终身学习基地-优快云博客

原创第四篇：linux之文件管理

【代码】第四篇：linux之文件管理。

2025-04-20 11:31:55 25

原创第三篇：linux之目录结构

bin和sbin都是usr文件夹软连接到根路径。"""只要看到bin，就应该知道存放的是可执行文件""" / bin # bin 是 Binaries (二进制文件) 的缩写, 这个目录存放着普通用户使用的命令。/ sbin # 就是 Super User 的意思，是 Superuser Binaries (超级用户的二进制文件) 的缩写，这里存放的是系统管理员使用的系统管理程序。

2025-04-20 11:31:09 205

原创第二篇：linux之Xshell使用及相关linux操作

Bash Shell是一个命令解释器，它是操作系统的最外层，也就是一个软件，是负责用户程序与内核交互的一种接口，将用户输入的命令翻译给操作系统，并将处理后的结果输出至屏幕。通过Xshell连接，就是打开了一个bash程序的窗口，不能进行鼠标点击，只能输入命令。当我们使用远程连接工具连接linux服务，系统则会打开一个默认的shell，我们可以在这个界面执行命令，比如创建一个新用户的等等…

2025-04-17 23:10:53 973

不能正常启动centos，出现这个问题的原因是grub配置文件错误、损坏或丢失，我们需要执行以下步骤进行修复。到了这里之后，我们需要导入自己本地的centos镜像，将其作为操作系统，进行启动。但是到了现在，我的小新pro16打开虚拟机，直接会出现蓝屏效果，解决方法需要打开。到了这里，我们已经安装好了虚拟环境，同时也可以更改一些相关的配置。这里我们使用默认即可，如果需要，自己在进行相关分区。为根分区，如果分区格式不是lvm的，根据你的本机情况填写，如。然后进行傻瓜式安装，安装完成之后，效果如下。

2025-04-17 23:10:20 768

原创第十一章网络编程

在TCP/IP协议中，“IP地址+TCP或UDP端口号”唯一标识网络通讯中的一个进程。因此可以用Socket来描述网络连接的一对一关系。常用的Socket类型有两种：流式Socket（SOCK_STREAM）和数据报式Socket（SOCK_DGRAM）。流式是一种面向连接的Socket，针对于面向连接的TCP服务应用；数据报式Socket是一种无连接的Socket，对应于无连接的UDP服务应用。

2025-04-15 23:40:46 380

原创第十章 go mod操作

go Moudle常见错误。【go mod开启】需要使用别人包时，使用。

2025-04-15 23:39:24 316

原创第九章 json操作

不写tag也可以，使用tag起一个别名也好⛱️。

2025-04-14 23:22:33 388

原创第八章文件操作

参考地址：https://segmentfault.com/a/1190000017918542。类似于python的。

2025-04-14 23:21:46 212

原创第七章：并发编程

*单线程下实现并发，也就是协程。**其实是多个线程下的多个协程。相比线程而言，go协程的成本极低。堆栈大小只有若干kb(2kb)，并且可以根据需求进行增减。而线程是必须指定堆栈大小的，其堆栈是固定不变的。Go协程会复用数量更少的OS线程，即便程序可能有数以千计的Go协程，也可能只有一个线程。**Go协程使用信道（channel）来进行通讯。**信道用于防止多个协程访问共享内存时发生竞态条件（Race Condition）。信道可以看作是Go协程之间通信的管道。

2025-04-13 20:50:02 811

原创第六篇：自定义集合类型和结构体取代类

集合是一个重要的数据结构，其中，集合中的元素不能重复；集合中的元素无序排列，由于go中没有集合元素，我们可以通过map实现一个集合元素，使其具备。增加元素：set删除元素：delete判断元素是否存在：isExist查看集合长度：len//定义MySet类型//判断元素是否存在//返回set长度return len(m) // 统计map的长度//设置值//删除值//测试代码//创建一个set。

2025-04-13 20:49:20 118

原创第五篇：接口

面向对象的领域中，接口一般这样定义，接口定义一个对象的行为，来规范子类对象的行为。接口是一系列方法的结合【规范行为】。go和python一样，也是鸭子类型；python中使用abc模块进行约束。go和python虽然推崇鸭子类型，但是在开发过程中，接口还是非常重要的。【有鸭子里面的属性，就叫鸭子，如现在有个鸭子类，内有speak方法有run方法，子类只要实现了speak和run，我就认为子类是鸭子】；Java中有接口，子类必须实现鸭子类的所有方法，子类才叫鸭子。

2025-04-12 21:24:14 626

原创第四篇：结构体

方法其实就是一个函数，在func这个关键字和方法名中间加入了一个特殊的接收器类型。接收器可以是结构体类型或者是非结构体类型。接收器可以在方法的内部调用。// 1) 定义一个结构体Name string // 字段没有名字Age int// 2) 给结构体绑定一个方法【绑定给对象的方法】func(p Person) tellName(){ // p就是python中的self，绑定给Person的结构体对象// python写法。

2025-04-12 21:23:31 724

原创第三篇：循环条件、数组、切片、map

数组是基础数据类型，并没有那些方法【其实在使用中，很少会用到数组之类的，因为python中就是list、dict，Java中就是ArrayList、HashMap，基本都是使用可变数据类型】。不过，Map 是无序的，我们无法决定它的返回顺序，这是因为 Map 是使用 hash 表来实现的。Map 最重要的一点是通过 key 来快速检索数据，key 类似于索引，指向数据的值。虽然数组看上去虽然很灵活，但是它们具有固定长度的限制，这边要用到切片。【python的中列表中可以存放不同的值，因为其存放的是引用】

2025-04-11 22:14:20 218

原创第二篇：go包管理

go语言的代码必须放在gopath的src路径下；包导入是从gopath的src路径下开始检索（开始找）【并非是在该项目下查找】；除了main包以外，建议包名就叫文件夹名，一个文件夹下的包名必须一致【也可以包名叫mypackage，其中所有文件中第一行是package test】；同一个包下，变量，函数只能定义一次【在包中的变量声明，全局变量不能使用a:=10，这种类型，必须使用全定义或者半定义】；同一个包下的变量和函数可以直接相互使用【可以把包想象为是一整个大的文件。

2025-04-11 22:13:06 1114

原创第四章 Docker内容补充

1 介绍docker-docker ce和docker ee-版本：17年 19.03.-架构：c/s 符合restful规范-详细架构：架构图2 docker 安装-windows（不推荐），mac安装（软件安装）-乌班图-centos：必须7以上，内核版本必须大于3.1，新软件-照着笔记一步一步来-启动：systemctl start/restart/stop docker-docker -v3 镜像和容器-类和对象4 镜像操作-docker pull 名字:v1。

2025-04-10 22:11:25 829

原创第二章：Docker核心技术

Docker镜像是什么?镜像是一个Docker的可执行文件，其中包括运行应用程序所需的所有代码内容、依赖库、环境变量和配置文件等。通过镜像可以创建一个或多个容器。容器是什么？容器(Container):容器是一种轻量级、可移植、并将应用程序进行的打包的技术，使应用程序可以在几乎任何地方以相同的方式运行。Docker将镜像文件运行起来后，产生的对象就是容器。容器相当于是镜像运行起来的一个实例，容器具备一定的生命周期。另外，可以借助docker ps。

2025-04-09 23:54:16 652

原创第一章 Docker基础

在这一部分我们主要讲两个方面: docker是什么、docker特点。# Docker服务的基本操作 systemctl [ 参数 ] docker #参数详解： start 开启服务stop 关闭restart 重启 systemctl status docker ps status 状态上述为关闭docker命令，终端会提示输入密码，在图形化界面会弹出对话框。【只是服务端被关掉了，客户端还是可以输入docker查看】docker状态查看。

2025-04-09 23:52:47 1742

原创 go之基本类型与函数使用

Go 即Golang，是Google公司2009年11月正式对外公开的一门编程语言，特点：语法简单，速度快。Go是静态（编译型）强类型语言，是区别于解析型语言的弱类型语言（静态：类型固定强类型：不同类型不允许直接运算）。python动态强类型语言。编译型语言：Java，c，c++，c#，go解释性语言：python，js，php…编译型语言涉及到跨平台问题，因为它需要编译成该平台的可执行文件。比如：java运行在jvm之上。go语言可以进行跨平台编译，即交叉编译。

2025-04-08 22:14:49 1004

原创 Git使用

git是目前最先进的分布式版本控制系统系统，主要功能是版本管理和协同开发。

2025-04-08 22:13:31 908

原创 1480 一维数组的动态和

1480. 一维数组的动态和给你一个数组 nums 。数组「动态和」的计算公式为：runningSum[i] = sum(nums[0]…nums[i]) 。请返回 nums 的动态和。示例 1：输入：nums = [1,2,3,4]输出：[1,3,6,10]解释：动态和计算过程为 [1, 1+2, 1+2+3, 1+2+3+4] 。示例 2：输入：nums = [1,1,1,1,1]输出：[1,2,3,4,5]解释：动态和计算过程为 [1, 1+1, 1+1+1, 1+1+1+1, 1+

2021-04-02 13:44:48 61

原创 771. 宝石与石头

771. 宝石与石头给定字符串J 代表石头中宝石的类型，和字符串 S代表你拥有的石头。 S 中每个字符代表了一种你拥有的石头的类型，你想知道你拥有的石头中有多少是宝石。J 中的字母不重复，J 和 S中的所有字符都是字母。字母区分大小写，因此"a"和"A"是不同类型的石头。示例 1:输入: J = "aA", S = "aAAbbbb"输出: 3示例 2:输入: J = "z", S = "ZZ"输出: 0注意:``S 和 J 最多含有50个字母。J 中的字符不重复。`来源：力扣（Le

2021-04-02 13:26:11 70

原创面试题 02.03. 删除中间节点

面试题 02.03. 删除中间节点实现一种算法，删除单向链表中间的某个节点（即不是第一个或最后一个节点），假定你只能访问该节点。示例：输入：单向链表a->b->c->d->e->f中的节点c结果：不返回任何数据，但该链表变为a->b->d->e->f来源：力扣（LeetCode）链接：https://leetcode-cn.com/problems/delete-middle-node-lcci著作权归领扣网络所有。商业转载请联系官方授权，

2021-04-02 13:02:52 54

原创剑指 Offer 58 - II. 左旋转字符串

剑指 Offer 58 - II. 左旋转字符串字符串的左旋转操作是把字符串前面的若干个字符转移到字符串的尾部。请定义一个函数实现字符串左旋转操作的功能。比如，输入字符串"abcdefg"和数字2，该函数将返回左旋转两位得到的结果"cdefgab"。示例 1：输入: s = "abcdefg", k = 2输出: "cdefgab"示例 2：输入: s = "lrloseumgh", k = 6输出: "umghlrlose"来源：力扣（LeetCode）链接：https://leet

2021-04-02 12:52:02 77

原创 1292 字幕统计

#include<stdio.h>#include<string.h>//使用两个数组进行存储char arr1[105];char arr2[105]; int main(){ scanf("%s", arr1); int len = strlen(arr1); int i, cnt = 0; for(i = 0; i < len; i++){ if(arr1[i] >= '0' && arr1[i] <= '9'){ .

2021-03-27 20:14:01 88

原创加密解密 1014

加密解密 1014#include<stdio.h>#include<string.h>int main(){ char arr[105]; gets(arr); int len = strlen(arr); int i; for(i = 0; i < len; i++){ if((arr[i] >= 'A' && arr[i] <= 'W')|| (arr[i] >= 'a' && arr[i] &lt

2021-03-27 20:02:07 119

沃尔玛2025年股票数据 2000 年至 2025 年沃尔玛股票数据

关于数据集语境沃尔玛公司是一家全球性的美国零售集团，占据着美国市场的很大一部分。沃尔玛在《财富》全球500强企业中一直名列前茅。截至2025年3月，沃尔玛的市值为6795亿美元。这使得沃尔玛成为全球市值最高的公司之一。市值，通常称为市值，是指上市公司流通股的总市值，通常用于衡量一家公司的价值。内容地理位置：美国时间段：2000 年 1 月 – 2025 年 3 月分析单位：沃尔玛股票数据 2025 变量多变的描述日期日期打开市场开盘价。高的當天最高價。低的當天的最低价。关闭市场收盘价，已根据分割进行调整。 adj_close 经所有适用拆股和股息分配调整后的收盘价。数据根据证券价格研究中心 (CRSP) 的标准，使用适当的拆股和股息乘数进行调整。体积当天交易的股票数量。

2025-04-20

电子邮件钓鱼数据集经过清理和功能设计的电子邮件网络钓鱼检测数据集

关于数据集数据集描述概述：此数据集旨在使用机器学习检测网络钓鱼电子邮件。它结合了：来自安然电子邮件数据集的约 500,000 封非网络钓鱼（“安全”）电子邮件来自网络钓鱼电子邮件数据集的约 20,000 封网络钓鱼电子邮件和安全电子邮件每封电子邮件都经过清理，并通过一个专注于网络钓鱼指标的自定义 NLP 特征提取流程。目标是以最少的预处理为分类任务提供现成的数据集。列详细信息 num_words- 电子邮件正文中的总字数 num_unique_words- 使用的独特词汇数量 num_stopwords - 常见停用词的数量（例如，“the”、“and”、“in”） num_links- 检测到的超链接数量 num_unique_domains- 链接中唯一域名的数量（例如“paypal.com”） num_email_addresses- 文本中找到的电子邮件地址的数量 num_spelling_errors - 拼写错误的单词数量 num_urgent_keywords- 紧急词的数量（例如“紧急”、“验证”、“更新”） label- 目标变量：0 = 安全电子邮件，1 = 网络钓鱼电子邮件笔记：该数据集不包含原始文本或标题，仅包含用于训练/测试模型的工程特征。拼写检查使用 pyspellchecker 对过滤后的标记进行检查。停用词是一个固定的英文列表。不包含任何个人或 PII 信息。

2025-04-20

举重数据库约 48,000 场比赛来自世界各地的 800,000 名举重运动员

关于数据集语境此数据集是截至 2024 年 1 月OpenPowerlifting数据库的快照。OpenPowerlifting 正在创建一个包含力量举历史的公共领域档案。力量举是一项运动，参赛者在三个不同的杠铃举重项目中竞争举起各自级别中的最大重量：深蹲、卧推和硬拉。内容数据以表示openpowerlifting.csv，其中包括有关比赛（竞赛）的所有信息以及参加这些比赛的参赛者。该数据集的版本 1 包含两个文件：meets.csv和openpowerlifting.csv。meets.csv是 OpenPowerlifting 数据库中包含的所有比赛（竞赛）的记录。openpowerlifting.csv是参加这些比赛的所有竞争对手的记录，以及他们在比赛中记录的统计数据和举重成绩。在版本 2+ 中，meets.csv已被所取代openpowerlifting.csv，其中包含相同的信息。

2025-04-17

数学学生成绩数据（预测中学教育成果的社会人口和学术指标）

关于数据集关于数学学生数据集该数据集最初来源于UCI机器学习库，提供了丰富的学生数学课程成绩数据。它提供了关于学生学业成就和社会人口背景的详细洞察，使其成为教育数据挖掘和预测分析的绝佳资源。主要特点和属性人口统计和背景：学校：标识学生的学校（例如 Gabriel Pereira 或 Mousinho da Silveira）。性别和年龄：基本人口统计信息，有助于探索不同群体之间的表现趋势。地址和家庭规模：有关学生家庭环境的详细信息，包括他们居住在城市还是农村以及他们的家庭规模。父母及家庭信息：父母同居和教育：有关父母是否同居以及他们的教育水平的数据，这些数据与学生支持和学业成绩相关。父母职业：有关母亲和父亲的工作的信息，提供有关社会经济因素的进一步背景信息。教育和行为变量：学习时间和失败：每周的学习时间和过去课堂失败的历史有助于衡量学术奉献精神和潜在挑战。支持和课外活动：记录学生是否获得额外的教育支持或参加课外活动，这会影响整体表现。与学校相关的因素：上学时间、出勤率（缺勤率）以及参加额外付费课程有助于全面了解教育环境。生活方式和社会因素：互联网接入、空闲时间和社交：互联网可用性、空闲时间以及学生与朋友外出频率等变量有助于捕捉生活方式和行为模式。健康与福祉：工作日和周末的自我报告健康状况和饮酒模式可以了解个人健康状况，这可能会影响学习成绩。学业成绩：成绩：数据集包含三个关键评估：G1（第一阶段成绩）、G2（第二阶段成绩）和 G3（最终成绩）。G3（最终成绩）是预测模型的主要目标变量。潜在应用预测模型：研究人员和数据科学家可以根据众多社会人口统计和教育特征建立回归模型来预测最终成绩（G3）。探索性数据分析：该数据集非常适合探索家庭背景、生活方式选择和学业成就之间的关系。例如，可以分析学习时间或父母教育水平与学业表现之

2025-04-15

标注的超声肝脏图像数据集

该数据集包含一系列带注释的肝脏超声图像，旨在帮助开发用于肝脏分析、分割和疾病检测的计算机视觉模型。注释包括肝脏和肝脏肿块区域的轮廓，以及良性、恶性和正常病例的分类。数据集概述该数据集提供带有详细注释的肝脏超声图像。注释突出显示了肝脏本身以及任何存在的肝脏肿块区域。图像分为三类：良性：显示良性肝脏疾病的图像。恶性：显示恶性肝脏疾病的图像。正常：健康肝脏的图像。包含的文件数据集分为三个 zip 文件： Benign.zip (16.9 MB)：包含被归类为良性的超声图像。(md5: c37fef0cb2730236a79ef57e5315995e) Malignant.zip (46.9 MB)：包含被归类为恶性的超声图像。(md5: 63894a9e5654a69c3b94bda84071dfb0) Normal.zip (6.6 MB)：包含正常肝脏的超声图像。(md5: a7e16299b2cf12ca4a6c3468d2e4978f) 注释超声图像已注释显示：肝脏的轮廓。肝脏肿块区域（如适用）。这些注释使数据集适合肝脏和肝脏肿块的分割以及肝脏状况的分类等任务。

2025-04-14

AI生成的吉卜力风格图像趋势（2025年）

该数据集捕捉了 AI 生成的吉卜力工作室风格图像的趋势，包括用户参与度、生成指标和平台特定交互。它旨在帮助研究人员、数据科学家和 AI 爱好者分析 AI 生成的艺术作品对社交媒体的影响以及 AI 模型在生成高质量图像方面的表现。

2025-04-14

手机和笔记本电脑销售数据

该数据集模拟了手机和笔记本电脑的销售交易，包括产品规格、客户详情和销售信息。它包含 50,000 行随机生成的数据，有助于分析产品销售趋势、客户购买行为以及销售区域分布。数据集概述数据集类型：结构化表格数据行数：50,000 列数：16 数据集用途：此数据集可用于：销售分析 – 了解产品需求和价格趋势。客户行为分析 – 识别不同地点的购买模式。库存管理 – 监控入库和出库产品的流动情况。机器学习与人工智能 – 预测销售趋势、客户偏好和库存管理。数据集的主要功能产品信息产品：产品类型（手机/笔记本电脑）。品牌：苹果、三星、戴尔、联想、OnePlus 等各种品牌。产品代码：每个产品的唯一标识符。产品规格：产品特性的简要描述。销售和定价详情价格：产品成本（随机生成）。入库日期：产品入库的日期。发货日期：产品售出/发货的日期。销售数量：每次交易销售的单位数量。客户和位置详细信息客户姓名：随机生成的客户姓名。客户位置：客户所在的城市。地区：销售区域（北、南、东、西、中部）。技术规格 - 核心规格（适用于笔记本电脑）：包含 i3、i5、i7、i9、Ryzen 3-9 等处理器型号。- 处理器规格（适用于移动设备）：包含骁龙、Exynos、Apple A 系列和联发科 Dimensity 等处理器。- RAM：随机分配的内存大小（4GB 至 32GB）。- ROM：存储容量（64GB 至 1TB）。- SSD（适用于笔记本电脑）：额外存储（256GB 至 2TB），手机为“N/A”。潜在用例：商业智能仪表盘、市场趋势分析、供应链优化、客户细分、机器学习模型训练（销售预测、价格优化等）。

2025-04-13

人员收集垃圾 COCO 数据集

数据集：COCO格式的对象检测数据集概述该数据集专为对象检测任务而设计，遵循 COCO 格式。它包含 300 幅图像及其对应的 JSON 格式注释文件。数据集被拆分为训练集、验证集和测试集，以确保模型评估的均衡分布。数据集结构数据集分为三个主要文件夹： train/（70% - 210 张图片） vaild/（15% - 45 张图片） test/（15% - 45 张图片）每个文件夹包含： JPEG/PNG 格式的图像。包含边界框注释的相应 _annotations.coco.json 文件。预处理和增强该数据集经过了几个预处理和增强步骤，以增强模型泛化能力：图像预处理：已应用自动定向调整尺寸为 640x640 像素（拉伸）增强技术：翻转：水平翻转裁剪：最小缩放 0%，最大缩放 5% 旋转：-5°至+5°之间饱和度：在-4%和+4%之间调整亮度：在-10%和+10%之间调整模糊：最多 0px 噪音：高达 0.1% 的像素边界框增强：相应地应用翻转、裁剪、旋转、亮度调整、模糊和噪声以保持注释的一致性。注释格式该数据集遵循 COCO（Common Objects in Context）格式，其中包括：图像部分：包含图像元数据，例如文件名、宽度和高度。注释部分：包括边界框、类别 ID 和分割蒙版（如果适用）。类别部分：定义类别标签。

2025-04-12

深度学习约会应用行为数据集

该数据集提供了一个虚构约会应用上用户行为的综合表征。它包含 50,000 条记录，并包含 19 个特征，涵盖人口统计详情、应用使用模式、滑动倾向和匹配结果。该数据以编程方式生成，旨在模拟真实的用户交互，非常适合探索性数据分析 (EDA)、机器学习建模（例如预测匹配结果）或研究在线约会平台中的用户行为趋势。主要特征包括性别、性取向、位置类型、收入等级、教育水平、用户兴趣、应用使用时长、滑动比例、获得的点赞数、相互匹配以及匹配结果（例如“相互匹配”、“消失”、“被骗”）。该数据集旨在实现多样性和平衡性，包含分类、数值和标记变量，可用于各种分析目的。用法该数据集可用于：探索性数据分析 (EDA)：探究人口统计数据、应用使用情况和匹配成功率之间的相关性。机器学习：构建模型预测匹配结果或用户参与度。社会研究：分析不同人群在约会应用上的行为趋势。特征工程实践：尝试转换分类数据和数值数据。

2025-04-12

中国主要城市空气污染综合数据（2015-2025）

该数据集包含来自中国五大城市（北京、上海、广州、成都和深圳）的合成但真实的空气污染数据。数据跨度从 2015 年到 2025 年，提供了有关空气质量、气象条件和污染水平的宝贵信息。该数据集由 3,000 行和 24 列构成，涵盖各种空气污染物、天气状况和地理细节。该数据集专为数据分析、机器学习模型和空气质量预测应用而设计。

2025-04-12

IMDb电影类型分类数据集

关于数据集 1.数据概述电影概览.csv：列： title：电影名称概述：电影的简要描述或概要 genre_ids：一个或多个类型标识符（可以是多标签）电影类型.csv：列： id：类型标识符 name：对应的流派名称此设置允许您使用 movies_genres 映射将 movies_overview 文件中每部电影的genre_ids映射到其实际类型名称。

2025-04-12

儿童每日平均屏幕使用时间

这些数据反映了儿童屏幕使用时间的真实趋势。它涵盖了 5 至 15 岁儿童的教育、娱乐和总屏幕使用时间数据，并按性别（男、女、其他/不愿透露）和日期类型（工作日、周末）进行了细分。该数据集遵循预期的行为模式：屏幕使用时间随着年龄的增长而增加（5 岁时每天约 1.5 小时，15 岁时每天 6 小时以上）。娱乐屏幕时间占主导地位，占总屏幕时间的 65-80%。周末屏幕使用时间比工作日高出 20-30%，青少年的增幅更大。娱乐屏幕时间存在轻微的性别差异。数据集包含自然的可变性，确保真实性，并且样本量随年龄增长而略有减少（例如，5 岁时有 500 名受访者，15 岁时有 300 名受访者）。该数据集非常适合与儿童数字习惯相关的数据分析、可视化和机器学习实验。

2025-04-12

手机数据集（2025）

该数据集包含来自不同公司的各种手机型号的详细规格和正式发布价格。它提供了对智能手机硬件、定价趋势和跨多个国家的品牌竞争力的见解。该数据集包括内存、相机规格、电池容量、处理器细节和屏幕尺寸等关键功能。该数据集的一个重要方面是定价信息。记录的价格代表手机首次上市时的官方发布价格。价格因国家和发布期而异，这意味着旧型号反映了它们最初的发布价格，而新型号包括它们最近的发布价格。这使得该数据集对于研究一段时间内的价格趋势和比较不同地区的智能手机负担能力很有价值。特征：公司名称：手机的品牌或制造商。型号名称：智能手机的具体型号。手机重量：手机的重量（以克为单位）。 RAM：设备中的随机存取存储器 (RAM) 的数量（以 GB 为单位）。前置摄像头：前置（自拍）摄像头的分辨率（以 MP 为单位）。后置摄像头：主后置摄像头的分辨率（以 MP 为单位）。处理器：设备中使用的芯片组或处理器。电池容量：智能手机的电池大小（以 mAh 为单位）。屏幕尺寸：智能手机的显示尺寸（以英寸为单位）。上市价格：（巴基斯坦、印度、中国、美国、迪拜）：手机在相应国家/地区发布时的官方上市价格。价格会根据手机发布年份而有所不同。上市年份：手机正式上市的年份。

2025-04-12

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

沃尔玛2025年股票数据 2000 年至 2025 年沃尔玛股票数据

电子邮件钓鱼数据集 经过清理和功能设计的电子邮件网络钓鱼检测数据集

举重数据库 约 48,000 场比赛 来自世界各地的 800,000 名举重运动员

数学学生成绩数据（预测中学教育成果的社会人口和学术指标）

标注的超声肝脏图像数据集

AI生成的吉卜力风格图像趋势（2025年）

手机和笔记本电脑销售数据

人员收集垃圾 COCO 数据集

深度学习 约会应用行为数据集

中国主要城市空气污染综合数据（2015-2025）

IMDb电影类型分类数据集

儿童每日平均屏幕使用时间

手机数据集（2025）

深度学习、水污染＆疾病数据集

深度学习、目标检测、yolov5、安全帽检测

Java编程语言笔记，用于学习使用

openCV手势检测控制电脑音量

基于Django的Web端数据可视化界面

go语言进行区块链模拟，内置proof of work共识算法

空空如也

电子邮件钓鱼数据集经过清理和功能设计的电子邮件网络钓鱼检测数据集

举重数据库约 48,000 场比赛来自世界各地的 800,000 名举重运动员

深度学习约会应用行为数据集