阿里巴巴icon图标尽在掌握(前端如何引入icon库,美丽图标随你处置T.T)

挑选图标

1.进入阿里矢量图标库iconfont图标库地址

2.寻找自己需要的图标加入购物车

3.进入购物车,下载代码

在这里插入图片描述

引用图标

我们先来看看下载的需要加入的css代码

这里是我挑选的三个图标的css代码
@在font-face中代码引入了多个src,我们一般用第一个就行了,因为用IE9才能使弄潮儿呀!,后面的都不用,也就不用引入它对应的format了
所以,下载完,我们就加入iconfont.css就可以了!

@font-face {font-family: "iconfont";
  src: url('iconfont.eot?t=1616639737360'); /* IE9 */
  src: url('iconfont.eot?t=1616639737360#iefix') format('embedded-opentype'), /* IE6-IE8 */
  url('data:application/x-font-woff2;charset=utf-8;base64,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') format('woff2'),
  url('iconfont.woff?t=1616639737360') format('woff'),
  url('iconfont.ttf?t=1616639737360') format('truetype'), /* chrome, firefox, opera, Safari, Android, iOS 4.2+ */
  url('iconfont.svg?t=1616639737360#iconfont') format('svg'); /* iOS 4.1- */
}

.iconfont {
  font-family: "iconfont" !important;
  font-size: 16px;
  font-style: normal;
  -webkit-font-smoothing: antialiased;
  -moz-osx-font-smoothing: grayscale;
}

.icon-shoucang:before {
  content: "\e86d";
}

.icon-xihuan:before {
  content: "\e86f";
}

.icon-zan:before {
  content: "\e870";
}

下面的.icon-shoucang:before已经把图标都分割好了,我们直接调用这个就好,
就不用取调用图标对应的unicode码了,如果要使用这个码还要去demo_index.html里面查看。
不用这么麻烦,我们直接用.icon-shoucang。

直接调用封装好的

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
    <link rel="stylesheet" href="iconfont.css">
    <!-- <link rel="stylesheet" href="style.css"> -->
</head>
<body>
    <ul>
        <li><span class="iconfont icon-shoucang"></span></li>
        <li><span class="iconfont icon-xihuan"></span></li>
        <li><span class="iconfont icon-zan"></span></li>
    </ul>
</body>
</html>

调用效果展示

在这里插入图片描述
成功调用图标,此处还是要有点掌声哇!!!

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
复数偏最小二乘回归(Partial Least Squares Regression, PLSR)是一种常用的多元线性回归方法。如果你想在Python中实现复数偏最小二乘回归,可以按照以下步骤进行: 1.加载数据集 首先,你需要加载数据集到Python中。数据集应该包含两个矩阵:X和Y,其中X是一个m×n的矩阵,m是样本数量,n是特征数量;Y是一个m×p的矩阵,p是目标变量数量。 2.数据预处理 为了实现复数偏最小二乘回归,你需要对数据进行预处理。具体来说,你需要对X和Y进行中心化和标准化处理。中心化意味着减去每个特征的平均值,标准化意味着将每个特征缩放到具有零均值和单位方差。 3.计算相关系数矩阵 接下来,你需要计算X和Y的相关系数矩阵。相关系数矩阵是一个n×p的矩阵,其中每个元素表示X的第i个特征和Y的第j个目标变量之间的相关性。 4.计算前n个主成分 接下来,你需要计算前n个主成分。主成分是原始特征的线性组合,可以帮助你解释数据的变化。你可以使用SVD分解(奇异值分解)来计算主成分。 5.计算回归系数 最后,你需要计算回归系数。回归系数是一个n×p的矩阵,其中每个元素表示X的第i个特征和Y的第j个目标变量之间的线性关系。 以下是Python代码的示例: ```python import numpy as np def center(X): # 中心化处理 X_mean = np.mean(X, axis=0) X_centered = X - X_mean return X_centered, X_mean def standardize(X): # 标准化处理 X_std = np.std(X, axis=0) X_standardized = X / X_std return X_standardized, X_std def pls(X, Y, n_components): # 计算相关系数矩阵 X_centered, X_mean = center(X) Y_centered, Y_mean = center(Y) X_standardized, X_std = standardize(X_centered) Y_standardized, Y_std = standardize(Y_centered) R = np.dot(X_standardized.T, Y_standardized) # 计算前n个主成分 U, S, Vt = np.linalg.svd(R) T = np.dot(X_standardized, U[:, :n_components]) # 计算回归系数 P = np.dot(X_standardized.T, T) / np.dot(T.T, T) Q = np.dot(Y_standardized.T, T) / np.dot(T.T, T) B = np.dot(P, np.linalg.inv(np.dot(Q.T, P))) B = np.dot(B, Y_std) / X_std.reshape(-1, 1) b0 = Y_mean - np.dot(X_mean, B) return B, b0 ``` 这是一个简单的实现,可能不是最优的。但是,它可以帮助你理解复数偏最小二乘回归的原理,并且可以在不使用第三方的情况下实现它。
评论
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
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