首页 > 其他分享 >pandas学习-基础用法

pandas学习-基础用法

时间：2023-09-21 11:57:43浏览次数：35  
标签：chipo ... Bowl 用法 学习 Tomato Fresh Salsa pandas

   

导入数据、数据的基本操作

   

导入libraries

  In [1]: 
import pandas as pd
import numpy as np

import os
   

导入数据

  In [2]: 
file_path = os.path.abspath('data/chipotle.tsv')
file_path
  Out[2]: 
'D:\\python_jupyter\\mine_python_notes\\07_Pandas\\data\\chipotle.tsv'
  In [3]: 
chipo = pd.read_csv(file_path, sep = '\t')
  In [4]: 
chipo
  Out[4]:  
 order_idquantityitem_namechoice_descriptionitem_price
0 1 1 Chips and Fresh Tomato Salsa NaN $2.39
1 1 1 Izze [Clementine] $3.39
2 1 1 Nantucket Nectar [Apple] $3.39
3 1 1 Chips and Tomatillo-Green Chili Salsa NaN $2.39
4 2 2 Chicken Bowl [Tomatillo-Red Chili Salsa (Hot), [Black Beans... $16.98
... ... ... ... ... ...
4617 1833 1 Steak Burrito [Fresh Tomato Salsa, [Rice, Black Beans, Sour ... $11.75
4618 1833 1 Steak Burrito [Fresh Tomato Salsa, [Rice, Sour Cream, Cheese... $11.75
4619 1834 1 Chicken Salad Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Pinto... $11.25
4620 1834 1 Chicken Salad Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Lettu... $8.75
4621 1834 1 Chicken Salad Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Pinto... $8.75

4622 rows × 5 columns

   

查看前10行数据

  In [5]: 
chipo.head(10)
  Out[5]:  
 order_idquantityitem_namechoice_descriptionitem_price
0 1 1 Chips and Fresh Tomato Salsa NaN $2.39
1 1 1 Izze [Clementine] $3.39
2 1 1 Nantucket Nectar [Apple] $3.39
3 1 1 Chips and Tomatillo-Green Chili Salsa NaN $2.39
4 2 2 Chicken Bowl [Tomatillo-Red Chili Salsa (Hot), [Black Beans... $16.98
5 3 1 Chicken Bowl [Fresh Tomato Salsa (Mild), [Rice, Cheese, Sou... $10.98
6 3 1 Side of Chips NaN $1.69
7 4 1 Steak Burrito [Tomatillo Red Chili Salsa, [Fajita Vegetables... $11.75
8 4 1 Steak Soft Tacos [Tomatillo Green Chili Salsa, [Pinto Beans, Ch... $9.25
9 5 1 Steak Burrito [Fresh Tomato Salsa, [Rice, Black Beans, Pinto... $9.25
   

查看数据集中的数据量

  In [6]: 
chipo.shape
  Out[6]: 
(4622, 5)
  In [7]: 
# 数据行数
chipo.shape[0]
  Out[7]: 
4622
  In [8]: 
chipo.info()
    
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4622 entries, 0 to 4621
Data columns (total 5 columns):
 #   Column              Non-Null Count  Dtype 
---  ------              --------------  ----- 
 0   order_id            4622 non-null   int64 
 1   quantity            4622 non-null   int64 
 2   item_name           4622 non-null   object
 3   choice_description  3376 non-null   object
 4   item_price          4622 non-null   object
dtypes: int64(2), object(3)
memory usage: 180.7+ KB
   

查看数据集的列数

  In [9]: 
chipo.shape[1]
  Out[9]: 
5
   

打印出列名称

  In [10]: 
chipo.columns
  Out[10]: 
Index(['order_id', 'quantity', 'item_name', 'choice_description',
       'item_price'],
      dtype='object')
   

数据集的索引

  In [11]: 
chipo.index
  Out[11]: 
RangeIndex(start=0, stop=4622, step=1)
   

汇总排序

  In [12]: 
c = chipo.groupby('item_name')
c = c.sum('order_id')
c = c.sort_values(['quantity'], ascending=False)
c.head(10)
  Out[12]:  
 order_idquantity
item_name  
Chicken Bowl 713926 761
Chicken Burrito 497303 591
Chips and Guacamole 449959 506
Steak Burrito 328437 386
Canned Soft Drink 304753 351
Chips 208004 230
Steak Bowl 193752 221
Bottled Water 175944 211
Chips and Fresh Tomato Salsa 100419 130
Canned Soda 76396 126
  In [13]: 
c = chipo.groupby('choice_description').sum('order_id')
c = c.sort_values(['quantity'], ascending=False)
c.head(10)
  Out[13]:  
 order_idquantity
choice_description  
[Diet Coke] 123455 159
[Coke] 122752 143
[Sprite] 80426 89
[Fresh Tomato Salsa, [Rice, Black Beans, Cheese, Sour Cream, Lettuce]] 43088 49
[Fresh Tomato Salsa, [Rice, Black Beans, Cheese, Sour Cream]] 36041 42
[Fresh Tomato Salsa, [Rice, Black Beans, Cheese, Sour Cream, Guacamole, Lettuce]] 37550 40
[Lemonade] 31892 36
[Fresh Tomato Salsa (Mild), [Pinto Beans, Rice, Cheese, Sour Cream]] 24432 36
[Coca Cola] 19282 32
[Fresh Tomato Salsa, [Rice, Cheese, Sour Cream, Lettuce]] 29614 30
   

列quantity数量统计

  In [14]: 
chipo.quantity.sum()
  Out[14]: 
4972
   

查看列类型

  In [15]: 
chipo.item_price.dtype
  Out[15]: 
dtype('O')
   

使用lambda函数转化数据类型

apply函数的作用是将一个函数应用到 DataFrame 或 Series 的每一行或每一列上，然后返回一个新的DataFrame或Series。这个函数可以是内置的函数，也可以是用户自定义的函数。

df.apply(func, axis=0)

df 是一个 DataFrame，func 是要应用的函数，axis 是指定函数应用的方向，取值为 0 或 1。当 axis=0 时，表示对每一列应用函数；当 axis=1 时，表示对每一行应用函数。

  In [16]: 
func = lambda x : float(x[1:-1])
chipo.item_price = chipo.item_price.apply(func)
# 或者使用 列表推导式
# chipo.item_price = [float(val[1:]) for val in chipo.item_price]
  In [17]: 
chipo.item_price.dtype
  Out[17]: 
dtype('float64')
  In [18]: 
chipo.item_price
  Out[18]: 
0        2.39
1        3.39
2        3.39
3        2.39
4       16.98
        ...  
4617    11.75
4618    11.75
4619    11.25
4620     8.75
4621     8.75
Name: item_price, Length: 4622, dtype: float64
   

统计总价

  In [19]: 
(chipo.quantity * chipo.item_price).sum()
  Out[19]: 
39237.02
  In [20]: 
c = chipo.order_id.value_counts()
c
  Out[20]: 
926     23
1483    14
205     12
759     11
1786    11
        ..
768      1
341      1
1048     1
94       1
1199     1
Name: order_id, Length: 1834, dtype: int64
  In [21]: 
c.count()
  Out[21]: 
1834
  In [22]: 
chipo.item_name.value_counts().count()
  Out[22]: 
50
   

过滤和排序数据

   

drop_duplicates函数用于去除DataFrame中的重复行。

DataFrame.drop_duplicates(subset=None, keep='first', inplace=False)
  • subset：指定要考虑的列名或列名的列表。默认值为None，表示考虑所有列。
  • keep：指定保留哪个重复的行。可选值为'first'（保留第一个出现的重复行）、'last'（保留最后一个出现的重复行）或False（删除所有重复行）。默认值为'first'。
  • inplace：指定是否在原始DataFrame上进行修改。如果为True，则在原始DataFrame上删除重复行并返回None。如果为False（默认值），则返回一个新的DataFrame，其中删除了重复行。
  In [23]: 
data = {'name': ['John', 'Mary', 'John', 'Peter'],
        'city': ['London', 'Paris', 'London', 'Berlin'],
         'age':[10, 20, 10 ,40]}
df = pd.DataFrame(data)

# 删除所有重复行
df.drop_duplicates(inplace=True)
df
  Out[23]:  
 namecityage
0 John London 10
1 Mary Paris 20
3 Peter Berlin 40
   

统计超过$10的产品

  In [24]: 
chipo_filtered = chipo.drop_duplicates(['item_name','quantity','choice_description'])
# chipo_filtered = chipo_filtered[chipo_filtered.quantity==1]
chipo_filtered
  Out[24]:  
 order_idquantityitem_namechoice_descriptionitem_price
0 1 1 Chips and Fresh Tomato Salsa NaN 2.39
1 1 1 Izze [Clementine] 3.39
2 1 1 Nantucket Nectar [Apple] 3.39
3 1 1 Chips and Tomatillo-Green Chili Salsa NaN 2.39
4 2 2 Chicken Bowl [Tomatillo-Red Chili Salsa (Hot), [Black Beans... 16.98
... ... ... ... ... ...
4602 1827 1 Barbacoa Burrito [Tomatillo Green Chili Salsa] 9.25
4607 1829 1 Steak Burrito [Tomatillo Green Chili Salsa, [Rice, Cheese, S... 11.75
4610 1830 1 Steak Burrito [Fresh Tomato Salsa, [Rice, Sour Cream, Cheese... 11.75
4611 1830 1 Veggie Burrito [Tomatillo Green Chili Salsa, [Rice, Fajita Ve... 11.25
4612 1831 1 Carnitas Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Rice,... 9.25

1949 rows × 5 columns

  In [25]: 
# 查找产品数量等于1
chipo_one_prd = chipo_filtered[chipo_filtered.quantity==1]
chipo_one_prd
  Out[25]:  
 order_idquantityitem_namechoice_descriptionitem_price
0 1 1 Chips and Fresh Tomato Salsa NaN 2.39
1 1 1 Izze [Clementine] 3.39
2 1 1 Nantucket Nectar [Apple] 3.39
3 1 1 Chips and Tomatillo-Green Chili Salsa NaN 2.39
5 3 1 Chicken Bowl [Fresh Tomato Salsa (Mild), [Rice, Cheese, Sou... 10.98
... ... ... ... ... ...
4602 1827 1 Barbacoa Burrito [Tomatillo Green Chili Salsa] 9.25
4607 1829 1 Steak Burrito [Tomatillo Green Chili Salsa, [Rice, Cheese, S... 11.75
4610 1830 1 Steak Burrito [Fresh Tomato Salsa, [Rice, Sour Cream, Cheese... 11.75
4611 1830 1 Veggie Burrito [Tomatillo Green Chili Salsa, [Rice, Fajita Ve... 11.25
4612 1831 1 Carnitas Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Rice,... 9.25

1806 rows × 5 columns

  In [26]: 
chipo_one_prd[chipo_one_prd['item_price']>10].item_name
  Out[26]: 
5          Chicken Bowl
7         Steak Burrito
13         Chicken Bowl
23      Chicken Burrito
39        Barbacoa Bowl
             ...       
4593      Carnitas Bowl
4594      Barbacoa Bowl
4607      Steak Burrito
4610      Steak Burrito
4611     Veggie Burrito
Name: item_name, Length: 685, dtype: object
  In [27]: 
chipo_one_prd.query('item_price>10').item_name.nunique()
  Out[27]: 
25
   

多个条件查找

  In [28]: 
chipo[(chipo['item_name'] == 'Chicken Bowl') & (chipo['quantity'] == 1)]
  Out[28]:  
 order_idquantityitem_namechoice_descriptionitem_price
5 3 1 Chicken Bowl [Fresh Tomato Salsa (Mild), [Rice, Cheese, Sou... 10.98
13 7 1 Chicken Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Rice,... 11.25
19 10 1 Chicken Bowl [Tomatillo Red Chili Salsa, [Fajita Vegetables... 8.75
26 13 1 Chicken Bowl [Roasted Chili Corn Salsa (Medium), [Pinto Bea... 8.49
42 20 1 Chicken Bowl [Roasted Chili Corn Salsa, [Rice, Black Beans,... 11.25
... ... ... ... ... ...
4590 1825 1 Chicken Bowl [Roasted Chili Corn Salsa, [Rice, Black Beans,... 11.25
4591 1825 1 Chicken Bowl [Tomatillo Red Chili Salsa, [Rice, Black Beans... 8.75
4595 1826 1 Chicken Bowl [Tomatillo Green Chili Salsa, [Rice, Black Bea... 8.75
4599 1827 1 Chicken Bowl [Roasted Chili Corn Salsa, [Cheese, Lettuce]] 8.75
4604 1828 1 Chicken Bowl [Fresh Tomato Salsa, [Rice, Black Beans, Chees... 8.75

693 rows × 5 columns

   

根据name排序

  In [29]: 
chipo.item_name.sort_values()
# 或者
chipo.sort_values(by='item_name')
  Out[29]:  
 order_idquantityitem_namechoice_descriptionitem_price
3389 1360 2 6 Pack Soft Drink [Diet Coke] 12.98
341 148 1 6 Pack Soft Drink [Diet Coke] 6.49
1849 749 1 6 Pack Soft Drink [Coke] 6.49
1860 754 1 6 Pack Soft Drink [Diet Coke] 6.49
2713 1076 1 6 Pack Soft Drink [Coke] 6.49
... ... ... ... ... ...
2384 948 1 Veggie Soft Tacos [Roasted Chili Corn Salsa, [Fajita Vegetables,... 8.75
781 322 1 Veggie Soft Tacos [Fresh Tomato Salsa, [Black Beans, Cheese, Sou... 8.75
2851 1132 1 Veggie Soft Tacos [Roasted Chili Corn Salsa (Medium), [Black Bea... 8.49
1699 688 1 Veggie Soft Tacos [Fresh Tomato Salsa, [Fajita Vegetables, Rice,... 11.25
1395 567 1 Veggie Soft Tacos [Fresh Tomato Salsa (Mild), [Pinto Beans, Rice... 8.49

4622 rows × 5 columns

   

查询最贵的商品数量是多少

  In [30]: 
chipo.sort_values(by='item_price', ascending=False).head(1)
  Out[30]:  
 order_idquantityitem_namechoice_descriptionitem_price
3598 1443 15 Chips and Fresh Tomato Salsa NaN 44.25
   

其他条件检索

  In [31]: 
chipo_salad = chipo[chipo.item_name == "Veggie Salad Bowl"]
len(chipo_salad)
  Out[31]: 
18
  In [32]: 
chipo_drink_steak_bowl = chipo[(chipo.item_name == "Canned Soda") & (chipo.quantity > 1)]
len(chipo_drink_steak_bowl)
  Out[32]: 
20
  In [33]: 
chipo[chipo.item_name.str.startswith('C')]
  Out[33]:  
 order_idquantityitem_namechoice_descriptionitem_price
0 1 1 Chips and Fresh Tomato Salsa NaN 2.39
3 1 1 Chips and Tomatillo-Green Chili Salsa NaN 2.39
4 2 2 Chicken Bowl [Tomatillo-Red Chili Salsa (Hot), [Black Beans... 16.98
5 3 1 Chicken Bowl [Fresh Tomato Salsa (Mild), [Rice, Cheese, Sou... 10.98
10 5 1 Chips and Guacamole NaN 4.45
... ... ... ... ... ...
4615 1832 1 Chicken Soft Tacos [Fresh Tomato Salsa, [Rice, Cheese, Sour Cream]] 8.75
4616 1832 1 Chips and Guacamole NaN 4.45
4619 1834 1 Chicken Salad Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Pinto... 11.25
4620 1834 1 Chicken Salad Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Lettu... 8.75
4621 1834 1 Chicken Salad Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Pinto... 8.75

3131 rows × 5 columns

  In [34]: 
# 根据列明来筛选
chipo[['item_name','item_price']]
  Out[34]:  
 item_nameitem_price
0 Chips and Fresh Tomato Salsa 2.39
1 Izze 3.39
2 Nantucket Nectar 3.39
3 Chips and Tomatillo-Green Chili Salsa 2.39
4 Chicken Bowl 16.98
... ... ...
4617 Steak Burrito 11.75
4618 Steak Burrito 11.75
4619 Chicken Salad Bowl 11.25
4620 Chicken Salad Bowl 8.75
4621 Chicken Salad Bowl 8.75

4622 rows × 2 columns

  In [59]: 
chipo[(chipo['item_name'] != 'Steak Burrito') & (chipo.item_name != 'Chicken Salad Bowl')]
  Out[59]:  
 order_idquantityitem_namechoice_descriptionitem_price
0 1 1 Chips and Fresh Tomato Salsa NaN 2.39
1 1 1 Izze [Clementine] 3.39
2 1 1 Nantucket Nectar [Apple] 3.39
3 1 1 Chips and Tomatillo-Green Chili Salsa NaN 2.39
4 2 2 Chicken Bowl [Tomatillo-Red Chili Salsa (Hot), [Black Beans... 16.98
... ... ... ... ... ...
4612 1831 1 Carnitas Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Rice,... 9.25
4613 1831 1 Chips NaN 2.15
4614 1831 1 Bottled Water NaN 1.50
4615 1832 1 Chicken Soft Tacos [Fresh Tomato Salsa, [Rice, Cheese, Sour Cream]] 8.75
4616 1832 1 Chips and Guacamole NaN 4.45

4144 rows × 5 columns

   

使用.iloc通过传递的整数的位置进行切片

在 pandas 中，iloc 是用于基于位置进行索引和选择数据的方法。它的基本语法是df.iloc[row_index, column_index]，其中 df 是一个 DataFrame 对象。

iloc 方法的主要用途有以下几个：

  • 选择行和列：可以使用 iloc 方法选择指定的行和列。例如，df.iloc[3, 0] 选择第 3 行、第 0 列的值。

  • 切片：可以使用 iloc 方法进行切片操作，选择指定范围内的行和列。例如，df.iloc[1:3, 0:2] 选择第 1 到 2 行和第 0 到 1 列。

  • 布尔索引：可以使用布尔条件进行索引，选择满足条件的行和列。例如，df.iloc[df['A'] > 0, [0, 1]] 选择满足 'A' 列大于 0 的行，并选择第 0 和 1 列。

  • 设置值：可以使用 iloc 方法设置指定位置的值。例如，df.iloc[2, 0] = 10 将第 2 行、第 0 列的值设置为 10。

需要注意的是，iloc 方法使用的是位置索引，即指定的行和列的位置必须存在于 DataFrame 中。如果要使用标签索引，可以使用 loc 方法。另外，iloc 方法也支持多个位置索引的列表或数组，以选择多个行或列。

  In [35]: 
# :表示所有，0:3表示从0列到第3列
chipo.iloc[:, 0:3]
  Out[35]:  
 order_idquantityitem_name
0 1 1 Chips and Fresh Tomato Salsa
1 1 1 Izze
2 1 1 Nantucket Nectar
3 1 1 Chips and Tomatillo-Green Chili Salsa
4 2 2 Chicken Bowl
... ... ... ...
4617 1833 1 Steak Burrito
4618 1833 1 Steak Burrito
4619 1834 1 Chicken Salad Bowl
4620 1834 1 Chicken Salad Bowl
4621 1834 1 Chicken Salad Bowl

4622 rows × 3 columns

  In [36]: 
chipo.iloc[0:10, 0:3]
  Out[36]:  
 order_idquantityitem_name
0 1 1 Chips and Fresh Tomato Salsa
1 1 1 Izze
2 1 1 Nantucket Nectar
3 1 1 Chips and Tomatillo-Green Chili Salsa
4 2 2 Chicken Bowl
5 3 1 Chicken Bowl
6 3 1 Side of Chips
7 4 1 Steak Burrito
8 4 1 Steak Soft Tacos
9 5 1 Steak Burrito
   

在 pandas 中，loc 是用于基于标签进行索引和选择数据的方法。它的基本语法是df.loc[row_label, column_label]，其中 df 是一个 DataFrame 对象。

loc 方法的主要用途有以下几个：

  • 选择行和列：可以使用 loc 方法选择指定的行和列。例如，df.loc[3, 'A'] 选择第 3 行、名为 'A' 的列的值。

  • 切片：可以使用 loc 方法进行切片操作，选择指定范围内的行和列。例如，df.loc[1:3, 'A':'C'] 选择第 1 到 3 行和名为 'A' 到 'C' 的列。

  • 布尔索引：可以使用布尔条件进行索引，选择满足条件的行和列。例如，df.loc[df['A'] > 0, ['A', 'B']] 选择满足 'A' 列大于 0 的行，并选择名为 'A' 和 'B' 的列。

  • 设置值：可以使用 loc 方法设置指定位置的值。例如，df.loc[2, 'A'] = 10 将第 2 行、名为 'A' 的列的值设置为 10。

需要注意的是，loc 方法使用的是标签索引，即指定的行和列的标签必须存在于 DataFrame 中。另外，loc 方法也支持多个标签的列表或数组，以选择多个行或列。

  In [38]: 
chipo.loc[chipo.item_name.isin(['Chicken Bowl','Steak Burrito']), ['item_name','item_price']]
  Out[38]:  
 item_nameitem_price
4 Chicken Bowl 16.98
5 Chicken Bowl 10.98
7 Steak Burrito 11.75
9 Steak Burrito 9.25
13 Chicken Bowl 11.25
... ... ...
4604 Chicken Bowl 8.75
4607 Steak Burrito 11.75
4610 Steak Burrito 11.75
4617 Steak Burrito 11.75
4618 Steak Burrito 11.75

1094 rows × 2 columns

  In [41]: 
chipo
  Out[41]:  
 order_idquantityitem_namechoice_descriptionitem_price
0 1 1 Chips and Fresh Tomato Salsa NaN 2.39
1 1 1 Izze [Clementine] 3.39
2 1 1 Nantucket Nectar [Apple] 3.39
3 1 1 Chips and Tomatillo-Green Chili Salsa NaN 2.39
4 2 2 Chicken Bowl [Tomatillo-Red Chili Salsa (Hot), [Black Beans... 16.98
... ... ... ... ... ...
4617 1833 1 Steak Burrito [Fresh Tomato Salsa, [Rice, Black Beans, Sour ... 11.75
4618 1833 1 Steak Burrito [Fresh Tomato Salsa, [Rice, Sour Cream, Cheese... 11.75
4619 1834 1 Chicken Salad Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Pinto... 11.25
4620 1834 1 Chicken Salad Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Lettu... 8.75
4621 1834 1 Chicken Salad Bowl [Fresh Tomato Salsa, [Fajita Vegetables, Pinto... 8.75

4622 rows × 5 columns

  In [43]: 
chipo.loc[chipo.item_name == 'Chips and Fresh Tomato Salsa',]
  Out[43]:  
 order_idquantityitem_namechoice_descriptionitem_price
0 1 1 Chips and Fresh Tomato Salsa NaN 2.39
25 13 1 Chips and Fresh Tomato Salsa NaN 2.39
55 25 1 Chips and Fresh Tomato Salsa NaN 2.39
89 39 1 Chips and Fresh Tomato Salsa NaN 2.95
183 82 1 Chips and Fresh Tomato Salsa NaN 2.95
... ... ... ... ... ...
4231 1689 1 Chips and Fresh Tomato Salsa NaN 2.95
4318 1722 1 Chips and Fresh Tomato Salsa NaN 2.95
4324 1725 1 Chips and Fresh Tomato Salsa NaN 2.95
4425 1764 1 Chips and Fresh Tomato Salsa NaN 2.95
4503 1790 1 Chips and Fresh Tomato Salsa NaN 2.95

110 rows × 5 columns

  In [ ]:  

标签：chipo,...,Bowl,用法,学习,Tomato,Fresh,Salsa,pandas
From： https://www.cnblogs.com/abc19830814/p/17719534.html

相关文章

  • 【c&c++】C++中memset()函数的用法详解
    头文件：cstring 或 memory话说刚开始使用memset的时候一直以为memset是对每一个int赋值的，心里想有了memset还要for循环对数组进行初始化干嘛。但其实memset这个函数的作用是将数字以单个字节逐个拷贝的方式放到指定的内存中去memset(dp,0,sizeof(dp));int类型的变量一般占......
  • Docker学习第十天——k8s之ReplicaSet及Deployment
    原文：https://blog.csdn.net/qq_39637333/article/details/130686963一、ReplicaSetReplicaSet，即副本控制器，简称rs，主要作用是控制由其管理的pod，使pod副本的数量始终维持在预设的个数，保证一定数量的Pod能够在集群中正常运行，它会持续监听这些Pod的运行状态，在Pod发生故障时重......
  • linux 中 && 用法
     001、[root@pc1test2]#lstest.sh[root@pc1test2]#cattest.sh#!/bin/bashseq10>a.txtxxxxxx&&echo20done;rma.txt[root@pc1test2]#bashtest.shtest.sh:line5:xxxxxx:commandnotfound[root@pc1test2]#lstest.sh 002、修改......
  • React学习之类组件的this指向问题
    免责声明我们幼儿园有适合自己看的注释拉满版文档，目标是我奶来都能看懂（不是）。1.前置知识类this指向call、bind、apply待展开...欸嘿，我怎么什么都想不己来了1.1es6类的简单回顾   classPerson{    //构造器    constructor(name,age){ ......
  • .Net 6搭建仓储模式框架学习(一)
    仓储模式.NET仓储模式是一种软件设计模式，用于将应用程序的数据访问逻辑与业务逻辑分离。它通过将数据访问操作封装在一个单独的仓储类中，使得业务逻辑层可以独立于具体的数据存储技术。在.NET仓储模式中，仓储类负责处理与数据存储相关的操作，例如数据的增删改查、数据的持久化和查......
  • hadoop hdfs的一些用法
    Example3-1.DisplayingfilesfromaHadoopfilesystemonstandardoutputusingaURLStreamHandlerJava代码//ReadingDatafromaHadoopURLpublicclassURLCat{ static{ URL.setURLStreamHandlerFactory(newFsUrlStreamHandlerFactory()); } p......
  • 中医学习记录7-《黄帝内经》
    中医学习记录7-《黄帝内经》 一、纲要道、阴阳、五行二、五邪：正邪、虚邪、实邪、微邪、贼邪备注：以心脏为中心，心病为正邪、肝病为虚邪、脾病为实邪、肺病为微邪、肾病为贼邪。 原则：实则泻其子；虚则补其母；子能令母实，母能令子虚。......
  • VS2022插件用法大全
    C#MethodsCodeSnippetsC#方法片段代码在代码区直接输入片段关键字+Tab，即可快速生成想要的方法签名https://marketplace.visualstudio.com/items?itemName=jsakamoto.CMethodsCodeSnippetsmethod普通方法imethod接口方法（没有方法体实现）vmethod虚方法smethod静态方法xmet......
  • 【面试题精讲】JavaOptional用法
    有的时候博客内容会有变动，首发博客是最新的，其他博客地址可能会未同步,认准https://blog.zysicyj.top首发博客地址文章更新计划系列文章地址Java8引入了Optional类，用于解决空指针异常（NullPointerException）的问题。Optional是一个容器类，可以包含一个非空的值或者表示值......
  • java stream流的高端用法
    并行流（ParallelStream）：Stream提供了parallel()方法，可以将普通的顺序流转换为并行流，以便使用多线程并发执行操作。例如：list.parallelStream().filter(...).map(...).forEach(...);并行流适用于对大规模数据进行操作，并且可以通过并行计算充分利用多核处理器的能力......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99