- 博客(72)
- 收藏
- 关注
RSS订阅原创 如何实现带历史记录功能的控制台2048游戏
2048是一款经典的单人益智游戏，玩家通过合并相同的方块以达成目标分数（2048）。本文将介绍如何在原版 Python 控制台2048游戏的基础上增加游戏历史记录功能，使玩家能够保存每一局的游戏记录、恢复未完成的游戏，并查看历史分数和状态。通过这篇文章，你将学会如何通过文件管理来持久化游戏数据，保存每一局游戏的操作步骤、网格状态、得分等信息，并且在需要时恢复游戏状态
2025-11-15 18:48:07
953
原创 Python 实现：从数学模型到完整控制台版《2048》游戏
本文将带你从数学建模角度完整解析《2048》游戏的设计逻辑，结合 Python 实现代码，逐步还原游戏从状态表示、移动合并、胜负判断到控制循环的全过程。
2025-11-08 22:18:07
1229
原创 Pillow 基础图像操作与数据预处理
图像的读取、显示、保存、裁剪、旋转与缩放，是所有高级图像分析任务的基础。这些看似简单的操作，实际上构成了特征提取、图像增强、以及机器学习模型输入准备的核心步骤。只有从最初的像素数据开始，理解图像在计算机中的表达方式，才能真正掌握数据分析与建模中的“图像底层逻辑”。在图像分析和机器学习任务中，数据预处理的质量往往决定了最终结果的好坏。通过科学的预处理手段，可以有效提升输入数据的均衡性与鲁棒性，从而提高模型的泛化能力。本篇文章将带你系统掌握 Pillow 的基础图像操作与数据预处理技巧，从文件读取到数据转化
2025-10-15 02:26:48
1391
原创 掌握SciPy统计模块：概率分布、参数估计与假设检验
SciPy 的 scipy.stats 模块为研究者提供了从概率分布建模、描述性统计分析到假设检验与参数估计的完整功能体系。本文将从数学原理出发，通过具体的 Python 实例与可视化展示，系统解析 scipy.stats 的核心功能模块，帮助读者在科研与工程应用中建立严谨的数据分析思维。
2025-10-13 02:28:33
1642
原创 SciPy 信号处理解析：滤波、时频分析与噪声去除
在科学计算、工程信号、语音识别与通信等领域，信号处理是理解和分析时间序列数据的核心方法。Python 的 SciPy 提供了功能强大的信号处理模块 scipy.signal，能够实现卷积、滤波、时频分析、系统建模等多种操作，为科研与工程应用提供高效工具。
2025-10-11 23:53:25
957
3
原创 掌握SciPy优化：函数最小化、约束优化与全局策略
在科学计算、数据分析、工程优化、机器学习等领域，优化（Optimization）是核心工具之一。无论是寻找函数最小值、求解方程组，还是资源分配问题，都离不开优化算法。Python 的SciPy库提供了强大而灵活的优化模块——`scipy.optimize`，可以应对从简单到复杂、从局部到全局的各种优化问题。本文将从基础概念、公式原理、Python实现、可视化展示到进阶技巧，系统讲解 SciPy 优化模块的使用方法。
2025-10-11 03:05:22
931
原创 SciPy 空间数据模块： 从数学原理到可视化理解
本文系统介绍了 SciPy 的空间数据模块 scipy.spatial，从距离度量、空间树结构到几何构造全面解析其数学原理与实现方法。通过欧氏距离、KDTree、ConvexHull、Delaunay 与 Voronoi 等实例，结合公式推导与可视化展示，揭示了点集在空间中的结构关系与计算逻辑。本文旨在帮助读者理解 scipy.spatial 在空间分析、聚类、机器学习与几何建模中的应用价值。
2025-10-10 02:33:37
558
原创 SciPy傅里叶变换与信号处理教程：数学原理与Python实现
傅里叶变换（Fourier Transform）是信号处理、科学计算和数据分析中最为核心的数学工具之一。它通过将信号从时域（time domain）转换至频域（frequency domain），揭示出信号内部所包含的周期成分和频率特征。在实际工程中，无论是语音信号处理、图像分析，还是物理实验数据的频谱分析，傅里叶变换都是理解与操作信号的关键手段。本文将系统介绍傅里叶变换的基本概念与数学原理，并结合 SciPy 库展示其在 Python 中的具体实现。内容涵盖离散傅里叶变换（DFT）及快速算法 FFT、
2025-10-09 04:12:19
1174
原创 15. Pandas 综合实战案例（零售数据分析）
本文以零售业务为例，完整展示 Pandas 在数据导入、清洗、汇总分析与可视化中的综合应用。从原始数据到分析洞察，帮助读者掌握一条清晰、系统的数据分析流程，提升从“看懂数据”到“用好数据”的实战能力。
2025-10-08 13:00:00
731
原创 14. Pandas 与 Matplotlib 可视化
在数据分析过程中，图形化展示是理解数据结构与变化趋势的重要手段。Pandas 提供了简洁的可视化接口，而 Matplotlib 则能实现更高自由度的定制。两者结合，可快速生成高质量的统计图表，用于探索性分析与结果展示。本文将通过示例讲解如何利用 Pandas 与 Matplotlib 绘制折线图、柱状图、饼图与散点图等常见图表。
2025-10-08 10:00:00
500
原创 13. Pandas 透视表与交叉表分析
在数据分析中，我们常常需要对数据进行多维汇总与分类统计，以发现趋势、比较差异或生成业务报表。Pandas 提供的 `pivot_table`（透视表）与 `crosstab`（交叉表）函数，正是实现这一目标的高效工具。透视表更灵活，支持多层聚合与缺失值处理，而交叉表则更适合做类别变量之间的统计分析。
2025-10-07 15:54:15
1113
原创 12. Pandas 数据合并与拼接（concat 与 merge）
在数据分析中，常常需要将来自不同来源或不同维度的数据整合在一起。Pandas 提供了两种强大的数据合并工具：concat 和 merge。前者更适合在行或列方向上拼接 DataFrame，而后者则更接近 SQL 的表连接操作，支持多键匹配与多种连接方式。掌握它们的使用方法，是进行数据清洗与整合分析的关键步骤。
2025-10-07 15:31:58
453
原创 11. Pandas 数据分类与区间分组（cut 与 qcut）
在数据分析中，我们常常需要将连续型变量划分为若干区间，从而对数据进行离散化、分层统计或可视化展示。Pandas 提供了两种常用方法：cut（等宽分组）和 qcut（等频分组）。它们能帮助我们快速地将连续数值数据转化为类别变量，为后续的趋势分析、分层汇总和建模提供有力支持。
2025-10-06 22:28:00
606
1
原创 从原图到线图再到反推：网络图几何与拓扑的结合分析
在网络科学与图论应用中，原始图 (G) 与其 线图 (L(G)) 的关系是一个非常经典的课题。通过线图，我们能够将“边”提升为“节点”，进而从另一种视角来观察图的结构与性质。在本文中，我们不仅展示如何从原图构造线图，还会结合几何计算与优化方法，探讨如何利用线图和几何约束反推出原图的空间嵌入。
2025-10-06 22:20:38
976
原创 10. Pandas 分组与聚合分析（groupby）
在数据分析中，我们常常需要对数据进行分类统计、汇总计算或分组比较，例如：按地区计算销售额、按部门求平均工资、或根据多条件筛选群体特征等。 在 Pandas 中，`groupby` 是实现这些操作的核心工具。它能够高效地将数据按一个或多个条件分组，再进行聚合、变换或筛选，是探索性分析与报表生成中不可或缺的利器。
2025-10-05 22:59:37
425
原创 9. Pandas 数据统计与汇总分析
在数据分析的早期阶段，我们往往需要快速了解数据的整体特征，例如：均值、方差、频次分布、变量之间的相关性等。 Pandas 提供了丰富而高效的统计与汇总分析函数，可以帮助我们从原始数据中提炼出核心信息，为后续的建模与决策提供依据。本文将系统讲解这些方法的使用与意义。
2025-10-05 22:22:15
955
原创 8. Pandas 日期与时间序列数据处理
时间序列数据广泛应用于 金融交易、销售分析、交通流量、气象研究 等领域。Pandas 提供了强大的日期与时间处理能力，包括日期类型转换、日期属性提取、时间索引设置、重采样与滚动计算等功能。本文通过实例演示这些操作，帮助你快速掌握时间序列分析的基础技能。
2025-10-04 23:31:36
571
原创 7. Pandas 字符串与类别数据处理
本文将介绍 Pandas 中字符串与类别数据的处理方法，涵盖字符串操作（大小写转换、替换、分割、匹配与查找等）以及类别变量的类型转换与优化。通过示例展示如何在 数据清洗、统计分析与特征工程 中高效处理文本和离散型数据，为后续建模与可视化打下基础。
2025-10-04 23:16:44
431
原创 6. Pandas 数据排序与排名
在数据分析中，排序与排名是基础而关键的操作。Pandas 提供了高效方法，包括按列或索引排序 (sort_values、sort_index) 以及数值排名 (rank)。掌握这些操作可以快速提取关键信息、生成报表、判断趋势。本文通过实例演示常用排序与排名技巧。
2025-10-03 22:55:59
405
原创 5. Pandas 缺失值与异常值处理
在数据分析中，缺失值与异常值是常见问题。如果不处理，可能导致分析结果偏差或模型性能下降。本篇文章系统介绍 Pandas 中缺失值与异常值的检查与处理方法，包括检测、删除、填充以及简单的异常值处理技巧，为数据清洗和建模提供可靠基础。
2025-10-03 22:39:14
647
原创 4. Pandas 数据选择、查询与修改
在数据分析过程中，数据选择与修改是最常见、最基础的操作之一。无论是从庞大的数据集中筛选出所需部分，还是对列进行新增、修改、删除，这些操作都直接影响后续的数据清洗与分析效率。本文将详细介绍 条件过滤、布尔索引、多条件查询 以及 新增、修改、删除列 的方法，并通过实例演示，帮助你快速掌握 Pandas 的核心数据处理技巧。
2025-10-02 22:46:41
438
原创 SciPy 稀疏矩阵详解：从理论基础到高效应用
在科学计算和大规模数据处理中，矩阵运算无处不在。然而，现实中很多矩阵元素大多为零，这类矩阵称为稀疏矩阵（Sparse Matrix）。如果直接使用普通二维数组来存储稀疏矩阵，会造成内存浪费和计算效率低下。SciPy 库提供了强大的 稀疏矩阵工具，通过高效的数据结构和算法，大幅提升了大规模运算的性能。
2025-10-01 01:31:26
1667
原创 从协方差矩阵到降维可视化：PCA 的数学原理与应用
这篇文章系统介绍了主成分分析（PCA）的原理与实践。首先讲解了 PCA 的数学基础，包括数据中心化、协方差矩阵与特征值分解；然后展示了如何使用 scikit-learn 对鸢尾花数据集进行 PCA 降维、可视化协方差矩阵、特征值、二维投影及累计解释方差；最后总结了 PCA 在高维可视化、数据压缩、去噪和特征提取等场景的应用，为理解和实践线性降维提供了完整指导。
2025-09-30 00:37:58
1427
原创 3. Pandas 文件读写与数据导入导出
本文介绍 Pandas 中的文件读写与数据导入导出方法，包括 CSV、Excel 和 JSON 等常见格式。详细讲解读取文件的参数、保存数据的方法，以及处理常见文件读写问题的技巧。通过示例演示如何快速将外部数据导入 Pandas，并将处理结果导出保存，为数据分析工作提供完整流程支持。
2025-09-30 00:31:04
922
原创 2. Pandas 核心数据结构：Series 与 DataFrame
本文深入讲解 Pandas 的核心数据结构：Series 和 DataFrame。通过创建、索引和切片示例，展示数据操作的基本方法。重点介绍行列访问方式（loc 与 iloc）的使用，为后续数据清洗与分析打下基础，让初学者快速掌握 Pandas 数据处理核心技巧。
2025-09-29 02:35:13
550
原创 1. Pandas 环境配置与快速上手
本文介绍 Pandas 的基本概念与安装方法，讲解环境配置技巧，包括显示设置和精度控制，并阐述 Pandas 与 NumPy 的关系。通过实例创建第一个 DataFrame，帮助初学者快速上手数据分析，为后续深入使用 Pandas 打下基础。
2025-09-29 02:32:56
585
原创 Python SciPy 插值方法详解：数学原理与可视化案例
在科学计算与数据分析中，插值（Interpolation）是一类重要的工具，用来在已知数据点之间推测未知点的函数值。SciPy 提供了丰富的插值函数接口，可以轻松实现从一维到多维的插值运算。本文将结合数学公式、SciPy 函数与 Python 可视化案例，系统梳理常见插值方法。
2025-09-28 01:47:38
779
原创 heapq（堆队列）
heapq 是 Python 标准库中的一个模块，提供了堆操作的相关函数。堆是一种特殊的数据结构，它是一个完全二叉树，其中每个节点的值都小于等于（或大于等于）其子节点的值。Python 的 heapq 模块提供了一些函数，可以通过堆来实现优先队列、排序等功能。
2025-09-28 01:34:58
1167
原创 基于 SciPy 的矩阵运算与线性代数应用详解
在科学计算中，矩阵与线性代数是非常核心的工具。SciPy 提供了功能强大且高效的 scipy.linalg 模块，它建立在优化后的 BLAS 与 LAPACK 库之上。如果 SciPy 在构建时使用了 ATLAS、LAPACK 和 BLAS 库，就能发挥极快的线性代数运算能力。相比于 NumPy，scipy.linalg 更加专业，函数覆盖面更广，几乎囊括了 numpy.linalg 的全部功能，并额外提供了更多高级函数。
2025-09-27 16:47:30
1545
原创 0. NumPy 系列教程：科学计算与数据分析实战
在 Python 科学计算和数据分析的生态系统中，NumPy（Numerical Python） 扮演着基础而关键的角色。它提供了高效的多维数组对象，以及丰富的数值计算函数库。本系列教程共 12 篇，系统讲解了 NumPy 的基础安装、数组操作、数学函数、统计函数、线性代数、广播机制、高效数据处理与图像处理等内容。
2025-09-27 01:52:34
861
原创 12. NumPy 数据分析与图像处理入门
NumPy 不仅是科学计算和线性代数的重要工具，也是 数据分析与图像处理 的基础。依托其高效的数组操作、向量化计算和广播机制，我们能够快速处理表格数据、时间序列以及图像像素矩阵。本篇作为系列的收官篇，将展示 NumPy 在数据分析和图像处理中的实际应用。本文将围绕以下几个方面展开：1. NumPy 在数据分析中的常见应用，2. 数据分析示例，3. 图像处理的基本概念与数组表示，4. 图像操作与增强实例
2025-09-26 00:16:23
1389
原创 11. NumPy 高效数据处理与优化
NumPy 不仅是科学计算和线性代数的重要工具，也是 数据分析与图像处理 的基础。依托其高效的数组操作、向量化计算和广播机制，我们能够快速处理表格数据、时间序列以及图像像素矩阵。本篇作为系列的收官篇，将展示 NumPy 在数据分析和图像处理中的实际应用。本文将围绕以下几个方面展开：1. NumPy 在数据分析中的常见应用，2. 数据分析示例，3. 图像处理的基本概念与数组表示，4. 图像操作与增强实例
2025-09-26 00:07:53
643
原创 10. NumPy 广播机制（Broadcasting）：高效数组运算
在科学计算中，我们经常需要对不同形状的数组进行运算。NumPy 提供的 广播机制（Broadcasting） 正是解决这一问题的关键工具。它允许形状不同的数组在逐元素运算时自动调整为兼容形状，而无需显式复制数据。这不仅让代码更简洁，还能显著提升运算效率。本文将围绕以下内容展开：1. 广播机制概述，2. 广播规则，3. 基本示例，4. 高维数组广播，5. 广播机制的应用场景
2025-09-25 00:53:36
360
原创 9. NumPy 线性代数：矩阵运算与科学计算基础
线性代数是科学计算、数据分析和机器学习的核心基础。矩阵运算、向量点积、矩阵求逆、特征值分解等操作在实际问题中无处不在。NumPy 提供了强大的线性代数工具，能够高效处理大规模矩阵运算。本文将系统讲解 NumPy 线性代数 的核心功能：1. 向量与矩阵的基本操作，2. 点积、内积与外积，3. 矩阵转置与逆矩阵，4. 行列式与秩，5. 特征值与特征向量，6. 解线性方程组
2025-09-25 00:48:31
1032
原创 8. NumPy 随机数生成与概率分布
在科学计算、模拟实验以及机器学习中，随机数和概率分布是核心工具。无论是构建模拟实验环境，还是在深度学习中打乱训练数据，随机性的引入都不可或缺。NumPy 提供了功能强大的 `numpy.random` 模块，使得生成各种随机数和模拟不同概率分布变得高效而直观。本文将依次介绍随机数生成的基本方法、常见的离散与连续分布、随机数种子设置，以及一些典型应用场景。
2025-09-24 00:47:08
1113
原创 7. NumPy 统计函数详解
在数据分析和科学计算中，统计方法是不可或缺的工具。NumPy 提供了大量高效的统计函数，可以帮助我们快速完成描述性统计（如均值、方差、标准差）以及数据分布特征的计算。熟悉并掌握这些函数，不仅能让数据处理更高效，还能为建模与机器学习打下坚实基础。
2025-09-24 00:42:09
897
原创 6. NumPy 数学函数：高效数值计算
NumPy 的优势不仅体现在 高效的数组结构，更在于它提供了丰富的 数学函数库，能够对数组执行逐元素的向量化运算。相比 Python 的循环，NumPy 的向量化计算快得多，非常适合科学计算和数据分析。本文将系统介绍 NumPy 中常用的数学函数：1. 基本算术运算，2. 幂与指数运算，3. 对数函数，4. 三角函数，5. 舍入与取整函数，6. 其他常用函数
2025-09-23 00:38:58
495
原创 5. NumPy 数组的合并、分割与重塑
在科学计算和数据分析中，我们经常需要调整数组结构，以满足不同的计算和建模需求。这些操作主要包括：1. 合并（Concatenation）：将多个数组拼接成一个整体。2. 分割（Splitting）：将一个数组拆分成若干子数组。3. 重塑（Reshape）：改变数组的形状，而不改变数据内容。NumPy 提供了多种高效的函数来完成这些操作，使得数据的组织与转换更加灵活。下面我们逐一介绍。
2025-09-23 00:31:55
649
原创 4. NumPy 数组索引与切片：高效访问与操作数组
在科学计算与数据分析中，我们经常需要访问数组中的部分元素或修改数组内容。NumPy 提供了灵活而强大的 索引（Indexing）与切片（Slicing） 功能，使得数据的访问和操作更加高效。本文将从基础到进阶，系统介绍 NumPy 的数组访问方式，包括：1. 基础索引，2. 基础切片，3. 布尔索引，4. 花式索引，5. 索引与切片的区别。
2025-09-22 01:27:19
708
原创 3. NumPy 文件数据读写：高效的数据存储与加载
在科学计算与数据分析中，数据文件的读写是不可或缺的一环。NumPy 除了提供强大的数组计算功能外，还内置了高效的文件存储与读取工具，可以帮助我们轻松地在不同环境中保存和加载数组数据。本文将全面讲解 NumPy 的文件操作，包括 二进制格式、文本格式、压缩存储 等常见方式，并结合实例展示如何在实际项目中应用。
2025-09-22 00:56:34
825
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