头歌:HTML——表格:第8关:表格的综合案例

本文介绍如何使用HTML和CSS创建一个居中对齐的复杂表格,并详细解释了表格属性如border、cellspacing、cellpadding等的使用方法。

任务描述

本关任务:按照以下要求,完成一个复杂的表格创建任务。

创建表格的要求如下:

  • 边框为2px

  • 宽为100%

  • cellspacing0

  • cellpadding6

  • 标题内容为本周财政计划

  • <style> 标签里设置文本为居中对齐。

其它内容和效果图展示的一样。

注意:表格属性的顺序按照创建表格的要求的顺序来写。

实现的效果如下:

相关知识

这关是对大家前面所学知识的一个总结和拓展,通过前面的学习,做一个表格是没有问题的。

这里介绍一个控制表格内文本方向的属性,本来表格有自带的属性align也是控制文本方向的,不过现在浏览器大多不支持,都用 css 的另一个属性text-align来代替。

不知你们有没有发现,表格的内容都是靠左的,在表格宽度比较大的情况下是很明显的。这里因为 表格默认的文本方向是向左。

现在让文本居中,例子如下:


  1. <style>
  2. table{
  3. text-align: center;
  4. }
  5. </style>
  6. <table border="2" cellspacing="0" width="300">
  7. <tr>
  8. <td>姓名</td>
  9. <td>年龄</td>
  10. </tr>
  11. <tr>
  12. <td>张三</td>
  13. <td>18</td>
  14. </tr>
  15. </table>

效果图如下:

这样是不是效果要好一些。下面介绍一个这个属性。

text-align属性有下面的几个值:

  • left:左对齐;

  • center:居中对齐;

  • right:右对齐;

  • justify:两端对齐。

这几个值大家可以在表格里试一下,看看有什么不一样的。

编程要求

请仔细阅读右侧代码,结合相关知识,在 Begin-End 区域内进行代码补充,完成一个表格的创建任务。

测试说明

平台会对你的代码进行运行测试,如果实际输出结果与预期结果相同,则通关;反之,则 GameOver


赶快试一下吧!!!

<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
</head>
<body>
    <!-- ********* Begin ********* -->
    <style>
    body{
       margin:30px;
    }
    table{
       /*居中对齐*/
        text-align: center;     
    }
    </style>
    <!--设置表格-->
    <caption>本周财政计划</caption>
    <table border="2" cellspacing="0" cellpadding="6" width="100%">
        <caption>本周财政计划</caption>
    <tr>
        <td rowspan="2"colspan="2">项目 </td>
        <td colspan="2">本周发生</td>
        <td rowspan="2">备注</td>
    </tr>
    <tr>
        <td>收入</td>
        <td>支出</td>
    </tr>
    <tr>
        <td rowspan="3">收入</td>
        <td>贷款收回</td>
        <td>8700</td>
        <td>0</td>
        <td></td>
    </tr>
    <tr>
        <td>内部转款</td>
        <td>6000</td>
        <td>0</td>
        <td></td>
    </tr>
    <tr>
        <td>收入合计</td>
        <td>14700</td>
        <td>0</td>
        <td></td>
    </tr>
    <tr>
        <td rowspan="3">支出</td>
        <td>采购支出</td>
        <td>0</td>
        <td>5000</td>
        <td></td>
    </tr>
    <tr>
        <td>工资支出</td>
        <td>0</td>
        <td>7000</td>
        <td></td>
    </tr>
    <tr>
        <td>支出合计</td>
        <td>0</td>
        <td>12000</td>
        <td></td>
    </tr>         
    <!-- ********* End ********* -->
</body>
</html>

### 平台第三中的聚类任务应用案例平台上,第三涉及的聚类任务通常会围绕实际应用场景展开,旨在让学生理解并实践聚类算法的核心概念及其具体用途。以下是基于已有引用内容和专业知识整理的相信息。 #### 1. 客户分群分析 客户分群是一种常见的聚类任务,在商业领域具有广泛应用价值。通过使用K-均值聚类算法,可以将客户划分为不同的群体,以便企业制定更有针对性的营销策略[^1]。例如,可以根据客户的消费行为、购买频率等因素构建特征向量,并利用Python中的`scikit-learn`库实现自动化分群: ```python from sklearn.cluster import KMeans import numpy as np # 构造样本数据 (假设每条记录包含两个维度:消费金额和访问次数) data = np.array([[50, 1], [200, 4], [30, 2], [180, 6], [90, 3]]) # 初始化KMeans模型,指定簇的数量k=2 model = KMeans(n_clusters=2) # 训练模型 model.fit(data) # 输出每个样本所属的类别标签 print(model.labels_) ``` 上述代码展示了如何简单快速地完成一次基本的客户分群实验。此过程可以帮助学生掌握K-均值聚类的基础操作流程。 --- #### 2. 社交媒体数据分析 另一个典型场景是对社交媒体上的文本数据进行主题划分或情感倾向识别。比如,可以通过自然语言处理技术提取键词作为输入变量,再运用诸如层次聚类或者DBSCAN这样的高级方法来进行进一步探索性研究[^3]。这里给出一段简单的伪代码用于说明这一思路: ```python from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.cluster import AgglomerativeClustering # 假设我们有一组推特消息字符串列表 tweets = ["今天天气真好", "喜欢这首", "刚吃完一顿美味晚餐"] # 使用TF-IDF向量化器转换原始语料 vectorizer = TfidfVectorizer() X = vectorizer.fit_transform(tweets).toarray() # 创建Agglomerative Clustering实例 clusterer = AgglomerativeClustering(n_clusters=2) # 执行聚类计算 labels = clusterer.fit_predict(X) # 展示最终结果 for tweet, label in zip(tweets, labels): print(f"{tweet} -> Cluster {label}") ``` 这段脚本体现了从文本预处理到执行复杂聚类运算的整体链条设计思想。 --- #### 3. 图像分割与视觉模式发现 除了结构化表格型数据外,非结构化的多媒体资料同样适合采用类似的无监督学习框架加以解析。特别是在计算机视觉范畴内,图像像素强度分布本身就构成了天然的空间坐标系,因此非常适合引入距离度量机制下的各类经典聚类方案之一——即K-means法来达成目标区域分离的目的[^4]。下面是一份针对彩色图片实施颜色空间降维后再做分区演示的小例子: ```python import cv2 import numpy as np from sklearn.cluster import KMeans # 加载测试图象文件 image = cv2.imread('example.jpg') height, width = image.shape[:2] # 将三维矩阵展平成二维数组形式便于后续传递给估计函数调用 pixels = image.reshape((height * width, 3)) # 实例化新的Kmeans对象并将参数设置完毕后立即启动拟合动作 km_model = KMeans(n_clusters=5) preds = km_model.predict(pixels) # 把预测出来的索引重新映射回原尺寸大小上形成新版本效果图件 segmented_image = preds.reshape(height, width) cv2.imshow("Segmentation Result", segmented_image.astype(np.uint8)) cv2.waitKey(0); cv2.destroyAllWindows(); ``` 该片段清晰展现了整个工作流是如何紧密衔接在一起从而顺利完成预期功能需求满足的任务描述。 --- ### 结论 综上所述,无论是电子商务领域的精准营销还是社交网络舆情监控亦或是现代AI驱动下日益丰富的图形学创作工具开发等领域都离不开高效可靠的聚类技术支持助力其业务增长与发展壮大之路越走越宽广!
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

我的水卡丢了

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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