新浪博客插入代码（块）及代码高亮…

新浪博客不能插入代码是一件非常尴尬的事情。

这里将介绍如何在新浪博客中加入代码块及其高亮的方法。

所需工具：

（1）XAMPP数据创建软件

（2）wordpress 与 codecolorer

（3）CSDN博客

步骤：

（1）安装wordpress 与 codecolorer 插件

     参考网址： http://jingyan.baidu.com/article/86112f13582848273797879b.html

     1）下载XAMPP、wordpress、codecolorer

     2）安装XAMPP并创建数据库

     3）安装wordpress

     4）安装codecolorer

     5）将程序代码发布在wordpress页面上

（2）打开新浪博客，在博客编辑区显示源代码的情况下输入以下内容，注意将“[”替换为“<”,这里是为了方便显示出来。

    [table cellpadding="0" cellspacing="0" border="0" style="margin:0; padding:0;">

    [tbody> 

    [tr style="margin:0; padding:0;"> 

    [td style="margin:0; padding:0;"> 

    [div style="margin:0; padding:30px 0 0 28px; background-color:rgb(26, 26, 26); width:500px;   height:500px; overflow:scroll;color:rgb(255, 255, 255);">

（代码填充区）

    [/div>

    [/td>

    [/tr>

    [/tbody>

    [/table> 

    [br> 

    [br>

（3）打开CSDN博客编辑界面，将wordpress预览的代码块复制到CSDN的可视化编辑区后点击源代码切换到源代码编辑区，复制从 [ div class="python codecolorer" style="box-sizing: inherit; padding: 5px; font-stretch: normal; line-height: 1.4em;">一直到[ /span>[/div> 的所有代码，这段代码包含了所有代码的文本信息。

（4）将第（3）步中的代码复制到第（2）步的代码填充区即可。

（5）保存并发表博客。

实际效果：

# -*- coding: utf-8 -*- """ Created on Sun Feb 28 10:04:26 2016 PCA source code @author: liudiwei """ import  numpy  as  np import  pandas  as  pd import  matplotlib. pyplot  as  plt #计算均值,要求输入数据为numpy的矩阵格式，行表示样本数，列表示特征     def  meanX (dataX ):       return  np. mean (dataX ,axis = 0 ) #axis=0表示按照列来求均值，如果输入list,则axis=1 #计算方差,传入的是一个numpy的矩阵格式，行表示样本数，列表示特征     def  variance (X ):     m ,  n  =  np. shape (X )     mu  =  meanX (X )     muAll  =  np. tile (mu ,  (m ,  1 ) )          X1  =  X - muAll     variance  =  1./m * np. diag (X1. T  * X1 )       return  variance #标准化,传入的是一个numpy的矩阵格式，行表示样本数，列表示特征     def  normalize (X ):     m ,  n  =  np. shape (X )     mu  =  meanX (X )     muAll  =  np. tile (mu ,  (m ,  1 ) )          X1  =  X - muAll     X2  =  np. tile (np. diag (X. T  * X ) ,  (m ,  1 ) )     XNorm  =  X1/X2       return  XNorm """ 参数：     - XMat：传入的是一个numpy的矩阵格式，行表示样本数，列表示特征         - k：表示取前k个特征值对应的特征向量 返回值：     - finalData：参数一指的是返回的低维矩阵，对应于输入参数二     - reconData：参数二对应的是移动坐标轴后的矩阵 """    def  pca (XMat ,  k ):     average  =  meanX (XMat )      m ,  n  =  np. shape (XMat )     data_adjust  =  [ ]     avgs  =  np. tile (average ,  (m ,  1 ) )     data_adjust  =  XMat - avgs     covX  =  np. cov (data_adjust. T )      #计算协方差矩阵     featValue ,  featVec =    np. linalg. eig (covX )    #求解协方差矩阵的特征值和特征向量     index  =  np. argsort (-featValue )  #按照featValue进行从大到小排序     finalData  =  [ ]       if  k  >  n:           print  "k must lower than feature number"           return       else:           #注意特征向量时列向量，而numpy的二维矩阵(数组)a[m][n]中，a[1]表示第1行值         selectVec  =  np. matrix (featVec. T [index [:k ] ] )  #所以这里需要进行转置         finalData  =  data_adjust * selectVec. T          reconData  =  (finalData * selectVec )  + average         return  finalData ,  reconData def  loaddata (datafile ):       return  np. array (pd. read_csv (datafile ,sep = "\t" ,header =- 1 ) ). astype (np. float ) def  plotBestFit (data1 ,  data2 ):          dataArr1  =  np. array (data1 )     dataArr2  =  np. array (data2 )           m  =  np. shape (dataArr1 ) [ 0 ]     axis_x1  =  [ ]     axis_y1  =  [ ]     axis_x2  =  [ ]     axis_y2  =  [ ]       for  i  in  range (m ):         axis_x1. append (dataArr1 [i , 0 ] )         axis_y1. append (dataArr1 [i , 1 ] )         axis_x2. append (dataArr2 [i , 0 ] )          axis_y2. append (dataArr2 [i , 1 ] )                      fig  =  plt. figure ( )     ax  =  fig. add_subplot ( 111 )     ax. scatter (axis_x1 ,  axis_y1 ,  s = 50 ,  c = 'red' ,  marker = 's' )     ax. scatter (axis_x2 ,  axis_y2 ,  s = 50 ,  c = 'blue' )     plt. xlabel ( 'x1' ) ;  plt. ylabel ( 'x2' ) ;     plt. savefig ( "outfile.png" )     plt. show ( )  #简单测试 #数据来源：http://www.cnblogs.com/jerrylead/archive/2011/04/18/2020209.html def  test ( ):     X  =  [ [ 2.5 ,  0.5 ,  2.2 ,  1.9 ,  3.1 ,  2.3 ,  2 ,  1 ,  1.5 ,  1.1 ] ,           [ 2.4 ,  0.7 ,  2.9 ,  2.2 ,  3.0 ,  2.7 ,  1.6 ,  1.1 ,  1.6 ,  0.9 ] ]     XMat  =  np. matrix (X ). T        k  =  2       return  pca (XMat ,  k ) #根据数据集data.txt def  main ( ):         datafile  =  "data.txt"     XMat  =  loaddata (datafile )     k  =  2       return  pca (XMat ,  k )       if  __name__  ==  "__main__":     finalData ,  reconMat  =  main ( )     plotBestFit (finalData ,  reconMat )