展开

关键词

首页关键词geek

geek

相关内容

云服务器

云服务器

腾讯云服务器(CVM)为您提供安全可靠的弹性云计算服务。只需几分钟,您就可以在云端获取和启用云服务器,并实时扩展或缩减云计算资源。云服务器 支持按实际使用的资源计费,可以为您节约计算成本。
  • GEEK的心思你别猜

    #ThoughtWorkers好声音#第十二期(图片:网络) 都说Geek的世界高深莫测,无法轻易探究。有多高深?就是写幻灯片都用文本格式,更Geek的做法是,用Scheme这种Lisp方言写幻灯片。
    来自:
    浏览:326
  • Geek+物流机器人进军日本市场

    阿里巴巴采用的Geek+(极智嘉)物流机器人日前正式进入日本市场。日本ACCA INTERNATIONAL 公司7月24日表示将在仓库中引进该款人工智能(AI)物流机器人。据报道,截至目前,Geek+已为包括天猫、唯品会 、苏宁在内的20多个客户的仓库部署了近1000台机器人。Geek+创始人兼CEO郑勇表示,日本是Geek+拓展国际市场的第一站,未来还将继续放眼全球,加速业务的国际化进程。
    来自:
    浏览:440
  • 广告
    关闭

    2021 V+全真互联网全球创新创业挑战赛

    百万资源,六大权益,启动全球招募

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到
  • Geek Plus筹资1.5亿美元,加速开发物流机器人

    现在,总部位于北京的机器人创业公司Geek Plus(又名Geek +)表示,它已经筹集了1.5亿美元,通过投资产品开发,销售和客户服务来抓住这一不断增长的机会。该公司没有披露其估值,自2015年成立以来,Geek Plus已筹资约2.17亿美元。“Warburg Pincus和其他股东的投资充分体现了他们对Geek Plus发展的认可以及他们对Geek Plus未来前景的信心,”创始人兼首席执行官Yong Zheng在一份声明中表示,“我们将继续专注于通过“自从去年我们第一次投资Geek +,我们对Geek +的快速增长印象非常深刻,特别是在业务拓展和国际化方面,”Warburg Pincus执行董事Jericho Zhang在一份声明中表示,“技术正在改变供应链Geek +是领先的技术公司之一,能够结合机器人技术,大数据,AI和其他尖端技术来解决传统供应链的难点。
    来自:
    浏览:598
  • 流氓软件360被Geek Uninstall轻松卸载了!

    推荐一款卸载软件的工具Geek Uninstall?软件界面非常清爽, 无广告, 无弹窗,不收费, 右键点击强制删除, 即可删除软件 ?使用方法: 以卸载360浏览器为例?
    来自:
    浏览:702
  • 软件这样才能卸载干净,Geek Uninstaller 好用的卸载神器

    叫Geek Uninstaller。?图文说明↓↓↓所需工具:Geek Uninstaller适用系统:Windows这软件好在于,大小才5.8M,不用安装,打开即用,支持四十多种语音。
    来自:
    浏览:1133
  • K8S Geek Gathering深圳站精彩内容来了!

    2017年11月4日,由腾讯云联合K8S社区主办的K8S Geek Gathering深圳站成功落幕,现场K8S的粉丝们对于容器技术的分享交流也是热情似火。
    来自:
    浏览:508
  • pyMagic:用python控制的Geek入门神器

    是不是有种上世纪90年代geek的感觉。希望能够和热爱硬件的geek一起交流学习。
    来自:
    浏览:746
  • 「镁客·请讲」Geek+郑勇:仓储机器人市场已开始“洗牌”,明年或将迎来爆发

    Geek+创始人兼CEO郑勇说到。发展至今,Geek+团队已经从当初的只有几人扩展到了现在的150多人。主打拣选机器人系统接下来的Geek+要实现国内外市场上的突破 “仓储机器人的话,其实它最核心的点就是通过机器人来替代人工进行搬运。”在这等浪潮之下,作为“老前辈”的Geek+也展示了自己的自信和底气。在市场诱惑如此之大的前提下,不仅仅是Geek+等科技公司、机器人厂商,阿里、京东等电商平台也加入占据,进一步加剧了这个市场的竞争。
    来自:
    浏览:311
  • 腾讯围棋AI“绝艺”在日本UEC大赛一举夺魁,人工智能公司Geek+完成亿元融资 | 大数据24小时

    数据猿导读AlphaGo之后,腾讯推出围棋AI“绝艺”;机器人公司Geek+获1亿元融资,利用AI实现自动化仓储运营;万达科技宣布与IBM合作,将正式进入中国公有云市场……以下为您奉上更多大数据热点事件二、机器人公司Geek+获1亿元融资,利用AI实现自动化仓储运营成立于2015年初的Geek+公司总部位于北京,是一家智能机器人科技公司,主要面向机器人智能物流领域,并专注于研发生产机器人拣选系统、搬运自动化系统和分拣系统等
    来自:
    浏览:487
  • 520探讨一下如何给geek男友选礼物?(超实用)

    事实上,如何给自己的geek男友挑到让他眼前一亮、赞不绝口的礼物,也是个让人头疼的问题。下面,我们特地整理了一批炫酷好玩或实用的科技产品、一些数据科学相关书籍以及数据派独家学习资源,总会有一款适合他。这个时候送给geek男朋友这款fitbit Charge2智能手环就显得十分必要。Fitbit Charge2采用大尺寸OLED触摸屏。内置心率传感器,可进行连续心率监测。
    来自:
    浏览:222
  • 「Geek-r」数据导入

    本部分内容是我写的 R book 的数据导入部分,写了好久了。。。断断续续的,只完成了一半的内容吧。已经写的的内容可以通过原文阅读。在掌握一定的 R 编程技能后,我们开始迈入数据分析的殿堂。大部分数据分析事务的数据都不是通过 R 创建,而是来自于各种数据收集软硬件、渠道,包括 Excel、网络等。本章聚焦于如何将数据导入 R 中以便于开始数据分析。对于本章的内容,读者既可以系统地从头到尾深入阅读学习,也可以根据自己实际工作需要或时间限制选择一些重点或感兴趣内容进行掌握。本章的重点内容包括符号分隔文件、Excel 文件、JSON 文件以及 R 支持的数据格式 RData 和 RDS,其他格式的数据将放到本章【常见问题与方案】一节作为补充介绍。3.1 符号分隔文件符号分隔文件是最最常用的数据文件格式,知道如何导入它是读者的必备技能。这里的符号泛指一切可以用作数据内容分隔的符号,常见的包括逗号(,),制表符(t),我们常称它们为 CSV 文件和 TSV 文件。3.1.1 CSVCSV 文件常以 .csv 作为文件拓展名,比如接下来我们会导入的 mtcars.csv。注意,文件拓展名并不会影响文件本身的内容,它只是用来方便帮助人们快速的了解内容格式,另外支持其他一些程序的自动解读(在你的计算机上,不同的文件拓展名系统软件可以会对它们使用不同的图标,如 Word 文档和 PPT)。一般规整的数据以行作为观测,列作为记录(变量、域),如一个班级同学的成绩。student,chinese,math,englishstu1,99,100,98stu2,60,50,88R 内置了 read.table() 函数用于便捷导入各类分隔符的文件。下面我们直接将这个成绩记录信息以文本的形式传入,结果会返回一个数据框:stu student chinese math english#> 1 stu1 99 100 98#> 2 stu2 60 50 88class(stu)#> data.frame实际上要处理的数据并不会这么的少,一般会以文件的形式存储在计算机磁盘中。下面我们依旧使用 read.table() 函数完成 CSV 文件数据的导入。cars mpg cyl disp hp drat wt qsec vs am gear carb#> 1 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4#> 2 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4#> 3 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1#> 4 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1#> 5 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2#> 6 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1除了使用 read.table(),我们还可以使用内置的 read.csv() 函数完成 CSV 文件的读入。与 read.table() 不同的时,我们无需再指定分隔符,因为该函数本身就是为了 CSV 文件设计的。另外函数默认将 header 选项设定为 TRUE,即有列名,所以我们也无需指定它,因而读取操作就被简化了:cars2 mpg cyl disp hp drat wt qsec vs am gear carb#> 1 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4#> 2 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4#> 3 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1#> 4 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1#> 5 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2#> 6 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1上述的读取操作基于 R 内置的函数实现,无需载入任何其他三方包就可以完成数据的读入,这在针对小型数据(集)或者计算机条件受限时(无法安装和使用三方包)非常有用。在这种常规以符号分隔的文件数据读取方面,我必须提及 2 个三方包:readr 和 data.table。它们都能以极快的速度读取大内存数据,推荐读者作为常规导入操作的解决方案。**tidyverse** 是 R 语言大神 Hadley(以 ggplot2 作者闻名于世) 组织构建的一整套数据分析生态系统,包括读入、处理、建模与可视化等, **readr** 包是 tidyverse 的一部分,用于完成数据的导入工作。**data.table** 包以 R 社区最快的数据读取和处理操作而著名,它主要是提供了一个增强版的数据框 data.table。根据 readr 包官方文档介绍,readr 包通常比 data.table 包慢大概 1.2~2 倍左右。不过它们各有特点,readr 包被设计用于更为常规的数据读取操作,而 data.table 的目标则是尽量的快。为了体现上述两个包和内置函数的差别,这里我们构造一个较大的 CSV 文件进行简单的测试:huge_car 1 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4#> 2 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4#> 3 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1#> 4 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1#> 5 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2#> 6 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1#> 7 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4#> 8 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2#> 9 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2#> 10 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4#> 11 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4#> 12 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3#> 13 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3#> 14 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3#> 15 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4#> 16 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4#> 17 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4#> 18 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1#> 19 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2#> 20 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1#> 21 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1#> 22 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2#> 23 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2#> 24 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4#> 25 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2#> 26 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1#> 27 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2#> 28 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2#> 29 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4#> 30 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6#> 31 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8#> 32 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2#> 33 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4#> 34 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4#> 35 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1#> 36 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1#> 37 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2#> 38 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1#> 39 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4#> 40 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2#> 41 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2#> 42 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4#> 43 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4#> 44 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3#> 45 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3#> 46 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3#> 47 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4#> 48 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4#> 49 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4#> 50 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1#> 51 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2#> 52 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1#> 53 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1#> 54 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2#> 55 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2#> 56 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4#> 57 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2#> 58 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1#> 59 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2#> 60 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2#> 61 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4#> 62 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6#> 63 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8#> 64 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2#> 65 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4#> 66 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4#> 67 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1#> 68 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1#> 69 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2#> 70 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1#> 71 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4#> 72 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2#> 73 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2#> 74 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4#> 75 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4#> 76 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3#> 77 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3#> 78 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3#> 79 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4#> 80 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4#> 81 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4#> 82 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1#> 83 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2#> 84 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1#> 85 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1#> 86 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2#> 87 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2#> 88 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4#> 89 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2#> 90 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1#> z2#> # A tibble: 320,000 x 11#> mpg cyl disp hp drat wt qsec vs#> #> 1 21 6 160 110 3.9 2.62 16.5 0#> 2 21 6 160 110 3.9 2.88 17.0 0#> 3 22.8 4 108 93 3.85 2.32 18.6 1#> 4 21.4 6 258 110 3.08 3.22 19.4 1#> 5 18.7 8 360 175 3.15 3.44 17.0 0#> 6 18.1 6 225 105 2.76 3.46 20.2 1#> 7 14.3 8 360 245 3.21 3.57 15.8 0#> 8 24.4 4 147. 62 3.69 3.19 20 1#> 9 22.8 4 141. 95 3.92 3.15 22.9 1#> 10 19.2 6 168. 123 3.92 3.44 18.3 1#> # … with 319,990 more rows, and 3 more variables:#> # am , gear , carb z3#> mpg cyl disp hp drat wt qsec vs am gear#> 1: 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4#> 2: 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4#> 3: 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4#> 4: 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3#> 5: 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3#> --- #> 319996: 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5#> 319997: 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5#> 319998: 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5#> 319999: 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5#> 320000: 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4#> carb#> 1: 4#> 2: 4#> 3: 1#> 4: 1#> 5: 2#> --- #> 319996: 2#> 319997: 4#> 319998: 6#> 319999: 8#> 320000: 2这个所谓的不同与结构中存储的数据信息无关,而是在不同的设计上。我们检查一下它们的类属性:class(z1)#> data.frameclass(z2)#> spec_tbl_df tbl_df tbl #> data.frameclass(z3)#> data.table data.frame不难看到这 3 个对象存在共有的类名 data.frame。我们使用内置函数读入数据仅包含该类名,而后两者还存在其他的类名,这是因为后两者继承了 data.frame。简单地说,后两者是增强版的 data.frame,它们赋予了不同于 R 内置数据框的特性,读者可以观察到的最明显的区别就是它们打印信息的方式不同。通常地说,我们将对象 z2 称为 tibble,因为它是由 **tibble** 包创建的类,是 tidyverse 系列包的数据结构基础,设计者称它为现代的 data.frame,在基础的使用方式上与 data.frame 并无不同,读者可以通过官方文档阅读更为详细的介绍。对象 z3 则常被称为 data.table,因为它的类名和包名都是 data.table.tibble 和 data.table 都有一系列强大高效的数据处理方法和操作,它们将在第 4 章进行介绍。3.1.2 TSV 与其他 CSV 变体另一种流行的数据存储格式是 TSV,与 CSV 唯一不同的是 TSV 使用制表符 t 作为内容的分隔符。TSV 文件除了以 .tsv 作为文件拓展名,也常用 .txt 作为文件拓展名(并不是所有的 .txt 文件都是以制表符分隔)。通过将 read.table() 函数中的 sep 参数设定为制表符,我们可以轻松完成该格式文件内容的读取:mt mpg cyl disp hp drat wt qsec vs am gear carb#> 1 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4#> 2 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4#> 3 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1#> 4 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1#> 5 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2#> 6 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1#> 7 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4#> 8 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2#> 9 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2#> 10 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4#> 11 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4#> 12 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3#> 13 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3#> 14 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3#> 15 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4#> 16 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4#> 17 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4#> 18 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1#> 19 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2#> 20 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1#> 21 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1#> 22 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2#> 23 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2#> 24 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4#> 25 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2#> 26 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1#> 27 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2#> 28 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2#> 29 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4#> 30 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6#> 31 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8#> 32 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2而 readr 包提供了一系列的 read_*() 函数,方便用户将常见数据文件导入为 tibble:mt2 # A tibble: 32 x 11#> mpg cyl disp hp drat wt qsec vs#> #> 1 21 6 160 110 3.9 2.62 16.5 0#> 2 21 6 160 110 3.9 2.88 17.0 0#> 3 22.8 4 108 93 3.85 2.32 18.6 1#> 4 21.4 6 258 110 3.08 3.22 19.4 1#> 5 18.7 8 360 175 3.15 3.44 17.0 0#> 6 18.1 6 225 105 2.76 3.46 20.2 1#> 7 14.3 8 360 245 3.21 3.57 15.8 0#> 8 24.4 4 147. 62 3.69 3.19 20 1#> 9 22.8 4 141. 95 3.92 3.15 22.9 1#> 10 19.2 6 168. 123 3.92 3.44 18.3 1#> # … with 22 more rows, and 3 more variables:#> # am , gear , carb 使用 data.table 则更为轻松,因为所有分隔格式的数据都可以通过 fread() 读取完成:mt3 mpg cyl disp hp drat wt qsec vs am gear#> 1: 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4#> 2: 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4#> 3: 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4#> 4: 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3#> 5: 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3#> 6: 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3#> 7: 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3#> 8: 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4#> 9: 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4#> 10: 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4#> 11: 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4#> 12: 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3#> 13: 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3#> 14: 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3#> 15: 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3#> 16: 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3#> 17: 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3#> 18: 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4#> 19: 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4#> 20: 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4#> 21: 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3#> 22: 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3#> 23: 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3#> 24: 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3#> 25: 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3#> 26: 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4#> 27: 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5#> 28: 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5#> 29: 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5#> 30: 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5#> 31: 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5#> 32: 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4#> mpg cyl disp hp drat wt qsec vs am gear#> carb#> 1: 4#> 2: 4#> 3: 1#> 4: 1#> 5: 2#> 6: 1#> 7: 4#> 8: 2#> 9: 2#> 10: 4#> 11: 4#> 12: 3#> 13: 3#> 14: 3#> 15: 4#> 16: 4#> 17: 4#> 18: 1#> 19: 2#> 20: 1#> 21: 1#> 22: 2#> 23: 2#> 24: 4#> 25: 2#> 26: 1#> 27: 2#> 28: 2#> 29: 4#> 30: 6#> 31: 8#> 32: 2#> carb为什么 fread() 没有设置分隔符却可以导入 CSV 和 TSV 文件?其中的巧妙在于该函数的内部会自动检测数据文件内的分隔符号。通过查看该函数的参数,我们可以看到 sep = auto,这个参数我们可以人为指定,以适应不同的需求场景。args(fread)#> function (input = , file = NULL, text = NULL, cmd = NULL, sep = auto, #> sep2 = auto, dec = ., quote = , nrows = Inf, header = auto, #> na.strings = getOption(datatable.na.strings, NA), stringsAsFactors = FALSE, #> verbose = getOption(datatable.verbose, FALSE), skip = __auto__, #> select = NULL, drop = NULL, colClasses = NULL, integer64 = getOption(datatable.integer64, #> integer64), col.names, check.names = FALSE, encoding = unknown, #> strip.white = TRUE, fill = FALSE, blank.lines.skip = FALSE, #> key = NULL, index = NULL, showProgress = getOption(datatable.showProgress, #> interactive()), data.table = getOption(datatable.fread.datatable, #> TRUE), nThread = getDTthreads(verbose), logical01 = getOption(datatable.logical01, #> FALSE), keepLeadingZeros = getOption(datatable.keepLeadingZeros, #> FALSE), yaml = FALSE, autostart = NA, tmpdir = tempdir()) #> NULL上面展示出 fread() 存在众多的参数设置。R 的易用与友好在于此,众多 R 包提供的函数大多已经为用户恰当地设置好了默认选项,用户无需经过繁琐的操作即可快速获取所需的结果。在学习了如何导入 TSV 文件后,我们应该能够归纳出 CSV、TSV 本质上是一类数据格式文件。例如,我们也可以使用分号 ;(西方不少国家的逗号分隔文件就是以分号分隔的文件)。我们统一以 CSV 作为代表,将其他类似格式文件称为 CSV 变体。3.2 ExcelExcel 是知名的微软 Office 套件之一,提供了日常的表格数据处理方案。尽管大多数数据分析人员不会产生和不想处理 Excel 文件,但由于它随着微软系统的流行而被广泛使用,因此读入 Excel 中的数据成为数据处理无法避免的日常工作任务之一。R 中有诸多拓展包可以导入 Excel 中的数据,其中最为推荐的就是本部分介绍的 **readxl** 包。使用该包,导入 Excel 中的数据可以像读入 CSV 文件一样简单。library(readxl)mt_excel # A tibble: 6 x 11#> mpg cyl disp hp drat wt qsec vs am#> #> 1 21 6 160 110 3.9 2.62 16.5 0 1#> 2 21 6 160 110 3.9 2.88 17.0 0 1#> 3 22.8 4 108 93 3.85 2.32 18.6 1 1#> 4 21.4 6 258 110 3.08 3.22 19.4 1 0#> 5 18.7 8 360 175 3.15 3.44 17.0 0 0#> 6 18.1 6 225 105 2.76 3.46 20.2 1 0#> # … with 2 more variables: gear , carb read_excel() 同时支持 .xls 和 xlsx 两者文件格式。Excel 文件支持多个表格(Sheet),这种情况下默认第 1 个 Sheet 的内容会被读入。通过简单的设置,读者也可以轻松导入任意 Sheet 的内容。下面通过 readxl 包的官方示例展示这一过程。我们先查看下该包提供的示例数据:readxl_example()#> clippy.xls clippy.xlsx datasets.xls #> datasets.xlsx deaths.xls deaths.xlsx #> geometry.xls geometry.xlsx type-me.xls #> type-me.xlsx选一个文件并查看其所在的路径:readxl_example(datasets.xlsx)#> UserswsxR_Libraryreadxlextdatadatasets.xlsx# 将路径保存备用excel_path iris mtcars chickwts quakes然后依旧是使用 read_excel() 函数,设定想要读入的 Sheet 名字即可。iris # A tibble: 6 x 5#> Sepal.Length Sepal.Width Petal.Length Petal.Width#> #> 1 5.1 3.5 1.4 0.2#> 2 4.9 3 1.4 0.2#> 3 4.7 3.2 1.3 0.2#> 4 4.6 3.1 1.5 0.2#> 5 5 3.6 1.4 0.2#> 6 5.4 3.9 1.7 0.4#> # … with 1 more variable: Species 关于函数的更多用法读者可以通过 ?read_excel() 查看。有时候人们会在同一个 Excel Sheet 中放置多个表格信息,这种情况无法通过简单地使用 readxl 包读入数据。只要数据是有规律的,读者可以尝试下通过 **tidycells** 包导入数据。? tidycells 包示例数据图 3.1: tidycells 包示例数据格式具体的使用请读者参照 README 进行学习。参考资料tidyverse: https:github.comtidyverseHadley: https:github.comhadleyreadr: https:github.comtidyversereadrdata.table: https:github.comRdatatabledata.tabletibble: https:github.comtidyversetibble4: https:shixiangwang.gitee.iogeek-r-tutorialclean.html#cleanreadxl: https:github.comtidyversereadxltidycells: https:github.comr-rudratidycellsREADME: https:github.comr-rudratidycellsblobmasterREADME.md
    来自:
    浏览:182
  • 在java中notify和notifyAll的区别

    e.printStackTrace(); } System.out.println(Thread.currentThread().getName() + ...notified); } }} class Geek2extends Thread { Geek1 geeks1; Geek2(Geek1 geeks1) { this.geeks1 = geeks1; } @Override public void runextends Thread { Geek1 geeks1; Geek3(Geek1 geeks1) { this.geeks1 = geeks1; } @Override public void runnotified); } }} class MainClass { public static void main(String args) throws InterruptedException { Geek1geeks1 = new Geek1(); Geek2 geeks2 = new Geek2(geeks1); Geek3 geeks3 = new Geek3(geeks1); Thread t1
    来自:
    浏览:272
  • GPU 云服务器

    腾讯GPU 云服务器是提供 GPU 算力的弹性计算服务,具有超强的并行计算能力,作为 IaaS 层的尖兵利器,服务于深度学习训练、科学计算、图形图像处理、视频编解码等场景……
    来自:
  • FPGA 云服务器

    腾讯FPGA云服务器是基于FPGA硬件可编程加速的弹性计算服务,您只需几分钟就可以获取并部署您的FPGA实例。结合IP市场提供的图片,视频,基因等相关领域的计算解决方案,提供无与伦比的计算加速能力……
    来自:
  • 专用宿主机

    专用宿主机(CDH)提供用户独享的物理服务器资源,满足您资源独享、资源物理隔离、安全、合规需求。专用宿主机搭载了腾讯云虚拟化系统,购买之后,您可在其上灵活创建、管理多个自定义规格的云服务器实例,自主规划物理资源的使用。
    来自:
  • 黑石物理服务器2.0

    腾讯黑石物理服务器2.0(CPM)是一种包年包月的裸金属云服务,为您提供云端独享的高性能、无虚拟化的、安全隔离的物理服务器集群。使用该服务,您只需根据业务特性弹性伸缩物理服务器数量,获取物理服务器的时间将被缩短至分钟级。
    来自:
  • 容器服务

    腾讯云容器服务(Tencent Kubernetes Engine ,TKE)基于原生kubernetes提供以容器为核心的、高度可扩展的高性能容器管理服务。腾讯云容器服务完全兼容原生 kubernetes API ,扩展了腾讯云的云硬盘、负载均衡等 kubernetes 插件,为容器化的应用提供高效部署、资源调度、服务发现和动态伸缩等一系列完整功能,解决用户开发、测试及运维过程的环境一致性问题,提高了大规模容器集群管理的便捷性,帮助用户降低成本,提高效率。容器服务提供免费使用,涉及的其他云产品另外单独计费。
    来自:
  • 弹性伸缩

    腾讯弹性伸缩(AS)为您提供高效管理计算资源的策略。您可设定时间周期性地执行管理策略或创建实时监控策略,来管理 CVM 实例数量,并完成对实例的环境部署,保证业务平稳顺利运行。弹性伸缩策略不仅能够让需求稳定规律的应用程序实现自动化管理,同时告别业务突增或CC攻击等带来的烦恼,对于每天、每周、每月使用量不停波动的应用程序还能够根据业务负载分钟级扩展。
    来自:
  • 云函数

    云函数(Serverless Cloud Function,SCF)是腾讯云为企业和开发者们提供的无服务器执行环境,帮助您在无需购买和管理服务器的情况下运行代码。您只需使用平台支持的语言编写核心代码并设置代码运行的条件,即可在腾讯云基础设施上弹性、安全地运行代码。SCF 是实时文件处理和数据处理等场景下理想的计算平台。
    来自:

扫码关注云+社区

领取腾讯云代金券