求索集 第一

“路漫漫其修远兮, 吾将上下而求索”.

拜义务教育所赐, 现今中国人无论男女老少, 基本都知道屈原, 知道他的这句诗, 知道他的情怀, 他的精神. 更知道他带给每个中国人的三天假期…

今年开始我尝试把自己的写作归入几个主题, 让随性而至有感而发变得更有逻辑和调理. 之前把闲扯淡聊闲天侃大山命名为”寄花集”, 寓意为寄托思绪, 今天开始的”求索集”则斗胆学习先贤的”求索”精神, 把自己的学习心得整理在此.

于是今天就是”求索集”开篇第一集.

最近微软推出了Windows 11的最新开发版本 22557, 增加了不少新功能, 而基于Windows 11构建的服务器开发版则是直接把版本推到了25057. 我也试着把手里这个在家用的机器从服务器开发版22538升级了上来. 升级过程非常顺利, 而且是无损升级, 所有文件设置和程序都得到了保留:

安装界面显示服务器版本依然是Windows Server 2022.

既然比Windows 11最新开发版版本号还高, 那么理论上这次Windows 11支持的新特性应该也有了, 咱们试试看.

第一部分, 全新设计的任务管理器:

以前标签页形式的任务管理器被替换为更现代的汉堡包式菜单, 看起来好看了不少, 设置项也更多. 除了外观, 这次还多了一个功能, 设置单独的程序进入ECO模式:

我看微软的解释是, 用户可以手动控制某些程序进入节能模式, 这样会把更多资源节省出来用于其它, 进入节能模式的程序反应会变慢. 嗯, 这个应该是在针对移动设备的, 有利于续航. 当然有一些程序和系统进程这里是灰色不可用的, 估计应该是关键进程. 奇怪的是浏览器也不能进入节能模式, 难道系统检测到了我的浏览器在干什么??? 另外有无可能反其道而行之, 来个”野兽”模式或者”飙车”模式, 让程序获取更多资源从而能更快完成任务?

第二个新功能对我来说特别有用, 就是全新的专注模式.

只要点一下右下角的任务栏, 然后点击Focus按钮, 系统就会进入专注模式, 这时各种聊天软件再也不会提示你有新邮件, 也不会有什么通知弹窗. 默认进入一次专注模式的时间是30分钟, 也符合番茄时间理论倡导的25分钟. 对了, 这里我也推荐一下番茄时间学习工作法, 确实是提高效率的有效手段, 方法很简单, 设定一个时间段, 一般是25分钟, 然后立刻开始做你第一个想到的事情, 期间不看手机不看网页电话不接微信不回, 就坚持25分钟即可. 然后你会发现这25分钟的专注带来的不仅是高效率, 更是一种淋漓尽致的爽快感和成就感. 普通人, 做着普通的事情, 但是如果能一点点积累成就感, 短时间就会感受到不同的, 哪怕处境和环境其实没什么变化, 但是心境会变化. 全新的专注模式, 好评!

下一个新特性有点让人哭笑不得, 就是之前Windows 10的开始菜单支持文件夹功能这次找回来了… 好吧, 砍掉一个功能算一个更新, 然后把这个功能再找回来又算一个更新, 想提高自己KPI的朋友们, 你们学废了吗?

第三个新功能是多任务布局引入了一个新的方法, 可以拖动程序窗口到桌面顶部, 然后就可以指定窗口显示的位置, 倒是挺方便.

这次推出的新功能还有不少, 比如播放视频时系统能够自动匹配字幕. 当然目前这个功能只限于英语, 所以经常看日语方面视频的朋友可能还得等等, 当然了我知道其实你们不需要字幕也不耽误理解剧情…

总体来说 25057是个不错的更新, 据说这些变化会在下半年的Windows 11 正式版上得到体现, 请拭目以待 ~~~

利用Python进行数据分析依然在缓慢地学习中, 进度缓慢, 但力争持续和领悟. 目前因为还没进入数据分析的核心部分, 仅仅是在学习基础预备知识, 不过一些东西还是挺好玩儿的, 比如多维数组切片.

所谓多维数组切片, 我目前的理解是按照某些需要, 把一个多维数组中的某些元素给挑出来. 这些元素可能是连续的, 可能是离散的.

比如先来个最简单的一维数组:

1
2
3
4
5

import numpy as np
array1 = np.arange(12) #构建一个一维数组
array1
输出为:
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

一维数组情况最简单, 只要记得一维数组是一根线段 (应该说是矢量, 因为除了有长度还有方向), 切片就是从这根矢量线段上切下来的若干部分线段或者点.

1
2

array1[5:8] #输出结果array[5,6,7]. 数组切片左含右不含我始终记不住, 还是得多用.
array1[3:] #输出3号以后的所有元素 array([ 3,  4,  5,  6,  7,  8,  9, 10, 11])

还得注意, 数组切片结果还是数组, 哪怕只有一个元素. 一维数组切片结果还是一维, 这个很好理解, 一根线怎么切要么还是线要么是点, 不可能切出一个平面或一个立体形状

二维数组切片稍微复杂一点, 比如这样的二维数组:

显然, 二维数组切片要么是点, 要么是线(矢量), 要么还是个平面. 理解了这些,其实具体怎么切片就不难操作了. Python numpy 完全是按照平面坐标来定位元素的.

比如某种需要 切出来5,6,8,9这个平面, 那么注意一下这几个点的坐标分别是(1,1),(1,2),(2,1),(2,2), 是的, numpy是以1为原点, 向下向右增长的. 知道了原理, 下面就是拿出西瓜刀, 切了它!

1
2
3
4
5
6

import numpy as np
array2 = np.array([[1,2,3],[4,5,6],[7,8,9]]) #定义二维数组. 变量名跟着前面顺延为array2. 我起名一向随意, 当然这也让我吃过大亏, 以后慢慢说.
array2[1:,1:] #逗号前是行, 逗号后是列, 就是取第1行和第1列开始的所有行列. 这里的第1行其实是第2行, 毕竟计算机语言都是从0开始, 计算机本来就是1010的世界, 说起来羞羞哒...
输出为:
array([[5, 6],
       [8, 9]])

好了,下面就是三维数组了. 三维, 立体了, 摸起来, 不是, 切起来有质感了, 来来来, 拿起西瓜刀, 咱们接着切!

先看看三维数组长什么样:

话说用PPT画三维数组, 简直神器, 哦耶. 我就喜欢这种拿现成工具开发别的姿势的感觉. 话说怎么又有种要开车车的感觉呢…

我之前搜索三维数组的相关知识, 很多前辈把三维数组描述成魔方的样子, 但是这里有个问题就是如果三维数组的秩 (其实就是有多少”片”纸, 比如上图的秩就是3) 多了, 那就不好弄了. 所以我自己的理解是, 三维数组就是在一个空间里平行分布的几个平面, 每个平面都是一个二维数组.

那么现在切西瓜就简单了, 只要您告诉我您要第几个平面上的元素, 那就好切了. 比如我要 27, 28, 29三个元素, 嗯嗯, 那不是在2号平面吗 (别忘了计算机编程都是从0开始, 不知道别的是不是也是从当0开始~~~)

1
2
3
4
5
6
7

import numpy as np
array3 = np.array([[[1,2,3],[4,5,6],[7,8,9]],
                  [[11,12,13],[14,15,16],[17,18,19]],
                   [[21,22,23],[24,25,26],[27,28,29]]]) #定义三维数组. 好了不解释了, 你就是三号变量. Python numpy定义二维和三维数组的语法我一开始是真晕, 后来用习惯了觉得还挺科学的. 只能说搞编程的都是逻辑大神, 服了, 真得
array3[2, 2, :] #第一个逗号前面是秩,就是第几片,第二个逗号前是行, 第三个逗号前是列, 光一个:表示我全都要.
输出为:
array([27, 28, 29])

研究完切片, 下面研究转置. 一维数组转置不转置的完全不吃劲, 一条线怎么折腾它还是一条线.

二维数组也不难理解, x轴变y轴, y轴变x轴而已.

三维数组还是得研究研究的, 还是请出我们的超级无敌3D大数组:

话说看着这个图我是懵B的, 三维的怎么转置? 话我我要是一个三维数组, 我就活生生站在这里, 现在有人要转置我, 我应该怎么办? 我是躺下, 还是蹲着? 躺下的话, 是侧躺, 还是仰着头?

最直观的办法还是把结果跑出来看看:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

import numpy as np
# 定义一个三维数组, 请继续原谅我给变量起名的能力
arr3d = np.array([[[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9]],

        [[ 11,  12,  13],
        [ 14,  15,  16],
        [ 17,  18,  19]],

        [[ 21,  22,  23],
        [ 24,  25,  26],
        [ 27,  28,  29]]])
# 转置
arr3d.T
输出结果为:
    array([[[ 1, 11, 21],
        [ 4, 14, 24],
        [ 7, 17, 27]],

       [[ 2, 12, 22],
        [ 5, 15, 25],
        [ 8, 18, 28]],

       [[ 3, 13, 23],
        [ 6, 16, 26],
        [ 9, 19, 29]]])

哈哈, 这下明白了, 三维数组的转置, 大概就是, 把每个平面的第一列给取出来, 然后按照平面0-1-2的顺序把每个平面的第一条给拼上, 然后是每个平面的第二条, 第三条…. 以此类推.

可以发现, 三维数组的转置并没有改变每个平面的元素之间的xy轴关系, 原数组的列在新数组依然得到了保存, 而有一把超级西瓜刀劈开了每个平面, 使得每个平面的具有相同编号的列元素被重新组合在一起. 现实意义我是这么尝试的, 假设有这么一个图书馆, 有三个书架, 每个书架有三层, 每层都是一个专业的书籍, 那么这个书架是如此定义的:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

import numpy as np
# 定义一个图书馆的书架数组
arr3d4 = np.array([[['语文1',  '语文2',  '语文3'],
        [ '数学1','数学2','数学3'],
        [ '英语1',  '英语2',  '英语3']],

        [['生理卫生1',  '生理卫生2',  '生理卫生3'],
        [ '化学1','化学2','化学3'],
        [ '自然1',  '自然2',  '自然3']],

        [['生物1',  '生物2',  '生物3'],
        [ '美术1','美术2','美术3'],
        [ '音乐1',  '音乐2',  '音乐3']]])
# 转置
arr3d4.T
输出结果为:
    array([[['语文1', '生理卫生1', '生物1'],
        ['数学1', '化学1', '美术1'],
        ['英语1', '自然1', '音乐1']],

       [['语文2', '生理卫生2', '生物2'],
        ['数学2', '化学2', '美术2'],
        ['英语2', '自然2', '音乐2']],

       [['语文3', '生理卫生3', '生物3'],
        ['数学3', '化学3', '美术3'],
        ['英语3', '自然3', '音乐3']]], dtype='<U5')

哈哈, 是不是一目了然了? 转置后的图书馆把每个科目的书都按顺序挨个抽出来放在一起, 以前是按类别放书, 转置后则是按书的顺序排列, 转置在三维数组里就拥有了实际意义.

刚刚学习多维数组, 为了避免陷入纯概念性的东西, 我试图通过结合实际生活来理解, 因此目前我只理解到三维数组, 毕竟三维是评价女生身材的… 不是, 是我一个三维生物能理解的极限, 四维或再网上我就不能理解了, 再研究也就是完全靠生磕, 这不太符合我这个年龄段的学习方式了.

希望今天给求索集这个序列开了个还可以的头儿. 继续加油.