详解PHP的反射使用_后端开发
一般情况下我们会对函数和类进行测试,判断其是否能够按我们预期返回结果,我们可以用反射实现一个简单通用的类测试用例。
本文将详细介绍PHP中反射的使用,希望和大家一起探讨。
值得一看的Python高效数据处理
Pandas是Python中非常常用的数据处理工具,使用起来非常方便。
它建立在NumPy数组结构之上,所以它的很多 *** 作通过NumPy或者Pandas自带的扩展模块编写,这些模块用Cython编写并编译到C,并且在C上执行,因此也保证了处理速度。
今天我们就来体验一下它的强大之处。
1.创建数据
使用pandas可以很方便地进行数据创建,现在让我们创建一个5列1000行的pandas DataFrame:
mu1, sigma1 = 0, 0.1 mu2, sigma2 = 0.2, 0.2 n = 1000df = pd.DataFrame( { "a1": pd.np.random.normal(mu1, sigma1, n), "a2": pd.np.random.normal(mu2, sigma2, n), "a3": pd.np.random.randint(0, 5, n), "y1": pd.np.logspace(0, 1, num=n), "y2": pd.np.random.randint(0, 2, n), } )
- a1和a2:从正态(高斯)分布中抽取的随机样本。
- a3:0到4中的随机整数。
- y1:从0到1的对数刻度均匀分布。
- y2:0到1中的随机整数。
生成如下所示的数据:
2.绘制图像
Pandas 绘图函数返回一个matplotlib的坐标轴(Axes),所以我们可以在上面自定义绘制我们所需要的内容。
比如说画一条垂线和平行线。
这将非常有利于我们:
1.绘制平均线
2.标记重点的点
import matplotlib.pyplot as plt ax = df.y1.plot() ax.axhline(6, color="red", linestyle="--") ax.axvline(775, color="red", linestyle="--") plt.show()
我们还可以自定义一张图上显示多少个表:
fig, ax = plt.subplots(2, 2, figsize=(14,7)) df.plot(x="index", y="y1", ax=ax[0, 0]) df.plot.scatter(x="index", y="y2", ax=ax[0, 1]) df.plot.scatter(x="index", y="a3", ax=ax[1, 0]) df.plot(x="index", y="a1", ax=ax[1, 1]) plt.show()
分享十个优秀的 Go 类库_后端开发
golang有许多优秀的第三方库,但是有的新手不知道,所以本篇帮大家推荐十个优秀库。
3.绘制直方图
Pandas能够让我们用非常简单的方式获得两个图形的形状对比:
df[["a1", "a2"]].plot(bins=30, kind="hist") plt.show()
还能允许多图绘制:
df[["a1", "a2"]].plot(bins=30, kind="hist", subplots=True) plt.show()
当然,生成折线图也不在画下:
df[['a1', 'a2']].plot(by=df.y2, subplots=True) plt.show()
4.线性拟合
Pandas还能用于拟合,让我们用pandas找出一条与下图最接近的直线:
最小二乘法计算和该直线最短距离:
df['ones'] = pd.np.ones(len(df)) m, c = pd.np.linalg.lstsq(df[['index', 'ones']], df['y1'], rcond=None)[0]
根据最小二乘的结果绘制y和拟合出来的直线:
df['y'] = df['index'].apply(lambda x: x * m + c) df[['y', 'y1']].plot() plt.show()
感谢大家的阅读,希望大家收益多多。
本文转自:https://blog.csdn.net/u010751000/article/details/106735872
推荐教程:《python教程》
以上就是值得一看的Python高效数据处理的详细内容,更多请关注ki4网其它相关文章!
PHP实战之Redis常见7种使用场景_后端开发
Redis是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、【Key-Value】数据库,并提供多种语言的API。
本篇文章,主要介绍利用PHP使用Redis,主要的应用场景。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)