m0_63161039的博客

原创 day3——链表

本文总结了4个LeetCode中常见的链表操作问题及解法：两两交换节点(LeetCode 24)相交链表(LeetCode 160)移除链表元素(LeetCode 203)删除倒数第N个节点(LeetCode 19)

原创 day2——数组

本文介绍了LeetCode两道数组题的解法。485题要求找出数组中连续1的最大长度，27题要求原地移除数组中等于val的元素.

原创 LeetCode283 移动零

易错场景：忽略空数组空数组：若不提前判断，后续会因n=0直接跳过，虽不报错，但提前返回更高效；单元素数组[0]：快指针遍历后slow仍为 0，填充 0 时nums[0]=0，结果正确，但需确认逻辑兼容此类场景。

原创 self、独立函数、类方法

独立函数就像 “standalone 工具”：比如你手里的一把剪刀，不需要依附任何东西，拿过来就能用，功能是独立的。self对比维度独立函数类方法定义位置不放在class里必须放在class里第一个参数没有self（参数都是手动传）必须有self（自动传入实例）调用方式直接写函数名（如先创建实例（如），再用实例调用（适用场景功能单一、不需要和其他功能配合多个功能需要协同（比如一个类里有多个方法，需要共享实例的属性）独立函数：自由工具，拿过来就用，没有self；

原创 LeetCode26 删除有序数组中的重复项

return 0slow = 0# 填内部逻辑：先移慢指针，再赋值slow += 1核心逻辑：把复杂代码拆成 “先写框架→再填简单部分→最后填核心逻辑”，逐步完成，避免一开始就盯着完整代码焦虑。拆解思路：把 “懂的思路” 拆成 “逐行代码指令”，不要跳步；先写框架：先写函数、循环、条件判断的空框架，再填内容；先易后难：先写边界条件、变量初始化这些简单的，再填核心逻辑；刻意模仿：经典模板先背熟，再理解，最后改造；手动模拟：写完后手动走一遍执行流程，验证逻辑是否正确。

原创 解决：连接学校有线网后网络明明正常但却访问不了优快云

目录打开控制面板​编辑点击【网络和Internet】下的【查看网络状态和任务】点击左侧【更改适配器设置】双击【以太网】点击【属性】后找到下方图片选项后双击将DNS服务器改为如下图设置，点击【确定】

原创 vgg论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》笔记记录

感受野（Receptive Field）指的是卷积神经网络中某一层输出特征图上的一个像素点，在原始输入图像上所对应的区域大小。简单来说，就是该像素点受到原始输入图像中多大范围的信息影响。卷积核个数指的是在卷积层中使用的卷积核的数量。每个卷积核在对输入特征图进行卷积操作时，会提取出不同的特征。卷积核本质上是一个小的矩阵，矩阵中的每个元素都是可学习的参数。其尺寸通常是奇数，例如 3x3、5x5 等，这样可以保证有一个中心位置。

原创 梯度下降法求解线性回归问题

建立线性回归模型：线性回归是一种常见的机器学习方法，用于找出一个变量（自变量，这里是x）和另一个变量（因变量，这里是y）之间的线性关系。通过代码中的计算和迭代，最终确定了线性回归模型的参数（斜率theta和截距b），使得模型能够尽可能准确地描述自变量和因变量之间的关系。例如，在实际应用中，可以用房屋面积（自变量）来预测房屋价格（因变量），通过训练这个线性回归模型，得到一个可以用于预测的公式。数据拟合：生成的示例数据x和y之间存在一定的线性趋势，但由于加入了噪声，并不是完全精确的线性关系。

原创 梯度下降法

梯度下降法的本质是**“用局部信息指导全局搜索”**，适合解决复杂优化问题。它像一个盲人下山，虽然可能绕弯路，但通过不断调整方向，最终能找到相对好的解。这就是它被广泛应用于机器学习、深度学习的原因——毕竟现实中的问题往往复杂且没有现成的解，而梯度下降提供了一种高效且实用的思路。

原创 清理anaconda里的缓存

【代码】清理anaconda里的缓存。

原创 误删了NVIDIA怎么解决

同理，即使不是华为电脑，也可以去尝试联系电脑官方的终端客户服务去解决。，这个一般在电脑背后有粘贴。方法：直接去官网下载。本人电脑是华为，所以。

原创 miniconda创建python3.9虚拟环境配置pytorch（本文主要针对在安装过程中会踩的坑以及miniconda中的配置代码）（更改版，新增操作过程--python3.8配置）

在miniconda上运行pip install pillow==8.3.1 --force-reinstall。需要先下载CUDA（需要选对版本，可看下面的【电脑的CUDA版本】），此处不再详述。原因：DLL 加载失败可能是因为 Python 无法找到。是因为它是 PyTorch 1.9 兼容的稳定版本。如果提示依赖冲突，直接允许 Conda 解决冲突。需提前下载miniconda,下载过程不再说。如果文件缺失，重新安装 Pillow。降级 NumPy 到 1.x 版本。将该路径添加到系统环境变量。

原创 遇到“为了对电脑进行保护，已经阻止此应用”怎么解决

原创 windows自带截图键(shift+ win + s)失灵了怎么解决

原创 Win11找不到磁盘清理？

原创 matplotlib 练习题

会弹出一个窗口，展示包含三组数据分布的箱线图，x 轴表示数据集编号（1 - 3），y 轴表示数据值。弹出的窗口中展示了 sin(x) 和 cos(x) 的曲线，并且两条曲线之间的区域根据上下关系分别用蓝色和红色半透明区域填充。绘制 y = x，y = x^2 和 y = x^3 在同一坐标系中的折线图。并弹出一个窗口，包含三个子图，分别是折线图、散点图和柱状图。绘制一条简单的折线图，展示 y = x^2 的数据。并弹出一个窗口显示 y = x^2 的折线图。并弹出一个窗口显示散点图，点的颜色随机分布。

原创 pandas练习题

对DataFrame的列应用自定义函数。data = {# 定义自定义函数# 应用自定义函数print("应用自定义函数后:\n", df)代码解释：定义square函数，用于计算一个数的平方。：将square函数应用到Number列的每个元素，并将结果存储在新列Squared中。应用自定义函数后:0 1 11 2 42 3 93 4 16。

原创 Numpy 代码练习题

导入 Numpy 库并简称为np。：使用np.array创建一个一维数组。arr[2]：通过索引访问数组的第三个元素，Numpy 数组索引从 0 开始。运行结果： 一维数组: [1 2 3 4 5] 第三个元素: 3。

原创 10 道涵盖 Python 各方面知识的经典练习题

运行结果：字符统计结果: {'h': 1, 'e': 1, 'l': 3, 'o': 2,'': 1, 'w': 1, 'r': 1, 'd': 1}运行结果：排序后的列表: [11, 12, 22, 25, 34, 64, 90]质数是指在大于 1 的自然数中，除了 1 和它自身外，不能被其他自然数整除的数。运行结果：满足条件的数的列表: [15, 30, 45, 60, 75, 90]运行结果：列表中的最大数是: 78，最小数是: 12。：否则，将该字符添加到字典中，并将其值设为 1。

原创 3关联规则挖掘

项集：多个物品的组合（如 {啤酒, 尿布}）。频繁项集：支持度超过设定阈值的项集（支持度=包含该组合的记录数/总记录数）。X → Y（若购买X，则可能购买Y）。{啤酒} → {尿布}（置信度60%）。频繁项集：通过支持度筛选高频组合，核心是Apriori算法的剪枝策略。关联规则：通过置信度和提升度评估规则有效性，需结合业务场景解读。应用关键：合理设置阈值，避免过度依赖算法结果，需人工验证规则合理性。目标：高效挖掘数据集中的频繁项集（支持度≥阈值的物品组合）。

原创 2数据预处理

不随意删除：优先考虑插补或标记，避免信息损失。不盲目平滑：保留数据的原始特征（如医学数据中的异常可能是重要信号）。不脱离业务：结合领域知识判断离群点的价值（如金融欺诈必须剔除，而医疗罕见病例需保留）。一句话总结：数据清洗是数据挖掘的“地基”，只有扎实的基础，才能搭建出可靠的分析模型。准：实体识别要精准（避免误判）。简：冗余处理要简化（减少存储和计算成本）。通：冲突解决要统一（制定全局规则）。活：工具选择要灵活（根据数据规模和复杂度选择方法）。

原创 1数据挖掘概述

数据挖掘是从海量、复杂的数据中提取有价值信息、模式和知识的过程，结合统计学、机器学习、数据库等技术，旨在发现数据背后的隐藏规律。核心本质：通过算法分析数据，揭示未被发现的关联、趋势或异常。技术融合：整合统计学（如回归分析）、机器学习（如分类算法）、数据库技术（如 SQL 优化）等。数据类型：覆盖结构化（如表格数据）、半结构化（如 XML）和非结构化数据（如文本、图像）。任务类型是否需要标签目标典型工具 / 算法分类是（监督）贴标签决策树、SVM、神经网络聚类否（无监督）分群组。

原创 matplotlib都能绘制什么图

双轴图（Twin Axes）用途：在同一图中显示两个不同量纲的数据序列。子图（Subplots）用途：将多个图表排列在网格中。表格（Table）用途：在图表底部或顶部添加数据表格。箭头/注释图（Annotations）用途：在图表中添加箭头、文本标注。Matplotlib几乎支持所有基础科学计算与数据可视化需求，通过组合核心API（如plotscatterbar）和扩展工具（如3D、动画），可覆盖从简单到复杂的图表类型。如需更高级的统计图表，推荐结合seaborn或plotly使用。

原创 Matplotlib详解

Matplotlib 是 Python 中一个用于数据可视化的重要库，它提供了丰富的绘图功能。

原创 Python基础总结（只看这一个）

函数体def关键字定义函数，后接函数名和参数列表（参数可无）。函数体是缩进代码块，return语句返回函数结果（可省略，此时返回None功能：封装可重复使用的代码块，提高代码的模块化和可维护性。print("相加结果:", result)相加结果: 8。

原创 Pandas 知识精讲（只看这一个即可）

Pandas 是 Python 中用于数据处理和分析的核心库。它提供了高效的数据结构和数据操作工具，使得数据清洗、分析、转换等任务变得更加便捷。Series（一维）和DataFrame（二维），这两种结构可以方便地处理各种类型的数据。

原创 什么是pandas，怎么用，他跟numpy有什么关系，两者如何搭配使用

Pandas 是 Python 中一个专门用于数据处理和分析的开源库，它的名字源自“面板数据”（Panel Data），主要用于处理表格型、时间序列等结构化数据。你可以把它理解为 Python 的“Excel 高级版”，能够高效完成数据清洗、转换、分析等任务。核心功能：数据结构：提供Series（一维数据，类似带标签的列表）和DataFrame（二维表格，类似 Excel 表格）。数据操作：支持缺失值处理、数据合并、筛选、分组聚合等。

原创 NumPy的全面知识讲解（只看只一个即可）

NumPy（Numerical Python）是 Python 中用于进行高效数值计算的基础库。它提供了高性能的多维数组对象，以及用于处理这些数组的函数。NumPy 的数组在存储和计算效率上都远高于 Python 原生的列表，是许多其他数据科学和机器学习库（如 Pandas、SciPy、Scikit - learn）的基础。

原创 4线性代数相关操作、随机数生成以及输入输出

功能：计算方阵的特征值和特征向量。返回一个元组，第一个元素是特征值数组，第二个元素是特征向量矩阵。功能：设置随机数生成器的种子，使得每次生成的随机数序列相同，便于结果复现。功能：计算方阵的逆矩阵，前提是矩阵必须是可逆的（行列式不为 0）。功能：生成标准正态分布（均值为 0，标准差为 1）的随机数。功能：将矩阵的行和列进行交换。功能：计算方阵的行列式的值。功能：将数组保存为文本文件。功能：从文本文件中读取数组。区间内的均匀分布随机数。格式的文件中加载数组。

原创 3数学运算与排序函数

广播机制通过隐式扩展较小的数组，使其与较大数组的形状兼容，从而执行逐元素操作（如加减乘除）。函数用于对数组进行部分排序，它会将数组分为两部分，左边部分小于等于指定的索引位置的值，右边部分大于该值。此时需权衡是否使用广播。维度补1：若两个数组维度数不同，维度数较小的数组会在左侧补1，直到维度数相同。扩展与复制：在维度大小为1的轴上，通过隐式复制扩展数组，无需实际创建副本。扩展维度：在维度大小为1的轴上，该数组会被复制以匹配另一数组的大小。，与A对齐后，B在第一个维度（大小为1）被复制3次，最终形状变为。

原创 2数组操作

索引与切片：视图特性需注意数据共享，copy()创建独立副本。reshape和newaxis灵活调整维度。灵活控制轴方向，vsplithsplit简化操作。

原创 1数组创建及属性

数组运算时，NumPy会自动扩展维度以匹配操作（如标量加法）。NumPy数组元素类型必须一致，若列表包含不同类型（如。功能：生成均匀分布的等差数列，指定元素数量。功能：生成等差数列，类似Python的。功能：将列表、元组等序列转换为数组，功能：直接复制或深拷贝现有数组。功能：返回数组元素的数据类型。初始化数组比动态扩展更高效。功能：返回数组的维度元组。功能：返回数组的维度数。功能：返回数组总元素数。

原创 6文件压缩/解压缩、高级文件操作及数据持久化

多进程适合CPU密集型任务（如加密），多线程适合I/O密集型任务（如解压）。ZIP适合多文件打包，TAR+GZIP适合高效压缩。多线程/多进程：适用于大文件处理（如批量解压）。功能：序列化和反序列化对象（支持复杂结构）。功能：支持创建和解压TAR及其压缩格式（如。模块不安全，避免加载未知来源的序列化数据。功能：存储结构化数据（仅支持基本类型）。功能：支持创建ZIP压缩包并添加文件。或自定义替换逻辑（示例为文本加密）。功能：解压ZIP文件到指定目录。

原创 5文件权限和元数据、异常处理、文件复制

os.stat()提供详细文件信息，os.chmod()修改权限。异常处理：通过try-except捕获和。shutil模块实现高效复制、移动，注意copy()与copy2()的差异。

原创 4文件和目录操作

功能：返回指定目录下的所有文件和子目录列表（不包含隐藏文件）。功能：重命名文件或目录（需确保目标路径存在，否则报错）。功能：递归创建多层目录（自动创建不存在的父目录）。功能：递归删除空目录（若子目录非空则报错）。功能：返回布尔值，判断目录是否存在的状态。功能：创建单层目录，若父目录不存在则报错。功能：重命名文件或目录，支持跨目录操作。功能：删除指定文件，若文件不存在则报错。功能：删除文件，若文件不存在则报错。功能：删除空目录，若目录非空则报错。功能：删除空目录，若非空则报错。功能：创建目录，可设置。

原创 3文件定位与二进制操作

seek()灵活控制指针位置，tell()监控当前位置。rb/wb模式处理非文本数据，bytes和bytearray是核心数据类型。注意：文本模式（如r）下seek()可能因换行符处理不准确，建议二进制模式精确定位。

原创 2文件读取与写入操作

功能：一次性读取所有行，返回列表（每行包含换行符）。功能：逐行读取文件，适合处理大文件（避免内存溢出）。功能：默认读取文件全部内容为字符串；功能：每次读取一行内容（含换行符），若指定。功能：在文件末尾添加内容，不覆盖原有数据。功能：将字符串写入文件，返回写入字符数。字节（文本模式按字符数计算）。字节（文本模式按字符数计算）。（读写）等可写模式打开文件。自动关闭文件，避免资源泄漏。，则限制读取字符数。

原创 1文件操作基础

核心流程：打开文件 → 操作文件 → 关闭文件（推荐用with管理）。模式选择：根据需求选择r（读）、w（写）、a（追加）等。高效读取：大文件建议逐行读取或使用生成器。二进制模式：处理非文本文件时需添加b后缀。

原创 python类

类通过class关键字定义，包含属性（变量）和方法（函数）。实例化是通过类名加参数创建对象的过程。类：封装数据与行为的模板，通过实例化生成对象。方法类型：实例方法操作实例属性，类方法操作类变量，静态方法独立于实例。继承：实现代码复用与多态，支持单继承和多继承。封装：通过私有变量隐藏实现细节，提高安全性。动态性：支持运行时添加属性和方法，增强灵活性。

原创 7函数错误处理、性能优化与测试

通过继承Exception类创建特定场景的异常，增强代码可维护性。语法与功能"""自定义异常类，可添加自定义属性或方法"""raise CustomError("年龄不能为负数")return agetry:print(f"错误信息：{e}，状态码：{e.status_code}") # 输出：错误信息：年龄不能为负数，状态码：400错误处理：优先捕获具体异常，避免隐藏潜在问题；自定义异常增强场景适配性。性能优化：通过缓存、数据结构选择和生成器减少资源消耗。测试：单元测试是代码质量的基石，