上一篇：pandas数据分析给力教程【完整版】（五）
下一篇：pandas数据分析给力教程【完整版】（七）

import pandas as pd
from pandas import Series,DataFrameimport numpy as np

pandas数据处理

1、删除重复元素

def make_df(index, cols):df = DataFrame({col: [col + str(i) for i in index] for col in cols})df.index = indexreturn df

df = make_df([1,2,3,4], list('ABCD'))
df
A B C D
1 A1 B1 C1 D1
2 A2 B2 C2 D2
3 A3 B3 C3 D3
4 A4 B4 C4 D4

使用duplicated()函数检测重复的行，返回元素为布尔类型的Series对象，每个元素对应一行，如果该行不是第一次出现，则元素为True

df.duplicated()

1    False
2    False
3    False
4    False
dtype: bool

df.loc[2] = df.loc[1]

df
A B C D
1 A1 B1 C1 D1
2 A1 B1 C1 D1
3 A3 B3 C3 D3
4 A4 B4 C4 D4 
df.duplicated(keep='last')

1     True
2    False
3    False
4    False
dtype: bool

df.loc[1, 'D'] = 'D4'

df
A B C D
1 A1 B1 C1 D4
2 A1 B1 C1 D1
3 A3 B3 C3 D3
4 A4 B4 C4 D4 
df.duplicated(subset=['A', 'B', 'C'])

1    False
2     True
3    False
4    False
dtype: bool

使用drop_duplicates()函数删除重复的行

df.drop_duplicates()
A B C D
1 A1 B1 C1 D1
3 A3 B3 C3 D3
4 A4 B4 C4 D4 
df[~df.duplicated()]
A B C D
1 A1 B1 C1 D1
3 A3 B3 C3 D3
4 A4 B4 C4 D4 
df[np.logical_not(df.duplicated())]
A B C D
1 A1 B1 C1 D1
3 A3 B3 C3 D3
4 A4 B4 C4 D4

2. 映射

映射的含义：创建一个映射关系列表，把values元素和一个特定的标签或者字符串绑定

需要使用字典：

map = { 'label1':'value1', 'label2':'value2', ... }

包含三种操作：

  • replace()函数：替换元素
  • 最重要：map()函数：新建一列
  • rename()函数：替换索引

1) replace()函数：替换元素

使用replace()函数，对values进行替换操作

data = np.random.randint(0,150, size=(4,3))
index = ['张三', '李四', '王五', '赵六']
columns = ['语文', '数学', '英语']
df = DataFrame(index=index, data=data, columns=columns)
df
语文 数学 英语
张三 119 103 18
李四 5 103 89
王五 79 11 32
赵六 93 14 32

首先定义一个字典

mapping = {34: 104, 37: 107, 17: 117, 43: 134}

调用.replace()

df.replace(mapping)
语文 数学 英语
张三 93 134 86
李四 104 54 97
王五 111 107 60
赵六 125 117 38

replace还经常用来替换NaN元素

df.iloc[0,0] = np.nan

df
语文 数学 英语
张三 NaN 43 86
李四 34.0 54 97
王五 111.0 37 60
赵六 125.0 17 38 
df.replace({np.nan: 0})
语文 数学 英语
张三 0.0 43 86
李四 34.0 54 97
王五 111.0 37 60
赵六 125.0 17 38

============================================

练习19：

假设张三李四的课表里有满分的情况，老师认为是作弊，把所有满分的情况（包括150,300分）都记0分，如何实现？

============================================

df.iloc[0,0] = 150
df.iloc[1,0] = 150
df
语文 数学 英语
张三 150.0 43 86
李四 150.0 54 97
王五 111.0 37 60
赵六 125.0 17 38 
df.replace({150:  0})
语文 数学 英语
张三 0.0 43 86
李四 0.0 54 97
王五 111.0 37 60
赵六 125.0 17 38

2) map()函数：新建一列

使用map()函数，由已有的列生成一个新列

适合处理某一单独的列。

df
语文 数学 英语
张三 150.0 43 86
李四 150.0 54 97
王五 111.0 37 60
赵六 125.0 17 38 
# map的基本用法: 根据已有列的数据来生成新的一列数据
df['理综'] = df['数学'].map({43: 243, 54: 254, 37: 237, 17: 217})
df
语文 数学 英语 理综
张三 150.0 43 86 243
李四 150.0 54 97 254
王五 111.0 37 60 237
赵六 125.0 17 38 217 
# 用法二: 修改已有列的数据
df['数学'] = df['数学'].map({43:143, 54: 124, 37: 137, 17: 117})
df
语文 数学 英语 理综
张三 150.0 143 86 243
李四 150.0 124 97 254
王五 111.0 137 60 237
赵六 125.0 117 38 217

仍然是新建一个字典

map()函数中可以使用lambda函数

# 用法三: 传递lambda函数
df['及格与否'] = df['英语'].map(lambda item: item >= 60)
df
语文 数学 英语 理综 及格与否
张三 150.0 143 86 243 True
李四 150.0 124 97 254 True
王五 111.0 137 60 237 True
赵六 125.0 117 38 217 False 
df['python'] = df['英语'].map(lambda item: item * 2)
df
语文 数学 英语 理综 及格与否 python
张三 150.0 143 86 243 True 172
李四 150.0 124 97 254 True 194
王五 111.0 137 60 237 True 120
赵六 125.0 117 38 217 False 76 
def convert(item):if item >= 80:return '优秀'elif item >= 60:return '及格'else:return  '不及格'

# map第四个用法: 传递一个普通函数
df['score'] = df['英语'].map(convert)

df
语文 数学 英语 理综 及格与否 python score
张三 150.0 143 86 243 True 172 优秀
李四 150.0 124 97 254 True 194 优秀
王五 111.0 137 60 237 True 120 及格
赵六 125.0 117 38 217 False 76 不及格

transform()和map()类似

df['score1'] = df['英语'].transform(convert)

df
语文 数学 英语 理综 及格与否 python score score1
张三 150.0 143 86 243 True 172 优秀 优秀
李四 150.0 124 97 254 True 194 优秀 优秀
王五 111.0 137 60 237 True 120 及格 及格
赵六 125.0 117 38 217 False 76 不及格 不及格

使用map()函数新建一个新列

============================================

练习20：

新增两列，分别为张三、李四的成绩状态，如果分数低于90，则为"failed"，如果分数高于120，则为"excellent"，其他则为"pass"【提示】使用函数作为map的参数

============================================

3) rename()函数：替换索引

仍然是新建一个字典

df
语文 数学 英语 理综 及格与否 python score score1
张三 150.0 143 86 243 True 172 优秀 优秀
李四 150.0 124 97 254 True 194 优秀 优秀
王五 111.0 137 60 237 True 120 及格 及格
赵六 125.0 117 38 217 False 76 不及格 不及格 
mapping = {'语文': 'Chinese', '数学': 'Math', '英语': 'English'}
df.rename(mapping, axis=1)
Chinese Math English 理综 及格与否 python score score1
张三 150.0 143 86 243 True 172 优秀 优秀
李四 150.0 124 97 254 True 194 优秀 优秀
王五 111.0 137 60 237 True 120 及格 及格
赵六 125.0 117 38 217 False 76 不及格 不及格 
df.rename(columns=mapping)
Chinese Math English 理综 及格与否 python score score1
张三 150.0 143 86 243 True 172 优秀 优秀
李四 150.0 124 97 254 True 194 优秀 优秀
王五 111.0 137 60 237 True 120 及格 及格
赵六 125.0 117 38 217 False 76 不及格 不及格 
df.rename(index={'张三': 'Mr Zhang', '李四': 'Mr Lee', '王五': 'Lao Wang', '赵六': 'Mr Six'})
语文 数学 英语 理综 及格与否 python score score1
Mr Zhang 150.0 143 86 243 True 172 优秀 优秀
Mr Lee 150.0 124 97 254 True 194 优秀 优秀
Lao Wang 111.0 137 60 237 True 120 及格 及格
Mr Six 125.0 117 38 217 False 76 不及格 不及格

使用rename()函数替换行索引

3. 异常值检测和过滤

使用describe()函数查看每一列的描述性统计量

df.describe()
语文 数学 英语 理综 python
count 4.00000 4.000000 4.000000 4.00000 4.000000
mean 134.00000 130.250000 70.250000 237.75000 140.500000
std 19.33908 11.870833 26.512576 15.52149 53.025151
min 111.00000 117.000000 38.000000 217.00000 76.000000
25% 121.50000 122.250000 54.500000 232.00000 109.000000
50% 137.50000 130.500000 73.000000 240.00000 146.000000
75% 150.00000 138.500000 88.750000 245.75000 177.500000
max 150.00000 143.000000 97.000000 254.00000 194.000000

使用std()函数可以求得DataFrame对象每一列的标准差

根据每一列的标准差，对DataFrame元素进行过滤。

借助any()函数, 测试是否有True，有一个或以上返回True，反之返回False

对每一列应用筛选条件,去除标准差太大的数据

删除特定索引df.drop(labels,inplace = True)

============================================

练习21：

新建一个形状为10000*3的标准正态分布的DataFrame(np.random.randn)，去除掉所有满足以下情况的行：其中任一元素绝对值大于3倍标准差

============================================

异常值的检测一定要有一个标准.具体的标准要根据具体业务来分析.

df = DataFrame(data=np.random.randn(10000,3))
df.head()
0 1 2
0 0.702958 1.076957 0.300606
1 0.078124 0.071552 0.182246
2 1.121916 -1.379986 0.489360
3 0.633601 -0.864642 0.015258
4 -1.379120 -0.583192 -0.290505 
df.std()

0    1.002128
1    0.991692
2    1.002605
dtype: float64

df[~(df.abs() > 3 * df.std()).any(axis=1)]
0 1 2
0 0.702958 1.076957 0.300606
1 0.078124 0.071552 0.182246
2 1.121916 -1.379986 0.489360
3 0.633601 -0.864642 0.015258
4 -1.379120 -0.583192 -0.290505
5 0.618883 -1.104339 -0.570237
6 0.916081 -0.108372 0.460898
7 0.214117 0.860870 -0.205388
8 -0.253403 0.142603 1.670119
9 -0.905850 -0.196322 2.690032
10 0.384971 -0.080958 0.679500
11 -0.807132 0.588866 0.415264
12 -0.763031 -1.796780 0.573219
13 -0.274970 -1.288599 1.230828
14 -0.571952 0.724518 -1.341576
15 -1.159281 -1.443461 1.321074
16 1.632015 0.523967 -0.416220
17 -0.951032 -1.109964 -1.268240
18 -0.258133 0.240632 -0.534827
19 0.459025 0.666112 0.292500
20 -0.349553 0.329076 -1.036976
21 0.704763 0.487110 -0.474845
22 -0.862090 0.241097 -0.348680
23 0.926968 -0.824318 0.215676
24 -0.974620 0.478644 -0.227909
25 0.271325 1.496910 0.335745
26 0.609025 0.187004 0.656713
28 -2.312873 0.049148 0.195795
29 1.114768 1.229843 0.165681
30 1.498970 0.590742 0.324432
... ... ... ...
9969 0.671424 -0.416264 0.068488
9970 1.167870 -0.409707 1.541785
9971 2.202169 -0.427342 1.890037
9972 0.977254 -0.203149 -0.179609
9973 0.344181 0.905022 -0.519217
9974 1.440256 0.690965 -0.847224
9975 -1.423468 1.255630 0.067692
9976 2.131677 1.729157 0.073778
9977 -0.859171 0.497846 -0.212514
9979 -2.410043 0.271282 0.518025
9980 -0.085760 0.583119 0.586410
9981 1.713973 -0.068664 1.032057
9982 -1.700565 -0.126339 -0.129507
9983 -0.129577 -0.513998 0.437219
9984 2.381347 -1.657040 -0.227971
9985 -0.775950 -1.122079 -1.177830
9986 0.706769 0.022441 1.624407
9987 -1.490968 -0.959855 0.185482
9988 -0.450941 1.017665 1.622394
9989 0.380156 0.512397 1.219214
9990 1.132431 -0.374839 -0.475572
9991 0.271683 1.430147 -0.285015
9992 -1.276515 -0.682312 0.557811
9993 0.084578 0.518161 -0.441114
9994 0.569201 0.674269 0.249646
9995 1.249458 0.809205 -0.215635
9996 1.021031 -0.480514 -0.971789
9997 0.113955 0.090411 -0.825068
9998 0.870587 -1.327828 -0.097523
9999 -0.867561 0.149689 -1.583496

9930 rows × 3 columns

1, 先指定异常值检测的标准. <绝对值大于三倍的标准偏差>
2, 把标准写成一个条件.   <df.abs() > 3 * df.std()>
3, 再看是过滤行还是列.  (df.abs() > 3 * df.std()).any(axis=1)
4, 最后再通过中括号中写条件写法把异常值过滤掉.

4. 抽样

使用.take()函数排序

可以借助np.random.permutation()函数随机排序

df
语文 数学 英语
张三 119 103 18
李四 5 103 89
王五 79 11 32
赵六 93 14 32 
df.take([3,2,1,0])
语文 数学 英语
赵六 93 14 32
王五 79 11 32
李四 5 103 89
张三 119 103 18 
df.take([2,1,0], axis=1)
英语 数学 语文
张三 18 103 119
李四 89 103 5
王五 32 11 79
赵六 32 14 93

随机抽样

# 无放回抽样
np.random.permutation([0,1,2,3])

array([0, 3, 1, 2])

# permutation和take结合可以实现无放回抽样
df.take(np.random.permutation([0,1,2,3]))
语文 数学 英语
李四 5 103 89
赵六 93 14 32
张三 119 103 18
王五 79 11 32

当DataFrame规模足够大时，直接使用np.random.randint()函数，就配合take()函数实现随机抽样

# 有放回抽样
# np.random.randint和take结合实现有放回抽样
df.take(np.random.randint(0,4, size=4))
语文 数学 英语
王五 79 11 32
王五 79 11 32
赵六 93 14 32
赵六 93 14 32

============================================
练习22：

假设有张三李四王老五的期中考试成绩ddd2，对着三名同学随机排序

============================================

# 无放回抽样
df.take(np.random.permutation([0,1,2,3])[:3])
语文 数学 英语
王五 79 11 32
李四 5 103 89
赵六 93 14 32 
# 有放回抽样
df.take(np.random.randint(0,4, size=4)[:3])
语文 数学 英语
赵六 93 14 32
王五 79 11 32
王五 79 11 32

5. 数据聚合【重点】

数据聚合是数据处理的最后一步，通常是要使每一个数组生成一个单一的数值。

数据分类处理：

  • 分组：先把数据分为几组
  • 用函数处理：为不同组的数据应用不同的函数以转换数据
  • 合并：把不同组得到的结果合并起来

数据分类处理的核心：
groupby()函数

如果想使用color列索引，计算price1的均值，可以先获取到price1列，然后再调用groupby函数，用参数指定color这一列

df = DataFrame({'color':['red','white','red','cyan','cyan','green','white','cyan'],'price':np.random.randint(0,8,size = 8),'weight':np.random.randint(50,55,size = 8)})
df
color price weight
0 red 3 54
1 white 3 51
2 red 6 50
3 cyan 3 50
4 cyan 0 53
5 green 6 51
6 white 5 52
7 cyan 0 50 
df.groupby(by='color')

<pandas.core.groupby.generic.DataFrameGroupBy object at 0x000000001145F710>

使用.groups属性查看各行的分组情况：

df.groupby(by='color').groups

{'cyan': Int64Index([3, 4, 7], dtype='int64'),'green': Int64Index([5], dtype='int64'),'red': Int64Index([0, 2], dtype='int64'),'white': Int64Index([1, 6], dtype='int64')}

# 分组之后 进行聚合
# 先聚合再取值
df.groupby(by='color').sum()[['price']]
price
color
cyan 3
green 6
red 9
white 8 
#  先取值,再聚合 推荐写法.
price_sum = df.groupby(by='color')[['price']].sum()

df
color price weight
0 red 3 54
1 white 3 51
2 red 6 50
3 cyan 3 50
4 cyan 0 53
5 green 6 51
6 white 5 52
7 cyan 0 50 
df.merge(price_sum, left_on='color', right_index=True, suffixes=['', '_sum'])
color price weight price_sum
0 red 3 54 9
2 red 6 50 9
1 white 3 51 8
6 white 5 52 8
3 cyan 3 50 3
4 cyan 0 53 3
7 cyan 0 50 3
5 green 6 51 6

数据聚合的步骤

1, 分组, 找到分组的列

2, 聚合, 执行聚合操作,sum, mean, max, min

3, 合并, 把聚合的结果合并到原始表中.

============================================

练习23：

假设菜市场张大妈在卖菜，有以下属性：

菜品(item)：萝卜，白菜，辣椒，冬瓜

颜色(color)：白，青，红

重量(weight)

价格(price)

  1. 要求以属性作为列索引，新建一个ddd
  2. 对ddd进行聚合操作，求出颜色为白色的价格总和
  3. 对ddd进行聚合操作，求出萝卜的所有重量(包括白萝卜，胡萝卜，青萝卜）以及平均价格
  4. 使用merge合并总重量及平均价格

============================================

ddd = DataFrame({'item': ['萝卜', '萝卜','萝卜', '白菜', '白菜','辣椒','辣椒','辣椒', '冬瓜', '冬瓜'], 'color': ['白', '红', '青', '青', '白', '青', '红', '白',  '青', '白'],'weight': [60, 70, 40, 50, 60, 100, 80, 20, 200, 150],'price': [2.68, 3.98, 4.98, 1.28, 1.58, 7.98, 8.88, 12.28, 1.28, 1.58]})
ddd
item color weight price
0 萝卜 白 60 2.68
1 萝卜 红 70 3.98
2 萝卜 青 40 4.98
3 白菜 青 50 1.28
4 白菜 白 60 1.58
5 辣椒 青 100 7.98
6 辣椒 红 80 8.88
7 辣椒 白 20 12.28
8 冬瓜 青 200 1.28
9 冬瓜 白 150 1.58 
ddd.groupby(by='color')[['price']].sum()
price
color
白 18.12
红 12.86
青 15.52 
weight_sum = ddd.groupby(by='item')[['weight']].sum()

price_mean = ddd.groupby(by='item')[['price']].mean()
price_mean
price
item
冬瓜 1.430000
白菜 1.430000
萝卜 3.880000
辣椒 9.713333 
ddd = ddd.merge(weight_sum, left_on='item', right_index=True, suffixes=['', '_sum'])

ddd.merge(price_mean, left_on='item', right_index=True, suffixes=['', '_mean'])
item color weight price weight_sum price_mean
0 萝卜 白 60 2.68 170 3.880000
1 萝卜 红 70 3.98 170 3.880000
2 萝卜 青 40 4.98 170 3.880000
3 白菜 青 50 1.28 110 1.430000
4 白菜 白 60 1.58 110 1.430000
5 辣椒 青 100 7.98 200 9.713333
6 辣椒 红 80 8.88 200 9.713333
7 辣椒 白 20 12.28 200 9.713333
8 冬瓜 青 200 1.28 350 1.430000
9 冬瓜 白 150 1.58 350 1.430000

6.0 高级数据聚合

可以使用pd.merge()函数将聚合操作的计算结果添加到df的每一行
使用groupby分组后调用加和等函数进行运算，让后最后可以调用add_prefix()，来修改列名

price_mean = price_mean.add_prefix('mean_')

# 添加后缀
price_mean = price_mean.add_suffix('_mean')

ddd.merge(price_mean, left_on='item', right_index=True)
item color weight price weight_sum price_mean
0 萝卜 白 60 2.68 170 3.880000
1 萝卜 红 70 3.98 170 3.880000
2 萝卜 青 40 4.98 170 3.880000
3 白菜 青 50 1.28 110 1.430000
4 白菜 白 60 1.58 110 1.430000
5 辣椒 青 100 7.98 200 9.713333
6 辣椒 红 80 8.88 200 9.713333
7 辣椒 白 20 12.28 200 9.713333
8 冬瓜 青 200 1.28 350 1.430000
9 冬瓜 白 150 1.58 350 1.430000

可以使用transform和apply实现相同功能

在transform或者apply中传入函数即可

ddd.groupby(by='item').transform(sum)
color weight price weight_sum
0 白红青 170 11.64 510
1 白红青 170 11.64 510
2 白红青 170 11.64 510
3 青白 110 2.86 220
4 青白 110 2.86 220
5 青红白 200 29.14 600
6 青红白 200 29.14 600
7 青红白 200 29.14 600
8 青白 350 2.86 700
9 青白 350 2.86 700 
ddd.groupby(by='item').apply(sum)
item color weight price weight_sum
item
冬瓜 冬瓜冬瓜 青白 350 2.86 700
白菜 白菜白菜 青白 110 2.86 220
萝卜 萝卜萝卜萝卜 白红青 170 11.64 510
辣椒 辣椒辣椒辣椒 青红白 200 29.14 600

============================================

练习24：

使用transform与apply实现练习23的功能

============================================

pandas数据分析给力教程【完整版】（六）相关推荐

  1. pandas数据分析给力教程【完整版】（七）

    Pandas绘图 上一篇:pandas数据分析给力教程[完整版](六) Series和DataFrame都有一个用于生成各类图表的plot方法.默认情况下,它们所生成的是线形图 线形图 简单的Seri ...

  2. pandas数据分析给力教程【完整版】（五）

    pandas的拼接操作 上一篇:pandas数据分析给力教程[完整版](四) 下一篇:pandas数据分析给力教程[完整版](六) pandas的拼接分为两种: 级联:pd.concat, pd.ap ...

  3. pandas数据分析给力教程【完整版】（一）

    Pandas的数据结构 numpy 给力教程 下一篇:pandas数据分析给力教程[完整版](二) 导入pandas from pandas import Series 1.Series Series ...

  4. pandas数据分析给力教程【完整版】（二）

    Pandas数据加载 上一篇:pandas数据分析给力教程[完整版](一) 下一篇:pandas数据分析给力教程[完整版](三) pandas提供了一些用于将表格型数据读取为DataFrame对象的函 ...

  5. pandas数据分析给力教程【完整版】（三）

    Pandas处理丢失数据 上一篇:pandas数据分析给力教程[完整版](二) 下一篇:pandas数据分析给力教程[完整版](四) 有两种丢失数据: None np.nan(NaN) 1. None ...

  6. python入门教程完整版(懂中文就能学会)-Python入门教程完整版（懂中文就能学会）...

    不过小编的内心是强大的,网友虐我千百遍,我待网友如初恋,因为今天又给大家带来了干货,Python入门教程完整版,完整版啊!完整版! 言归正传,小编该给大家介绍一下这套教程了,希望每个小伙伴都沉迷学习, ...

  7. 尚硅谷最新版JavaScript基础全套教程完整版（p79-p90）

    尚硅谷最新版JavaScript基础全套教程完整版(140集实战教学,JS从入门到精通) 一.函数的方法 1.call()和 apply()方法 -这两个方法都是函数对象方法,需要通过函数对象来调用 ...

  8. Jedis使用教程完整版

    2019独角兽企业重金招聘Python工程师标准>>> 摘要:概述Jedis是Redis官方推荐的Java连接开发工具.要在Java开发中使用好Redis中间件,必须对Jedis熟悉 ...

  9. python3入门与进阶笔记_16_变量进阶 — 黑马程序员《Python入门教程完整版》笔记...

    变量进阶(理解) - 黑马程序员<Python入门教程完整版>笔记 目标变量的引用 可变和不可变类型 局部变量和全局变量 01. 变量的引用变量 和 数据 都是保存在 内存 中的 在 Py ...

最新文章

  1. 计算机技术的演进过程
  2. Comparative assessment of long-read error-correction software applied to RNA-sequencing data
  3. AttributeError: module 'tensorflow' has no attribute 'random_normal'
  4. 初等代数（3）：代数方程、指数与对数、复数
  5. 1779: 无法言表（map+queue）
  6. 数据分析 数据科学_数据科学中的数据分析
  7. 零售业有效利用物联网的几种方法
  8. 本计算机无法加入家庭组,win10系统无法加入家庭组是怎么回事？
  9. java graphics旋转_Java图像之自定义角度旋转（实例）
  10. flex sdk中mx_internal function getTextField() 这种函数如何调用？
  11. 说话心理学 个人笔记
  12. Kolmogorov复杂性 简介
  13. 电脑带不动虚幻引擎渲染卡顿怎么办？本文给你支招
  14. 计算机省级教学团队建设,附件5：山东省高等学校教学团队建设实施方案
  15. 笔记本和利用服务器算力直连,使用闲置服务器的CPU算力挖掘Monero—Windows篇
  16. 拼多多API接口介绍
  17. 如果有一天你退步了，请记住下面5个网站，让你终身受益
  18. VisionPro基本使用
  19. uni-app开发的h5，使用微信授权登录（前置条件+具体代码）
  20. 四大Linux备份工具比较与操作实例

热门文章

  1. Android——Bitmap.decodeResource(Resources src, int id)和Bitmap.creatBitmap(...)
  2. 米拓商城V4.0新功能介绍
  3. 简单快速地隐藏移动硬盘上的文件
  4. untiy-新建Texture，取消引用
  5. java 调手机摄像头,java调用摄像头并照相
  6. 利用ANN作图——自组织特征映射网络(SOFM)探究及实现
  7. 看懂巴菲特推荐的指数基金定投，Python验证
  8. 独立站shopify卖家如何玩转TikTok？
  9. Java 包装类型和基本数据类型的区别及分别什么时候应用
  10. 盘古开源：推动大数据产业发展，运营商如何创造数字经济新价值？