【Numpy核心编程攻略：Python数据处理、分析详解与科学计算】1.1 从零搭建NumPy环境：安装指南与初体验

在这里插入图片描述

1. 从零搭建NumPy环境：安装指南与初体验

NumPy核心能力图解（架构图）

NumPy 是 Python 中用于科学计算的核心库，它提供了高效的多维数组对象以及用于处理这些数组的各种操作。NumPy 的核心能力可以概括为以下几个方面：

  • 高效数组操作：NumPy 数组（ndarray）比 Python 列表更高效，支持向量化操作。
  • 数学函数：提供了丰富的数学函数，如三角函数、指数函数、对数函数等。
  • 线性代数：支持矩阵运算、特征值分解、奇异值分解等。
  • 随机数生成：提供了多种随机数生成器，用于模拟数据等。
  • 广播机制：支持不同形状的数组之间的运算。
  • 文件读写：支持多种文件格式的读写操作，如 .npy、.npz 等。
  • 傅里叶变换：支持频域和时域之间的转换。
  • 集合操作：支持集合的交集、并集、差集等操作。

下面是 NumPy 的架构图：
NumPy
高效数组操作
数学函数
线性代数
随机数生成
广播机制
文件读写
傅里叶变换
集合操作
ndarray
向量化操作
三角函数
指数函数
对数函数
矩阵运算
特征值分解
奇异值分解
均匀分布
正态分布
泊松分布
不同形状数组运算
.npy 文件
.npz 文件
频域转换
时域转换
交集
并集
差集
Anaconda/Pip双环境安装指南（含版本选择建议）

NumPy 可以通过多种方式安装，其中最常用的两种方式是使用 Anaconda 和 Pip。下面我们将详细介绍这两种方式的安装步骤，并提供版本选择建议。

1.1 使用 Anaconda 安装 NumPy

步骤 1：下载 Anaconda

首先，访问 Anaconda 官方网站并下载最新版本的 Anaconda。Anaconda 为不同的操作系统提供了不同的安装包，确保选择与你当前操作系统相匹配的版本。

  • Windows：https://www.anaconda.com/products/distribution#download-section
  • Mac：https://www.anaconda.com/products/distribution#download-section
  • Linux：https://www.anaconda.com/products/distribution#download-section

步骤 2：安装 Anaconda

按照下载的安装包中的说明进行安装。安装过程中，建议选择默认选项，特别是将 Anaconda 添加到系统路径中。

步骤 3：创建并激活环境

打开 Anaconda Prompt（Windows）或终端（Mac/Linux），创建一个新的环境并激活它。

conda create -n numpy_env python=3.9  # 创建名为 numpy_env 的环境，并指定 Python 版本为 3.9
conda activate numpy_env             # 激活环境

步骤 4：安装 NumPy

在激活的环境中，使用以下命令安装 NumPy：

conda install numpy                  # 安装 NumPy
1.2 使用 Pip 安装 NumPy

步骤 1：安装 Python

确保你的系统已经安装了 Python。你可以从 Python 官方网站下载并安装最新版本的 Python。

  • Windows：https://www.python.org/downloads/windows/
  • Mac：https://www.python.org/downloads/macos/
  • Linux：大多数 Linux 发行版已经预装了 Python，如果没有，可以使用包管理器安装。

步骤 2：安装 Pip

大多数情况下，Python 安装时会自带 Pip。你可以通过以下命令检查 Pip 是否已安装：

python -m pip --version               # 检查 Pip 版本

如果没有安装，可以使用以下命令安装：

python -m ensurepip --upgrade          # 安装并升级 Pip

步骤 3：创建并激活虚拟环境

推荐使用虚拟环境来管理 Python 项目依赖。你可以使用 venv 模块创建虚拟环境。

python -m venv numpy_env              # 创建名为 numpy_env 的虚拟环境
source numpy_env/bin/activate          # 激活环境（Linux/Mac）
numpy_env\Scripts\activate             # 激活环境（Windows）

步骤 4：安装 NumPy

在激活的虚拟环境中，使用以下命令安装 NumPy：

pip install numpy                     # 安装 NumPy
三平台安装步骤对比表格
步骤AnacondaPip
1. 下载访问 Anaconda 官方网站下载安装包确保系统已安装 Python
2. 安装按照安装包说明进行安装从 Python 官方网站下载并安装
3. 创建环境conda create -n numpy_env python=3.9python -m venv numpy_env
4. 激活环境conda activate numpy_envsource numpy_env/bin/activate（Linux/Mac）
numpy_env\Scripts\activate（Windows）
5. 安装 NumPyconda install numpypip install numpy
验证安装的3种方法
1.3.1 终端命令验证

方法 1：检查 NumPy 版本

python -c "import numpy as np; print(np.__version__)"  # 检查 NumPy 版本

方法 2：列出已安装的包

conda list numpy  # 列出 Anaconda 环境中已安装的 NumPy 包
pip list | grep numpy  # 列出 Pip 环境中已安装的 NumPy 包
1.3.2 Python 代码验证

方法 3：运行简单的 NumPy 代码

import numpy as np# 创建一个 3x3 的数组
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("创建的 3x3 数组:")
print(array)# 计算数组的平均值
mean_value = np.mean(array)
print("数组的平均值:", mean_value)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np# 创建一个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入一个二维列表，其中每个子列表代表数组的一行
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("创建的 3x3 数组:")  # 打印数组
print(array)# 计算数组的平均值
# np.mean 是 NumPy 中用于计算平均值的函数
# 传入数组作为参数
mean_value = np.mean(array)
print("数组的平均值:", mean_value)  # 打印平均值
常见安装报错解决方案（附错误截图示例）

问题 1：Pip 安装时报错

错误示例：

ERROR: Could not find a version that satisfies the requirement numpy (from versions: none)
ERROR: No matching distribution found for numpy

解决方案：

  1. 确保你的网络连接正常。

  2. 升级 Pip 到最新版本：

    pip install --upgrade pip

  3. 如果仍然报错，可以尝试使用国内的镜像源：

    pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

问题 2：Anaconda 安装时报错

错误示例：

Solving environment: failed with initial frozen solve. Retrying with flexible solve.
Solving environment: failed with repodata from current_repodata.json, will retry with next repodata source.

解决方案：

  1. 重启 Anaconda Prompt 或终端。

  2. 清除缓存并重新安装：

    conda clean --all
conda install numpy

  3. 如果仍然报错，可以尝试使用国内的镜像源：

    conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda install numpy

问题 3：虚拟环境无法激活

错误示例：

source: command not found

解决方案：

  1. 确保你使用的是正确的激活命令。在 Windows 上使用 numpy_env\Scripts\activate，在 Linux/Mac 上使用 source numpy_env/bin/activate。
  2. 检查虚拟环境目录是否存在，并且路径正确。
第一个NumPy程序：数组创建与基础运算
1.4.1 创建数组

NumPy 提供了多种创建数组的方法，包括从列表创建、从文件读取、随机生成等。下面我们将介绍最常见的几种方法。

1. 从列表创建数组

import numpy as np# 从列表创建一维数组
one_d_array = np.array([1, 2, 3, 4, 5])
print("一维数组:")
print(one_d_array)# 从列表创建二维数组
two_d_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("二维数组:")
print(two_d_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np# 从列表创建一维数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入一个一维列表，创建一个一维数组
one_d_array = np.array([1, 2, 3, 4, 5])
print("一维数组:")  # 打印一维数组
print(one_d_array)# 从列表创建二维数组
# 传入一个二维列表，其中每个子列表代表数组的一行
two_d_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("二维数组:")  # 打印二维数组
print(two_d_array)

2. 从文件读取数组

NumPy 支持从多种文件格式读取数组，最常用的是 .npy 和 .npz 文件。

import numpy as np# 从 .npy 文件读取数组
array_from_npy = np.load('array.npy')
print("从 .npy 文件读取的数组:")
print(array_from_npy)# 从 .npz 文件读取数组
data = np.load('data.npz')
array1 = data['array1']
array2 = data['array2']
print("从 .npz 文件读取的数组1:")
print(array1)
print("从 .npz 文件读取的数组2:")
print(array2)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np# 从 .npy 文件读取数组
# np.load 是 NumPy 中用于从文件加载数组的函数
# 传入文件路径作为参数
array_from_npy = np.load('array.npy')
print("从 .npy 文件读取的数组:")  # 打印从 .npy 文件读取的数组
print(array_from_npy)# 从 .npz 文件读取数组
# .npz 文件可以存储多个数组
# 使用 np.load 读取 .npz 文件
data = np.load('data.npz')
# 通过键值访问存储在 .npz 文件中的数组
array1 = data['array1']
array2 = data['array2']
print("从 .npz 文件读取的数组1:")  # 打印数组1
print(array1)
print("从 .npz 文件读取的数组2:")  # 打印数组2
print(array2)

3. 随机生成数组

import numpy as np# 生成一个 3x3 的随机数组，元素值在 0 到 1 之间
random_array = np.random.rand(3, 3)
print("随机生成的 3x3 数组:")
print(random_array)# 生成一个 3x3 的随机整数数组，元素值在 1 到 10 之间
random_int_array = np.random.randint(1, 10, (3, 3))
print("随机生成的 3x3 整数数组:")
print(random_int_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np# 生成一个 3x3 的随机数组，元素值在 0 到 1 之间
# np.random.rand 是 NumPy 中用于生成随机数组的函数
# 传入数组的形状作为参数
random_array = np.random.rand(3, 3)
print("随机生成的 3x3 数组:")  # 打印随机数组
print(random_array)# 生成一个 3x3 的随机整数数组，元素值在 1 到 10 之间
# np.random.randint 是 NumPy 中用于生成随机整数数组的函数
# 传入最小值、最大值和数组形状作为参数
random_int_array = np.random.randint(1, 10, (3, 3))
print("随机生成的 3x3 整数数组:")  # 打印随机整数数组
print(random_int_array)
1.4.2 基础运算

NumPy 提供了丰富的数组运算功能，包括加法、减法、乘法、除法、矩阵乘法等。下面我们将介绍一些常见的基础运算。

1. 数组加法

import numpy as np# 创建两个 3x3 的数组
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 计算两个数组的加法
sum_array = array1 + array2
print("数组加法:")
print(sum_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np# 创建两个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入二维列表，每个子列表代表数组的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 计算两个数组的加法
# NumPy 支持直接使用 + 运算符进行数组加法
sum_array = array1 + array2
print("数组加法:")  # 打印结果
print(sum_array)

2. 数组减法

import numpy as np# 创建两个 3x3 的数组
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 计算两个数组的减法
diff_array = array1 - array2
print("数组减法:")
print(diff_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np# 创建两个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入二维列表，每个子列表代表数组的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 计算两个数组的减法
# NumPy 支持直接使用 - 运算符进行数组减法
diff_array = array1 - array2
print("数组减法:")  # 打印结果
print(diff_array)

3. 数组乘法

import numpy as np# 创建两个 3x3 的数组
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 计算两个数组的逐元素乘法
elementwise_product = array1 * array2
print("逐元素乘法:")
print(elementwise_product)# 计算两个数组的矩阵乘法
matrix_product = np.dot(array1, array2)
print("矩阵乘法:")
print(matrix_product)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np# 创建两个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入二维列表，每个子列表代表数组的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 计算两个数组的逐元素乘法
# NumPy 支持直接使用 * 运算符进行数组的逐元素乘法
elementwise_product = array1 * array2
print("逐元素乘法:")  # 打印结果
print(elementwise_product)# 计算两个数组的矩阵乘法
# np.dot 是 NumPy 中用于计算矩阵乘法的函数
# 传入两个数组作为参数
matrix_product = np.dot(array1, array2)
print("矩阵乘法:")  # 打印结果
print(matrix_product)

4. 数组除法

import numpy as np# 创建两个 3x3 的数组
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 计算两个数组的逐元素除法
elementwise_division = array1 / array2
print("逐元素除法:")
print(elementwise_division)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np# 创建两个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入二维列表，每个子列表代表数组的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 计算两个数组的逐元素除法
# NumPy 支持直接使用 / 运算符进行数组的逐元素除法
elementwise_division = array1 / array2
print("逐元素除法:")  # 打印结果
print(elementwise_division)

5. 数组转置

import numpy as np# 创建一个 3x3 的数组
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 计算数组的转置
transposed_array = array.T
print("数组转置:")
print(transposed_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np# 创建一个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入二维列表，每个子列表代表数组的一行
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 计算数组的转置
# .T 是 NumPy 数组的一个属性，用于获取数组的转置
transposed_array = array.T
print("数组转置:")  # 打印结果
print(transposed_array)

6. 数组重塑

import numpy as np# 创建一个 1x9 的数组
array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])# 将数组重塑为 3x3 的数组
reshaped_array = array.reshape(3, 3)
print("重塑后的数组:")
print(reshaped_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np# 创建一个 1x9 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入一个一维列表
array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])# 将数组重塑为 3x3 的数组
# .reshape 是 NumPy 数组的一个方法，用于改变数组的形状
# 传入新的形状作为参数
reshaped_array = array.reshape(3, 3)
print("重塑后的数组:")  # 打印结果
print(reshaped_array)
参考文献或资料
参考资料名称链接
NumPy 官方文档https://numpy.org/doc/
Anaconda 官方文档https://docs.anaconda.com/
Pip 官方文档https://pip.pypa.io/en/stable/
Python 官方文档https://docs.python.org/3/
NumPy 教程https://www.datacamp.com/community/tutorials/python-numpy-tutorial
NumPy 入门指南https://numpy.org/devdocs/user/quickstart.html
NumPy 环境搭建教程https://www.geeksforgeeks.org/how-to-install-numpy-on-windows/
NumPy 学习笔记https://www.jianshu.com/p/4e4d5c1e7e8b
NumPy 初学者教程https://github.com/rougier/numpy-100
NumPy 常见问题解答https://numpy.org/doc/stable/user/troubleshooting.html
NumPy 源码分析https://github.com/numpy/numpy
NumPy 速查表https://www.kaggle.com/learn/overview
NumPy 实战案例https://www.tensorflow.org/tutorials/quickstart/beginner
NumPy 书籍推荐https://www.springer.com/gp/book/9781484242452
NumPy 视频教程https://www.youtube.com/watch?v=QUT1VHiLmmI
NumPy 交互式学习https://colab.research.google.com/

希望这篇文章能帮助你成功地搭建 NumPy 环境并进行初体验。这篇文章包含了详细的原理介绍、代码示例、源码注释以及案例等。希望这对您有帮助。如果有任何问题请随私信或评论告诉我。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/web/67038.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【SpringBoot教程】Spring Boot + MySQL + HikariCP 连接池整合教程

【SpringBoot教程】Spring Boot + MySQL + HikariCP 连接池整合教程

🙋大家好！我是毛毛张! 🌈个人首页： 神马都会亿点点的毛毛张 在前面一篇文章中毛毛张介绍了SpringBoot中数据源与数据库连接池相关概念，今天毛毛张要分享的是关于SpringBoot整合HicariCP连接池相关知识点以及底层源码…
阅读更多...
Java进阶（一）

Java进阶（一）

目录 一.Java注解 什么是注解？ 内置注解 元注解 二.对象克隆 什么是对象克隆? 为什么用到对象克隆 三.浅克隆深克隆 一.Java注解 什么是注解？ java中注解(Annotation)又称java标注，是一种特殊的注释。 可以添加在包，类&…
阅读更多...
【PyCharm】将包含多个参数的 shell 脚本配置到执行文件来调试 Python 程序

【PyCharm】将包含多个参数的 shell 脚本配置到执行文件来调试 Python 程序

要配置 PyCharm 以使用包含多个参数的 shell 脚本（如 run.sh）来调试 Python 程序，您可以按照以下步骤操作： 创建一个新的运行/调试配置： 在 PyCharm 中，点击“运行”菜单旁边的齿轮图标，选择“…
阅读更多...
即梦（Dreamina）技术浅析（二）：后端AI服务

即梦（Dreamina）技术浅析（二）：后端AI服务

1. 文本处理（Text Processing） 1.1 功能概述 文本处理模块的主要任务是将用户输入的文字提示词转换为机器可以理解的向量表示。这一过程包括分词、词嵌入和语义编码，旨在捕捉文本的语义信息，为后续的图像和视频生成提供准确的指导。 1.2 关键技术 1.分词（Tokenization…
阅读更多...
蓝桥杯之c++入门（一）【第一个c++程序】

蓝桥杯之c++入门（一）【第一个c++程序】

目录 前言一、第⼀个C程序1.1 基础程序1.2 main函数1.3 字符串1.4 头文件1.5 cin 和 cout 初识1.6 名字空间1.7 注释 二、四道简单习题（点击跳转链接）练习1：Hello,World!练习2：打印飞机练习3：第⼆个整数练习4&#xff…
阅读更多...
【C++初阶】第11课—vector

【C++初阶】第11课—vector

文章目录 1. 认识vector2. vector的遍历3. vector的构造4. vector常用的接口5. vector的容量6. vector的元素访问7. vector的修改8. vector<vector\<int\>>的使用9. vector的使用10. 模拟实现vector11. 迭代器失效11.1 insert插入数据内部迭代器失效11.2 insert插入…
阅读更多...
【AIGC学习笔记】扣子平台——精选有趣应用，探索无限可能

【AIGC学习笔记】扣子平台——精选有趣应用，探索无限可能

背景介绍&#xff1a; 由于近期业务发展的需求&#xff0c;我开始接触并深入了解了扣子平台的相关知识&#xff0c;并且通过官方教程自学了简易PE工作流搭建的技巧。恰逢周会需要准备与工作相关的分享主题&#xff0c;而我作为一个扣子平台的初学者&#xff0c;也想探索一下这…
阅读更多...
mysql 学习6 DML语句，对数据库中的表进行 增 删 改 操作

mysql 学习6 DML语句，对数据库中的表进行 增 删 改 操作

添加数据 我们对 testdatabase 数据中 的 qqemp 这张表进行 增加数据&#xff0c;在这张表 下 打开 命令行 query console 在 软件中就是打开命令行的意思 可以先执行 desc qqemp; 查看一下当前表的结构。 插入一条数据 到qqemp 表&#xff0c;插入时要每个字段都有值 insert…
阅读更多...
Java Web-Request与Response

Java Web-Request与Response

在 Java Web 开发中&#xff0c;Request 和 Response 是两个非常重要的对象&#xff0c;用于在客户端和服务器之间进行请求和响应的处理&#xff0c;以下是详细介绍&#xff1a; Request&#xff08;请求对象&#xff09; Request继承体系 在 Java Web 开发中&#xff0c;通…
阅读更多...
李沐vscode配置+github管理+FFmpeg视频搬运+百度API添加翻译字幕

李沐vscode配置+github管理+FFmpeg视频搬运+百度API添加翻译字幕

终端输入nvidia-smi查看cuda版本 我的是12.5&#xff0c;在网上没有找到12.5的torch&#xff0c;就安装12.1的。torch&#xff0c;torchvision&#xff0c;torchaudio版本以及python版本要对应 参考&#xff1a;https://blog.csdn.net/FengHanI/article/details/135116114 创…
阅读更多...
论文阅读(十六)：利用线性链条件随机场模型检测阵列比较基因组杂交数据的拷贝数变异

论文阅读(十六)：利用线性链条件随机场模型检测阵列比较基因组杂交数据的拷贝数变异

1.论文链接&#xff1a;Detection of Copy Number Variations from Array Comparative Genomic Hybridization Data Using Linear-chain Conditional Random Field Models 摘要&#xff1a; 拷贝数变异&#xff08;CNV&#xff09;约占人类基因组的12%。除了CNVs在癌症发展中的…
阅读更多...
Alibaba Spring Cloud 十三 Nacos，Gateway，Nginx 部署架构与负载均衡方案

Alibaba Spring Cloud 十三 Nacos，Gateway，Nginx 部署架构与负载均衡方案

在微服务体系中&#xff0c;Nacos 主要承担“服务注册与发现、配置中心”的职能&#xff0c;Gateway&#xff08;如 Spring Cloud Gateway&#xff09;通常负责“路由转发、过滤、安全鉴权、灰度流量控制”等功能&#xff0c;而 Nginx 则常被用作“边缘反向代理”或“统一流量入…
阅读更多...
Next.js 实战 (十)：中间件的魅力，打造更快更安全的应用

Next.js 实战 (十)：中间件的魅力，打造更快更安全的应用

什么是中间件&#xff1f; 在 Next.js 中&#xff0c;中间件&#xff08;Middleware&#xff09;是一种用于处理每个传入请求的功能。它允许你在请求到达页面之前对其进行修改或响应。 通过中间件&#xff0c;你可以实现诸如日志记录、身份验证、重定向、CORS配置、压缩等任务…
阅读更多...
ElasticSearch-文档元数据乐观并发控制

ElasticSearch-文档元数据乐观并发控制

文章目录 什么是文档&#xff1f;文档元数据文档的部分更新Update 乐观并发控制 最近日常工作开发过程中使用到了 ES&#xff0c;最近在检索资料的时候翻阅到了 ES 的官方文档&#xff0c;里面对 ES 的基础与案例进行了通俗易懂的解释&#xff0c;读下来也有不少收获&#xff0…
阅读更多...
实验二 数据库的附加/分离、导入/导出与备份/还原

实验二 数据库的附加/分离、导入/导出与备份/还原

实验二 数据库的附加/分离、导入/导出与备份/还原 一、实验目的 1、理解备份的基本概念&#xff0c;掌握各种备份数据库的方法。 2、掌握如何从备份中还原数据库。 3、掌握数据库中各种数据的导入/导出。 4、掌握数据库的附加与分离&#xff0c;理解数据库的附加与分离的作用。…
阅读更多...
技术中台与终搜——2

技术中台与终搜——2

文章目录 5、语言处理与自动补全技术探测5.1 自定义语料库5.1.1 语料库映射OpenAPI5.1.2 语料库文档OpenAPI 5.2 产品搜索与自动补全5.2.1 汉字补全OpenAPI5.2.2 拼音补全OpenAPI 5.3 产品搜索与语言处理5.3.1 什么是语言处理&#xff08;拼写纠错&#xff09;5.3.2 语言处理Op…
阅读更多...
15_业务系统基类

15_业务系统基类

创建脚本 SystemRoot.cs 因为 业务系统基类的子类 会涉及资源加载服务层ResSvc.cs 和 音乐播放服务层AudioSvc.cs 所以在业务系统基类 提取引用资源加载服务层ResSvc.cs 和 音乐播放服务层AudioSvc.cs 并调用单例初始化 using UnityEngine; // 功能 : 业务系统基类 public c…
阅读更多...
k8s优雅重启

k8s优雅重启

理论上处于terminating状态的pod&#xff0c;k8s 就会把它从service中移除了&#xff0c;只用配置一个优雅停机时长就行了。kubectl get endpoints 验证 因此&#xff0c;优雅重新的核心问题&#xff0c;是怎么让空闲长连接关闭&#xff0c;再等待处理中的请求执行完。 一些底…
阅读更多...
【Linux】华为服务器使用U盘安装统信操作系统

【Linux】华为服务器使用U盘安装统信操作系统

目录 一、准备工作 1.1 下载UOS官方系统 &#xff11;.&#xff12;制作启动U盘 1.3 服务器智能管理系统iBMC 二、iBMC设置U盘启动 一、准备工作 1.1 下载UOS官方系统 服务器CPU的架构是x86-64还是aarch64&#xff09;,地址&#xff1a;统信UOS生态社区 - 打造操作系统创…
阅读更多...
27. 【.NET 8 实战--孢子记账--从单体到微服务】--简易报表--报表服务

27. 【.NET 8 实战--孢子记账--从单体到微服务】--简易报表--报表服务

报表是每个记账应用所具备的功能&#xff0c;要实现报表功能就需要把账本的核心功能&#xff08;记账&#xff09;完成&#xff0c;因此报表服务作为本专栏第一部分单体应用开发中最后一个要实现的功能&#xff0c;这一篇文章很简单&#xff0c;我们一起来实现一个简单的报表服…
阅读更多...
最新文章

Copyright @ 2022~2023