Pandas快速入门?慢速入门_上篇

最新推荐文章于 2024-09-09 00:00:00 发布
最新推荐文章于 2024-09-09 00:00:00 发布
阅读量429 收藏 1
点赞数
文章标签： python numpy 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41819729/article/details/105590819
版权

Pandas快速入门?慢速入门

参考Pandas中文网

文章目录

pandas(Python Data Analysis Library) 是基于NumPy的数据分析模块，提供了大量标准数据模型和高效操作大型数据集所需要的工具，可以说pandas是使得Python能够成为高效且强大的数据分析环境的重要因素之一。

pandas主要提供了3种数据结构：

  • Series,带标签的一维数组
  • DataFrame,带标签且大小可变的二维表格结构
  • Panel,带标签且大小可变的三维数组

可以在命令提示符环境使用pip工具下载和安装pandas,然后按照Python社区的习惯导入该模块

官方文档

import pandas as pd

生成一维数组

  • 用值列表生成 Series 时，Pandas 默认自动生成整数索引
import numpy as np
x=pd.Series([1,3,5,np.nan])
x

0    1.0
1    3.0
2    5.0
3    NaN
dtype: float64

生成二维数组

  • 用含日期时间索引与标签的 NumPy 数组生成 DataFrame

pandas.date_range(start=None, end=None, periods=None, freq=None, tz=None, normalize=False, name=None, closed=None, **kwargs)

此函数返回一个固定频率的DatetimeIndex类型的数据（就是返回一个时间序列）

参数说明：

start：生成日期序列的左区间，str或datetime-like类型， 参数可选。

end： 生成日期序列的右区间，str或datetime-like类型， 参数可选。

periods：要生成的周期数，周期是指生成的序列的长度， int整型， 参数可选。

freq：要生成的日期的频次， 频次是指两个相邻日期间隔时间， 可以是5小时:“5H”， 1天：“D”， 3个月："3M"等等

tz：时区，返回所选时区的日期时间，如：‘Asia/Hong_Kong’，默认生成的日期序列与时区无关，str类型，参数可选。

normalize：在生成日期序列之前，将start/end标准化为午夜。 bool类型，默认False。

name： 生成的DatetimeIndex序列的名字， str类型，默认None。

closed：左右日期区间是否闭合可取。‘left’：左闭右开，‘right’：左开右闭。默认：None， 左右都是闭区间。

**kwargs：向后兼容性考虑，对结果没有影响。

dates = pd.date_range(start='20200101',end='20201231',freq='D') # 间隔为天
dates

DatetimeIndex(['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04',
               '2020-01-05', '2020-01-06', '2020-01-07', '2020-01-08',
               '2020-01-09', '2020-01-10',
               ...
               '2020-12-22', '2020-12-23', '2020-12-24', '2020-12-25',
               '2020-12-26', '2020-12-27', '2020-12-28', '2020-12-29',
               '2020-12-30', '2020-12-31'],
              dtype='datetime64[ns]', length=366, freq='D')

dates = pd.date_range(start='20200101',end='20201231',freq='M') # 间隔为月
dates

DatetimeIndex(['2020-01-31', '2020-02-29', '2020-03-31', '2020-04-30',
               '2020-05-31', '2020-06-30', '2020-07-31', '2020-08-31',
               '2020-09-30', '2020-10-31', '2020-11-30', '2020-12-31'],
              dtype='datetime64[ns]', freq='M')
  • DataFrame的构造

(data=None, index: Optional[Collection] = None, columns: Optional[Collection] = None, dtype: Union[str, numpy.dtype, ExtensionDtype, None] = None, copy: bool = False)

属性说明
T转置索引和列。
at访问行/列标签对的单个值。
attrs此对象的全局属性字典。
axes返回一个表示DataFrame轴的列表。
columnsDataFrame的列标签。
dtypes返回DataFrame中的dtype。
empty指示DataFrame是否为空。
iat通过整数位置访问行/列对的单个值。
iloc基于位置的纯基于整数位置的索引。
indexDataFrame的索引（行标签）。
loc通过标签或布尔数组访问一组行和列。
ndim返回一个表示轴数/数组维数的整数。
shape返回一个表示DataFrame维数的元组。
size返回一个表示此对象中元素数量的int。
style返回一个Styler对象。
values返回DataFrame的Numpy表示形式。
# 通过(np.random.randn(12,4)生成12行4列的随机数据填充到对应列columns=xxx,对应行index=xxx
df=pd.DataFrame(np.random.randn(12,4),index=dates,columns=list('ABCD')) # 4列随机数
df
ABCD
2020-01-310.1030440.5601092.0912360.229528
2020-02-29-0.2409590.797532-1.2961972.061426
2020-03-31-0.922652-0.5144131.412822-0.299704
2020-04-30-0.4905860.891507-0.198199-0.622861
2020-05-310.393078-0.139235-1.454866-0.195723
2020-06-30-0.665946-0.465771-0.706536-1.066117
2020-07-310.0224260.589539-0.7924611.051375
2020-08-31-0.279077-1.277658-0.836739-0.668070
2020-09-300.281047-2.0808610.291808-0.735833
2020-10-31-0.3897570.803638-0.6788991.033629
2020-11-30-1.108762-0.236067-0.238890-0.536497
2020-12-311.0145800.508034-0.5941220.847084
df=pd.DataFrame([[np.random.randint(1,100) for j in range(4)] for i in range(12)],index=dates,columns=list('ABCD'))
df
ABCD
2020-01-315435882
2020-02-2984849543
2020-03-3132724170
2020-04-305311566
2020-05-3159818311
2020-06-307389853
2020-07-3187522735
2020-08-313306977
2020-09-308292831
2020-10-3162442225
2020-11-3065497090
2020-12-3141862025
  • 用 Series 字典对象生成 DataFrame:

下面的代码包括了多种产生数据的方式


df=pd.DataFrame({'A':[np.random.randint(1,100) for i in range(4)],
                 'B':pd.date_range(start='20200101',periods=4,freq='D'),
                 'C':pd.Series([1,2,3,4],index=list(range(4)),dtype='float32'),
                 'D':np.array([3]*4,dtype='int32'),
                 'E':pd.Categorical(["test","train","test","train"]),
                 'F':'foo'
                })
df
ABCDEF
0572020-01-011.03testfoo
1342020-01-022.03trainfoo
2812020-01-033.03testfoo
3582020-01-044.03trainfoo
df2 = pd.DataFrame({'A': 1.,
                    'B': pd.Timestamp('20130102'),
                    'C': pd.Series(1, index=list(range(4)), dtype='float32'),
                    'D': np.array([3] * 4, dtype='int32'),
                    'E': pd.Categorical(["test", "train", "test", "train"]),
                    'F': 'foo'})
df2
ABCDEF
01.02013-01-021.03testfoo
11.02013-01-021.03trainfoo
21.02013-01-021.03testfoo
31.02013-01-021.03trainfoo

DataFrame 的列有不同数据类型

df2.dtypes

A           float64
B    datetime64[ns]
C           float32
D             int32
E          category
F            object
dtype: object

二维数据(DataFrame)的查看与操作

  • 下列代码说明如何查看 DataFrame 头部和尾部数据：
df.head() # 默认显示前五行数据
ABCD
2020-01-310.1030440.5601092.0912360.229528
2020-02-29-0.2409590.797532-1.2961972.061426
2020-03-31-0.922652-0.5144131.412822-0.299704
2020-04-30-0.4905860.891507-0.198199-0.622861
2020-05-310.393078-0.139235-1.454866-0.195723
df.tail(3) #显示最后3行数据
ABCD
2020-10-31-0.3897570.803638-0.6788991.033629
2020-11-30-1.108762-0.236067-0.238890-0.536497
2020-12-311.0145800.508034-0.5941220.847084
  • 显示索引与列名：
df.index

DatetimeIndex(['2020-01-31', '2020-02-29', '2020-03-31', '2020-04-30',
               '2020-05-31', '2020-06-30', '2020-07-31', '2020-08-31',
               '2020-09-30', '2020-10-31', '2020-11-30', '2020-12-31'],
              dtype='datetime64[ns]', freq='M')
  • DataFrame.to_numpy() 输出底层数据的 NumPy 对象。

注意，DataFrame 的列由多种数据类型组成时，该操作耗费系统资源较大，这也是 Pandas 和 NumPy 的本质区别：NumPy 数组只有一种数据类型，DataFrame 每列的数据类型各不相同。

调用 DataFrame.to_numpy() 时，Pandas 查找支持 DataFrame 里所有数据类型的 NumPy 数据类型。还有一种数据类型是 object，可以把 DataFrame 列里的值强制转换为 Python 对象。

下面的 df 这个 DataFrame 里的值都是浮点数，DataFrame.to_numpy() 的操作会很快，而且不复制数据。

df.to_numpy()

array([[ 0.1030443 ,  0.56010851,  2.09123565,  0.22952782],
       [-0.240959  ,  0.79753185, -1.29619662,  2.06142599],
       [-0.92265174, -0.51441274,  1.41282217, -0.29970364],
       [-0.49058649,  0.89150696, -0.19819928, -0.6228611 ],
       [ 0.39307835, -0.13923532, -1.4548656 , -0.19572281],
       [-0.66594582, -0.46577126, -0.70653569, -1.06611748],
       [ 0.02242613,  0.58953907, -0.79246131,  1.05137516],
       [-0.27907671, -1.27765827, -0.83673938, -0.66807027],
       [ 0.28104749, -2.08086105,  0.29180758, -0.73583295],
       [-0.38975678,  0.80363846, -0.67889905,  1.03362933],
       [-1.10876246, -0.23606694, -0.23888969, -0.53649743],
       [ 1.01458035,  0.50803353, -0.59412216,  0.84708401]])

df2 这个 DataFrame 包含了多种类型，DataFrame.to_numpy() 操作就会耗费较多资源。

注意： DataFrame.to_numpy() 的输出不包含行索引和列标签。

df2.to_numpy()

array([[1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
       [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo'],
       [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'test', 'foo'],
       [1.0, Timestamp('2013-01-02 00:00:00'), 1.0, 3, 'train', 'foo']],
      dtype=object)
  • describe() 可以快速查看数据的统计摘要：
df.describe()
ABCD
count12.00000012.00000012.00000012.000000
mean-0.190297-0.046971-0.2500870.091520
std0.5948330.9287651.0547850.954476
min-1.108762-2.080861-1.454866-1.066117
25%-0.534426-0.477932-0.803531-0.634163
50%-0.2600180.184399-0.636511-0.247713
75%0.1475450.641537-0.0756980.893720
max1.0145800.8915072.0912362.061426
  • 转置数据：
df.T
2020-01-312020-02-292020-03-312020-04-302020-05-312020-06-302020-07-312020-08-312020-09-302020-10-312020-11-302020-12-31
A0.103044-0.240959-0.922652-0.4905860.393078-0.6659460.022426-0.2790770.281047-0.389757-1.1087621.014580
B0.5601090.797532-0.5144130.891507-0.139235-0.4657710.589539-1.277658-2.0808610.803638-0.2360670.508034
C2.091236-1.2961971.412822-0.198199-1.454866-0.706536-0.792461-0.8367390.291808-0.678899-0.238890-0.594122
D0.2295282.061426-0.299704-0.622861-0.195723-1.0661171.051375-0.668070-0.7358331.033629-0.5364970.847084
df.sort_index(axis=1,ascending=False) # 对列(column)排序，降序
DCBA
2020-01-310.2295282.0912360.5601090.103044
2020-02-292.061426-1.2961970.797532-0.240959
2020-03-31-0.2997041.412822-0.514413-0.922652
2020-04-30-0.622861-0.1981990.891507-0.490586
2020-05-31-0.195723-1.454866-0.1392350.393078
2020-06-30-1.066117-0.706536-0.465771-0.665946
2020-07-311.051375-0.7924610.5895390.022426
2020-08-31-0.668070-0.836739-1.277658-0.279077
2020-09-30-0.7358330.291808-2.0808610.281047
2020-10-311.033629-0.6788990.803638-0.389757
2020-11-30-0.536497-0.238890-0.236067-1.108762
2020-12-310.847084-0.5941220.5080341.014580
df.sort_index(axis=0,ascending=False) # 对行(索引)排序，降序
ABCD
2020-12-311.0145800.508034-0.5941220.847084
2020-11-30-1.108762-0.236067-0.238890-0.536497
2020-10-31-0.3897570.803638-0.6788991.033629
2020-09-300.281047-2.0808610.291808-0.735833
2020-08-31-0.279077-1.277658-0.836739-0.668070
2020-07-310.0224260.589539-0.7924611.051375
2020-06-30-0.665946-0.465771-0.706536-1.066117
2020-05-310.393078-0.139235-1.454866-0.195723
2020-04-30-0.4905860.891507-0.198199-0.622861
2020-03-31-0.922652-0.5144131.412822-0.299704
2020-02-29-0.2409590.797532-1.2961972.061426
2020-01-310.1030440.5601092.0912360.229528
df.sort_values(by='B') # 对B列排序，默认为升序
ABCD
2020-09-300.281047-2.0808610.291808-0.735833
2020-08-31-0.279077-1.277658-0.836739-0.668070
2020-03-31-0.922652-0.5144131.412822-0.299704
2020-06-30-0.665946-0.465771-0.706536-1.066117
2020-11-30-1.108762-0.236067-0.238890-0.536497
2020-05-310.393078-0.139235-1.454866-0.195723
2020-12-311.0145800.508034-0.5941220.847084
2020-01-310.1030440.5601092.0912360.229528
2020-07-310.0224260.589539-0.7924611.051375
2020-02-29-0.2409590.797532-1.2961972.061426
2020-10-31-0.3897570.803638-0.6788991.033629
2020-04-30-0.4905860.891507-0.198199-0.622861

按多列排序

df.sort_values(by=['A', 'B'],ascending=False)
ABCD
2020-12-311.0145800.508034-0.5941220.847084
2020-05-310.393078-0.139235-1.454866-0.195723
2020-09-300.281047-2.0808610.291808-0.735833
2020-01-310.1030440.5601092.0912360.229528
2020-07-310.0224260.589539-0.7924611.051375
2020-02-29-0.2409590.797532-1.2961972.061426
2020-08-31-0.279077-1.277658-0.836739-0.668070
2020-10-31-0.3897570.803638-0.6788991.033629
2020-04-30-0.4905860.891507-0.198199-0.622861
2020-06-30-0.665946-0.465771-0.706536-1.066117
2020-03-31-0.922652-0.5144131.412822-0.299704
2020-11-30-1.108762-0.236067-0.238890-0.536497

选择

官方提示：
选择、设置标准 Python / Numpy 的表达式已经非常直观，交互也很方便，但对于生产代码，我们还是推荐优化过的 Pandas 数据访问方法：.at、.iat、.loc 和 .iloc。

获取数据

  • 选择单列，产生 Series，与 df.A 等效：
df['A']

2020-01-31    0.103044
2020-02-29   -0.240959
2020-03-31   -0.922652
2020-04-30   -0.490586
2020-05-31    0.393078
2020-06-30   -0.665946
2020-07-31    0.022426
2020-08-31   -0.279077
2020-09-30    0.281047
2020-10-31   -0.389757
2020-11-30   -1.108762
2020-12-31    1.014580
Freq: M, Name: A, dtype: float64

df.A

2020-01-31    0.103044
2020-02-29   -0.240959
2020-03-31   -0.922652
2020-04-30   -0.490586
2020-05-31    0.393078
2020-06-30   -0.665946
2020-07-31    0.022426
2020-08-31   -0.279077
2020-09-30    0.281047
2020-10-31   -0.389757
2020-11-30   -1.108762
2020-12-31    1.014580
Freq: M, Name: A, dtype: float64
  • 用 [ ] 切片行：
df[0:3] # 获得第1~3行的数据，还是左闭右开
ABCD
2020-01-310.1030440.5601092.0912360.229528
2020-02-29-0.2409590.797532-1.2961972.061426
2020-03-31-0.922652-0.5144131.412822-0.299704
df['20200331':'20200731'] # 通过切索引也可以获得对应行数据
ABCD
2020-03-31-0.922652-0.5144131.412822-0.299704
2020-04-30-0.4905860.891507-0.198199-0.622861
2020-05-310.393078-0.139235-1.454866-0.195723
2020-06-30-0.665946-0.465771-0.706536-1.066117
2020-07-310.0224260.589539-0.7924611.051375

按标签选择

  • 用标签提取一行数据
df.loc[dates[0]]

A    0.103044
B    0.560109
C    2.091236
D    0.229528
Name: 2020-01-31 00:00:00, dtype: float64
  • 用标签选择多列数据：
df.loc[:,['A','B']]
AB
2020-01-310.1030440.560109
2020-02-29-0.2409590.797532
2020-03-31-0.922652-0.514413
2020-04-30-0.4905860.891507
2020-05-310.393078-0.139235
2020-06-30-0.665946-0.465771
2020-07-310.0224260.589539
2020-08-31-0.279077-1.277658
2020-09-300.281047-2.080861
2020-10-31-0.3897570.803638
2020-11-30-1.108762-0.236067
2020-12-311.0145800.508034
  • 用标签切片，包含行与列结束点：
df.loc['20200331':'20200511',['A','B']] # 记得之前在NumPy创建数组时总结过，切片或定义时行和列是用','分开的
AB
2020-03-31-0.922652-0.514413
2020-04-30-0.4905860.891507
  • 返回对象降维：
df.loc['20200131',['A','B']]

A    0.103044
B    0.560109
Name: 2020-01-31 00:00:00, dtype: float64
  • 提取标量值：
df.loc[dates[0],'A'] # 获得'0'行'A'列的标量值，即数据矩阵中(0,0)的值

0.10304429743799953
  • 快速访问标量，与上述方法等效：
df.at[dates[0],'A']

0.10304429743799953

按位置选择

  • 用整数位置选择：
df.iloc[3] # 第4行的数据

A   -0.490586
B    0.891507
C   -0.198199
D   -0.622861
Name: 2020-04-30 00:00:00, dtype: float64
  • 类似 NumPy / Python，用整数切片：
df.iloc[3:5,0:2]
AB
2020-04-30-0.4905860.891507
2020-05-310.393078-0.139235
  • 类似 NumPy / Python，用整数列表按位置切片：
df.iloc[[1,2,4],[0,2]]
AC
2020-02-29-0.240959-1.296197
2020-03-31-0.9226521.412822
2020-05-310.393078-1.454866
  • 显式整行切片：
df.iloc[1:3,:]
ABCD
2020-02-29-0.2409590.797532-1.2961972.061426
2020-03-31-0.922652-0.5144131.412822-0.299704
  • 显式整列切片：
df.iloc[:,1:3]
BC
2020-01-310.5601092.091236
2020-02-290.797532-1.296197
2020-03-31-0.5144131.412822
2020-04-300.891507-0.198199
2020-05-31-0.139235-1.454866
2020-06-30-0.465771-0.706536
2020-07-310.589539-0.792461
2020-08-31-1.277658-0.836739
2020-09-30-2.0808610.291808
2020-10-310.803638-0.678899
2020-11-30-0.236067-0.238890
2020-12-310.508034-0.594122
  • 显式提取值：
df.iloc[1,1] # 第二行二列的标量值

0.7975318527696976
  • 快速访问标量，与上述方法等效：
df.iat[1, 1]

0.7975318527696976
ChanZany
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
精心整理 _ 非常全面的Pandas入门教程_pandas入门_
09-30
pandas是基于NumPy的一种数据分析工具，在机器学习任务中，我们首先需要对数据进行清洗和编辑等工作，pandas库大大简化了我们的工作量，熟练并掌握pandas常规用法是正确构建机器学习模型的第一步
python综合学习三之Numpy和Pandas
weixin_33893473的博客
08-26 850
本章学习两个科学运算当中最为重要的两个模块，一个是 numpy,一个是 pandas。任何关于数据分析的模块都少不了它们两个。 一、numpy & pandas特点 NumPy（Numeric Python）系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested l...
pandas之Series 一维数组(一)
kingloneye的博客
08-04 1492
pandas的常用数据类型 1.Series 一维，带标签数组 2.DataFrame 二维，Series容器 创建Series 一维数组 import pandas as pd # 创建Series 一维数组 t1 = pd.Series([1,2,3,4,5,6]) print(t1) 0 1 1 2 2 3 3 4 4 5 5 6 dtype: int64 Series 一维数组的类型 # Series 一维数组的类型 print(type(t1)) //&lt
Pandas与Numpy输出控制
Forskamse's Blog
03-19 878
使用Pandas输出dataframe或者使用Numpy输出array的时候，如果行列过多的话，会产生折叠现象，在行上或者列上出现省略号，替代了真是信息。 如果想避免省略号的出现，可以用以下输出控制命令： ------------------------------------------------------------------------------------ # Pandas ---...
pandas快速入门官方资源
02-12
pandas快速入门官方资源 pandas是基于Python的数据分析库，提供了高效的数据结构和分析工具。本节将对pandas的基本概念和使用方法进行介绍。 系列（Series） Series是pandas中的基本数据结构之一，相当于一维数组...
Pandas基础快速入门
07-15
Pandas基础快速入门
python数据分析pandas快速入门教程.pdf
06-05
标题所涉及的知识点为：Python数据分析pandas快速入门教程。这部分内容主要是介绍如何使用Python语言及其扩展库pandas进行数据分析的学习教程。 描述中的知识点为：python数据分析pandas快速入门教程，电子版书籍，...
Python基础 5 - 类、对象、注解
云端梦留白的博客
09-04 1382
面向对象（Object-Oriented, OOP）是一种编程范式，它使用“对象”来设计软件，这些对象包含数据（通常称为属性或字段）和代码（通常称为方法或函数），以模拟现实世界实体的属性和行为。面向对象是一种编程方法，通过创建包含数据和行为的对象来模拟现实世界，提高代码的组织性、重用性和灵活性。在 Pyhon 中，想要使用类，必须先创建对象。class 类名称 : # class 关键字，表示定义了一个类，类首字符大写为标准。
JS都有哪些操作数组的方法
ggq53219的博客
09-04 559
JavaScript 中操作数组的方法非常丰富，这些方法大致可以分为几类：创建和初始化数组、添加元素、删除元素、遍历数组、搜索元素、数组排序、数组映射和过滤等。
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定
最新发布
weixin_53707653的博客
09-09 482
是一个强大且易用的工具，可以帮助开发者轻松管理 Python 项目的依赖关系，确保代码的可重复性和稳定性。是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。可以确保每次构建环境时都使用相同的依赖项版本，从而避免由于依赖项版本不一致导致的错误，提高代码可重复性和稳定性。自动化了依赖关系管理过程，节省了开发者的时间和精力，可以将更多时间投入到实际的开发工作中。文件中的信息，更新虚拟环境，安装、升级或卸载所需的软件包，确保虚拟环境与。命令可以从你的项目配置文件中生成。
mongodb在Java中条件分组聚合查询并且分页(时间戳，按日期分组，年月日...)
简单发点工作中用到的，或者记录下小知识点
09-03 1779
按时间 年月日条件分组，筛选数据，统计数据，聚合查询 打印出mongo的SQL语句
Transiting from CUDA to HIP （二）
weixin_44500921的博客
09-03 1335
为了解决这个问题，HIP（Heterogeneous-compute Interface for Portability）提供了一套宏定义，使得开发者可以编写可移植的代码，这些代码可以在 NVIDIA 的 CUDA 平台和 AMD 的 ROCm 平台上运行。是一个预定义的宏，用于指示当前编译的代码所针对的 NVIDIA GPU 的计算能力（Compute Capability）。为了正确编译包含 HIP 代码的文件，您需要确保编译器能够找到 HIP 的头文件，并且定义了正确的宏。
asyncio note
weixin_48232453的博客
09-03 873
python异步库asyncio入门
【hot100篇-python刷题记录】【数据流的中位数】
m0_73629042的博客
09-04 354
精简的代码总是难以琢磨。
访问数组索引时超出边界引发 ArrayIndexOutOfBoundsException
Itmastergo的博客
09-05 1092
在 Java 中，数组是一种数据结构，用于存储固定数量的同类型元素。数组中的元素可以是基本数据类型（如intcharfloat等）或引用类型（如String、自定义类等）。数组是一种线性表数据结构，也就是说，数组中的元素可以通过一个整数索引来访问。数组的索引从0开始，这意味着对于长度为n的数组，合法的索引范围是从0到n-1。// 创建一个长度为 5 的整型数组在上面的例子中，numbers是一个包含 5 个整型元素的数组，索引从0到4。数组的大小在创建时就已经固定，因此无法动态扩展。
可视化编程 制作在线点名程序，人工和随机生成两种模式
lfsysc的博客
09-06 790
"第一排第1位置","第一排第2位置","第一排第3位置","第一排第4位置","第一排第5位置","第一排第6位置",],["第四排第1位置","第四排第2位置","第四排第3位置","第四排第4位置","第四排第5位置","第四排第6位置",],["第五排第1位置","第五排第2位置","第五排第3位置","第五排第4位置","第五排第5位置","第五排第6位置",],["第六排第1位置","第六排第2位置","第六排第3位置","第六排第4位置","第六排第5位置","第六排第6位置",],
计算机毕业设计选题推荐-任务管理系统-项目任务分配系统-Java/Python项目实战
IT研究室的博客
09-03 883
随着信息化技术的迅猛发展，各类企业和组织越来越依赖于高效的任务管理系统以保证其日常运营的顺利进行。根据IDC（国际数据公司）发布的报告显示，全球企业在数字化转型上的投入已达数千亿美元，其中相当一部分资金用于提升企业内部的管理效率。任务管理系统作为企业信息化的重要组成部分，能有效帮助企业分配、监控和反馈任务，从而提高工作效率。然而，尽管市场上已有多种任务管理系统，它们在功能、用户体验和适用性上存在显著差异。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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