详解pandas.DataFrame.applymap()（应用函数到数据框元素）函数使用方法

pandas.DataFrame.applymap()函数是用于将一个函数应用到DataFrame的每个元素，它返回一个新的DataFrame，其中每个元素都被该函数处理过。 使用方法： DataFrame.applymap(func) 参数解释： func-函数：必须是能够处理单个元素的函数（比如python的内置函数，自定义函数，lambda函数等）。 实例1 import pandas as pd df = pd.DataFr

详解pandas.DataFrame.apply()（应用函数到数据框）函数使用方法

pandas.DataFrame.apply()是pandas库中的一个函数，用来对DataFrame中的每一列进行操作，并返回一个Series或DataFrame。 函数定义： DataFrame.apply(func, axis=0, broadcast=None, raw=False, reduce=None, result_type=None, args=(), **kwds) 参数解释： func: 对每一列应用的函数。 ax

详解pandas.Series.str.upper()（转换序列中的字符串为大写）函数使用方法

pandas.Series.str.upper()方法是Pandas中的一个字符串方法，该方法可以将Series中所有字符串转换为大写字母，并返回一个新的Series。它的语法格式如下： Series.str.upper() 其中Series为一个Pandas Series对象。 下面我们来看一下该方法的使用方法和实例： 语法格式 Series.str.upper() 参数说明 该方法没有参数。 返回值 该方法返回一个新的Series对象

图的十字链表存储结构

前面介绍了图的邻接表存储法，本节继续讲解图的另一种链式存储结构——十字链表法。 与邻接表不同，十字链表法仅适用于存储有向图和有向网。不仅如此，十字链表法还改善了邻接表计算图中顶点入度的问题。 十字链表存储有向图（网）的方式与邻接表有一些相同，都以图（网）中各顶点为首元节点建立多条链表，同时为了便于管理，还将所有链表的首元节点存储到同一数组（或链表）中。 其中，建立个各个链表中用于存储顶点的首元节点结构如图 1 所示： 图 1 十字链表

详解pandas.Series.str.strip()（去除序列中的字符串空格）函数使用方法

pandas.Series.str.strip()的作用 pandas.Series.str.strip()是Series对象中的一个方法，用于去除字符串中的空格或特定字符。其作用是去除字符串前后空格以及某些特定字符，包括制表符、回车符、换行符等，并返回去除后的新字符串。 pandas.Series.str.strip()的使用方法 pandas.Series.str.strip()方法的语法如下： Series.str.strip([c

详解pandas.notnull()（检测非缺失值）函数使用方法

pandas.notnull()的作用是从series或DataFrame中返回布尔值，表示每个值是否为非空/非NaN。 使用方法 对于series对象 import pandas as pd s = pd.Series([1, 2, None, 'hello']) print(pd.notnull(s)) 输出： 0 True 1 True 2 False 3 True dtype:

详解pandas.DataFrame.plot()（绘制数据框图表）函数使用方法

pandas.DataFrame.plot() 是 pandas 库中的一个绘图函数，它允许我们使用数据帧（DataFrame）中的数据绘制各种类型的图表。使用 plot 函数可以帮助我们更直观地了解数据的分布、趋势和关系。 使用方法： pandas.DataFrame.plot(kind=None, x=None, y=None, figsize=None, title=None) 参数说明： kind：可选，绘制的图表类型，如折线图

C语言百钱买百鸡（百钱百鸡，百鸡问题）

中国古代数学家张丘建在他的《算经》中提出了一个著名的“百钱买百鸡问题”，鸡翁一，值钱五，鸡母一，值钱三，鸡雏三，值钱一，百钱买百鸡，问翁、母、雏各几何？ 实现过程： (1) 使用 for 语句对 3 种鸡的数嫌在事先确定好的范围内进行穷举并判断，对满足条件的 3 种鸡的数量按指定格式输出，否则进行下次循环。 (2) 程序代码如下： #include <stdio.h> int main() { int cock,hen,ch

MongoDB自动增长的实现

MongoDB 中没有像 SQL 中那样可以赋予某个字段自动递增的功能，默认情况下 MongoDB 的 _id 字段是系统自动生成的 12 字节的唯一标识，但是在某些情况下我们可能需要在 MongoDB 的某个字段上实现类似 SQL 中的自动递增功能。 因为 MongoDB 中没有实现这个功能，所以我们需要通过编程的方式来实现。本节中我们将通过两个集合（counters 和 tutorials）来实现自动递增功能，其中 counters 集合用来记录自动递增的数值，tutorials 集合

MongoDB正则表达式

在编程语言中，正则表达式可以使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。MongoDB 可以使用 $regex 操作符来设置匹配字符串的正则表达式，MongoDB 使用 PCRE（Perl 兼容的正则表达式）作为正则表达式语言。 与文本搜索不同，您不需要执行任何配置或命令就可以直接使用正则表达式。假设我们已经在名为 posts 的集合中插入了一个文档，如下所示： > db.posts.insert( ... { ... "post_text&q

MongoDB全文检索

从 2.4 版本开始，MongoDB 开始支持全文检索功能，全文检索就是对文本中的每个词建立索引，指明该词在文章中出现的次数和位置，当用户查询时，检索程序就根据事先建立的索引进行查找，并将查找的结果反馈给用户，整个过程类似于通过字典中的检索字表查字的过程。 目前，MongoDB 支持大约 15 种语言的全文索引，例如 danish、dutch、english、finnish、french、german、hungarian、italian、norwegian、portuguese、roman

详解pandas.str.replace()（字符串替换）函数使用方法

pandas.str.replace() 函数用于替换 Series 或 DataFrame 中的子字符串。 语法： pandas.str.replace(pat, repl, n=-1, case=None, flags=0, regex=True) 参数介绍： pat：被替换的子字符串 repl：替换 pat 的字符串 n：要替换的子字符串数量。默认值是-1，表示替换所有匹配的子字符串 case：是否区分大小写。如果为True，则区

MongoDB ObjectId

本节我们来介绍一下 MongoDB 中的 ObjectId 的组成，ObjectId 是一个 12 字节的 BSON 类型，具有以下结构： 前 4 个字节表示时间戳； 接下来的 3 个字节表示机器标识符； 紧接着的 2 个字节由进程 id（PID）组成； 最后 3 个字节是一个随机计数器的值。 MongoDB 使用 ObjectId 作为每个文档 _id 字段的默认值，而且该值可以在创建文档时自动生成。ObjectId 的复杂组合方式

详解pandas.DataFrame.sum()（计算数据框元素总和）函数使用方法

pandas.DataFrame.sum() 是 Pandas 库中的一个函数，用于计算 DataFrame 中每列和每行的总和。 函数语法 DataFrame.sum(axis=None, skipna=None, level=None, numeric_only=None, min_count=0) 参数说明 axis：指定要使用操作的轴。默认为 0，即对列进行操作；如果为 1，则对行进行操作； skipna：指定是否忽略 NaN

详解pandas.Series.str.endswith()（检测序列中的字符串结尾）函数使用方法

pandas.Series.str.endswith()方法用于检查Series中的每个元素是否以指定的后缀结尾。它返回一个布尔Series，其中True表示相应的元素以指定的后缀结尾，False表示相应的元素不以指定的后缀结尾。 下面是该方法的语法： Syntax: pandas.Series.str.endswith(suffix, na=None) 参数： suffix：要检查的后缀（可以是字符串或字符串列表）。 na：（可