-
- Langchain结合Redis实现文本搜索
- 本教程详细介绍了如何利用Langchain库从本地文本文件加载数据，进行有效的分块处理，并结合OpenAI嵌入模型生成向量嵌入。随后，将这些向量数据高效地存储到Redis向量数据库中，并演示了如何执行向量相似度搜索以检索相关信息。内容涵盖了从数据准备到检索的完整流程，旨在帮助读者构建基于向量的智能问答或检索系统。
- 文章 · python教程 | 6天前 | 305浏览 收藏
-
- Pythonlogging不显示INFO日志解决方法
- 本文深入探讨Pythonlogging模块中日志级别配置的常见误区。当开发者发现INFO等低级别日志无法输出时，往往是由于忽略了Logger实例本身的日志级别设置。默认情况下，Logger的级别可能高于预期。本文将详细解释Logger和Handler的日志处理流程与级别过滤机制，并通过示例代码演示如何正确配置Logger的级别，确保所有期望的日志信息都能被准确捕获和输出。
- 文章 · python教程 | 6天前 | 405浏览 收藏
-
- Python输入求和技巧：避免意外结果
- 本文旨在帮助初学者理解Python中input()函数的特性，并解决在使用该函数获取用户输入并进行数值计算时可能遇到的问题。通过示例代码和详细解释，我们将展示如何正确地将用户输入转换为数值类型，从而获得预期的计算结果。
- 文章 · python教程 | 6天前 | 171浏览 收藏
-
- Python正则匹配浮点数方法大全
- 要全面匹配Python中各种格式的浮点数，需考虑基础格式、科学计数法及正负号等要素。1.基础格式包括整数和小数部分组合，如123.456、.789或0.0，正则应支持可选符号、可省略的整数或小数点部分，但需避免匹配非法值如“.”；2.科学计数法格式如123e5或-1.2E-3，需添加非捕获组(?:eE?\d+)?以匹配指数部分；3.完整正则表达式为r'^[-+]?(\d+.\d*|.\d+|\d+)(?:eE?\d+)?$'，涵盖所有合法格式并确保完整匹配；4.实际使用时可根据需求调整，如排除纯整数、处理
- 文章 · python教程 | 6天前 | 310浏览 收藏
-
- 如何贡献代码到Python源码项目
- 先从小处着手，如修复文档拼写错误或简单代码优化；2.查看IssueTracker筛选新手友好的任务；3.关注邮件列表了解社区动态；4.阅读并改进官方文档；5.提交PR时遵循PEP8规范、编写测试、更新文档并仔细阅读CONTRIBUTING.md；6.搭建本地环境需安装工具、Fork克隆仓库、创建虚拟环境；7.修改后清晰描述PR内容以助审核——整个流程需耐心细心但并非高不可攀，最终能深入理解Python底层机制并提升编程能力。
- 文章 · python教程 | 6天前 | PEP8 本地开发环境 Python源码贡献 PullRequest IssueTracker 195浏览 收藏
-
- Python数据异常检测与完整性检查方法
- 在Python中，数据质量的异常检测和完整性检查可通过统计学方法、机器学习算法和Pandas等工具实现。1.异常检测常用Z-score和IQR方法，Z-score适用于正态分布，IQR适用于偏态分布；2.机器学习方法如孤立森林、DBSCAN和One-ClassSVM可用于复杂模式识别；3.完整性检查包括缺失值检测与处理（如填充或删除）、重复值识别与处理（如去重）、数据类型与格式验证、逻辑一致性检查及唯一性验证。这些步骤通常结合使用，以确保数据质量，支撑后续分析与建模可靠性。
- 文章 · python教程 | 6天前 | Python 机器学习 Pandas 数据异常检测 数据完整性检查 187浏览 收藏
-
- Python生成器技巧与内存优化全解析
- Python生成器是一种按需生成值的特殊函数，能显著节省内存。其核心是yield关键字，函数执行到yield时暂停并返回值，下次从暂停处继续执行。使用生成器的步骤包括：1.定义包含yield的函数；2.调用函数返回生成器对象；3.用next()或for循环驱动生成器。生成器适合处理海量数据、数据流式处理、节省内存的场景，但不适合多次遍历或随机访问。生成器通过保持状态和惰性求值实现高效数据处理，还可用于构建数据管道、实现迭代器和协程。
- 文章 · python教程 | 6天前 | 内存优化 惰性求值 yield关键字 Python生成器 数据处理管道 480浏览 收藏
-
- Python循环优化技巧与效率提升
- Python中提升循环效率的核心方法包括：1.拥抱向量化操作，特别是使用NumPy，因其底层C实现能大幅提升数值计算效率；2.善用列表推导式和生成器表达式，前者更高效构建列表，后者节省内存；3.利用itertools和内置函数如map()、filter()等，它们以C语言实现，效率更高；4.将常量计算移出循环，避免重复计算；5.选择合适的数据结构如set和dict，提升查找效率；6.避免不必要的函数调用或属性查找，通过缓存减少重复操作。Python循环慢的原因在于其动态解释型特性，每次迭代需进行类型检查和
- 文章 · python教程 | 6天前 | Numpy 数据结构 向量化 生成器表达式 Python循环优化 242浏览 收藏
-
- Python数据脱敏与匿名化技巧
- 数据脱敏在Python中通过多种技术实现以保护敏感信息。1.假名化：使用哈希函数或映射表替换敏感字段；2.泛化：降低数据精度如将年龄转为区间；3.抑制/删除：移除或用占位符替代敏感字段；4.置换/洗牌：打乱列顺序切断关联；5.数据合成：生成统计特征相似的虚假数据。这些方法结合业务需求和隐私保护目标灵活应用，以平衡数据安全与实用性。
- 文章 · python教程 | 6天前 | 487浏览 收藏
-
- Python特征工程：Featuretools快速建模指南
- 1.Featuretools通过自动化特征生成提升Python特征工程效率，其核心步骤包括：构建EntitySet定义数据关系；使用DFS算法自动生成特征。2.示例代码展示了如何从customers和transactions表创建EntitySet，添加数据与时间索引，并定义客户与交易的关系。3.执行DFS时指定聚合与转换算子，生成客户特征矩阵，max_depth控制特征复杂度。4.加入products表可扩展EntitySet，实现跨多表自动特征提取，如客户购买产品的平均价格等。5.面对大规模数据，可通
- 文章 · python教程 | 6天前 | 自动化 特征工程 dfs Featuretools EntitySet 474浏览 收藏
-
- 正则表达式|符号用法详解
- 正则表达式中的|符号表示“或”，用于匹配左右任意一个表达式；1.基本用法是匹配多个字符串，如apple|orange可匹配“apple”或“orange”；2.配合括号分组可限制“或”的范围，如(cat|dog)food表示匹配“catfood”或“dogfood”；3.实际应用中需避免歧义、注意性能问题，并根据平台决定是否转义。
- 文章 · python教程 | 6天前 | 404浏览 收藏
-
- Python数据采样：随机与分层抽样全解析
- 随机抽样使用pandas的sample方法，分层抽样使用scikit-learn的train_test_split函数并设置stratify参数；1.随机抽样操作简单，适用于数据分布均匀场景；2.分层抽样确保类别比例一致，适用于类别不平衡数据；3.常见挑战包括稀有类别导致分割失败、连续变量误用作分层变量、多标签分层不支持，需通过合并稀有类别、数据分箱或自定义策略解决，使用时需根据数据特性谨慎处理以确保样本代表性。
- 文章 · python教程 | 6天前 | Python scikit-learn 数据采样 分层抽样 随机抽样 392浏览 收藏
-
- PythonOpenCV去除水印技巧
- Python处理图像水印，特别是使用OpenCV来去除，说实话，这事儿没那么简单，但也不是完全没办法。核心思路通常是识别出水印区域，然后用周围的像素信息去“填补”或者“修复”这些区域。这听起来有点像PS里的内容识别填充，OpenCV确实提供了类似的功能。解决方案要处理图像水印，我们通常会用到OpenCV的几个关键能力：图像预处理（如灰度化、二值化）、特征检测（边缘、颜色、纹理）、以及最重要的——图像修复（Inpainting）。对于简单的、颜色单一或位置固定的水印，我们可以尝试通过阈值分割或颜色过滤来生成
- 文章 · python教程 | 6天前 | OpenCV 去除 图像修复 图像水印 掩膜 402浏览 收藏
-
- Python连接Presto数据库教程
- 使用pyhive连接Presto数据库的核心步骤包括：1.安装pyhive及其依赖，通过命令pipinstallpyhive[presto]安装，若出现sasl错误，需在Ubuntu/Debian系统执行sudoapt-getinstalllibsasl2-devpython-dev，或在CentOS/RHEL系统执行sudoyuminstallcyrus-sasl-develpython-devel后重试；2.配置连接参数，包括host、port、username、database（catalog）、s
- 文章 · python教程 | 6天前 | 性能优化 数据库连接 SQL查询 pyhive Presto数据库 224浏览 收藏
-
- Python图像风格迁移实现方法详解
- 图像风格迁移通过神经风格迁移（NST）算法实现，其核心是利用预训练CNN（如VGG）提取内容与风格特征。1.加载内容图像和风格图像，并加载VGG等预训练模型用于特征提取；2.定义内容损失，通常在较深层（如block4_conv2）计算生成图像与内容图像特征的均方误差，以保留内容结构；3.定义风格损失，在多个层（如block1_conv1到block5_conv1）计算格拉姆矩阵的差异，捕捉纹理和色彩模式；4.通过梯度下降优化生成图像，最小化加权的总损失（内容损失×内容权重+风格损失×风格权重），调整像素值
- 文章 · python教程 | 6天前 | 卷积神经网络 图像风格迁移 神经风格迁移 内容损失 风格损失 216浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案，代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景，打造一站式知识长龙服务，适合有JS基础的同学学习。
- 542次学习
-
- GO语言核心编程课程
- 本课程采用真实案例，全面具体可落地，从理论到实践，一步一步将GO核心编程技术、编程思想、底层实现融会贯通，使学习者贴近时代脉搏，做IT互联网时代的弄潮儿。
- 511次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信：Le-studyg；在课程中，我们将首先介绍MySQL8的新特性，包括性能优化、安全增强、新数据类型等，帮助学生快速熟悉MySQL8的最新功能。接着，我们将深入解析MySQL的网络通信机制，包括协议、连接管理、数据传输等，让
- 498次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网，分为导航，轮播，关于我们，成功案例，服务流程，团队介绍，数据部分，公司动态，底部信息等内容区块。网站整体采用CSSGrid布局，支持响应式，有流畅过渡和展现动画。
- 484次学习
-
- Golang深入理解GPM模型
- Golang深入理解GPM调度器模型及全场景分析，希望您看完这套视频有所收获；包括调度器的由来和分析、GMP模型简介、以及11个场景总结。
- 474次学习
查看更多
AI推荐
-
- 千音漫语
- 千音漫语，北京熠声科技倾力打造的智能声音创作助手，提供AI配音、音视频翻译、语音识别、声音克隆等强大功能，助力有声书制作、视频创作、教育培训等领域，官网：https://qianyin123.com
- 164次使用
-
- MiniWork
- MiniWork是一款智能高效的AI工具平台，专为提升工作与学习效率而设计。整合文本处理、图像生成、营销策划及运营管理等多元AI工具，提供精准智能解决方案，让复杂工作简单高效。
- 156次使用
-
- NoCode
- NoCode (nocode.cn)是领先的无代码开发平台，通过拖放、AI对话等简单操作，助您快速创建各类应用、网站与管理系统。无需编程知识，轻松实现个人生活、商业经营、企业管理多场景需求，大幅降低开发门槛，高效低成本。
- 166次使用
-
- 达医智影
- 达医智影，阿里巴巴达摩院医疗AI创新力作。全球率先利用平扫CT实现“一扫多筛”，仅一次CT扫描即可高效识别多种癌症、急症及慢病，为疾病早期发现提供智能、精准的AI影像早筛解决方案。
- 166次使用
-
- 智慧芽Eureka
- 智慧芽Eureka，专为技术创新打造的AI Agent平台。深度理解专利、研发、生物医药、材料、科创等复杂场景，通过专家级AI Agent精准执行任务，智能化工作流解放70%生产力，让您专注核心创新。
- 176次使用
