百度360必应搜狗淘宝本站头条
虚拟机是什么网卡地址单元测试概念光标dos 命令大全
当前位置：网站首页 > 技术文章 > 正文

从零学习-量化交易(56)-TopQuant函数库-17-ztools_data.py

haoteby 2025-03-05 16:15 19 浏览

ztools_data.py

#coding=utf-8
# -*- coding: utf-8 -*- 
'''
Top极宽量化(原zw量化)，Python量化第一品牌 


  
    
 ToolBox 2016
Top极宽·量化开源工具箱 系列软件 
by Top极宽·量化开源团队 2016.12.25 首发
  
文件名:ztools_data.py
默认缩写：import ztools_data as zdat
简介：Top极宽常用数据工具函数集
'''

import os,sys,io,re
import random,arrow,bs4
import numpy as np
import numexpr as ne
import pandas as pd
import tushare as ts

import requests
#
import cpuinfo as cpu
import psutil as psu
import inspect
#
import matplotlib as mpl
import matplotlib.colors
from matplotlib import cm


#
import zsys
import ztools as zt
import ztools_tq as ztq
import ztools_str as zstr
import ztools_web as zweb
import zpd_talib as zta

#

#-----------------------
'''

misc
#
df.xxx,pandas.xxx
    df.cov.
    df.get.
    df.cut.
#

'''

#-----------------------
#----------data.misc


#-----Series

    
def ds4x(x,inx=None,fgFlat=False):
    if fgFlat:
        x=x.flatten()[:]
    #
    ds=pd.Series(x)
    if len(inx)>0: ds.index=inx
    #
    return ds

def ds4lst(ds,ds0,vlst):
    for vss in vlst:
        ds[vss]=ds0[vss]
    #
    return ds

def ds4lst2x(ds,ds0,vlst,vlst0):
    for vss,vs0 in zip(vlst,vlst0):
        ds[vss]=ds0[vs0]
    #
    return ds


#----------df.misc
def df2list(df):
    d10= np.array(df)
    df2=d10.tolist()
    #
    return df2
    
#df['ktype']=np.round(df['price_change'])

#df['ktype'][df.ktype<900]=900 dfclosedf.close>1100]=1100

def df2type20(df,ksgn='ktype',n9=10):
    #dsk
    #df['price_change']=df['price_next']/df['price']*100
    #
    df[ksgn]=np.round(df[ksgn])
    d0,d9=100-n9,100+n9
    #if df[ksgn]:
    df[ksgn][df[ksgn]d9]=d9
    df['ktype']=df['ktype'].astype(int)
    #
    return df


def df_xshift(df,ksgn='avg',num9=10):
    xsgn='x'+ksgn
    alst=[xsgn]
    df[xsgn]=df[ksgn].shift(-1)
    for xc in range(2,num9):
       xss=xsgn+'_'+str(xc)   
       df[xss]=df[ksgn].shift(-xc)
       alst.append(xss)
    #
    return df,alst

def df_mean_last22(df):
    d10=df.tail(1).values
    #print('d10',d10)
    d20=zt.lst_flatten02(d10)
    #print('d12',d12)
    #print('m',np.mean(d12))
    xd=np.mean(d20)
    #
    
    #
    return xd

def df_mean_last(df,nround=2):
    #c10=df.columns
    #ds=pd.Series(index=c10)
    ds=df.tail(1)
    #davg=ds.mean()
    davg=np.mean(ds.values)
    ds['davg']=davg
    #print('d10',d10)
    #d20=zt.lst_flatten02(d10)
    #print('d12',d12)
    #print('m',np.mean(d12))
    #xd=np.mean(d20)
    #
    rx=ds.ix[0]#.as_format('.2')
    #rx=zt.as_format(rx,'.2')
    rx=rx.round(nround)
    #
    return rx


def df_acc(df,ysgn0='avg2',ysgn='y_pred',k0=5):
    '''
    模型预测数据准确度分析，函数api接口是：
把输入的数据df，按原始数据和预测后的数据，进行准确度计算。
输入参数：
	df，输入数据集变量
	ysgn0，数据集当中的原始数据字段。
	y_pred，模型预测的数据集。
	k0，预测数据与实际数据的误差宽容度，默认为5%，如果两者误差小于5%，认为是正确数据。
返回参数：
	kacc，准确度，百分百形式。
	df，包含分析数据的输入数据扩展数据集。
	dfk，复合准确度要求的数据集。
'''
    
    df['diff']=abs(df[ysgn]-df[ysgn0])
    df['kdif']=round((df['diff']/df[ysgn0]*100),2)
    dfk=df[df['kdif']0:
            df2=df2[df2[k]==v]
        #print('k,v,',k,v)
    #
    #rint('df2,',df2)
    if len(df2.index)>0:
        dat=df2[vsgn].values[0]
        #print('v,d',vsgn,dat)
    #
    return dat
    
def df_get8kvar01(df,vsgn,vlst):
    df2,dat=df,None
    df9=pd.DataFrame(columns=df.columns)
    #ds=pd.Series(index=clst,dtype=str)
    for xc, rx in df.iterrows():
        vss=rx[vsgn]
        if vss in vlst:
            df9=df9.append(rx.T,ignore_index=True)
    
        #df2=df2[df2[k]==v]
        #print('k,v,',k,v)
    #
    return df9
    
        
    
def df_get8tim(df,ksgn,kpre,kn9,kpos):
    #@ zdr.dr_df_get8tim
    #
    xdf=pd.DataFrame(columns=['nam','dnum'])
    ds=pd.Series(['',0],index=['nam','dnum'])
    for xc in range(1,kn9+1):
        xss,kss='{0:02d}'.format(xc),'{0}{1:02d}'.format(kpre,xc)
        df2=df[df[ksgn].str.find(kss)==kpos]
        ds['nam'],ds['dnum']=xss,len(df2['gid'])
        xdf=xdf.append(ds.T,ignore_index=True)
        #print(xc,'#',xss,kss)
    #
    xdf.index=xdf['nam']
    return xdf


 
#----------
def df_get_tim2x(df,timsgn):
    df=df.sort_values(timsgn)
    tim0Str,tim9tr=df[timsgn].values[0],df[timsgn].values[-1]
    #
    return tim0Str,tim9tr   
    

#----------df.cut.xxx,pandas.xxx            
def df_kcut8tim(df,ksgn,tim0str,tim9str):
    '''
    把输入的数据df，按时间参数，进行切割。
输入参数：
	df，输入数据变量
	ksgn，数据切割使用的字段名称，默认为xtim。ksgn为空字符串时，使用index索引字段比较时间。
	tim0str，数据切割起始时间，空字符串不进行切割。
	tim9str，数据切割结束时间，空字符串不进行切割。
返回参数：
	df，切割后的数据集，pandass的DataFrame表格格式。

    '''
    if ksgn=='':
        if tim0str!='':df2=df[df.index>=tim0str]
        else:df2=df
        if tim9str!='':df3=df2[df2.index<=tim9str] else:df3='df2' else: if tim0str :df2='df[df[ksgn]'>=tim0str]
        else:df2=df
        if tim9str!='':df3=df2[df2[ksgn]<=tim9str] else:df3='df2' return df3 def df_kcut8yearlstdfksgnftg0yearlst: for ystr in yearlst: tim0strtim9str='ystr+'-01-01',ystr+'-12-31'' df2='df_kcut8tim(df,ksgn,tim0str,tim9str)' ftg='ftg0+ystr+'.dat';print(ftg)' df2.to_csvftgindex='False,encoding='gb18030')' def df_kcut8myearlstdfksgntim0strftg0yearlst: for ystr in yearlst: tim9str='ystr+'-12-31'' df2='df_kcut8tim(df,ksgn,tim0str,tim9str)' ftg='ftg0+ystr+'.dat';print(ftg)' df2.to_csvftgindex='False,encoding='gb18030')' ----------df.xed def df_xappenddfdf0ksgnnum_round='3,vlst=zsys.ohlcDVLst):' if lendf0>0):   
        df2 =df0.append(df)     
        df2=df2.sort_values([ksgn],ascending=True);
        df2.drop_duplicates(subset=ksgn, keep='last', inplace=True);
        #xd2.index=pd.to_datetime(xd2.index);xd=xd2
        df=df2
        
    #
    df=df.sort_values([ksgn],ascending=False);
    df=np.round(df,num_round);
    df2=df[vlst]
    #
    return df2
    
#----------df.xtim.xxx

def df_xtim2mtim(df,ksgn='xtim',fgDate=False):    
    df['xyear']=df[ksgn].apply(zstr.str_2xtim,ksgn='y')
    df['xmonth']=df[ksgn].apply(zstr.str_2xtim,ksgn='m')
    df['xday']=df[ksgn].apply(zstr.str_2xtim,ksgn='d')
    #
    df['xday_week']=df[ksgn].apply(zstr.str_2xtim,ksgn='dw')
    df['xday_year']=df[ksgn].apply(zstr.str_2xtim,ksgn='dy')
    #df['xday_month']=df['xtim'].apply(zstr.str_2xtim,ksgn='dm')
    df['xweek_year']=df['xtim'].apply(zstr.str_2xtim,ksgn='wy')
    #
    df['xhour']=df[ksgn].apply(zstr.str_2xtim,ksgn='h')
    df['xminute']=df[ksgn].apply(zstr.str_2xtim,ksgn='t')
    
    #
    if fgDate:
        df=df.drop(['xhour','xminute'],axis=1)
    #
    return df

#----------df.xdat.ed.xxx
def df_xed_nextDay(df,ksgn='avg',newSgn='xavg',nday=10):    
    #df['avg']=df[zsys.ohlcLst].mean(axis=1).round(2)
    for i in range(1,nday):
        xss=newSgn+str(i)
        df[xss]=df[ksgn].shift(-i)
    #
    return df
    
        
def df_xed_ailib(df,ksgn='avg',fgDate=True):
    #   xed.avg
    df=df.sort_index(ascending=True);
    if ksgn=='avg':
        df[ksgn]=df[zsys.ohlcLst].mean(axis=1)
    else:
        df[ksgn]=df[ksgn]
    #   xed.time
    df['xtim']=df.index
    df=df_xtim2mtim(df,'xtim',fgDate)
    #   xed.ma.xxx
    df=zta.mul_talib(zta.MA,df, ksgn,zsys.ma100Lst_var)
    #
    #   xed.xavg.xxx,predict,y_data
    df=df_xed_nextDay(df,ksgn,'x'+ksgn,10)
    #
    df=df.round(2)
    df=df.dropna()
    #
    return df
    

def df_xed_xtyp(df,kmod='3',k0=99.5,k9=100.5,sgnTyp='ktype',sgnPrice='price_change'):
    kmod=kmod.lower()
    if kmod=='n':
        df[sgnTyp]=df[sgnPrice].apply(zt.iff2ntype,v0=k0,v9=k9)                 #v0=95,v9=110)
    elif kmod=='3':   
        df[sgnTyp]=df[sgnPrice].apply(zt.iff3type,d0=k0,d9=k9,v3=3,v2=2,v1=1)   #k0=99.5,k9=100.5):
    else:    
        df[sgnTyp]=df[sgnPrice].apply(zt.iff2type,d0=k0,v1=1,v0=0)              #100.5
    #    
    df['y']=df[sgnTyp].astype(float)
    ydat=df['y'].values
    return df,ydat

#df_test['ktype']=df_test['price_change'].apply(zt.iff3type,d0=99.5,d9=100.5,v3=3,v2=2,v1=1)
    
def df_xed_xtyp2x(df_train,df_test,kmod='3',k0=99.5,k9=100.5,sgnTyp='ktype',sgnPrice='price_change'):
    df_train,y_train=df_xed_xtyp(df_train,kmod,k0,k9,sgnTyp,sgnPrice)
    df_test,y_test=df_xed_xtyp(df_test,kmod,k0,k9,sgnTyp,sgnPrice)
    #
    return df_train,df_test,y_train,y_test

#----------df.x_xxx    
    

def df_xget(fss,tim0str='',tim9str='',ktrain=0.7):
    '''
    根据文件名读取数据，并根据时间参数切割数据，最终把数据按ktrain设置的比例，分为train训练数据集tst测试数据集。
输入参数：
	fss，数据文件名
	tim0str，tim9str，数据切割起始结束时间，为空时不处理。
	ktrain，数据切割比例，默认总数据的70%为train训练数据
返回参数：
	df_train，训练数据集，pandas的DataFrame格式。
	df_test，测试数据集，pandas的DataFrame格式。

    '''
    df=pd.read_csv(fss,index_col=0)
    #
    df['xtim']=df.index
    df.drop_duplicates('xtim', keep='last', inplace=True)
    df.sort_index(ascending=True, inplace=True)
    #
    df['avg']=(df['open']+df['high']+df['low']+df['close'])/4
    df['avg2']=df['avg'].shift(-1)
    df.dropna(inplace=True)
    #
    c10=set(df.columns)
    if ('vol' in c10)and(not ('volume' in c10)):
        df['volume']=df['vol']
        df.drop(['vol'],inplace=True,axis=1)
    if 'cap' in c10:df.drop(['cap'],inplace=True,axis=1)
    #
    df=df_cut8tim(df,'xtim',tim0str,tim9str)
    #
    x10=list(df.index)
    dn9,xn9=len(df.index),len(x10)
    ntrain,ntst=int(dn9*ktrain),int(dn9*(1-ktrain))-1
    print('\n@dn9,xn9:',dn9,xn9,'@ntrain,ntst:',ntrain,ntst)
    #------------
    df_train,df_tst=df.head(ntrain),df.tail(ntst)
    #
    return df_train,df_tst

#----------df.file
def df_rdcsv_tim0(fss,ksgn,tim0):
    xd0= pd.read_csv(fss,index_col=False,encoding='gbk') 
    #print('\nxd0\n',xd0.head())
    if (len(xd0)>0): 
        #xd0=xd0.sort_index(ascending=False);
        #xd0=xd0.sort_values(['date'],ascending=False);
        xd0=xd0.sort_values([ksgn],ascending=True);
        #print('\nxd0\n',xd0)
        xc=xd0.index[-1];###
        _xt=xd0[ksgn][xc];#xc=xd0.index[-1];###
        s2=str(_xt);
        #print('\nxc,',xc,_xt,'s2,',s2)
        if s2!='nan':
            tim0=s2.split(" ")[0]        
            
    #
    return xd0,tim0        


#-------------------pools
def df_initXed(df,ksgn='avg',datTyp='15m',timFMT='%Y-%m-%d %H:%M:%S'):
    df.index=pd.to_datetime(df.index)
    df.index.rename('tim_inx',inplace=True)
    #
    clst=set(df.columns);
    if 'utim' in clst:df=df.drop(['utim'],axis=1)
    #if 'tim' in clst:df.rename(index=str, columns={"tim": "time"})
    df['xtim']=df.index.strftime(timFMT) 
    df['avg']=df[zsys.ohlcLst].mean(axis=1)
    df['dprice']=df[ksgn]
    #print(df.tail())
    #x=df['xtim'][0]
    #print(x,type(x))
    #print(type(df.index))
    #
    df=df.drop_duplicates(['xtim'])
    df=df.sort_index(ascending=True);
    #print('\n@df')
    #print(df.tail())
    
    #
    xsgn=ztq.tq_xtim2FRQ(datTyp) #???
    #print('@x',xsgn)
    #
    if xsgn!='':
        df=df.resample(xsgn, closed='left').pad()
    #df=df.resample(xsgn, closed='left')
    #df=df.pad()
    df.dropna(inplace=True)
    #
    df=df.sort_index()
    #
    #xxx
    return df
    
def df_xedBTC1kDiv(df):
    #zt.prDF('df',df)
    df[zsys.ohlcLst]=df[zsys.ohlcLst]/1000
    #zt.prDF('df',df)
    return df

def df_xedBTC1kMul(df):
    #zt.prDF('df',df)
    df[zsys.ohlcLst]=df[zsys.ohlcLst]*1000
    #zt.prDF('df',df)
    return df

def df_frdXed(rss,syb,ksgn='avg',datTyp='15m',timFMT='%Y-%m-%d %H:%M:%S'):
    if datTyp=='':fcod=rss+syb+'.csv'
    else:fcod=rss+syb+'_'+datTyp+'.csv'
    #print('@xc',fcod)
    #
    df=pd.read_csv(fcod,index_col=0)
    #zt.prDF('xed-df',df)
    #
    ksyb=syb.lower().find('btc')
    if ksyb==0:df=df_xedBTC1kDiv(df)
    if ksyb>1:df=df_xedBTC1kMul(df)
    #    
    #print('\n@df')
    #print(df.tail())
    df=df_initXed(df,ksgn,datTyp,timFMT)
    #
    
    #
    return df
    
    
def pools_frd(rss,clst,ksgn='avg',datTyp='15m',timFMT='%Y-%m-%d %H:%M:%S'):
    print('\nclst:',clst)
    dats={}
    i,n9=0,len(clst)
    for syb in clst:
        df=df_frdXed(rss,syb,ksgn,datTyp,timFMT)
        i+=1
        print(i,'/',n9,syb)
        #
        dats[syb]=df
    #
    return dats

def pools_link010(dat,pools,clst,ksgn='avg',inxFlag=False):
    i,n9,inxSgn=0,len(clst),''
    if inxFlag:inxSgn='x'
    
    for xcod in clst:
        i+=1
        print(i,'/',n9,xcod)
        df=pools[xcod]
        #
        #if ksgn=='avg':df['avg']=df[zsys.ohlcLst].mean(axis=1)
        #
        #print(df.tail())
        dat[inxSgn+xcod]=df[ksgn]
    #
    dat=dat.round(9)
    return dat

def pools_link2x(stkPools,clst,inxPools,xlst,ksgn):
    dat=pd.DataFrame()
    #
    dat=pools_link010(dat,stkPools,clst,ksgn)
    dat=pools_link010(dat,inxPools,xlst,ksgn,True)
    #
    return dat
    

def pools_link2qx(qx,ksgn,fgInx=True):
    dat=pd.DataFrame()
    #
    
    if fgInx:
        #dat=pools_link010(dat,qx.inxPools,qx.inxCodeLst,ksgn,True)
        dat=pools_link010(dat,qx.inxPools,qx.inxLst,ksgn)
    #
    dat=pools_link010(dat,qx.sybPools,qx.sybLst,ksgn)
    
    #qx.wrkPriceDat=dat
    return dat



#-------------------file

def f_links8codes(rss,clst):
    i,n9=0,len(clst)
    df9=pd.DataFrame()
    for cod in clst:
        fss=rss+cod+'.csv'
        i+=1
        print(i,'/',n9,fss)
        #
        df=pd.read_csv(fss)
        df=df[zsys.ohlcDVLst]
        df9=df9.append(df)
    #
    return df9


def f_links_TDS(rss,clst,ksgn='avg',fgDate=True):
    i,n9=0,len(clst)
    df9=pd.DataFrame()
    for cod in clst:
        fss=rss+cod+'.csv'
        i+=1
        print(i,'/',n9,fss)
        #
        df=pd.read_csv(fss)
        df=df_xed_ailib(df,ksgn,fgDate)
        df9=df9.append(df)
    #
    return df9

#-------------------file.df.rw
def fdf_wr(df,ftg,kn=9,fgFlt=False):
    if ftg!='':
        #
        if fgFlt:
            df=df.drop_duplicates()
            df=df.dropna()
        #        
        ftmp='tmp/'+zstr.str_fnRnd('.csv')
        kss='%.'+str(kn)+'g'
        df.to_csv(ftmp,index=False,float_format=kss)
        df=pd.read_csv(ftmp,index_col=False)
        df.to_csv(ftg,index=False,float_format=kss)    
        os.remove(ftmp) 
    
def fdf_lnk_wr(df9,df,ksgn,ftg,kn=9,fgInv=False):  
    if len(df.index)>0:
        df9=df9.append(df,ignore_index=True)
        #df9=df9.drop_duplicates()
        df9=df9.drop_duplicates(subset=ksgn, keep='last')
        df9=df9.dropna()
        if ksgn!='':
            if fgInv:df9=df9.sort_values(ksgn,ascending =False)
            else:df9=df9.sort_values(ksgn)
    
        fdf_wr(df9,ftg,kn)
    #
    return df9
    
            #    
#-------------------file.aidat

def f_rd_xdat(fdat,xlst,ysgn='y'):
    '''
        no ysgn:'y' in xlst
    '''
    df=pd.read_csv(fdat,index_col=False)
    df['y']=df[ysgn].astype(float)
    xdat,ydat=df[xlst].values,df['y'].values
    #
    mlst=xlst+['y']
    if ysgn!='y':mlst=mlst+[ysgn]
    
    df2=df[mlst]
    #
    return df2,xdat,ydat

#-------------------file.TDS
def frd_TDS_sub(fdat,ksgn,xlst,fgChange=False):
    df=pd.read_csv(fdat)
    df['price_next']=df[zsys.xavg9Lst].max(axis=1)
    df['price'],df['y']=df[ksgn],df['price_next']
    df['price_change']=df['price_next']/df['price']*100
    if fgChange:df['y']=df['price_change']
    #
    xdat,ydat=df[xlst].values,df['y'].values
    clst,mlst=[ksgn,'y','price','price_next','price_change'],xlst
    for css in clst:
        if not (css in mlst):mlst=mlst+[css]
    #    
    df2=df[mlst]
    #
    return df2,xdat,ydat
    
def frd_TDS(rdat,fsgn,ksgn,xlst,fgChange=False):
    #rss='/ailib/TDS/'
    f_train,f_test=rdat+fsgn+'_train.csv',rdat+fsgn+'_test.csv'
    df_train,x_train,y_train=frd_TDS_sub(f_train,ksgn,xlst,fgChange)
    df_test,x_test, y_test  =frd_TDS_sub(f_test,ksgn,xlst,fgChange)
    #
    return df_train,df_test ,x_train,y_train,x_test, y_test

相关推荐

一日一技:用Python程序将十进制转换为二进制

用Python程序将十进制转换为二进制通过将数字连续除以2并以相反顺序打印其余部分，将十进制数转换为二进制。在下面的程序中，我们将学习使用递归函数将十进制数转换为二进制数，代码如下：...

十进制转化成二进制你会吗?#数学思维

六年级奥赛起跑线：抽屉原理揭秘。同学们好，我是你们的奥耀老师。今天一起来学习奥赛起跑线第三讲二进制计数法。例一：把十进制五十三化成二进制数是多少？首先十进制就是满十进一，二进制就是满二进一。二进制每个...

二进制、十进制、八进制和十六进制，它们之间是如何转换的?

在学习进制时总会遇到多种进制转换的时候，学会它们之间的转换方法也是必须的，这里分享一下几种进制之间转换的方法，也分享两个好用的转换工具，使用它们能够大幅度的提升你的办公和学习效率，感兴趣的小伙伴记得点...

c语言-2进制转10进制_c语言 二进制转十进制

#include<stdio.h>intmain(){charch;inta=0;...

二进制、八进制、十进制和十六进制数制转换

一、数制1、什么是数制数制是计数进位的简称。也就是由低位向高位进位计数的方法。2、常用数制计算机中常用的数制有二进制、八进制、十进制和十六进制。...

二进制、十进制、八进制、十六进制间的相互转换函数

二进制、十进制、八进制、十六进制间的相互转换函数1、输入任意一个十进制的整数，将其分别转换为二进制、八进制、十六进制。2、程序代码如下：#include<iostream>usingna...

二进制、八进制、十进制和十六进制等常用数制及其相互转换

从大学开始系统的接触计算机专业，到现在已经过去十几年了，今天整理一下基础的进制转换，希望给还在上高中的表妹一个入门的引导，早日熟悉这个行业。一、二进制、八进制、十进制和十六进制是如何定义的？二进制是B...

二进制如何转换成十进制?_二进制如何转换成十进制例子图解

随着社会的发展，电器维修由继电器时代逐渐被PLC，变频器，触摸屏等工控时代所替代，特别是plc编程，其数据逻辑往往涉及到数制二进制，那么二进制到底是什么呢？它和十进制又有什么区别和联系呢？下面和朋友们...

二进制与十进制的相互转换_二进制和十进制之间转换

很多同学在刚开始接触计算机语言的时候，都会了解计算机的世界里面大多都是二进制来表达现实世界的任何事物的。当然现实世界的事务有很多很多，就拿最简单的数字，我们经常看到的数字大多都是十进制的形式，例如：我...

十进制如何转换为二进制，二进制如何转换为十进制

用十进制除以2，除的断的，商用0表示；除不断的，商用1表示余0时结束假如十进制用X表示，用十进制除以2，即x/2除以2后为整数的（除的断的），商用0表示；除以2除不断的，商用1表示除完后的商0或1...

十进制数如何转换为二进制数_十进制数如何转换为二进制数举例说明

我们经常听到十进制数和二进制数，电脑中也经常使用二进制数来进行计算，但是很多人却不清楚十进制数和二进制数是怎样进行转换的，下面就来看看，十进制数转换为二进制数的方法。正整数转二进制...

二进制转化为十进制，你会做吗?一起来试试吧

今天孩子问把二进制表示的110101改写成十进制数怎么做呀？，“二进制”简单来说就是“满二进一”，只用0和1共两个数字表示，同理我们平常接触到的“十进制”是“满十进一”，只用0-9共十个数字表示。如果...

Mac终于能正常打游戏了!苹果正逐渐淘汰Rosetta转译

Mac玩家苦转译久矣！WWDC2025苹果正式宣判Rosetta死刑，原生游戏时代终于杀到。Metal4光追和AI插帧技术直接掀桌，连Steam都连夜扛着ARM架构投诚了。看到《赛博朋克2077》...

怎么把视频的声音提出来转为音频?音频提取，11款工具实测搞定

想把视频里的声音单独保存为音频文件（MP3/AAC/WAV/FLAC）用于配音、播客、听课或二次剪辑？本文挑出10款常用工具，给出实测可复现的操作步骤、优缺点和场景推荐。1）转换猫mp3转换器（操作门...

6个mp4格式转换器测评:转换速度与质量并存!

MP4视频格式具有兼容性强、视频画质高清、文件体积较小、支持多种编码等特点，适用于网络媒体传播。如果大家想要将非MP4格式的视频转换成MP4的视频格式的话，可以使用MP4格式转换器更换格式。本文分别从...

一周热门