Day5-Python變形(DataWhale)

liying_tt發表於2020-12-27

變形

import numpy as np
import pandas as pd

一、長表變寬表

長表：一個表中把性別儲存在某一個列中,它就是關於性別的長表
寬表：把性別作為列名，列中的元素是某一其他的相關特徵數值，這個表是關於性別的寬表

#長表
pd.DataFrame({'Gender':['F','F','M','M'],
             'Heigth':[163,160,175,180]})

	Gender	Heigth
0	F	163
1	F	160
2	M	175
3	M	180

#寬表
pd.DataFrame({'Height:F':[163,160],
             'Height:M':[175,180]})

	Height:F	Height:M
0	163	175
1	160	180

1. pivot

1.pivot是長表變寬表的函式

一個基本的長變寬的操作而言，最重要的有三個要素:

(1)變形後的行索引: index <-- 對應列的unique值

(2)需要轉到列索引的列:columns <-- 對應列的unique值

(3)這些列和行索引對應的數值:values

例：把語文和數學分數作為列來展示

df = pd.DataFrame({'Class':[1,1,2,2,2],
                  'Name':['San Zhang','San Zhang','Si Li','Si Li','Si Li'],
                  'Subject': ['Chinese','Math','Chinese','Math','Science'],
                  'Grade':[80,75,90,85,90]})
df

	Class	Name	Subject	Grade
0	1	San Zhang	Chinese	80
1	1	San Zhang	Math	75
2	2	Si Li	Chinese	90
3	2	Si Li	Math	85
4	2	Si Li	Science	90

df.pivot(index='Name',columns='Subject',values='Grade')

Subject	Chinese	Math	Science
Name
San Zhang	80.0	75.0	NaN
Si Li	90.0	85.0	90.0

pivot變形過程：
在這裡插入圖片描述利用 pivot 進行變形操作需要滿足唯一性的要求，即由於在新表中的行列索引對應了唯一的 value ，因此原表中的 index 和 columns 對應兩個列的行組合必須唯一。

例如，現在把原表中第二行張三的數學改為語文就會報錯，這是由於 Name 與 Subject 的組合中兩次出現 (“San Zhang”, “Chinese”) ，從而最後不能夠確定到底變形後應該是填寫80分還是75分。

df.loc[1,'Subject'] = 'Chinese'
try:
    df.pivot(index='Name',columns='Subject',values='Grade')
except Exception as e:
        Err_Msg = e
Err_Msg

ValueError('Index contains duplicate entries, cannot reshape')

2.pivot 相關的三個引數允許被設定為列表

df = pd.DataFrame({'Class':[1,1,2,2,1,1,2,2],
                  'Name':['San Zhang','San Zhang','Si Li','Si Li',
                         'San Zhang','San Zhang','Si Li','Si Li'],
                  'Examination':['Mid','Final','Mid','Final',
                                'Mid','Final','Mid','Final'],
                  'Subject': ['Chinese','Chinese','Chinese','Chinese',
                             'Math','Math','Math','Math'],
                  'Grade':[80,75,85,65,90,85,92,88],
                  'rank':[10,15,21,15,20,7,6,21]})
df

	Class	Name	Examination	Subject	Grade	rank
0	1	San Zhang	Mid	Chinese	80	10
1	1	San Zhang	Final	Chinese	75	15
2	2	Si Li	Mid	Chinese	85	21
3	2	Si Li	Final	Chinese	65	15
4	1	San Zhang	Mid	Math	90	20
5	1	San Zhang	Final	Math	85	7
6	2	Si Li	Mid	Math	92	6
7	2	Si Li	Final	Math	88	21

例：把測試型別和科目聯合組成的四個類別（期中語文、期末語文、期中數學、期末數學）轉到列索引，並且同時統計成績和排名

pivot_multi = df.pivot(index = ['Class','Name'],
                      columns = ['Subject','Examination'],
                      values = ['Grade','rank'])
pivot_multi

		Grade				rank
	Subject	Chinese		Math		Chinese		Math
	Examination	Mid	Final	Mid	Final	Mid	Final	Mid	Final
Class	Name
1	San Zhang	80	75	90	85	10	15	20	7
2	Si Li	85	65	92	88	21	15	6	21

根據唯一性原則，新表的行索引等價於對 index 中的多列使用 drop_duplicates ，而列索引的長度為 values 中的元素個數乘以 columns 的唯一組合數量（與 index 類似）

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片儲存下來直接上傳(img-9RsCn77z-1609072795458)(attachment:image.png
)]

2. pivot_table

pivot 的使用依賴於唯一性條件，那如果不滿足唯一性條件，那麼必須通過聚合操作使得相同行列組合對應的多個值變為一個值

df = pd.DataFrame({'Name':['San Zhang','San Zhang','San Zhang','San Zhang',
                          'Si Li','Si Li','Si Li','Si Li'],
                  'Subject':['Chinese','Chinese','Math','Math',
                            'Chinese','Chinese','Math','Math'],
                  'Grade':[80,90,100,90,70,80,985,95]})
df

	Name	Subject	Grade
0	San Zhang	Chinese	80
1	San Zhang	Chinese	90
2	San Zhang	Math	100
3	San Zhang	Math	90
4	Si Li	Chinese	70
5	Si Li	Chinese	80
6	Si Li	Math	985
7	Si Li	Math	95

(1) 引數

aggfunc: 使用的聚合函式

margins=True: 邊際彙總的功能

df.pivot_table(index='Name',
              columns='Subject',
              values='Grade',
              aggfunc= lambda x:x.mean()) #也可以使用aggfunc='mean'

Subject	Chinese	Math
Name
San Zhang	85	95
Si Li	75	540

df.pivot_table(index='Name',
              columns='Subject',
              values='Grade',
              aggfunc='mean',
              margins=True)

Subject	Chinese	Math	All
Name
San Zhang	85	95.0	90.00
Si Li	75	540.0	307.50
All	80	317.5	198.75

3. 練一練1

在上面的邊際彙總例子中，行或列的彙總為新表中行元素或者列元素的平均值，而總體的彙總為新表中四個元素的平均值。這種關係一定成立嗎？若不成立，請給出一個例子來說明。

思路：我的理解是，邊際彙總的值依據的是給定的函式，它滿足的條件應該是函式的條件，上面的例子因為我們只用了平均值，所以計算的結果也滿足平均值，但是當我們將函式複雜度提高之後，例如下面的例子，我求的是平均值和彙總值的和，我們會發現總體的彙總就不滿足新表的四個元素均值和彙總值的和

df.pivot_table(index='Name',
              columns='Subject',
              values='Grade',
              aggfunc='sum',
              margins=True)

Subject	Chinese	Math	All
Name
San Zhang	170	190	360
Si Li	150	1080	1230
All	320	1270	1590

df.pivot_table(index='Name',
              columns='Subject',
              values='Grade',
              aggfunc= lambda x :x.mean()+x.sum(),
              margins=True)

Subject	Chinese	Math	All
Name
San Zhang	255	285.0	450.00
Si Li	225	1620.0	1537.50
All	400	1587.5	1788.75

二、寬表變長表

1. melt

(1)引數：
id_vars 不需要被轉換的列名，標識列，不是索引

value_vars 被轉換的列名

var_name “被轉換的列名”，組成的新列的名稱

value_name "被轉換的列名"下的資料，組成的新列的名稱

df = pd.DataFrame({'Class':[1,2],
                  'Name':['San Zhang','Si Li'],
                  'Chinese':[80,90],
                  'Math':[80,75]})
df

	Class	Name	Chinese	Math
0	1	San Zhang	80	80
1	2	Si Li	90	75

df_melted = df.melt(id_vars = ['Class','Name'],
                   value_vars=['Chinese','Math'],
                   var_name='Subject',
                   value_name='Grade')
df_melted

	Class	Name	Subject	Grade
0	1	San Zhang	Chinese	80
1	2	Si Li	Chinese	90
2	1	San Zhang	Math	80
3	2	Si Li	Math	75

在這裡插入圖片描述
例：使用pivot將df_melted轉換為df

df_unmeltes = df_melted.pivot(index=['Class','Name'],
                             columns='Subject',
                             values='Grade')
df_unmeltes

	Subject	Chinese	Math
Class	Name
1	San Zhang	80	80
2	Si Li	90	75

#恢復索引
df_unmeltes = df_unmeltes.reset_index().rename_axis(columns={'Subject':''})
df_unmeltes

	Class	Name	Chinese	Math
0	1	San Zhang	80	80
1	2	Si Li	90	75

df_unmeltes.equals(df)

True

2. wide_to_long

melt 方法中，在列索引中被壓縮的一組值對應的列元素只能代表同一層次的含義，即 values_name 。如果列中包含了交叉類別,要把 values_name 對應的 Grade 擴充為兩列,使用 wide_to_long 函式來完成

(1)引數：

stubnames:轉換之後的表以其為列，等價於value_name

i: 保持不變的id變數，等價於id_vars

j: 壓縮到行的變數名，等價於var_name

sep: 分隔符

suffix: 正則字尾

df = pd.DataFrame({'Class':[1,2],
                  'Name':['San Zhang','Si Li'],
                  'Chinese_Mid':[80,75],
                  'Math_Mid':[90,85],
                  'Chinese_Final':[80,75],
                  'Math_Final':[90,85]})
df

	Class	Name	Chinese_Mid	Math_Mid	Chinese_Final	Math_Final
0	1	San Zhang	80	90	80	90
1	2	Si Li	75	85	75	85

pd.wide_to_long(df,
               stubnames=['Chinese','Math'],#分隔符之前的資料
               i = ['Class','Name'],
               j = 'Examination',#分隔符之後的資料名稱
               sep = '_',
               suffix = '.+')

			Chinese	Math
Class	Name	Examination
1	San Zhang	Mid	80	90
1	San Zhang	Final	80	90
2	Si Li	Mid	75	85
2	Si Li	Final	75	85

在這裡插入圖片描述
把之前在 pivot 一節中多列操作的結果（產生了多級索引），利用 wide_to_long 函式，將其轉為原來的形態

res = pivot_multi.copy()
res

		Grade				rank
	Subject	Chinese		Math		Chinese		Math
	Examination	Mid	Final	Mid	Final	Mid	Final	Mid	Final
Class	Name
1	San Zhang	80	75	90	85	10	15	20	7
2	Si Li	85	65	92	88	21	15	6	21

res.columns = res.columns.map(lambda x: '_'.join(x))
res.head(2)

		Grade_Chinese_Mid	Grade_Chinese_Final	Grade_Math_Mid	Grade_Math_Final	rank_Chinese_Mid	rank_Chinese_Final	rank_Math_Mid	rank_Math_Final
Class	Name
1	San Zhang	80	75	90	85	10	15	20	7
2	Si Li	85	65	92	88	21	15	6	21

res = res.reset_index()
res.head(2)

	Class	Name	Grade_Chinese_Mid	Grade_Chinese_Final	Grade_Math_Mid	Grade_Math_Final	rank_Chinese_Mid	rank_Chinese_Final	rank_Math_Mid	rank_Math_Final
0	1	San Zhang	80	75	90	85	10	15	20	7
1	2	Si Li	85	65	92	88	21	15	6	21

res = pd.wide_to_long(res,
                     stubnames=['Grade','rank'],
                     i = ['Class','Name'],
                     j = 'Subject_Examination',
                     sep = '_',
                     suffix = '.+')
res = res.reset_index()
res[['Subject','Examination']] = res['Subject_Examination'].str.split('_',expand=True)
res = res[['Class','Name','Examination','Subject','Grade','rank']].sort_values('Subject')
res=res.reset_index(drop=True)
res

	Class	Name	Examination	Subject	Grade	rank
0	1	San Zhang	Mid	Chinese	80	10
1	1	San Zhang	Final	Chinese	75	15
2	2	Si Li	Mid	Chinese	85	21
3	2	Si Li	Final	Chinese	65	15
4	1	San Zhang	Mid	Math	90	20
5	1	San Zhang	Final	Math	85	7
6	2	Si Li	Mid	Math	92	6
7	2	Si Li	Final	Math	88	21

三、索引的變形

1. unstack

把行索引轉為列索引

在 unstack 中必須保證被轉為列索引的行索引層和被保留的行索引層構成的組合是唯一的，

df = pd.DataFrame(np.ones((4,2)),
                 index=pd.Index([('A','cat','big'),
                                ('A','dog','small'),
                                ('B','cat','big'),
                                ('B','dog','small')]),
                 columns=['col_1','col_2'])
df

			col_1	col_2
A	cat	big	1.0	1.0
A	dog	small	1.0	1.0
B	cat	big	1.0	1.0
B	dog	small	1.0	1.0

df.unstack()

		col_1		col_2
		big	small	big	small
A	cat	1.0	NaN	1.0	NaN
A	dog	NaN	1.0	NaN	1.0
B	cat	1.0	NaN	1.0	NaN
B	dog	NaN	1.0	NaN	1.0

unstack 的主要引數是移動的層號，預設轉化最內層，移動到列索引的最內層，同時支援同時轉化多個層：

df.unstack(2)

		col_1		col_2
		big	small	big	small
A	cat	1.0	NaN	1.0	NaN
A	dog	NaN	1.0	NaN	1.0
B	cat	1.0	NaN	1.0	NaN
B	dog	NaN	1.0	NaN	1.0

df.unstack([0,2])

	col_1				col_2
	A		B		A		B
	big	small	big	small	big	small	big	small
cat	1.0	NaN	1.0	NaN	1.0	NaN	1.0	NaN
dog	NaN	1.0	NaN	1.0	NaN	1.0	NaN	1.0

2. stack

把列索引的層壓入行索引

df = pd.DataFrame(np.ones((4,2)),
                 index=pd.Index([('A','cat','big'),
                                ('A','dog','small'),
                                ('B','cat','big'),
                                ('B','dog','small')]),
                 columns=['index_1','index_2']).T
df

	A		B
	cat	dog	cat	dog
	big	small	big	small
index_1	1.0	1.0	1.0	1.0
index_2	1.0	1.0	1.0	1.0

df.stack()

		A		B
		cat	dog	cat	dog
index_1	big	1.0	NaN	1.0	NaN
index_1	small	NaN	1.0	NaN	1.0
index_2	big	1.0	NaN	1.0	NaN
index_2	small	NaN	1.0	NaN	1.0

df.stack([1,2])

			A	B
index_1	cat	big	1.0	1.0
index_1	dog	small	1.0	1.0
index_2	cat	big	1.0	1.0
index_2	dog	small	1.0	1.0

3. 聚合與變形的關係

(1)除了帶有聚合效果的 pivot_table 以外，所有的函式在變形前後並不會帶來 values 個數的改變，只是這些值在呈現的形式上發生了變化。

(2)分組聚合操作，由於生成了新的行列索引，屬於某種特殊的變形操作，但由於聚合之後把原來的多個值變為了一個值，因此 values 的個數產生了變化，這也是分組聚合與變形函式的最大區別。

四、其他變形函式

1. crosstab

crosstab 並不是一個值得推薦使用的函式，因為它能實現的所有功能 pivot_table 都能完成，並且速度更快。在預設狀態下， crosstab 可以統計元素組合出現的頻數，即 count 操作

例：統計 learn_pandas 資料集中學校和轉系情況對應的頻數

df = pd.read_csv('data/learn_pandas.csv')
pd.crosstab(index=df.School, columns=df.Transfer)

Transfer	N	Y
School
Fudan University	38	1
Peking University	28	2
Shanghai Jiao Tong University	53	0
Tsinghua University	62	4

這等價於如下 crosstab 的如下寫法，這裡的 aggfunc 即聚合引數：

pd.crosstab(index=df.School, columns=df.Transfer, 
            values=[0]*df.shape[0], aggfunc='count')

Transfer	N	Y
School
Fudan University	38.0	1.0
Peking University	28.0	2.0
Shanghai Jiao Tong University	53.0	NaN
Tsinghua University	62.0	4.0

同樣，可以利用 pivot_table 進行等價操作，由於這裡統計的是組合的頻數，因此 values 引數無論傳入哪一個列都不會影響最後的結果：

df.pivot_table(index='School',
               columns='Transfer',
               values='Name',
               aggfunc='count')

Transfer	N	Y
School
Fudan University	38.0	1.0
Peking University	28.0	2.0
Shanghai Jiao Tong University	53.0	NaN
Tsinghua University	62.0	4.0

從上面可以看出這兩個函式的區別在於， crosstab 的對應位置傳入的是具體的序列，而 pivot_table 傳入的是被呼叫表對應的名字，若傳入序列對應的值則會報錯。

除了預設狀態下的 count 統計，所有的聚合字串和返回標量的自定義函式都是可用的，例如統計對應組合的身高均值

pd.crosstab(index=df.School, columns=df.Transfer,
           values=df.Height, aggfunc='mean')

Transfer	N	Y
School
Fudan University	162.043750	177.20
Peking University	163.429630	162.40
Shanghai Jiao Tong University	163.953846	NaN
Tsinghua University	163.253571	164.55

2. 練一練2

前面提到了 crosstab 的效能劣於 pivot_table ，請選用多個聚合方法進行驗證。

思路：我驗證了mean、sum、cumsum，發現pivot_table的執行效率比crosstab高

import time

start = time.time()

pd.crosstab(index=df.School, columns=df.Transfer,
           values=df.Height, aggfunc='cumsum')

end = time.time()
print(end-start)

0.04938101768493652

start = time.time()

df.pivot_table(index='School',
               columns='Transfer',
               values='Height',
               aggfunc='cumsum')

end = time.time()
print(end-start)

0.008005380630493164

3.explode

explode 引數能夠對某一列的元素進行縱向的展開，被展開的單元格必須儲存 list, tuple, Series, np.ndarray 中的一種型別

df_ex = pd.DataFrame({'A':[[1,2],
                          'my_str',
                           {1,2},
                          pd.Series([3,4])],
                      'B':1})
df_ex

	A	B
0	[1, 2]	1
1	my_str	1
2	{1, 2}	1
3	0 3 1 4 dtype: int64	1

df_ex.explode('A')

	A	B
0	1	1
0	2	1
1	my_str	1
2	{1, 2}	1
3	3	1
3	4	1

4. get_dummies

get_dummies 是用於特徵構建的重要函式之一，其作用是把類別特徵轉為指示變數

例:對年級一列轉為指示變數，屬於某一個年級的對應列標記為1，否則為0：

pd.get_dummies(df.Grade).head()

	Freshman	Senior	Sophomore
0	1	0	0
1	1	0	0
2	0	1	0
3	0	0	1
4	0	0	1

五、練習

1. 美國非法藥物資料集

現有一份關於美國非法藥物的資料集，其中 SubstanceName, DrugReports 分別指藥物名稱和報告數量

df = pd.read_csv('data/Drugs.csv').sort_values([
    'State','COUNTY','SubstanceName'],ignore_index=True)
df.head(2)

	YYYY	State	COUNTY	SubstanceName	DrugReports
0	2011	KY	ADAIR	Buprenorphine	3
1	2012	KY	ADAIR	Buprenorphine	5

1.將資料轉為如下的形式

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片儲存下來直接上傳(img-BN9lYNXJ-1609072795463)(attachment:image.png)]

思考：其中遇到了一個將index的標題修改為’'的問題，後來使用rename_axis解決

df_1 = df.pivot(index = ['State','COUNTY','SubstanceName'],
                columns = 'YYYY',
               values='DrugReports')
df_1 = df_1.reset_index()
df_1 = df_1.rename_axis(None, axis=1)
df_1.head()

	State	COUNTY	SubstanceName	2010	2011	2012	2013	2014	2015	2016	2017
0	KY	ADAIR	Buprenorphine	NaN	3.0	5.0	4.0	27.0	5.0	7.0	10.0
1	KY	ADAIR	Codeine	NaN	NaN	1.0	NaN	NaN	NaN	NaN	1.0
2	KY	ADAIR	Fentanyl	NaN	NaN	1.0	NaN	NaN	NaN	NaN	NaN
3	KY	ADAIR	Heroin	NaN	NaN	1.0	2.0	NaN	1.0	NaN	2.0
4	KY	ADAIR	Hydrocodone	6.0	9.0	10.0	10.0	9.0	7.0	11.0	3.0

2.將第1問中的結果恢復為原表。

思路：還原後，我們會發現列的順序與原來不一致，最後再賦值將列的位置調整一下

date = list(set(df.YYYY))
date

[2016, 2017, 2010, 2011, 2012, 2013, 2014, 2015]

df_2 = df_1.melt(id_vars = ['State','COUNTY','SubstanceName'],
                value_vars = date,
                var_name = 'YYYY',
                value_name = 'DrugReports')
df_2.head()

	State	COUNTY	SubstanceName	YYYY	DrugReports
0	KY	ADAIR	Buprenorphine	2016	7.0
1	KY	ADAIR	Codeine	2016	NaN
2	KY	ADAIR	Fentanyl	2016	NaN
3	KY	ADAIR	Heroin	2016	NaN
4	KY	ADAIR	Hydrocodone	2016	11.0

cols = list(df.columns)
df_2 = df_2.loc[:,cols]
df_2.head(2)

	YYYY	State	COUNTY	SubstanceName	DrugReports
0	2016	KY	ADAIR	Buprenorphine	7.0
1	2016	KY	ADAIR	Codeine	NaN

3.按 State 分別統計每年的報告數量總和，其中 State, YYYY 分別為列索引和行索引，要求分別使用 pivot_table 函式與 groupby+unstack 兩種不同的策略實現，並體會它們之間的聯絡

思考：pivot_table可以直接按照行、列的排列將資料彙總，也就是相當於先使用groupby得到含兩個索引的Series，之後通過unstack將Series轉換為DataFrame,也就是pivot_table之後的結果

df_3 = df.pivot_table(index = 'YYYY',
                     columns = 'State',
                     values = 'DrugReports',
                     aggfunc = 'sum')
df_3.head(2)

State	KY	OH	PA	VA	WV
YYYY
2010	10453	19707	19814	8685	2890
2011	10289	20330	19987	6749	3271

gb_3 = df.groupby(['YYYY','State'])['DrugReports'].sum()
type(gb_3)

pandas.core.series.Series

gb_3.unstack().head(2)

State	KY	OH	PA	VA	WV
YYYY
2010	10453	19707	19814	8685	2890
2011	10289	20330	19987	6749	3271

2. 特殊的wide_to_long方法

從功能上看， melt 方法應當屬於 wide_to_long 的一種特殊情況，即 stubnames 只有一類。請使用 wide_to_long 生成 melt 一節中的 df_melted 。（提示：對列名增加適當的字首）

思考：在Chinese和Math列加入一個Grade字首，Grade會單獨形成一列，之後的科目名稱會存入到一列，最後去掉索引即可。

df_4 = pd.DataFrame({'Class': [1,2],
                  'Name':['San Zhang','Si Li'],
                  'Chinese':[80,90],
                  'Math':[80,75]})
df_4

	Class	Name	Chinese	Math
0	1	San Zhang	80	80
1	2	Si Li	90	75

df_4_melted = df_4.melt(id_vars = ['Class','Name'],
                       value_vars = ['Chinese','Math'],
                       var_name = 'Subject',
                       value_name = 'Grade')
df_4_melted

	Class	Name	Subject	Grade
0	1	San Zhang	Chinese	80
1	2	Si Li	Chinese	90
2	1	San Zhang	Math	80
3	2	Si Li	Math	75

df_new = df_4.rename(columns={'Chinese':'Grade_Chinese','Math':'Grade_Math'})
df_new.head(2)

	Class	Name	Grade_Chinese	Grade_Math
0	1	San Zhang	80	80
1	2	Si Li	90	75

df_new = pd.wide_to_long(df_new,
               stubnames=['Grade'],
               i = ['Class','Name'],
               j = 'Subject',
               sep = '_',
               suffix = '.+')
df_new.reset_index()

	Class	Name	Subject	Grade
0	1	San Zhang	Chinese	80
1	1	San Zhang	Math	80
2	2	Si Li	Chinese	90
3	2	Si Li	Math	75

CSS變形動畫
2020-07-21
CSS動畫
變形實踐
2015-11-15
javascript變形工具集
2009-03-23
JavaScript
Datawhale-MySQL-任務二
2019-02-27
MySql
Datawhale-MySQL-任務三
2019-03-01
MySql
Datawhale-MySQL-任務五
2019-03-03
MySql
陣列的操作－變形
2020-10-25
陣列
乙女遊戲“變形記”
2020-08-31
遊戲
01 揹包的變形
2024-04-24
推薦系統 task 1 @datawhale
2020-10-20
【Datawhale】動手學資料分析
2022-11-26
CSS滑鼠變成小手形狀
2017-12-04
CSS
Datawhale-爬蟲-Task3(beautifulsoup)
2019-03-03
爬蟲
Day5-SQL綜合練習(Datawhale)
2020-12-28
SQL
canvas錐形漸變進度條
2020-05-28
Canvas
css3有趣的transform形變
2022-02-01
CSSS3ORM
剪花布條（kmp基礎變形）
2018-08-11
KMP
CSS3-過渡、變形、動畫
2020-11-27
CSSS3動畫
變形元素旋轉css陰影
2024-03-25
CSS
CSS3變形記(上)：千變萬化的Div
2015-07-24
CSSS3
計算機圖形學第四章圖形變換
2020-12-07
計算機
Mesh模型的Laplace Deformation（網格形變 - 拉普拉斯形變） - C++程式碼實現
2018-08-29
模型ORMC++
惠普星系列x360變形本評測高顏值、高效能超輕薄變形本
2018-06-09
Datawhale-MySQL-任務四（表聯結）
2019-03-02
MySql
【Datawhale】推薦系統-協同過濾
2020-10-22
[SQL] Datawhale 學習筆記 Task04
2020-12-23
SQL筆記
最小的 k 個元素--快排變形
2019-09-01
Android 圓形ProgressBar 改變顏色
2018-08-09
Android
excel如何複製到word不變形
2022-05-20
Excel
光碟變形或劃傷的處理
2008-06-18
java 方法呼叫，形參改變，實參是否發生改變
2018-03-16
Java
Datawhale學資料分析第一章
2020-08-19
Datawhale-MySQL-任務六（複雜專案）
2019-03-04
MySql
Datawhale-爬蟲-Task4(學習xpath）
2019-03-04
爬蟲
flutter系列之:flutter中的變形金剛Transform
2022-12-05
FlutterORM
webgl 系列 —— 漸變三角形
2023-03-14
Web
如何利用javascript改變滑鼠指標的形狀
2017-03-22
JavaScript指標
滑鼠懸浮三形選單變叉號
2017-05-13