缺点及结果报告规范,是进行实证研究的实用参考。

weixin_29197051的博客 632

AOI检测总误判?五大常见问题与实战解决方案

通过对图像质量、检测程序、外界干扰、算法优化以及设备维护和校准的全面把控,企业可以有效降低误判率,提升AOI检测的准确性和可靠性,为工业生产提供更有力的质量保障。表现描述:在AOI检测时,元器件字符因印刷颜色深浅、模糊或受到灰尘干扰等差异,再加上元件库参数未根据实际生产优化,会使系统误将合格元件判定为不合格,严重影响生产效益和产品质量。优化元件库:着重检测关键差异字符,如型号编码等关键信息,剔除不必要字符的检测项,减少干扰,专注于关键识别的准确性。检测时,根据物料信息动态更新检测参数,使系统适应物料变化。

ALeader_AOI的博客 3504

MongoDB向量搜索实战:从零搭建生产级语义检索系统

向量数据库是支撑RAG、智能搜索与推荐系统的核心基础设施。其本质是将高维嵌入向量(Embedding)通过近似最近邻(ANN)算法实现高效相似度检索,关键技术原理涵盖HNSW图索引、余弦相似度计算与混合查询融合。相比专用向量库,MongoDB凭借原生$vectorSearch聚合阶段、强一致事务支持及元数据联合过滤能力,在企业级场景中展现出显著的工程落地优势——尤其适合已使用MongoDB作为主库、追求低运维成本与快速迭代的团队。本文聚焦How to Store and Query Embeddings i

weixin_34292402的博客 344

顶刊论文引言用AI怎么写?借助Gemini 3 Pro结合四段式写出逻辑清晰的Introduction

写研究目标时,先明确研究问题,直接回应前文提到的研究缺口,如 “This study aims to investigate whether X modulates Y via the Z pathway in human cells.”然后再提出你的研究假设,当理论依据清晰时,可以用如 “We hypothesized that inhibiting X would rescue Y deficiency in this model.”的句子点出研究目标。要求:1)明确陈述本研究拟解决的核心科学问题;

智能AI让学术科研更容易 182

2024年大数据最全bestvike study 2--自学数据库(1),带你彻底弄明白

数据类型用于指定特定所包含数据的规则,决定了数据保存在列里的方式,包括分配给列的宽度,以及值是否可以是字母、数字、日期和时间等。

2401_84184638的博客 1048

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

2024年最全bestvike study 2--自学数据库(1),大数据开发开发必须会的技能

数据类型用于指定特定所包含数据的规则,决定了数据保存在列里的方式,包括分配给列的宽度,以及值是否可以是字母、数字、日期和时间等。

2401_84167046的博客 766

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

2024年大数据最全bestvike study 2--自学数据库(1)(1),2024年最新字节大数据开发高工面试

数据类型用于指定特定所包含数据的规则,决定了数据保存在列里的方式,包括分配给列的宽度,以及值是否可以是字母、数字、日期和时间等。

2301_82241942的博客 465

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python数据分析实战:学员学习进度统计与可视化全流程

数据分析是处理海量信息、提取业务价值的关键技术,其核心原理在于通过数据采集、清洗、聚合与建模,将原始数据转化为可操作的洞察。在Python生态中,Pandas库凭借其强大的DataFrame结构和向量化计算能力,成为数据清洗与聚合分析的首选工具,广泛应用于教育科技、用户行为分析等领域。结合Matplotlib进行可视化,可以直观呈现趋势与模式,为学情预警、个性化推荐等场景提供决策支持。本文以学员学习进度统计为具体案例,详细演示了如何使用Pandas进行数据聚合,并生成包含学习时长、任务完成度等多维度的结构化

cunfuxiao7305的博客 488

前端学 Java 课程笔记

面向前端开发人员:大量以前端概念类比

estrusKing的博客 232

JavaSE『学习笔记』

本教程以 JDK8 为主,新版本与新特性以介绍与使用为辅。

小哞^同^学的技术博客 1238
上一篇: Study - mongodb 之 聚合
下一篇: Study - ArangoDB (二)
OOOOOOh~
博客等级 码龄9年 92粉丝 80原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值