大家好，作为一名互联网行业的小白，写博客只是为了巩固自己学习的知识，但由于水平有限，博客中难免会有一些错误出现，有不妥之处恳请各位大佬指点一二！
博客主页：链接: https://blog.csdn.net/weixin_52720197?spm=1018.2118.3001.5343

7 整体数据管理

7.1 数据拆分

7.1.1 数据分组

df.groupby(
by :用于分组的变量名/函数
level = None :相应的轴存在多重索引时，指定用于分组的级别
as_index = True :在结果中将组标签作为索引
sort = True :结果是否按照分组关键字逬行排序
)#生成的是分组索引标记，而不是新的 df

单个数据分组

# 数据分组
dfg = df.groupby('开设')
dfg

# 查看dfg里面的数据
dfg.groups

# 查看具体描述
dfg.describe()

多个数据分组

dfg2 = df.groupby(['性别','开设'])
dfg2.describe()

7.1.2 基于拆分进行筛选

筛选出其中一组

dfgroup.get_group()
# 查看均值
dfg.get_group (‘课程').mean ()

筛选出所需的列
该操作也适用于希望对不同的变量列进行不同操作时

dfg[‘身高'].max()

7.2 分组汇总

在使用 groupby 完成数据分组后，就可以按照需求进行分组信息汇总，此时可以使用其它专门的汇总命令，如 agg 来完成汇总操作

7.2.1 使用 agg 函数进行汇总

df.aggregate( )

名称可以直接简写为 agg
可以用 axis 指定汇总维度
可以直接使用的汇总函数

# 引入非内置函数
import numpy as np
df2 .身高. agg (np. sum)
df2g.身高. agg (np. sum)

引用自定义函数

def mymean(x):return x.mean()
df2 .身高.agg (mymean)
df2g.agg(mymean)

7.2.2 其他分组汇总方法

在生成交叉表的同时对单元格指定具体的汇总指标和汇总函数

df.pivot_table()
pd.crosstab()
pd.crosstab (df .性别,df.身高)

7.3 长宽格式转换

基于多重索引，Pandas 可以很容易地完成长型、宽型数据格式的相互转换。

7.3.1 转换为最简格式

df.stack(
level = -1 :需要处理的索引级别，默认为全部，int/string/list
dropna = True :是否删除为缺失值的行
)#转换后的结果可能为 Series

7.3.2 长宽型格式的自由互转

df.unstack(
level = -1 :需要处理的索引级别，默认为全部，int/string/list
fill_value :用于填充缺失值的数值
)

# 行列互相转换
数据转置: df.T

7.4 多个数据源的合并

7.4.1 数据的纵向合并

df.append(
other :希望添加的 DF/Series/字典/上述对象的列表 使用列表方式，就可以实现一次合并多个新对象
ignore_index = False :添加时是否忽略索引
verify_integrity = False :是否检查索引值的唯一性，有重复时报错
)

df = df.append( [df2, df3, df4])

7.4.2 数据的横向合并

merge 命令使用像 SQL 的连接方式

pd.merge（
需要合并的 DF
left :需要合并的左侧 DF
right :需要合并的右侧 DF
how = ' inner':具体的连接类型
{left、right 、outer 、 inner、）
两个 DF 的连接方式
on :用于连接两个 DF 的关键变量（多个时为列表），必须在两侧都出现
left_on :左侧 DF 用于连接的关键变量（多个时为列表）
right_on :右侧 DF 用于连接的关键变量（多个时为列表）
left_index = False :是否将左侧 DF 的索引用于连接
right_index = False :是否将右侧 DF 的索引用于连接
其他附加设定
sort = False :是否在合并前按照关键变量排序（会影响合并后的案例顺序）
suffixes :重名变量的处理方式，提供长度为 2 的列表元素，分别作为后缀
suffixes=（‘_x' 、‘_y'）
copy = True
indicator = False :在结果 DF 中增加'_merge ' 列,用于记录数据来源 也可以直接提
供相应的变量列名
Categorical 类型,取值： left_only 、 right_only 、both
validate = None :核查合并类型是否为所指定的情况
one_to_one or 1:1
one_to_many or 1:m
many_to_one or m:1
many_to_many or m:m

7.4.3 Concat 命令简介

同时支持横向合并与纵向合并

pd.concat(
objs :需要合并的对象，列表形式提供
axis = 0 :对行还是对列方向逬行合并
(0 index 、 1 columns )
join = outer :对另一个轴向的索引值如何逬行处理
(inner 、outer )
ignore_index = False
keys = None :为不同数据源的提供合并后的索引值
verify_integrity = False
copy = True
)

纵向合并

df1 = pd.read_excel（"stu_data.xlsx", sheet_name = ‘new1' )
df2 = pd.read_excel（"stu_data.xlsx", sheet_name = ‘new2' )
pd.concat（[df1,df2]）
pd.concat（[df1,df2], key=[‘a','b']）

横向合并

df1 = pd.read_excel（"stu_data.xlsx", sheet_name = ‘new4' )
df2 = pd.read_excel（"stu_data.xlsx", sheet_name = ‘new5' )
pd.concat（[df1,df2 ], axis = 1）

8.1 处理缺失值

8.1.1 系统默认的缺失值

系统默认的缺失值
None 和 np. nan
确定数值是否是缺失值
df. isna () # 别名为 isnull, 反函数为 notna

None 和 np.nan 的区别：能否进行比较
None == None
np.nan == np.nan
设定 in 和 inf 是否被认定为缺失值

# 查看是无穷大与无穷小是否为缺失值
pandas.options.mode.use_inf_as_na

8.1.2 处理自定义缺失值

目前 Pandas 不支持设定自定义缺失值，因此只能考虑将其替换为系统缺失值

df.replace('自定义值'，np.nan)
df .开设.replace ("不清楚",np.nan)

设定为 None 后的效果完全不同

df .开设,replace ("不清楚",None)
df2 = df .replace ( [“不清楚”,171] ,[np.nan, np.nan] ) # 后面的中括号可以简写 np.nan

8.1.3 标识缺失值

df.isna(): 检查相应的数据是否为缺失值 同 df.isnull()
df2 = df .replace ( [“不清楚”,171] ,np.nan )
检查多个单元格的取值是否为指定数值

df.any(
axis : index (0), columns (1)
skipna = True :检查时是否忽略缺失值
level = None :多重索引时指定具体的级别

df.all(
axis : index (0), columns (1)
skipna = True :检查时是否忽略缺失值
level = None :多重索引时指定具体的级别
）

用法：

# 默认检测的是列值
df2.isna().any()

df2.isna().all()

8.1.4 填充缺失值

df.fillna(
value :用于填充缺失值的数值，也可以提供dict/Series/DataFrame 以进—步指明哪些索引/列会被替换 不能使用 list
method = None :有索引时具体的填充方法，向前填充，向后填充等
limit = None :指定了 method 后设定具体的最大填充步长，此步长不能填充
axis : index (0), columns (1)
inplace = False
)

df .replace ( [“不清楚”,171] ,np.nan ). fillna (‘未知')
df .replace ( [“不清楚”,171] ,np.nan ) .fillna(df2.mean( ))

8.1.5 删除缺失值

df.dropna(
axis = 0 : index (0), columns (1)
how = any : any、all
any :任何一个为 NA 就删除
all :所有的都是 NA 删除
thresh = None :删除的数量阈值，int
subset :希望在处理中包括的行/列子集
inplace = False :
)

8.2 数据查重

8.2.1 标识出重复的行

标识出重复行的意义在于进一步检査重复原因，以便将可能的错误数据加以修改

Duplicated

df[‘dup' ] = df.duplicated( [‘课程','开设'])

利用索引进行重复行标识
df.index.duplicated()

df2 = df.set_index ( [‘课程','开设'] )
df2.index. duplicated ()

8.2.2 直接删除重复的行

drop_duplicates (
subset=“ ”按照指定的行逬行去重
keep='first' 、 'last' 、 False 是否直接删除有重复的所有记录
)

df. drop_duplicates ( [‘课程', '开设' ] )
df. drop_duplicates ( [‘课程', '开设' ] , keep = False )

利用査重标识结果直接删除
df[~df.duplicated( )

df[~df . duplicated ( [‘课程', '开设' ] )

9 日期时间变量

9.1 Timestamp 与 Period

9.1.1 Timestamp

from datetime import datetime

import pandas as pd
# 获取当前时间
pd.Timestamp(datetime.now())
# 获取指定时间
pd.Timestamp(datetime(2022,1,1))
# 指定时分秒
pd.Timestamp(datetime(2022,1,1,1,2,3))pd.Timestamp(2022,1,1)
# 给字符串
pd.Timestamp('2022-01-01 1:2:3')

9.1.2 Peroid

可以被看作是简化之后的 Timestamp 对象
由于详细数据的不完整，而表示的是一段时间，而不是一个时点

但是实际使用中很可能是按照时点在使用

很多使用方法和 Timestamp 相同，不再详细介绍

# 精确到——月
pd.Period('2022-01')
# 精确到——天
pd.Period('2022-01',freq='D')

9.2 数据转换 Timestamp 类

9.2.1 使用 pd.Timestamp()直接转换

pd.Timestamp(df[‘date'] [0])
df[‘date'].apply(pd.Timestamp)

9.2.2 用 to_datetime 进同比量转换

pd.to_datetime(
arg :需要转换为 Timestamp 类的数值
Integer, float, string, datetime, list, tuple, 1-d array, Series,
errors = ‘raise' : (‘ ignore' , ‘raise' , 'coerce' )
‘raise ' 抛出错误
‘coerce' 设定为 NaT
‘ignore' 返回原值
短日期的解释方式：类似 '10/11/12"这样的数据如何解释
dayfirst = ‘False' : 数值是否 day 在前
yearfirst = 'False':数值是否 year 在前，该设定优先
box = True :是否返回为 DatetimeIndex, False 时返回 ndarray 数组
format = None :需要转换的字符串格式设定）

代码如下：

# 传递datetime
pd.to_datetime(datetime(2022, 1, 2, 3, 4, 5))
# 传递str
pd.to_datetime('2022-01-02 3:4:5')
# 传递list
pd.to_datetime(['2022/01/02' , '2022.01.03'])# pd.to_datetime(df[['Year','Month','Day','Hour']])
pd.to_datetime(df[ 'date' ], format = '%Y-%m-%d %H:%M')

9 2.3 基于所需的变量列合成 Timestamp 类

pd.to_datetime(df[ [‘Year' , 'Month' , ‘Day' , ‘Hour']])

9.3 使用 DatetimeIndex 类

Datetimeindex 类对象除了拥有 Index 类对象的所有功能外，还针对日期时间的特点有如下增强:
1.基于日期时间的各个层级做快速索引操作
2.快速提取所需的时间层级
3.按照所指定的时间范围做快速切片

9.3.1 建立 Datetimeindex 对象

1. 建立素引时自动转换
使用 Timestamp 对象建立索引，将会自动转换为 DatetimeIndex 对象

df_index = df.set_index(pd.to_datatime(df[‘data1']))

2. 通过 date_range 建立
这种建立方式主要是和 reindx 命令配合使用，以快速完成对时间序列中缺失值的填充工作

pd.date_range(
start /end = None :日期时间范围的起点/终点，均为类日期时间格式的字符串/数据
periods = None :准备生成的总记录数
freq = 'D':生成记录时的时间周期，可以使用字母和数值倍数的组合，如'5H'
name = None :生成的 DatetimeIndex 对象的名称
)

pd.bdate_range(
主要参数和 pd.date_range 几乎完全相同，但默认 freq = 'B' (business daily) 另外附加了几个针对工作日/休息日筛选的参数
)

pd.date_range('2/1/2022', periods=5, freq='M')

9.4 时间序列做基本使用

9.4.1 序列的分组汇总

9.4.1.1 直接取出素引的相应层级

DatetimeIndex 对象可直接引用的属性

df.index.year

9.4.1.2 直接使用 groupby 方法进行汇总

df.groupby(df2.index.year).max( )

9.4.1.3 resample( )

使用上比 groupby 更简单(输入更简洁)
可以将数值和汇总单位进行组合,实现更复杂的汇总计算

df.resample(‘3M').mean( )

9.4.2 时间缺失值的处理

时间序列要求记录的时间点连贯无缺失，因此需要：
首先建立针对整个时间范围的完整序列框架
随后针对无数据的时间点进行缺失值处理

df = pd.read_excel(‘stu_data.xlsx', index_col = 2)
Index2 = pd.date_range(‘2005-01-01', '2018-01-01' )
df.reindex(index2)

9.4.3 序列数值平移

df.shift(
periods = 1: 希望移动的周期数
freq :时间频度字符串
axis =0
)

df.shift( 3 )

10 数据的图形展示

10.1 配置绘图系统环境

df [‘数据’].plot .box (title=‘标题’,ylim= (60,80))

#中文字符兼容问题

import matplotlib
matplotlib.reParams[‘font.sans-serif'] = [‘SimHei']

#绘图功能的逬一步美化和功能增强包,参考 http: //seaborn .pydata. org/

import seaborn
seaborn.set_style(‘whitegrid')

#注意有中文兼容问题,需要重新导入中文设定!
逬一步在一些细节上的美化和优化

import matplotlib.pyplot as plt
pit.figure ()

df.plot(
绘图用数据
data :数据框
x = None:行变量的名称/顺序号
y = None :列变量的名称/顺序号
kind = 'line':需要绘制的图形种类
line : line plot (default)
bar : vertical bar plot
barh : horizontal bar plot
hist : histogram
box : boxplot
kde : Kernel Density Estimation plot
density : same as kde
area : area plot
pie : pie plot
scatter : scatter plot
hexbin : hexbin plot
各种辅助命令
figsize : a tuple (width, height) in inches
xlim / ylim : X/Y 轴的取值范围，2-tuple/list 格式
logx / logy / loglog = False :对 X/Y/双轴同时使用对数尺度
title : string or list
Alpha :图形透明度，0-1
图组命令
subplots = False :是否分图组绘制图形
sharex :是否使用相同的 X 坐标
ax = None 时，取值为 True,否则取值为 False
sharey = False :是否使用相同的 Y 坐标
ax = None :需要叠加的 matplotlib 绘图对象

图形种类的等价写法

df.plot.kind()
df [‘身高'].plot .box (title='第一个图',ylim= (60,80))
df.体重.plot(figsize = (12,8 ))
df.groupby(df.性别).体重.plot( )

10.2 条图

pd.value_counts(df.课程).plot.bar()
pd.value_counts(df.课程).plot.barh()
import numpy as np
df2 = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df2.plot.bar( )
df2.plot.bar( stacked= True )

10.3 直方图

plot.hist(
by :在 df 中用于分组的变量列(绘制为图组)
bins = 10 :需要拆分的组数)hist(by :在 df 中用于分组的变量列(绘制为图组))

10.4 饼图

plot.pie(
y :指定需要绘制的变量列名称
subplots = False :多个变量列时要求分组绘图)

10.5 箱图

plot.box(
vert = True :是否纵向绘图)

10.6 散点图

plot.scatter（
S :控制散点大小的变量列，不能使用 df 中的简写方式指定
C :控制散点颜色的变量列）

11 数据特征的分析探索

11.1 数值变量的基本描述

df.describe（
percentiles :需要输出的百分位数，列表格式提供，如[.25, .5, .75]
include = 'None ':要求纳入分析的变量类型白名单
None （default）:只纳入数值变量列
A list-like of dtypes :列表格式提供希望纳入的类型
all :全部纳入
exclude :要求剔除出分析的变量类型黑名单，选项同上
）

df.describe( )
df.describe(include = ‘all’ )

11.2 分类变量的频数统计

Series.value_counts（
normalize = False :是否返回构成比而不是原始频数
sort = True :是否按照频数排序（否则按照原始顺序排列）
ascending = False : 是否升序排列
bins :对数值变量直接进行分段，可看作是 pd.cut 的筒便用法
dropna = True :结果中是否包括 NaN
）

pd. value_counts （df2 .体重）
pd. value_counts （df2 .体重,normalize=True）
pd. value_counts （df2 .体重，sor

11.3 交叉表/数据透视表

df.pivot_table（
行列设定
index / columns :行变量/列变量，多个时以 list 形式提供
单元格设定
values :在单元格中需要汇总的变量列，可不写
aggfunc = numpy.mean : 相应的汇总函数
汇总设定
margins = False :是否加入行列汇总
margins_name = 'All':汇总行/列的名称
缺失值处理
fill_value = None :用于替换缺失值的数值
dropna = True :
）

pd.crosstab（
选项和 pivot_table 几乎相同相对而言需要打更多字母，因此使用更麻烦但是计算频数最方便输出格式为数据框 ）

df.pivot_table(index =['课程','性别'],columns='软件',aggfunc = sum)pd.crosstab(index =[df.课程],columns=df.软件,values=df.体重,aggfunc=sum)

12 如何优化 Pandas

除非对相应的优化手段已经非常熟悉，否则代码的可读性应当被放在首位。过早优化是万
恶之源！
pandas 为了易用性，确实牺牲了一些效率，但同时也预留了相应的优化路径。因此如果
要进行优化，熟悉并优先使用 pandas 自身提供的优化套路至关重要。
尽量使用 pandas（或者 numpy）内置的函数进行运算，一般效率都会更高。
在可以用几种内部函数实现相同需求时，最好进行计算效率的比较，差距可能很大。

12.1 学会使用各种计时工具

%time 和%timeit，以及%%timeit（需要在 IPython 下才可以使用）

# 统计程序所需的时间
%time df['new_col'] = df.体重-df.支出
%timeit df['new_col'] = df.体重-df.支出
%%timeit
df['new_col'] = df.体重-df.支出
df['new_col'] = df.体重-df.支出
df['new_col'] = df.体重-df.支出
df['new_col'] = df.体重-df.支出

python 时间方式

from datetime import datetime
import timet1 = datetime.now()
t2 = time.time()
time.sleep(1)
print(datetime.now()- t1)
print(time.time()-t2)

用 line_profiler 做深入分析

from line_profiler import LineProfiler
import randomdef m_test(numbers):s = sum(numbers)l = [numbers[i]/50 for i in range(len(numbers))]m = ['hello' + str(numbers[i]) for i in range(len(numbers))]lp = LineProfiler() # 定义一个 LineProfiler 对象
lp_wrapper = lp(m_test) # 用 LineProfiler 对象监控需要分析的函数

12.2 超大数据文件的处理

超大数据文件在使用 pandas 进行处理时可能需要考虑两个问题：读取速度，内存用量。
一般情况会考虑读入部分数据进行代码编写和调试，然后再对完整数据进行处理。
在数据读入和处理时需要加快处理速度，减少资源占用。

12.2.1 一些基本原则

当明确知道数据列的取值范围时，读取数据时可以使用 dtype 参数来手动指定类型，
如 np.uint8 或者 np.int16，否则默认的 np.int64 类型等内存开销明显非常大。
尽量少用类型模糊的 object，改用更明确的 category 等（用 astype()转换）。
对类别取值较少，但案例数极多的变量，读入后尽量转换为数值代码进行处理。

data = pd.DataFrame({"a" : [0,1, 2, 3, 4, 5, 6, 7, 8, 9],
"b" : ["祖安狂人","祖安狂人","冰晶凤凰","冰晶凤凰",
"祖安狂人","祖安狂人","祖安狂人","冰晶凤凰", "冰晶凤凰","祖安狂人"]})
print(data)
data.info()# 把内存变小——downcast 降级
data['a'] = pd.to_numeric(data['a'], downcast = 'integer')
data['b'] = data['b'].astype('category')
print(data)data.b.head() # category 格式明显更节省内存
data.info()
data.b.astype('str') # 必要时 category 也可以转换回 str

12.2.2 对文件进行分段读取

使用 chunksize 参数

dftmp = pd.read_csv('stu_date.csv', usecols = [0,2,3,4,5,6,7], chunksize = 5)
type(dftmp) # 注意得到的并不是一个数据框，而是 TextFileReader
n = 0
for item in dftmp: # 注意重复运行之后的效果print(item)n += 1if n > 2:break

使用 iterator 参数和 get_chunk()组合

dftmp = pd.read_csv('stu_date.csv', usecols = [0,2,3,4,5,6,7], iterator = True)
type(dftmp) # 注意得到的并不是一个数据框，而是 TextFileReader
dfiter.get_chunk(10) # 注意重复运行之后的效果

12.3 如何优化 pandas 的代码

12.3.1 简单优化

尽量不要在 pandas 中使用循环
如果循环很难避免，尽量在循环体中使用 numpy 做计算。

# 代码运算的时间
%%timeit
#标准的行/列遍历循环方式效率最差，
df['new'] = 0
for i in range(df.shape[0]):
# df.iloc[行,列]
# 新建第8列 = 第4列+10
df.iloc[i, 8] = df.iloc[i, 4] + 10
#apply 自定义函数/外部函数效率稍差
def m_add(x):
return x + 10
%timeit df["new"] = df.支出.apply(lambda x : m_add(x))

#在 apply 中应用内置函数方式多数情况下速度更快
%timeit df["new"] = df.支出.apply(lambda x: x + 10)

 直接应用原生内置函数方式速度最快
%timeit df["new"] = df.支出 + 10

12.3.2 如何进行多列数据的计算

同时涉及多列数据的计算不仅需要考虑速度优化问题，还需要考虑代码简洁性的问题。

%%timeit
def m_add(a, b, c):
return a + b + c
df['new'] = df.apply(lambda x :m_add(x['支出'], x['体重'], x['身高']), axis = 1)

%%timeit
# 使用内置函数 5.33 ms
#lambda 多参方式可能效率反而更低
df['new'] = df[['支出', '体重', '身高']].apply(lambda x :x[0] + x[1] + x[2], axis = 1)

# 使用pandas内置 664 µs
# 最香
%timeit df['new'] = df['支出'] + df['体重'] + df['身高']

pd.eval()命令

pd.eval()的功能仍是给表达式估值，但是基于 pandas 时，就可以直接利用列名等信息用于计算。
#eval()默认会使用 numexpr 而不是 python 计算引擎，复杂计算时效率很高
#engine 参数在调用 numexpr 失败时会切换为 python 引擎，一般不用干涉

%timeit df.eval('new = 支出 + 体重 + 身高', inplace = True)
#eval()默认会使用 numexpr 而不是 python 计算引擎，复杂计算时效率很高

%timeit df.eval('new = 支出 + 体重 + 身高', engine = 'python', inplace = True)

%%timeit
df['n1'] = df.支出 + 1 df['n2'] = df.支出 + 2 df['n3'] = df.体重 + 3
df.head()

pd.在 eval()表达式中进一步使用局部变量
@varname：在表达式中使用名称为 varname 的 Python 局部变量。该@符号在 query()和
eval()中均可使用。

%%timeit
arg = 3
bj.eval('new = 支出 + 体重 + 身高 + @arg').head()

12.4 利用各种 pandas 加速外挂

大部分外挂包都是基于 linux 环境，windows 下能用的不多。大部分外挂包还处于测试阶段，功能上并未完善。

12.4.1 numba

对编写的自定义函数进行编译，以提高运行效率。
A Just-In-Time Compiler for Numerical Functions in Python 具体使用的是 C++编写的
LLVM(Low Level Virtual Machine) compiler 实际上主要是针对 numpy 库进行优化编译，并不仅限于 pandas

import randomdef monte_carlo_pi(nsamples): acc = 0for i in range(nsamples): x =  random.random() y = random.random()if (x ** 2 + y ** 2) < 1.0: acc += 1return 4.0 * acc / nsamples
%timeit monte_carlo_pi(20) # 运行被监控的函数，获取各部分占用的运行时间数据

# 注意安装 pip install numba
from numba import jit
@jit(nopython = True) # nopython模式下性能最好def monte_carlo_pi(nsamples): acc = 0for i in range(nsamples): x =  random.random() y = random.random()if (x ** 2 + y ** 2) < 1.0: acc += 1return 4.0 * acc / nsamples
%timeit monte_carlo_pi(20)

from numba import jit
@jit
def monte_carlo_pi(nsamples): acc = 0for i in range(nsamples): x =  random.random() y = random.random()if (x ** 2 + y ** 2) < 1.0: acc += 1return 4.0 * acc / nsamples
%timeit monte_carlo_pi(20)

12.4.2 swifter

对 apply 函数进行并行操作是专门针对 pandas 进行优化的工具包

df = pd.DataFrame({'x': [1, 2, 3, 4], 'y': [5, 6, 7, 8]})
# runs on single core
%timeit df['x2'] = df['x'].apply(lambda x: x**2)

import swifter
# runs on multiple cores
%timeit df['x2'] = df['x'].swifter.apply(lambda x: x**2)

%timeit df['agg'] = df.apply(lambda x: x.sum() - x.min())

%timeit df['agg'] = df.swifter.apply(lambda x: x.sum() - x.min())

Pandas 最全的使用方式（下）相关推荐

频率控制和滞环控制的半桥/全桥LLC电路仿真对比两种方式下均可实现输出电压闭环控制，模型中包含负载的阶跃变化过程，可以验证闭环系统稳定性
频率控制和滞环控制的半桥/全桥LLC电路仿真对比两种方式下均可实现输出电压闭环控制 ,模型中包含负载的阶跃变化过程 ,可以验证闭环系统稳定性滞环控制和变频控制下的电感电流和输出电压波形图如第二幅图 ...
matlab不同调制方式下性能比较,用不同调制方式实现跳/扩频混合通信的抗干扰性能...
论文写作指导:请加QQ229366758 摘要:介绍了BPSK,QPSK,16PSK,FSK,MSK及GMSK 6种数字调制方式的特点,采用Matlab中的Simulink建立了各种调制方式实现DS/ ...
超全总线控制方式总结
总线控制看了网络上的文章,质量真的不太行,就自己结合着整理一下. 总线控制主要是两个大方面,总线判优控制和总线通信控制. 一.总线判优控制总线上同一时刻只允许一个设备进行占用,为了防止冲突,我们引 ...
红旗linux shell方式下配置声卡的命令是:,‘红旗杯’linux大赛——基础知识2
1. 在chmod 命令中,-v参数的作用是: A. 详细说明组的变化 *B. 详细说明权限的变化 C. 改变本目录及其所有子目录的文件的权限 D. 在文件的权限确实改变时进行详细的说明 2. 为了显 ...
红旗linux shell方式下配置声卡的命令是:,linux基础知识1
1. 在chmod 命令中,-v参数的作用是: A. 详细说明组的变化 *B. 详细说明权限的变化 C. 改变本目录及其所有子目录的文件的权限 D. 在文件的权限确实改变时进行详细的说明 2. 为了显 ...
DOS 实方式下直接访问4GB 内存
十堰市湖北汽车工业学院电气工程系(442002) 陈家祺摘要: 分析了80486CPU 的寻址机制, 提出了在实方式下直接访问4GB 内存的策略和C 程序设计方法. 关键词: DO S 程序扩展 ...
Bash bug漏洞目前最新最全的修复方式
为什么80%的码农都做不了架构师?>>> Bash bug漏洞已经爆过2天时间,安全狗安全团队已经第一时间向广大用户进行预警.但由于Bash在Linux系统的广泛应用导致众多L ...
Excel在.Net 环境下Web方式下驻留内存问题的解决
这段时间在VS 2003 的WebForm 方式下对Excel 进行操作,遇到一个最为头疼的问题就是对Excel操作完毕后Excel不能够正常关闭,系统退出后,Excel总是驻留在内存中.但是这段代码 ...
pandas使用resample进行不同粒度下的时间特征重构实战：构建时间维度统计特征
pandas使用resample进行不同粒度下的时间特征重构实战:构建时间维度统计特征 Pandas中的resample,重新采样,是对原样本重新处理的一个方法,是一个对常规时间序列数据重新采样和频率 ...

Pandas 最全的使用方式（下）