- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python
6-4、Python 数据类型-元组
元组也是序列结构，但是是一种不可变序列，你可以简单的理解为内容不可变的列表。除了在内部元素不可修改的区别外，元组和列表的用法差不多。
40750编辑于 2023-11-09 - 来自专栏全栈开发那些事
6-4 链式表的按序号查找 (10分)
L是给定单链表，函数FindKth要返回链式表的第K个元素。如果该元素不存在，则返回ERROR。
52630编辑于 2023-02-27 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-4 实现线性回归中的梯度下降法
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍如何在线性回归中使用梯度下降法以及将梯度下降法封装在我们自己创建的线性回归类中。
72520发布于 2019-11-13 - 来自专栏CSDNToQQCode
6-4 字符串加密（Java解法，两种网上的类型题）
目录 6-4字符串加密，第一种类型题： Java题解1： 字符串加密，第二种类型题： Java题解2： ---- 6-4字符串加密，第一种类型题： 本题要求实现一个函数，能对一行字符串
55540编辑于 2023-02-10 - 来自专栏TechBlog
电路分析之正弦稳态电路的仿真与研究
6.3 仿真建模 1.测量R、L、C元件上电压与电流的相位关系 image.png 图6-4 测量R、L、C元件上电压与电流的相位关系的实验电路 （1）搭建基础电路结构如上图所示，学生实验只需在 （3）将图6-4中的电阻换成电容，如接入一个0.1uF电容，设置DDS频率为4kHz，幅度的峰峰值值U = 2V，用双踪示波器观测电容两端电压与流过电容的电流之间的相位差。将测量数据填入表6-1。 （4）将图6-4中的电容换成电感，如接入一个10mH电感，设置DDS频率为40kHz，幅度的峰峰值值U = 2V用双踪示波器观测电感两端电压与流过电阻的电流之间的相位差。完成表6-1。 （2）信号源输出幅度的调整方法与前面实验相同，输出频率分别调整为8kHz和15kHz，用示波器直接读取两种频率下各元件上的电压数值，将测量数据填入表6-4。 将测量数据记入表6-4 “示波器测量”一栏。 （4）根据上述电路测量的各电压有效值数据，计算总电压U和总电流I的相位差φ，填入表6-4；画出两种频率下相量关系图，并分析其电路性质。
2.1K31编辑于 2022-08-03 - 来自专栏毕业设计
分布式电商系统的设计与实现⑦-1
对于秒杀商品的增删改查等操作对于秒杀商品的增删改查均能正常执行符合预期结果修改商品界面如下图6-3所示：图 6-3 修改商品界面1.1.4 广告管理相关功能测试广告管理，可以对于广告进行增删改查等功能，以及修改广告的状态，该模块的测试用例分析表如下表6- 4所示：表 6-4 广告管理测试用例分析表测试主题测试步骤预期结果实际结果广告管理（1）点击广告管理，对于广告进行增删改查等操作 （2）点击启用按钮，对于广告状态进行启（禁）用对于广告的相关信息进行增删改查以及启用禁用均可正常执行符合预期结果广告管理页面如下图 6-4所示：图 6-4 广告管理页面我正在参与2024腾讯技术创作特训营最新征文，快来和我瓜分大奖！
41400编辑于 2024-06-22 - 来自专栏全栈程序员必看
linux安装gcc详细过程,linux下安装GCC
6-4。i386。rpm–force–nodeps rpm-ivhcompat-libstdc -296-2。96-138。i386。 6-4。i386。rpm–force–nodeps rpm-ivhcompat-gcc-34-g77-3。 4。6-4。i386。
18.9K10编辑于 2022-08-30 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题6-4 使用函数输出指定范围内的Fibonacci数
习题6-4 使用函数输出指定范围内的Fibonacci数 本题要求实现一个计算Fibonacci数的简单函数，并利用其实现另一个函数，输出两正整数m和n（0<m≤n≤10000）之间的所有Fibonacci
3.3K30发布于 2020-09-15 - 来自专栏数据科学CLUB
机器学习数学基础——积分和导数
导数四则运算典例 image.png 扩展 平分差与完全平分差公式： 1、完全平方差公式：(a-b)²=a²-2ab+b² 概念：两数差的平方，等于它们的平方和，减去它们的积的2倍即完全平方公式 例子：(6- )²=6²-2x6x4+4²=36-48+16=4 2、平方差公式：a²-b²=(a+b)(a-b) 概念：一个平方数或正方形，减去另一个平方数或正方形得来的乘法公式 例子：6²-4²=(6+4)x(6-
1.5K40发布于 2020-06-12 - 来自专栏计算机魔术师
【机器学习 | 可视化】回归可视化方案
欢迎大家订阅该文章收录专栏 [✨--- 《深入解析机器学习：从原理到应用的全面指南》 ---✨]@toc回归可视化方案在评估回归模型效果时，可以使用多种可视化方案来直观地比较实际值和预测值之间的差异。 以下是几种常见的回归模型评估可视化方案和相应的Python代码模板：对角线图：对角线图用于比较实际值和预测值之间的差异。 plt.xlabel('Actual Values')plt.ylabel('Residuals')plt.title('Residual Plot')plt.show()拟合曲线图：可以绘制拟合曲线来可视化模型的拟合效果 ', label='Predicted')plt.xlabel('X')plt.ylabel('Y')plt.title('Fitted Curve')plt.legend()plt.show()这些可视化方案提供了不同的角度和方法来评估回归模型的效果 根据数据和模型的特点，可以选择适合的可视化方案或结合多种方案来全面评估模型的性能。 到这里，如果还有什么疑问欢迎私信博主问题哦，博主会尽自己能力为你解答疑惑的！
91900编辑于 2023-11-29 - 来自专栏全栈程序员必看
SQL可视化工具_可视化工具tableau
SQLite的可视化工具 下载地址：https://sqlitestudio.pl/index.rvt?
2.5K10编辑于 2022-09-20 - 来自专栏医学和生信笔记
R可视化：R可视化教程来了！
从本周开始会每周推送1~2次高质量R可视化内容，本系列内容来自github上面超级火爆的R语言可视化项目：tidyTuesday。 tidyTuesday每周更新数据，大佬们会使用这些数据集自由创作出各种高质量的R语言可视化作品，是学习R语言数据分析和可视化极好的素材。 热情的小伙伴把这些内容整理到CSDN中，方便大家学习，每个例子会展示多个可视化方案，均配有完整源代码和数据（为了便于理解，部分重要步骤均添加了注解）。
1.1K30编辑于 2022-11-15 - 来自专栏计算机魔术师
【机器学习 | 可视化系列】可视化系列 之 决策树可视化
Embedding）是一种降维和可视化技术，用于将高维数据映射到二维或三维空间中。 因为t-SNE能够捕捉到复杂、非线性结构以及聚类效应，所以它通常被用于可视化高维数据集中不同类别或群组之间的分布关系。 决策树可视化scikit-learn（sklearn）的tree模块提供了一个方便的函数plot_tree，用于可视化决策树模型。 你可以使用以下步骤来使用plot_tree函数进行可视化（以iris数据集为例）：导入必要的库和模块：在Python脚本中，导入tree模块和matplotlib.pyplot库：可视化决策树：使用plot_tree 函数可视化决策树模型。
1.1K00编辑于 2023-11-29 - 来自专栏叶子陪你玩编程
python基础语法很OK？做几题测试一下（2）
4)/(4/6)', '((12-4)-4)*6', '(12*4)-(4*6)', '((12+4)*6)/4', '(12+4)*(6/4)', '(12*4)-(6*4)', '(12*4)/(6- 4)/(4/6)', '((12-4)-4)*6', '(12*4)-(4*6)', '((12+4)*6)/4', '(12+4)*(6/4)', '(12*4)-(6*4)', '(12*4)/(6- 12)/4)*6', '(4+12)/(4/6)', '(4*12)-(4*6)', '((4+12)*6)/4', '(4+12)*(6/4)', '(4*12)-(6*4)', '(4*12)/(6- 12)/4)*6', '(4+12)/(4/6)', '(4*12)-(4*6)', '((4+12)*6)/4', '(4+12)*(6/4)', '(4*12)-(6*4)', '(4*12)/(6-
59220编辑于 2021-12-13 - 来自专栏【计网】Cisco
操作系统 | 源码分析
sched.h的调度函数schedule()，并将全部代码导入如图6-2. 3.进程调度队列的组织如图6-3. 4.三种调度类型（SCHED_FIFO、SCHED_RR、SCHED_OHTER）实现过程如图6- 它与优先级的关系如图6-9. 7.对实时进程和多CPU的支持如图6-10. 8.评价linux的调度策略，提出改进意见如图6-11. 1.4 实验过程 图6-1 图6-2 图6-3 图6-
43710编辑于 2024-02-20 - 来自专栏智能大数据分析
【数据可视化技术】数据可视化概述&工具
本章简单介绍数据可视化的发展历史、可视化工具分类，重点结合ECharts介绍Web可视化组件生成方法，并给出Java Web开发与相关大数据组件的数据集成，以展现数据可视化结果。 一、数据可视化概述 （一）基本概念 数据可视化，是指将结构或非结构化的数据转换成适当的可视化图表，然后将隐藏在数据中的信息直接展现在人们面前，是一种关于数据视觉表现形式的科学技术研究。 （三）基本方式 进入20世纪，数据可视化有了飞跃性的发展。数据可视化的方式可以分为面积与尺寸可视化、颜色可视化、图形可视化、地域空间可视化和概念可视化等。 二、数据可视化工具 根据可视化工具的使用方式使用用户的不同，可分为桌面数据可视化技术（如Excel、R可视化和Python可视化等）、在线数据可视化技术（Oracle BI、Superset SuperSet可以支持十几种可视化图表，用于将查询返回的数据做可视化展示，但是其可视化目前只支持每次可视化一张表，不支持join连接，且过于依赖数据库的快速响应。
1.9K10编辑于 2025-01-22 - 来自专栏腾讯大数据可视化设计团队的专栏
遇见大数据可视化：可视化系统搭建
如何搭建数据可视化系统，使复杂和庞大数据用丰富的设计语言清晰表达，并形成鲜明的设计风格？我们把数据可视化的元素进行拆分并建立相应的规范体系。 a、明确目标 明确数据可视化的目标，通过数据可视化我们要解决什么样的问题，需要探索什么内容或陈述什么事实。 [1497331969668_374_1497331969874.jpg] 3.动效设计 目前越来越多的可视化展示的数据都是实时的，所以动效在可视化项目中的应用越来越广泛，动效设计肩负着承载更多信息和丰富画面效果的重要作用 a、 信息承载 在可视化设计中经常遇到，非常多的数据信息需要展示在一个大屏幕上。 保证可视化图的清晰辨识度，色调与明度变化需要有跨度。
11.4K50发布于 2017-06-13 - 来自专栏全栈程序员必看
数据可视化编程实战_大数据可视化
以R可视化为桥梁 经常有对比R，Python和Julia之间的讨论，似乎R语言在这三者之中是最为逊色的，实则不可一概而论。 R语言在常规数据分析的场景下，如数据读入，预处理，整理，以及单机可视化方面表现出的优势，无论从用户体验，还是代码流畅度，令另两种语言略逊一筹。 本文将从统计学中最基本的密度曲线的绘制，来串讲一下题目中所涉及的R语言可视化中三个强大的可视化包的用法，以及之间的联系。 终于，可以引出第一个可视化包ggplot2了，这个包在统计学界名气很大，功能也极为成熟，是R语言可视化中不可回避的内容。 8 利用shiny生成 交互式可视化 shiny是R生态系统中一个准企业级的交互式可视化工具，在用户界面体验方面有极佳的表现。
10K20编辑于 2022-11-17 - 来自专栏全栈程序员必看
可视化篇：效果图_可视化建模
写在最前 在做可视化的时候，理解自己做的每个图形展示的意义，是多么的至关重要 每做一张图的时候，我都在想，该如何阐述图形背后的故事 下面是一些效果图，每张图，都只为更好地反应数据背后的那段故事
1K50编辑于 2022-09-27 - 来自专栏好奇心Log
Python可视化 | 风玫瑰图可视化示例
https://github.com/python-windrose/windrose pip install windrose pip install git+https://github.com/python-windrose/windrose git clone https://github.com/python-windrose/windrose python setup.py install from windrose import WindroseAxes from matplotlib im
3.5K20发布于 2020-12-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号