当前位置： 首页 > news >正文

Python 项目里的数据预处理工作（数据清洗步骤与实战案例详解）

news 2025/8/20 13:07:30

目录

一、数据清洗的需求

1、完整性

2、全面性

3、合法性

4、唯一性

5、类别是否可靠

二、实战案例--矿物数据的分析的数据预处理

​编辑

1、数据读取与筛选

2、缺失值检测

​编辑

3、规范标签编码

4、数据类型转换

5、数据标准化

6、缺失值处理

 1.完整数据保留

 2.平均值填充

3.中位数填充：

4.众数填充

高级填充方法

7、样本不平衡处理

一、数据清洗的需求

数据清理是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。换句话说，数据清洗的目的是删除重复信息、纠正存在的错误，并提供数据一致性。在进行数据清洗时，需要按照一定的规则把"脏数据""洗掉"，以确保数据的准确性和可靠性。

1、完整性

在 Python 中，常用 pandas 库处理数据。对于检查单条数据是否存在空值，可以使用 isnull() 方法。例如，有一个名为data的 csv：

import pandas as pd
data = pd.read_csv('data.csv')
# 检查每列的空值数量
print(data.isnull().sum()) 
# 检查某一行是否有空值
print(data.iloc[0].isnull().any())

2、全面性

通过 describe() 方法获取数据的统计摘要，包括最大值、最小值、平均值等，以此判断数据是否全面。

# 获取数据的统计摘要
print(data.describe())

如果需要自定义检查，比如判断某列数据是否都在合理范围内：

column_name = 'your_column'
max_value = data[column_name].max()
min_value = data[column_name].min()
if max_value > upper_limit or min_value < lower_limit:print(f"{column_name}的数据可能不全面，最大值{max_value}，最小值{min_value}")

3、合法性

检查数据的合法性可以使用条件判断。比如检查年龄列：

if (data['age'] > 1000).any():print("存在不合法的年龄数据")if (data['PH'] >= 14 or (data['PH'] <= 0).any():print("存在不合法的年龄数据")

也可以使用正则表达式等方式检查数据格式是否正确，例如检查邮箱格式：

import re
email_pattern = re.compile(r'^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$')
data['is_valid_email'] = data['email'].apply(lambda x: bool(email_pattern.match(x)))
if (data['is_valid_email'] == False).any():print("存在不合法的邮箱格式数据")

有些字符看起来是数字，但却是文本类型的，需要将其转化格式才能用来训练

4、唯一性

使用 duplicated() 方法可以检查数据是否重复记录，删除重复记录可以使用 drop_duplicates() 方法。

# 检查是否存在重复行
print(data.duplicated().any()) 
# 删除重复行
data = data.drop_duplicates()

5、类别是否可靠

有些类别的数据量较少，可能只有一条数据，这样的数据就不适合训练了，在数据处理的时候需要将其删除。

二、实战案例--矿物数据的分析的数据预处理

现在我们有一些矿物数据（部分数据如下图所示），需要通过各个元素的含量来分类矿物。

来跟着我的思路实践一下数据清理的流程

1、数据读取与筛选

  • 读取 Excel 格式的矿物数据
  • 移除不可靠数据，这里 "矿物类型" 为 'E' 的样本数据量过少，实现数据筛选
data = pd.read_excel("矿物数据.xls")
data = data[data["矿物类型"] != 'E']

2、缺失值检测

  • 检测数据中的缺失值情况
  • 计算每列的缺失值总数
# 检测缺失值
null_num = data.isnull()  # 生成布尔值DataFrame，缺失值为True
null_total = null_num.sum()  # 计算每列的缺失值总数

需要注意，有些数据并不是None，而是空格，无法由缺失值检测来剔除

3、规范标签编码

  • 将特征数据 (X_whole) 与标签数据 (y_whole) 分离
  • 移除 "序号" 列，只保留特征和标签
  • 便于后续机器学习算法处理
  • 中文 / 字符标签转换为数字编码（A→0, B→1, C→2, D→3）（大多数机器学习算法只能处理数值型数据，因此将字符型标签（A/B/C/D）转换为数字编码（0/1/2/3）。）
# 获取全部特征数据（移除标签列"矿物类型"和无关列"序号"）
X_whole = data.drop("矿物类型", axis=1).drop("序号", axis=1)
# 获取全部标签数据（矿物类型）
y_whole = data.矿物类型# 定义标签映射字典，将字符标签转换为数字
label_dict = {"A": 0, "B": 1, "C": 2, "D": 3}# 批量转换标签
encoded_labels = [label_dict[label] for label in y_whole]
y_whole = pd.DataFrame(encoded_labels, columns=["矿物类型"])

4、数据类型转换

  • 确保所有特征都是数值类型，为后续的数值计算和模型训练做准备，（数据里面会有，4..3,\，/，等异常数据）
  • 无法转换的非数值数据会被标记为缺失值。

确保所有特征都是数值类型：

# 将所有特征列转换为数值类型，无法转换的值设为NaN
for column_name in X_whole.columns:X_whole[column_name] = pd.to_numeric(X_whole[column_name], errors='coerce')

5、数据标准化

  • 使用 StandardScaler 对特征数据进行 Z-score 标准化
  • 使各特征具有相同的尺度，避免算法受特征尺度(量纲)敏感的问题
# 初始化标准化器
scaler = StandardScaler()# 对特征数据进行Z-score标准化（均值为0，标准差为1）
X_whole_z = scaler.fit_transform(X_whole)
X_whole = pd.DataFrame(X_whole_z, columns=X_whole.columns)

6、缺失值处理

  • 将数据分为训练集 (70%) 和测试集 (30%)
  • 固定 random_state =0 确保结果可复现
  • 有多种缺失值填充方法：完整数据保留、平均值填充、中位数填充、众数填充等常规方法,还有knn算法,逻辑回归,svm支持向量机和贝叶斯等机器学习方法
 1.完整数据保留

这是最简单直接的方法，直接删除包含缺失值的样本行。

# 按7:3比例拆分训练集和测试集，固定随机种子确保结果可复现
x_train_w, x_test_w, y_train_w, y_test_w = train_test_split(\X_whole, y_whole, test_size=0.3, random_state=0)x_train_fill,y_train_fill = fill_data.cca_train_fill(x_train_w,y_train_w)
x_test_fill, y_test_fill = fill_data.cca_test_fill(x_train_fill, y_train_fill, x_test_w, y_test_w)def cca_train_fill(train_data,train_label):data = pd.concat([train_data, train_label], axis=1)df_filled = data.dropna()return df_filled.drop('矿物类型', axis=1),df_filled.矿物类型
def cca_test_fill(train_data,train_label, test_data,test_label):data = pd.concat([test_data, test_label], axis=1)df_filled = data.dropna()return df_filled.drop('矿物类型', axis=1), df_filled.矿物类型
def cca_train_fill(train_data, train_label):"""训练集完整数据保留处理"""data = pd.concat([train_data, train_label], axis=1)df_filled = data.dropna()  # 删除含有缺失值的行return df_filled.drop('矿物类型', axis=1), df_filled.矿物类型def cca_test_fill(train_data, train_label, test_data, test_label):"""测试集完整数据保留处理"""data = pd.concat([test_data, test_label], axis=1)df_filled = data.dropna()return df_filled.drop('矿物类型', axis=1), df_filled.矿物类型# 应用完整数据保留方法
x_train_fill, y_train_fill = fill_data.cca_train_fill(x_train_w, y_train_w)
x_test_fill, y_test_fill = fill_data.cca_test_fill(x_train_fill, y_train_fill, x_test_w, y_test_w)

实现步骤：

  1. 合并特征和标签数据
  2. 删除含有缺失值的行
  3. 分离特征和标签
 2.平均值填充

用该类别特征的均值填充缺失值，适用于数值型特征。

x_train_fill,y_train_fill = fill_data.mean_train_fill(x_train_w,y_train_w)
x_test_fill, y_test_fill = fill_data.mean_test_fill(x_train_fill, y_train_fill, x_test_w, y_test_w)def mean_train_method(data):# 使用该类别每列的均值替换缺失值return data.fillna(data.mean())def mean_train_fill(train_data, train_label):# 合并特征和标签，方便按照类别分组处理data = pd.concat([train_data, train_label], axis=1).reset_index(drop=True)# 遍历每个类别（假设类别编号为 0,1,2,3），# 对每个类别单独进行均值填充filled = [mean_train_method(data[data['矿物类型'] == i]) for i in range(4)]# 将所有类别数据拼接在一起，并重新排序索引df_filled = pd.concat(filled).reset_index(drop=True)# 返回特征数据和对应标签return df_filled.drop('矿物类型', axis=1), df_filled['矿物类型']def mean_test_method(train_data, test_data):# 用训练集该类别的均值填充对应类别的测试集缺失值return test_data.fillna(train_data.mean())def mean_test_fill(train_data, train_label, test_data, test_label):# 合并特征和标签，方便操作train_all = pd.concat([train_data, train_label], axis=1).reset_index(drop=True)test_all = pd.concat([test_data, test_label], axis=1).reset_index(drop=True)# 按类别分别取出训练集和测试集，并进行均值填充filled = [mean_test_method(train_all[train_all['矿物类型'] == i],   # 当前类别的训练数据test_all[test_all['矿物类型'] == i]     # 当前类别的测试数据)for i in range(4)]# 拼接所有类别的数据，并重新排序索引df_filled = pd.concat(filled).reset_index(drop=True)# 返回填充后的测试特征数据和标签return df_filled.drop('矿物类型', axis=1), df_filled['矿物类型']
def mean_train_method(data):"""训练集均值填充方法"""return data.fillna(data.mean())  # 使用该类别每列的均值替换缺失值def mean_train_fill(train_data, train_label):"""训练集均值填充"""data = pd.concat([train_data, train_label], axis=1).reset_index(drop=True)# 遍历每个类别(0-3)，对每个类别单独进行均值填充filled = [mean_train_method(data[data['矿物类型'] == i]) for i in range(4)]df_filled = pd.concat(filled).reset_index(drop=True)return df_filled.drop('矿物类型', axis=1), df_filled['矿物类型']def mean_test_method(train_data, test_data):"""测试集均值填充方法"""return test_data.fillna(train_data.mean())  # 用训练集该类别的均值填充def mean_test_fill(train_data, train_label, test_data, test_label):"""测试集均值填充"""train_all = pd.concat([train_data, train_label], axis=1).reset_index(drop=True)test_all = pd.concat([test_data, test_label], axis=1).reset_index(drop=True)filled = [mean_test_method(train_all[train_all['矿物类型'] == i],test_all[test_all['矿物类型'] == i]) for i in range(4)]df_filled = pd.concat(filled).reset_index(drop=True)return df_filled.drop('矿物类型', axis=1), df_filled['矿物类型']
3.中位数填充：
def median_train_method(data):# 获取每列的中位数，并用其填充缺失值fill_values = data.median()return data.fillna(fill_values)def median_train_fill(train_data, train_label):# 合并特征数据和标签数据data = pd.concat([train_data, train_label], axis=1).reset_index(drop=True)# 按照“矿物类型”分类，每一类数据使用中位数填充filled = [median_train_method(data[data['矿物类型'] == i]) for i in range(4)]# 将填充后的数据拼接起来，并重置索引df_filled = pd.concat(filled).reset_index(drop=True)# 返回填充后的数据和矿物类型标签return df_filled.drop('矿物类型', axis=1), df_filled['矿物类型']def median_test_method(train_data, test_data):# 使用训练集的中位数填充测试集的缺失值fill_values = train_data.median()return test_data.fillna(fill_values)def median_test_fill(train_data, train_label, test_data, test_label):# 合并训练集和测试集的特征数据和标签train_all = pd.concat([train_data, train_label], axis=1).reset_index(drop=True)test_all = pd.concat([test_data, test_label], axis=1).reset_index(drop=True)# 按“矿物类型”进行分类filled = [median_test_method(train_all[train_all['矿物类型'] == i],  # 当前类别的训练数据test_all[test_all['矿物类型'] == i]     # 当前类别的测试数据)for i in range(4)]# 拼接所有类别的数据，并重新索引df_filled = pd.concat(filled).reset_index(drop=True)# 返回填充后的测试数据和矿物类型标签return df_filled.drop('矿物类型', axis=1), df_filled['矿物类型']
4.众数填充
def mode_train_method(data):# 获取每列的众数，如果有多个众数，选择第一个fill_values = data.apply(lambda x: x.mode().iloc[0] if len(x.mode()) > 0 else None)# 使用众数填充缺失值return data.fillna(fill_values)def mode_train_fill(train_data, train_label):# 合并特征数据和标签数据data = pd.concat([train_data, train_label], axis=1).reset_index(drop=True)# 按照“矿物类型”分类并分别填充filled = [mode_train_method(data[data['矿物类型'] == i]) for i in range(4)]# 将填充后的数据拼接起来，并重置索引df_filled = pd.concat(filled).reset_index(drop=True)# 返回填充后的数据和矿物类型标签return df_filled.drop('矿物类型', axis=1), df_filled['矿物类型']def mode_test_method(train_data, test_data):# 使用训练集的众数填充测试集的缺失值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):# 合并训练集和测试集的特征数据和标签train_all = pd.concat([train_data, train_label], axis=1).reset_index(drop=True)test_all = pd.concat([test_data, test_label], axis=1).reset_index(drop=True)# 按“矿物类型”进行分类filled = [mode_test_method(train_all[train_all['矿物类型'] == i],  # 当前类别的训练数据test_all[test_all['矿物类型'] == i]     # 当前类别的测试数据)for i in range(4)]# 拼接所有类别的数据，并重新索引df_filled = pd.concat(filled).reset_index(drop=True)# 返回填充后的测试数据和矿物类型标签return df_filled.drop('矿物类型', axis=1), df_filled['矿物类型']

上述代码有多层嵌套，可以看下面的代码来理解（功能相同）

import pandas as pd#--------------------------考虑包含完整行的数据------------------------------#
def cca_train_fill(train_data,train_label):'''CCA（Complete Case Analysis）只考虑包含完整数据的行'''data = pd.concat([train_data, train_label], axis=1)data = data.reset_index(drop=True)#用于重置索引的。当你对数据进行了排序、筛选或其他操作后索引可能会变得不连续或混df_filled = data.dropna()#用于删除（或过滤掉）包含缺失值（NaN）的行或列。pandas里面有大量和数据清洗相关的函数return df_filled.drop('矿物类型', axis=1),df_filled.矿物类型
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)  # 用于重置索引的。当你对数据进行了排序、筛选或其他操作后索引可能会变得不连续或混df_filled = data.dropna()  # 用于删除（或过滤掉）包含缺失值（NaN）的行或列。pandas里面有大量和数据清洗相关的函数return df_filled.drop('矿物类型', axis=1), df_filled.矿物类型#----------------使用平均值的方法对数据进行填充----------------
def mean_train_method(data):'''平均值的计算方法'''fill_values = data.mean()return data.fillna(fill_values)  # 使用均值填充缺失值,pandas读取表格数据
def mean_train_fill(train_data,train_label):'''使用平均值的方法 数据进行填充'''data = pd.concat([train_data,train_label], axis=1)data = data.reset_index(drop=True)A = data[data['矿物类型'] == 0]B = data[data['矿物类型'] == 1]C = data[data['矿物类型'] == 2]D = data[data['矿物类型'] == 3]A = mean_train_method(A)  # 按照每个类别的数据进行填充B = mean_train_method(B)  # 按照每个类别的数据进行填充C = mean_train_method(C)  # 按照每个类别的数据进行填充D = mean_train_method(D)  # 按照每个类别的数据进行填充df_filled = pd.concat([A, B, C, D])df_filled = df_filled.reset_index(drop=True)return df_filled.drop('矿物类型', axis=1), df_filled.矿物类型def mean_test_method(train_data, test_data):'''根据训练集获取每个类别的平均值，并将训练集的每个类别平均值填充到测试中'''fill_values = train_data.mean()return test_data.fillna(fill_values)  # 使用均值填充缺失值
def mean_test_fill(train_data,train_label, test_data,test_label):'''使用平均值的方法对数据进行填充'''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['矿物类型'] == 0]B_train = train_data_all[train_data_all['矿物类型'] == 1]C_train = train_data_all[train_data_all['矿物类型'] == 2]D_train = train_data_all[train_data_all['矿物类型'] == 3]A_test = test_data_all[test_data_all['矿物类型'] == 0]B_test = test_data_all[test_data_all['矿物类型'] == 1]C_test = test_data_all[test_data_all['矿物类型'] == 2]D_test = test_data_all[test_data_all['矿物类型'] == 3]A = mean_test_method(A_train, A_test)  # 按照每个类别的数据进行填充B = mean_test_method(B_train, B_test)  # 按照每个类别的数据进行填充C = mean_test_method(C_train, C_test)  # 按照每个类别的数据进行填充D = mean_test_method(D_train, D_test)  # 按照每个类别的数据进行填充df_filled = pd.concat([A, B, C, D])df_filled = df_filled.reset_index(drop=True)return df_filled.drop('矿物类型', axis=1), df_filled.矿物类型#-------------------------------使用中位数的方法对数据进行填充-----------------------------------
def median_train_method(data):'''数据集中的空值使用每列的中位数替代'''fill_values = data.median()return data.fillna(fill_values)
def median_train_fill(train_data,train_label):'''使用中位数的方法对数据进行填充'''data = pd.concat([train_data, train_label], axis=1)data = data.reset_index(drop=True)A = data[data['矿物类型'] == 0]B = data[data['矿物类型'] == 1]C = data[data['矿物类型'] == 2]D = data[data['矿物类型'] == 3]A = median_train_method(A)  # 按照每个类别的数据进行填充B = median_train_method(B)  # 按照每个类别的数据进行填充C = median_train_method(C)  # 按照每个类别的数据进行填充D = median_train_method(D)  # 按照每个类别的数据进行填充df_filled = pd.concat([A, B, C, D])df_filled = df_filled.reset_index(drop=True)return df_filled.drop('矿物类型', axis=1), df_filled.矿物类型def median_test_method(train_data, test_data):   # test_data: 气'''根据训练集获取每个类别的中位数，并将训练集的每个类别中位数填充到测试中'''fill_values = train_data.median()return test_data.fillna(fill_values)   # 使用均值填充缺失值
def median_test_fill(train_data, train_label, test_data, test_label):'''使用中位数的方法对数据进行填充'''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['矿物类型'] == 0]B_train = train_data_all[train_data_all['矿物类型'] == 1]C_train = train_data_all[train_data_all['矿物类型'] == 2]D_train = train_data_all[train_data_all['矿物类型'] == 3]A_test = test_data_all[test_data_all['矿物类型'] == 0]B_test = test_data_all[test_data_all['矿物类型'] == 1]C_test = test_data_all[test_data_all['矿物类型'] == 2]D_test = test_data_all[test_data_all['矿物类型'] == 3]A = median_test_method(A_train, A_test)   # 按照每个类别的数据进行填充B = median_test_method(B_train, B_test)   # 按照每个类别的数据进行填充C = median_test_method(C_train, C_test)   # 按照每个类别的数据进行填充D = median_test_method(D_train, D_test)   # 按照每个类别的数据进行填充df_filled = pd.concat([A, B, C, D])df_filled = df_filled.reset_index(drop=True)return df_filled.drop('矿物类型', axis=1), df_filled.矿物类型#----------------使用众数的方法对数据进行填充----------------
def mode_method(data):'''数据集中的空值使用每列的众数替代,pandas中的mode方法获取众数'''fill_values = data.apply(lambda x: x.mode().iloc[0] if len(x.mode()) > 0 else None)# data.apply对DataFrame的每一列应用一个函数，用于找出每列中出现次数最多的值（即众数）a = data.mode()#获取每列的众数，氯中的众数比较多，一共10个，因此会列出10行，其他列不够return data.fillna(fill_values)  # 使用均值填充缺失值
def mode_train_fill(train_data,train_label):'''使用众数的方法对数据进行填充'''data = pd.concat([train_data, train_label], axis=1)data = data.reset_index(drop=True)A = data[data['矿物类型'] == 0]B = data[data['矿物类型'] == 1]C = data[data['矿物类型'] == 2]D = data[data['矿物类型'] == 3]A = mode_method(A)  # 按照每个类别的数据进行填充B = mode_method(B)  # 按照每个类别的数据进行填充C = mode_method(C)  # 按照每个类别的数据进行填充D = mode_method(D)  # 按照每个类别的数据进行填充df_filled = pd.concat([A, B, C, D])df_filled = df_filled.reset_index(drop=True)return df_filled.drop('矿物类型', axis=1), df_filled.矿物类型def mode_test_method(train_data, test_data):''' 数据集中的空值使用每列的众数替代'''fill_values =train_data.apply(lambda x: x.mode().iloc[0] if len(x.mode()) > 0 else None)return test_data.fillna(fill_values)  # 使用众数填充缺失值
def mode_test_fill(train_data,train_label, test_data,test_label):'''使用众数方法对数据进行填充'''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['矿物类型'] == 0]B_train = train_data_all[train_data_all['矿物类型'] == 1]C_train = train_data_all[train_data_all['矿物类型'] == 2]D_train = train_data_all[train_data_all['矿物类型'] == 3]A_test = test_data_all[test_data_all['矿物类型'] == 0]B_test = test_data_all[test_data_all['矿物类型'] == 1]C_test = test_data_all[test_data_all['矿物类型'] == 2]D_test = test_data_all[test_data_all['矿物类型'] == 3]A = mode_test_method(A_train, A_test)  # 按照每个类别的数据进行填充B = mode_test_method(B_train, B_test)  # 按照每个类别的数据进行填充C = mode_test_method(C_train, C_test)  # 按照每个类别的数据进行填充D = mode_test_method(D_train, D_test)  # 按照每个类别的数据进行填充df_filled = pd.concat([A, B, C, D])df_filled = df_filled.reset_index(drop=True)return df_filled.drop('矿物类型', axis=1), df_filled.矿物类型
高级填充方法

除了上述常规方法外，还可以使用更复杂的机器学习方法进行缺失值填充：

  1. KNN算法：基于最近邻样本的特征值进行填充
  2. 逻辑回归：预测缺失值
  3. SVM支持向量机
  4. 贝叶斯方法

这些方法通常能获得更好的填充效果，但计算成本较高，适合对数据质量要求较高的场景。

我将在下一章节详细介绍.

7、样本不平衡处理

  • 样本再缺失值处理后，可能会让数据不平衡
  • 为了使模型更准确，对数据进行过采样处理
# 使用SMOTE算法进行过采样，解决样本不平衡问题
oversampler = SMOTE(k_neighbors=1, random_state=42)
os_x_train, os_y_train = oversampler.fit_resample(x_train_fill, y_train_fill)

经过上述的七个步骤就能完成大部分数据的预处理工作，将使模型训练的准确率大大提高。

希望这篇文章对你在数据处理的过程中有所帮助!

http://www.dtcms.com/a/339935.html

相关文章：

  • 在线客服系统访客表的设计与实现-增加最新消息字段
  • Task01: CAMEL环境配置及第一个Agent
  • Kubernetes Ingress实战：从环境搭建到应用案例
  • C语言基础：（十九）数据在内存中的存储
  • Java线程池参数配置的坑：`corePoolSize=0` + `LinkedBlockingQueue`直接变成串行执行
  • Python爬虫第二课：爬取HTML静态网页之《某某小说》 小说章节和内容完整版
  • 智驾-AEB
  • 羟氯喹通过抑制抗磷脂综合征诱导的绒毛外滋养细胞过度自噬
  • 【模版匹配】基于深度学习
  • 洛谷 P2834 纸币问题 3-普及-
  • 《当 AI 学会 “思考”：大语言模型的逻辑能力进化与隐忧》
  • centos 总有new mail出现原因
  • [论文阅读] 软件工程 - 用户体验 | VR应用的无障碍性困局：基于Meta和Steam商店评论的深度剖析
  • 多幅图片拼接算法系统
  • FIFO通讯速率＞ 30MB/s，CH346保障FPGA与PC的高速通道稳定高效
  • 当GitHub宕机时，我们如何协作
  • 工业4.0时代，耐达讯自动化Profibus转光纤如何重构HMI通信新标准？“
  • HTML应用指南：利用GET请求获取全国新荣记门店位置信息
  • 【DAB收音机】DAB服务跟随Service Follow功能(三)【FIG 0/24：OE Services】
  • Browser Use + Playwright到AI Agent：Web自动化如何实现质变？
  • C++装饰器模式：从“勇勇”例子到实际应用
  • Day09 Go语言深入学习（1）
  • 单片机编程架构
  • AttributeError: module ‘ffmpeg‘ has no attribute ‘probe‘
  • 【光学神经网络与人工智能应用专题】
  • 力扣hot100：三数之和（排序 + 双指针法）(15)
  • 深度学习-167-MCP技术之工具函数的设计及注册到MCP服务器的两种方式
  • 零售行业新店网络零接触部署场景下，如何选择SDWAN
  • 排查Redis数据倾斜引发的性能瓶颈
  • 缓存-变更事件捕捉、更新策略、本地缓存和热key问题