機(jī)器學(xué)習(xí)之?dāng)?shù)據(jù)清洗及六種缺值處理方式小結(jié)
更新時(shí)間：2025年03月13日 09:01:19 作者：是十一月末
本文主要介紹了機(jī)器學(xué)習(xí)之?dāng)?shù)據(jù)清洗及六種缺值處理方式小結(jié),包括刪除空行、填充平均值、中位數(shù)、眾數(shù)、線性插值和隨機(jī)森林填充,具有一定的參考價(jià)值,感興趣的可以了解一下
1 數(shù)據(jù)清洗
1.1 概念
數(shù)據(jù)清洗（Data Cleaning）是指從數(shù)據(jù)集中識(shí)別并糾正或刪除不準(zhǔn)確、不完整、格式不統(tǒng)一或與業(yè)務(wù)規(guī)則不符的數(shù)據(jù)的過(guò)程。這個(gè)過(guò)程是數(shù)據(jù)預(yù)處理的一個(gè)重要組成部分，其目的是提高數(shù)據(jù)的質(zhì)量，確保數(shù)據(jù)的一致性和準(zhǔn)確性，從而為數(shù)據(jù)分析、數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等后續(xù)數(shù)據(jù)處理工作提供可靠的基礎(chǔ)。數(shù)據(jù)清洗是一個(gè)反復(fù)迭代的過(guò)程，可能需要多次調(diào)整和優(yōu)化以達(dá)到理想的效果。
1.2 重要性
數(shù)據(jù)清洗是數(shù)據(jù)處理過(guò)程中的重要環(huán)節(jié)，它涉及到將原始數(shù)據(jù)轉(zhuǎn)換為可用、可靠和有意義的形式，以便進(jìn)行進(jìn)一步的分析和挖掘。
數(shù)據(jù)清洗是數(shù)據(jù)科學(xué)和數(shù)據(jù)分析領(lǐng)域的一個(gè)重要步驟，因?yàn)樗苯佑绊懙胶罄m(xù)分析結(jié)果的準(zhǔn)確性和可靠性。不干凈的數(shù)據(jù)可能會(huì)導(dǎo)致錯(cuò)誤的結(jié)論和決策。
1.3 注意事項(xiàng)
- 1.完整性:檢查單條數(shù)據(jù)是否存在空值，統(tǒng)計(jì)的字段是否完善。
- 2.全面性:觀察某一列的全部數(shù)值，可以通過(guò)比較最大值、最小值、平均值、數(shù)據(jù)定義等來(lái)判斷數(shù)據(jù)是否全面。
- 3.合法性:檢査數(shù)值的類(lèi)型、內(nèi)容、大小是否符合預(yù)設(shè)的規(guī)則。例如，人類(lèi)的年齡超過(guò)1000歲這個(gè)數(shù)據(jù)就是不合法的。
- 4.唯一性:檢查數(shù)據(jù)是否重復(fù)記錄，例如一個(gè)人的數(shù)據(jù)被重復(fù)記錄多次。
- 5.類(lèi)別是否可靠。
2 查轉(zhuǎn)空值及數(shù)據(jù)類(lèi)型轉(zhuǎn)換和標(biāo)準(zhǔn)化
2.1 空值為空
- null_num = data.isnull()判斷是否為空，為空填充為T(mén)rue
- null_all = null_num.sum()計(jì)算空值數(shù)量
2.2 空值不為空
- data.replace(‘NA’, ‘’, inplace=True)空值為NA填充，替換為空再計(jì)算
null_num = data.isnull()
null_all = null_num.sum()
2.2.1 結(jié)果
調(diào)試結(jié)果：
null_num = data.isnull()
null_all
處理后原數(shù)據(jù)
2.3 類(lèi)型轉(zhuǎn)換和標(biāo)準(zhǔn)化處理
- 特征數(shù)據(jù)類(lèi)型轉(zhuǎn)換為數(shù)值
pd.to_numeric(數(shù)據(jù),errors=‘coerce’) - 標(biāo)準(zhǔn)化處理
scaler = StandardScaler()x_all_z = scaler.fit_transform(x_all)
調(diào)試結(jié)果：
x_all_z
3 六種缺值處理方式
3.1 數(shù)據(jù)介紹
部分?jǐn)?shù)據(jù)展示，第一列為序號(hào)，最后一行為結(jié)果類(lèi)別，其他為特征變量
3.2 涉及函數(shù)導(dǎo)入及變量
import pandas as pd from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestRegressor
train_data,train_label,test_data,test_label分別為訓(xùn)練集變量、結(jié)果和測(cè)試集變量、結(jié)果，結(jié)果列名為質(zhì)量評(píng)分
3.3 刪除空行填充
# 刪除空行
def cca_train_fill(train_data,train_label):
data = pd.concat([train_data, train_label], axis=1)
#reset_index()重新排序
data = data.reset_index(drop=True)
#dropna()刪除空行
df_filled = data.dropna()
#dropna()刪除空行
df_filled = df_filled.reset_index(drop=True)
return df_filled.drop('礦物類(lèi)型', axis=1), df_filled.礦物類(lèi)型
def cca_test_fill(train_data,train_label,test_data,test_label):
data = pd.concat([test_data, test_label], axis=1)
data = data.reset_index(drop=True)
df_filled = data.dropna()
df_filled = df_filled.reset_index(drop=True)
return df_filled.drop('礦物類(lèi)型', axis=1), df_filled.礦物類(lèi)型
3.4 平均值填充
# 平均數(shù)
# 填充訓(xùn)練集平均值
def mean_train_method(data):
# 數(shù)據(jù)的平均值
fill_values = data.mean()
# fillna(平均值)填充平均值
# 返回?cái)?shù)據(jù)填充后結(jié)果
return data.fillna(fill_values)
def mean_train_fill(train_data,train_label):
data = pd.concat([train_data,train_label],axis=1)
data = data.reset_index(drop=True)
A = data[data['礦物類(lèi)型'] == 0]
B = data[data['礦物類(lèi)型'] == 1]
C = data[data['礦物類(lèi)型'] == 2]
D = data[data['礦物類(lèi)型'] == 3]
A = mean_train_method(A)
B = mean_train_method(B)
C = mean_train_method(C)
D = mean_train_method(D)
df_filled = pd.concat([A,B,C,D])
df_filled = df_filled.reset_index(drop=True)
return df_filled.drop('礦物類(lèi)型', axis=1),df_filled.礦物類(lèi)型
# 填充測(cè)試集平均數(shù)，測(cè)試集需根據(jù)訓(xùn)練集的平均值進(jìn)行填充
def mean_test_method(train_data,test_data):
fill_values = train_data.mean()
return test_data.fillna(fill_values)
def mean_test_fill(train_data,train_label,test_data,test_label):
train_data_all = pd.concat([train_data,train_label],axis=1)
train_data_all = train_data_all.reset_index(drop=True)
test_data_all = pd.concat([test_data,test_label],axis=1)
test_data_all = test_data_all.reset_index(drop=True)
A_train = train_data_all[train_data_all['礦物類(lèi)型'] == 0]
B_train = train_data_all[train_data_all['礦物類(lèi)型'] == 1]
C_train = train_data_all[train_data_all['礦物類(lèi)型'] == 2]
D_train = train_data_all[train_data_all['礦物類(lèi)型'] == 3]
A_test = test_data_all[test_data_all['礦物類(lèi)型'] == 0]
B_test = test_data_all[test_data_all['礦物類(lèi)型'] == 1]
C_test = test_data_all[test_data_all['礦物類(lèi)型'] == 2]
D_test = test_data_all[test_data_all['礦物類(lèi)型'] == 3]
# 測(cè)試集根據(jù)訓(xùn)練集填充
A = mean_test_method(A_train,A_test)
B = mean_test_method(B_train,B_test)
C = mean_test_method(C_train,C_test)
D = mean_test_method(D_train,D_test)
df_filled = pd.concat([A,B,C,D])
df_filled = df_filled.reset_index(drop=True)
return df_filled.drop('礦物類(lèi)型', axis=1),df_filled.礦物類(lèi)型
3.5 中位數(shù)填充
# 中位數(shù)
def median_train_method(data):
fill_values = data.median()
return data.fillna(fill_values)
def median_train_fill(train_data,train_label):
data = pd.concat([train_data,train_label],axis=1)
data = data.reset_index(drop=True)
A = data[data['礦物類(lèi)型'] == 0]
B = data[data['礦物類(lèi)型'] == 1]
C = data[data['礦物類(lèi)型'] == 2]
D = data[data['礦物類(lèi)型'] == 3]
A = median_train_method(A)
B = median_train_method(B)
C = median_train_method(C)
D = median_train_method(D)
df_filled = pd.concat([A,B,C,D])
df_filled = df_filled.reset_index(drop=True)
return df_filled.drop('礦物類(lèi)型', axis=1),df_filled.礦物類(lèi)型
def median_test_method(train_data,test_data):
fill_values = train_data.median()
return test_data.fillna(fill_values)
def median_test_fill(train_data,train_label,test_data,test_label):
train_data_all = pd.concat([train_data,train_label],axis=1)
train_data_all = train_data_all.reset_index(drop=True)
test_data_all = pd.concat([test_data,test_label],axis=1)
test_data_all = test_data_all.reset_index(drop=True)
A_train = train_data_all[train_data_all['礦物類(lèi)型'] == 0]
B_train = train_data_all[train_data_all['礦物類(lèi)型'] == 1]
C_train = train_data_all[train_data_all['礦物類(lèi)型'] == 2]
D_train = train_data_all[train_data_all['礦物類(lèi)型'] == 3]
A_test = test_data_all[test_data_all['礦物類(lèi)型'] == 0]
B_test = test_data_all[test_data_all['礦物類(lèi)型'] == 1]
C_test = test_data_all[test_data_all['礦物類(lèi)型'] == 2]
D_test = test_data_all[test_data_all['礦物類(lèi)型'] == 3]
A = median_test_method(A_train,A_test)
B = median_test_method(B_train,B_test)
C = median_test_method(C_train,C_test)
D = median_test_method(D_train,D_test)
df_filled = pd.concat([A,B,C,D])
df_filled = df_filled.reset_index(drop=True)
return df_filled.drop('礦物類(lèi)型', axis=1),df_filled.礦物類(lèi)型
3.6 眾數(shù)填充
# 眾數(shù)
def mode_train_method(data):
# apply()每列應(yīng)用函數(shù)
# 執(zhí)行函數(shù)如果有眾數(shù)個(gè)數(shù)不為0或空，填充第一個(gè)
fill_values = data.apply(lambda x:x.mode().iloc[0] if len(x.mode())>0 else None)
# 每列眾數(shù)
a = data.mode()
return data.fillna(fill_values)
def mode_train_fill(train_data,train_label):
data = pd.concat([train_data,train_label],axis=1)
data = data.reset_index(drop=True)
A = data[data['礦物類(lèi)型'] == 0]
B = data[data['礦物類(lèi)型'] == 1]
C = data[data['礦物類(lèi)型'] == 2]
D = data[data['礦物類(lèi)型'] == 3]
A = mode_train_method(A)
B = mode_train_method(B)
C = mode_train_method(C)
D = mode_train_method(D)
df_filled = pd.concat([A,B,C,D])
df_filled = df_filled.reset_index(drop=True)
return df_filled.drop('礦物類(lèi)型', axis=1),df_filled.礦物類(lèi)型
def mode_test_method(train_data,test_data):
fill_values = train_data.apply(lambda x:x.mode().iloc[0] if len(x.mode())>0 else None)
return test_data.fillna(fill_values)
def mode_test_fill(train_data,train_label,test_data,test_label):
train_data_all = pd.concat([train_data,train_label],axis=1)
train_data_all = train_data_all.reset_index(drop=True)
test_data_all = pd.concat([test_data,test_label],axis=1)
test_data_all = test_data_all.reset_index(drop=True)
A_train = train_data_all[train_data_all['礦物類(lèi)型'] == 0]
B_train = train_data_all[train_data_all['礦物類(lèi)型'] == 1]
C_train = train_data_all[train_data_all['礦物類(lèi)型'] == 2]
D_train = train_data_all[train_data_all['礦物類(lèi)型'] == 3]
A_test = test_data_all[test_data_all['礦物類(lèi)型'] == 0]
B_test = test_data_all[test_data_all['礦物類(lèi)型'] == 1]
C_test = test_data_all[test_data_all['礦物類(lèi)型'] == 2]
D_test = test_data_all[test_data_all['礦物類(lèi)型'] == 3]
A = mode_test_method(A_train,A_test)
B = mode_test_method(B_train,B_test)
C = mode_test_method(C_train,C_test)
D = mode_test_method(D_train,D_test)
df_filled = pd.concat([A,B,C,D])
df_filled = df_filled.reset_index(drop=True)
return df_filled.drop('礦物類(lèi)型', axis=1),df_filled.礦物類(lèi)型
3.7 線性填充
def lr_train_fill(train_data,train_label):
train_data_all = pd.concat([train_data,train_label],axis=1)
train_data_all = train_data_all.reset_index(drop=True)
train_data_x = train_data_all.drop('礦物類(lèi)型',axis=1)
# 計(jì)算空值個(gè)數(shù)
null_num = train_data_x.isnull().sum()
# 根據(jù)空值個(gè)數(shù)排列列名
null_num_sorted = null_num.sort_values(ascending=True)
filling_feature = []
for i in null_num_sorted.index:
filling_feature.append(i)
# 該列空值個(gè)數(shù)不為0
if null_num_sorted[i] != 0:
# x為去除當(dāng)前含空列的其他列特征數(shù)據(jù)
x = train_data_x[filling_feature].drop(i,axis=1)
# y為含空列所有數(shù)據(jù)
y = train_data_x[i]
# 空列行索引列表
row_numbers_null_list = train_data_x[train_data_x[i].isnull()].index.tolist()
# 訓(xùn)練集x為去除空行的x
x_train = x.drop(row_numbers_null_list)
# 訓(xùn)練集y為去除空行的y
y_train = y.drop(row_numbers_null_list)
# 測(cè)試集空行的x數(shù)據(jù)
x_test = x.iloc[row_numbers_null_list]
lr = LinearRegression()
lr.fit(x_train,y_train)
# 預(yù)測(cè)空值結(jié)果
y_pr = lr.predict(x_test)
train_data_x.loc[row_numbers_null_list,i] = y_pr
print(f'完成訓(xùn)練數(shù)據(jù)集中的{i}列數(shù)據(jù)清洗')
return train_data_x,train_data_all.礦物類(lèi)型
def lr_test_fill(train_data,train_label,test_data,test_label):
train_data_all = pd.concat([train_data,train_label],axis=1)
train_data_all = train_data_all.reset_index(drop=True)
test_data_all = pd.concat([test_data, test_label], axis=1)
test_data_all = test_data_all.reset_index(drop=True)
train_data_x = train_data_all.drop('礦物類(lèi)型',axis=1)
test_data_x = test_data_all.drop('礦物類(lèi)型',axis=1)
null_num = test_data_x.isnull().sum()
null_num_sorted = null_num.sort_values(ascending=True)
filling_feature = []
for i in null_num_sorted.index:
filling_feature.append(i)
if null_num_sorted[i] != 0:
x_train = train_data_x[filling_feature].drop(i,axis=1)
y_train = train_data_x[i]
x_test = test_data_x[filling_feature].drop(i,axis=1)
row_numbers_null_list = test_data_x[test_data_x[i].isnull()].index.tolist()
x_test = x_test.iloc[row_numbers_null_list]
lr = LinearRegression()
# 根據(jù)訓(xùn)練集數(shù)據(jù)進(jìn)行測(cè)試集數(shù)據(jù)空值填充
lr.fit(x_train,y_train)
y_pr = lr.predict(x_test)
test_data_x.loc[row_numbers_null_list,i] = y_pr
print(f'完成測(cè)試數(shù)據(jù)集中的{i}列數(shù)據(jù)清洗')
return test_data_x,test_data_all.礦物類(lèi)型
3.8 隨機(jī)森林填充
# 隨機(jī)森林
def Random_train_fill(train_data,train_label):
train_data_all = pd.concat([train_data,train_label],axis=1)
train_data_all = train_data_all.reset_index(drop=True)
train_data_x = train_data_all.drop('礦物類(lèi)型',axis=1)
null_num = train_data_x.isnull().sum()
null_num_sorted = null_num.sort_values(ascending=True)
filling_feature = []
for i in null_num_sorted.index:
filling_feature.append(i)
if null_num_sorted[i] != 0:
x = train_data_x[filling_feature].drop(i,axis=1)
y = train_data_x[i]
row_numbers_null_list = train_data_x[train_data_x[i].isnull()].index.tolist()
x_train = x.drop(row_numbers_null_list)
y_train = y.drop(row_numbers_null_list)
x_test = x.iloc[row_numbers_null_list]
lr = RandomForestRegressor(n_estimators=100,max_features=0.8,random_state=314,n_jobs=-1)
lr.fit(x_train,y_train)
y_pr = lr.predict(x_test)
train_data_x.loc[row_numbers_null_list,i] = y_pr
print(f'完成訓(xùn)練數(shù)據(jù)集中的{i}列數(shù)據(jù)清洗')
return train_data_x,train_data_all.礦物類(lèi)型
def Random_test_fill(train_data,train_label,test_data,test_label):
train_data_all = pd.concat([train_data,train_label],axis=1)
train_data_all = train_data_all.reset_index(drop=True)
test_data_all = pd.concat([test_data, test_label], axis=1)
test_data_all = test_data_all.reset_index(drop=True)
train_data_x = train_data_all.drop('礦物類(lèi)型',axis=1)
test_data_x = test_data_all.drop('礦物類(lèi)型',axis=1)
null_num = test_data_x.isnull().sum()
null_num_sorted = null_num.sort_values(ascending=True)
filling_feature = []
for i in null_num_sorted.index:
filling_feature.append(i)
if null_num_sorted[i] != 0:
x_train = train_data_x[filling_feature].drop(i,axis=1)
y_train = train_data_x[i]
x_test = test_data_x[filling_feature].drop(i,axis=1)
row_numbers_null_list = test_data_x[test_data_x[i].isnull()].index.tolist()
x_test = x_test.iloc[row_numbers_null_list]
lr = RandomForestRegressor(n_estimators=100,max_features=0.8,random_state=314,n_jobs=-1)
lr.fit(x_train,y_train)
y_pr = lr.predict(x_test)
test_data_x.loc[row_numbers_null_list,i] = y_pr
print(f'完成測(cè)試數(shù)據(jù)集中的{i}列數(shù)據(jù)清洗')
return test_data_x,test_data_all.礦物類(lèi)型
4 數(shù)據(jù)保存
不同處理方法得到的數(shù)據(jù)應(yīng)分別保存，更改[ ]內(nèi)內(nèi)容即可
代碼展示：
data_train = pd.concat([ov_x_train,ov_y_train],axis=1).sample(frac=1,random_state=4) data_test = pd.concat([x_test_fill,y_test_fill],axis=1).sample(frac=1,random_state=4) data_train.to_excel(r'./data_train_test//訓(xùn)練數(shù)據(jù)集[隨機(jī)森林回歸].xlsx',index=False) data_test.to_excel(r'./data_train_test//測(cè)試數(shù)據(jù)集[隨機(jī)森林回歸].xlsx',index=False)
5 代碼集合測(cè)試
為便于處理，將數(shù)據(jù)填充另封裝為file_data，便于應(yīng)用
全部代碼展示：
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
import file_data
from imblearn.over_sampling import SMOTE
data = pd.read_excel('礦物數(shù)據(jù).xls')
data = data[data['礦物類(lèi)型'] != 'E']
# 空值為nan
null_num = data.isnull()
# 計(jì)算空值數(shù)量
null_all = null_num.sum()
x_all = data.drop('礦物類(lèi)型',axis=1).drop('序號(hào)',axis=1)
y_all = data.礦物類(lèi)型
# 轉(zhuǎn)換結(jié)果類(lèi)別類(lèi)型
label_dict = {'A':0,'B':1,'C':2,'D':3}
encod_labels = [label_dict[label] for label in y_all]
# 類(lèi)別轉(zhuǎn)serises
y_all = pd.Series(encod_labels,name='礦物類(lèi)型')
# 特征數(shù)據(jù)類(lèi)型轉(zhuǎn)換為數(shù)值
for column_name in x_all.columns:
x_all[column_name] = pd.to_numeric(x_all[column_name],errors='coerce')
# 標(biāo)準(zhǔn)化處理
scaler = StandardScaler()
x_all_z = scaler.fit_transform(x_all)
x_all = pd.DataFrame(x_all_z,columns=x_all.columns)
x_train,x_test,y_train,y_test = \
train_test_split(x_all,y_all,test_size=0.3,random_state=50000)
### 按注釋依次使用不同填充缺值數(shù)據(jù)
# cca
# x_train_fill,y_train_fill = file_data.cca_train_fill(x_train,y_train)
# x_test_fill,y_test_fill = file_data.cca_test_fill(x_train_fill,y_train_fill,x_test,y_test)
# 平均值
# x_train_fill,y_train_fill = file_data.mean_train_fill(x_train,y_train)
# x_test_fill,y_test_fill = file_data.mean_test_fill(x_train_fill,y_train_fill,x_test,y_test)
# 中位數(shù)
# x_train_fill,y_train_fill = file_data.median_train_fill(x_train,y_train)
# x_test_fill,y_test_fill = file_data.median_test_fill(x_train_fill,y_train_fill,x_test,y_test)
# 眾數(shù)
# x_train_fill,y_train_fill = file_data.mode_train_fill(x_train,y_train)
# x_test_fill,y_test_fill = file_data.mode_test_fill(x_train_fill,y_train_fill,x_test,y_test)
#
# lr_train_fill線性回歸
# x_train_fill,y_train_fill = file_data.lr_train_fill(x_train,y_train)
# x_test_fill,y_test_fill = file_data.lr_test_fill(x_train_fill,y_train_fill,x_test,y_test)
# 隨機(jī)森林回歸
x_train_fill,y_train_fill = file_data.Random_train_fill(x_train,y_train)
x_test_fill,y_test_fill = file_data.Random_test_fill(x_train_fill,y_train_fill,x_test,y_test)
#打亂順序
oversampler = SMOTE(k_neighbors=1,random_state=42)
ov_x_train,ov_y_train = oversampler.fit_resample(x_train_fill,y_train_fill)
# 數(shù)據(jù)存儲(chǔ)
data_train = pd.concat([ov_x_train,ov_y_train],axis=1).sample(frac=1,random_state=4)
data_test = pd.concat([x_test_fill,y_test_fill],axis=1).sample(frac=1,random_state=4)
data_train.to_excel(r'./data_train_test//訓(xùn)練數(shù)據(jù)集[隨機(jī)森林回歸].xlsx',index=False)
data_test.to_excel(r'./data_train_test//測(cè)試數(shù)據(jù)集[隨機(jī)森林回歸].xlsx',index=False)
依次運(yùn)行結(jié)果：
到此這篇關(guān)于機(jī)器學(xué)習(xí)之?dāng)?shù)據(jù)清洗及六種缺值處理方式小結(jié)的文章就介紹到這了,更多相關(guān)機(jī)器學(xué)習(xí)數(shù)據(jù)清洗缺值內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
今天給大家分享一個(gè)得到彈幕的代碼，本文通過(guò)實(shí)例代碼給大家介紹Python得到彈幕并保存到Excel中怎么設(shè)置，感興趣的朋友跟隨小編一起看看吧2023-01-01
Python重復(fù)文件批量整理工具的設(shè)計(jì)與實(shí)現(xiàn)
這篇文章主要為大家詳細(xì)介紹了如何通關(guān)Python編寫(xiě)一個(gè)重復(fù)文件批量整理工具,可以在文件夾內(nèi)對(duì)文件進(jìn)行去重和分類(lèi)存儲(chǔ),有需要的可以了解下2025-02-02
TensorFLow 數(shù)學(xué)運(yùn)算的示例代碼
這篇文章主要介紹了TensorFLow 數(shù)學(xué)運(yùn)算的示例代碼,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-04-04
Python時(shí)間處理模塊time和datetime詳解
本文詳細(xì)介紹了Python中常用的時(shí)間處理模塊time和datetime,time模塊提供多種時(shí)間獲取和轉(zhuǎn)換功能,datetime模塊則在time的基礎(chǔ)上增加了日期和時(shí)間的組合處理,如datetime.now()獲取當(dāng)前日期時(shí)間,兩個(gè)模塊在日常編程中非常有用,尤其是在需要時(shí)間日期計(jì)算和轉(zhuǎn)換的場(chǎng)景下2024-10-10
這篇文章主要介紹了python多線程抓取天涯帖子內(nèi)容示例,需要的朋友可以參考下2014-04-04
這篇文章主要介紹了如何在Python中創(chuàng)建二叉樹(shù)，幫助大家更好的理解和學(xué)習(xí)使用python，感興趣的朋友可以了解下2021-03-03
pytho多張圖片的無(wú)損拼接的實(shí)現(xiàn)示例
很多人都會(huì)是用PS進(jìn)行拼接，本文主要介紹了pytho多張圖片的無(wú)損拼接的實(shí)現(xiàn)示例，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-07-07
這篇文章主要介紹了PyTorch中的CUDA的操作方法，CUDA是NVIDIA推出的異構(gòu)計(jì)算平臺(tái)，PyTorch中有專(zhuān)門(mén)的模塊torch.cuda來(lái)設(shè)置和運(yùn)行CUDA相關(guān)操作，更多相關(guān)介紹，需要的朋友可以查看下面文章內(nèi)容2022-08-08
在本篇文章里小編給大家整理了一篇關(guān)于去除python中的字符串空格的簡(jiǎn)單方法，有興趣的朋友們可以學(xué)習(xí)下。2020-12-12
Python中淺拷貝copy與深拷貝deepcopy的簡(jiǎn)單理解
今天小編就為大家分享一篇關(guān)于Python中淺拷貝copy與深拷貝deepcopy的簡(jiǎn)單理解，小編覺(jué)得內(nèi)容挺不錯(cuò)的，現(xiàn)在分享給大家，具有很好的參考價(jià)值，需要的朋友一起跟隨小編來(lái)看看吧2018-10-10