PySpark是Python中Apache Spark的接口。它不仅可以使用Python api编写Spark应用程序，还提供了PySpark shell，用于在分布式环境中交互分析数据。PySpark支持Spark的大多数功能，如Spark sql、DataFrame、Streaming、MLlib（机器学习）和Spark Core。

1.Spark SQL 和DataFrame

Spark SQL是用于结构化数据处理的Spark模块。它提供了一种称为DataFrame的编程抽象，是由SchemaRDD发展而来。不同于SchemaRDD直接继承RDD，DataFrame自己实现了RDD的绝大多数功能。可以把Spark SQL DataFrame理解为一个分布式的Row对象的数据集合。

Spark SQL已经集成在spark-shell中，因此只要启动spark-shell就可以使用Spark SQL的Shell交互接口。如果在spark-shell中执行SQL语句，需要使用SQLContext对象来调用sql（）方法。Spark SQL对数据的查询分成了两个分支：SQLContext和HiveContext，其中HiveContext继承了SQLContext，因此HiveContext除了拥有SQLContext的特性之外还拥有自身的特性。

Spark SQL允许开发人员直接处理RDD，同时也可查询例如在 Apache Hive上存在的外部数据。Spark SQL的一个重要特点是其能够统一处理关系表和RDD，使得开发人员可以轻松地使用SQL命令进行外部查询，同时进行更复杂的数据分析。

2.pandas API on Spark

Spark上的pandas API可以扩展使用 python pandas库。

轻松切换到pandas API和PySpark API上下文，无需任何开销。
有一个既适用于pandas（测试，较小的数据集）又适用于Spark（分布式数据集）的代码库。
熟练使用pandas的话很快上手

3.Streaming

Apache Spark中的Streaming功能运行在Spark之上，支持跨Streaming和历史数据的强大交互和分析应用程序，同时继承了Spark的易用性和容错特性。Spark Streaming是将流式计算分解成一系列短小的批处理作业。这里的批处理引擎是Spark Core，也就是把Spark Streaming的输入数据按照batch size（如1秒）分成一段一段的数据（Discretized Stream），每一段数据都转换成Spark中的RDD（Resilient Distributed Dataset），然后将Spark Streaming中对DStream的TransfORMation操作变为针对Spark中对RDD的Transformation操作，将RDD经过操作变成中间结果保存在内存中。

4.MLBase/MLlib

MLlib构建在Spark之上，是一个可扩展的机器学习库，它提供了一组统一的高级API，帮助用户创建和调整实用的机器学习管道。MLBase分为四部分：MLlib、MLI、ML Optimizer和MLRuntime。

ML Optimizer会选择它认为最适合的已经在内部实现好了的机器学习算法和相关参数，来处理用户输入的数据，并返回模型或别的帮助分析的结果；
MLI 是一个进行特征抽取和高级ML编程抽象的算法实现的API或平台；
MLlib是Spark实现一些常见的机器学习算法和实用程序，包括分类、回归、聚类、协同过滤、降维以及底层优化，该算法可以进行可扩充； MLRuntime 基于Spark计算框架，将Spark的分布式计算应用到机器学习领域。

5.Spark Core

Spark Core是Spark平台的底层通用执行引擎，所有其他功能都构建在其之上。它提供了RDD（弹性分布式数据集）和内存计算能力。

二、PySpark依赖

Dependencies

Package	最低版本限制	Note
pandas	1.0.5	支撑Spark SQL
Numpy	1.7	满足支撑MLlib基础API
pyarrow	1.0.0	支撑Spark SQL
Py4j	0.10.9.5	要求
pandas	1.0.5	pandas API on Spark需要
pyarrow	1.0.0	pandas API on Spark需要
Numpy	1.14	pandas API on Spark需要

请注意，PySpark需要Java 8或更高版本，并正确设置Java_HOME。如果使用JDK 11，请设置Dio.Netty.tryReflectionSetAccessible=true 以获取与箭头相关的功能。

AArch64（ARM64）用户注意：PyArrow是PySpark SQL所必需的，但PyArrow 4.0.0中引入了对AArch64的PyArrow支持。如果由于PyArrow安装错误导致PyArrow安装在AArch64上失败，可以按如下方式安装PyArrow>=4.0.0：

pip install "pyarrow>=4.0.0" --prefer-binary

三、DataFrame

PySpark应用程序从初始化SparkSession开始，SparkSession是PySpark的入口点，如下所示。如果通过PySpark可执行文件在PySpark shell中运行它，shell会自动在变量spark中为用户创建会话。

from pyspark.sql import SparkSessionspark = SparkSession.builder.getOrCreate()

1.创建

PySpark DataFrame能够通过pyspark.sql.SparkSession.createDataFrame创建，通常通过传递列表(list)、元组(tuples)和字典(dictionaries)的列表和pyspark.sql.Rows，Pandas DataFrame，由此类列表组成的RDD转换。pyspark.sql.SparkSession.createDataFrame接收schema参数指定DataFrame的架构(优化可加速)。省略时，PySpark通过从数据中提取样本来推断相应的模式。

创建不输入schema格式的DataFrame

from datetime import datetime, dateimport pandas as pdfrom pyspark.sql import Rowdf = spark.createDataFrame([    Row(a=1, b=2., c='string1', d=date(2000, 1, 1), e=datetime(2000, 1, 1, 12, 0)),    Row(a=2, b=3., c='string2', d=date(2000, 2, 1), e=datetime(2000, 1, 2, 12, 0)),    Row(a=4, b=5., c='string3', d=date(2000, 3, 1), e=datetime(2000, 1, 3, 12, 0))])df

DataFrame[a: bigint, b: double, c: string, d: date, e: timestamp]

创建带有schema的DataFrame

df = spark.createDataFrame([    (1, 2., 'string1', date(2000, 1, 1), datetime(2000, 1, 1, 12, 0)),    (2, 3., 'string2', date(2000, 2, 1), datetime(2000, 1, 2, 12, 0)),    (3, 4., 'string3', date(2000, 3, 1), datetime(2000, 1, 3, 12, 0))], schema='a long, b double, c string, d date, e timestamp')df

DataFrame[a: bigint, b: double, c: string, d: date, e: timestamp]

从Pandas DataFrame创建

pandas_df = pd.DataFrame({    'a': [1, 2, 3],    'b': [2., 3., 4.],    'c': ['string1', 'string2', 'string3'],    'd': [date(2000, 1, 1), date(2000, 2, 1), date(2000, 3, 1)],    'e': [datetime(2000, 1, 1, 12, 0), datetime(2000, 1, 2, 12, 0), datetime(2000, 1, 3, 12, 0)]})df = spark.createDataFrame(pandas_df)df

DataFrame[a: bigint, b: double, c: string, d: date, e: timestamp]

通过由元组列表组成的RDD创建

rdd = spark.sparkContext.parallelize([    (1, 2., 'string1', date(2000, 1, 1), datetime(2000, 1, 1, 12, 0)),    (2, 3., 'string2', date(2000, 2, 1), datetime(2000, 1, 2, 12, 0)),    (3, 4., 'string3', date(2000, 3, 1), datetime(2000, 1, 3, 12, 0))])df = spark.createDataFrame(rdd, schema=['a', 'b', 'c', 'd', 'e'])df

DataFrame[a: bigint, b: double, c: string, d: date, e: timestamp]

以上的DataFrame格式创建的都是一样的。

df.printSchema()

root |-- a: long (nullable = true) |-- b: double (nullable = true) |-- c: string (nullable = true) |-- d: date (nullable = true) |-- e: timestamp (nullable = true)

2.查看

DataFrame.show()

使用格式：

df.show()

df.show(1)

+---+---+-------+----------+-------------------+|  a|  b|      c|         d|                  e|+---+---+-------+----------+-------------------+|  1|2.0|string1|2000-01-01|2000-01-01 12:00:00|+---+---+-------+----------+-------------------+only showing top 1 row

spark.sql.repl.eagerEval.enabled

spark.sql.repl.eagerEval.enabled用于在notebooks（如Jupyter）中快速生成PySpark DataFrame的配置。控制行数可以使用spark.sql.repl.eagerEval.maxNumRows。

spark.conf.set('spark.sql.repl.eagerEval.enabled', True)df

spark.conf.set('spark.sql.repl.eagerEval.maxNumRows',1)df

纵向显示

行也可以垂直显示。当行太长而无法水平显示时，纵向显示就很明显。

df.show(1, vertical=True)

-RECORD 0------------------ a   | 1 b   | 2.0 c   | string1 d   | 2000-01-01 e   | 2000-01-01 12:00:00only showing top 1 row

查看DataFrame格式和列名

df.columns

['a', 'b', 'c', 'd', 'e']

df.printSchema()

root |-- a: long (nullable = true) |-- b: double (nullable = true) |-- c: string (nullable = true) |-- d: date (nullable = true) |-- e: timestamp (nullable = true)

查看统计描述信息

df.select("a", "b", "c").describe().show()

+-------+---+---+-------+|summary|  a|  b|      c|+-------+---+---+-------+|  count|  3|  3|      3||   mean|2.0|3.0|   null|| stddev|1.0|1.0|   null||    min|  1|2.0|string1||    max|  3|4.0|string3|+-------+---+---+-------+

DataFrame.collect()将分布式数据收集到驱动程序端，作为Python中的本地数据。请注意，当数据集太大而无法容纳在驱动端时，这可能会引发内存不足错误，因为它将所有数据从执行器收集到驱动端。

df.collect()

[Row(a=1, b=2.0, c='string1', d=datetime.date(2000, 1, 1), e=datetime.datetime(2000, 1, 1, 12, 0)), Row(a=2, b=3.0, c='string2', d=datetime.date(2000, 2, 1), e=datetime.datetime(2000, 1, 2, 12, 0)), Row(a=3, b=4.0, c='string3', d=datetime.date(2000, 3, 1), e=datetime.datetime(2000, 1, 3, 12, 0))]

为了避免引发内存不足异常可以使用DataFrame.take()或者是DataFrame.tail()：

df.take(1)

[Row(a=1, b=2.0, c='string1', d=datetime.date(2000, 1, 1), e=datetime.datetime(2000, 1, 1, 12, 0))]

df.tail(1)

[Row(a=3, b=4.0, c='string3', d=datetime.date(2000, 3, 1), e=datetime.datetime(2000, 1, 3, 12, 0))]

PySpark DataFrame转换为Pandas DataFrame

PySpark DataFrame还提供了到pandas DataFrame的转换，以利用pandas API。注意，toPandas还将所有数据收集到driver端，当数据太大而无法放入driver端时，很容易导致内存不足错误。

df.toPandas()

3.查询

PySpark DataFrame是惰性计算的，仅选择一列不会触发计算，但它会返回一个列实例：

df.a

Column<'a'>

大多数按列操作都返回列：

from pyspark.sql import Columnfrom pyspark.sql.functions import uppertype(df.c) == type(upper(df.c)) == type(df.c.isNull())

True

上述生成的Column可用于从DataFrame中选择列。例如，DataFrame.select()获取返回另一个DataFrame的列实例：

df.select(df.c).show()

+-------+|      c|+-------+|string1||string2||string3|+-------+

添加新列实例：

df.withColumn('upper_c', upper(df.c)).show()

+---+---+-------+----------+-------------------+-------+|  a|  b|      c|         d|                  e|upper_c|+---+---+-------+----------+-------------------+-------+|  1|2.0|string1|2000-01-01|2000-01-01 12:00:00|STRING1||  2|3.0|string2|2000-02-01|2000-01-02 12:00:00|STRING2||  3|4.0|string3|2000-03-01|2000-01-03 12:00:00|STRING3|+---+---+-------+----------+-------------------+-------+

条件查询DataFrame.filter()

df.filter(df.a == 1).show()

+---+---+-------+----------+-------------------+|  a|  b|      c|         d|                  e|+---+---+-------+----------+-------------------+|  1|2.0|string1|2000-01-01|2000-01-01 12:00:00|+---+---+-------+----------+-------------------+

4.运算

Pandas_udf

PySpark支持各种UDF和API，允许用户执行Python本机函数。另请参阅最新的Pandas UDF( Pandas UDFs)和Pandas Function API（ Pandas Function APIs）。例如，下面的示例允许用户在Python本机函数中直接使用pandas Series中的API。

Apache Arrow in PySpark

import pandas as pdfrom pyspark.sql.functions import pandas_udf@pandas_udf('long')def pandas_plus_one(series: pd.Series) -> pd.Series:    # Simply plus one by using pandas Series.    return series + 1df.select(pandas_plus_one(df.a)).show()

+------------------+|pandas_plus_one(a)|+------------------+|                 2||                 3||                 4|+------------------+

DataFrame.mapInPandas

DataFrame.mapInPandas允许用户在pandas DataFrame中直接使用API，而不受结果长度等任何限制。

def pandas_filter_func(iterator):    for pandas_df in iterator:        yield pandas_df[pandas_df.a == 1]df.mapInPandas(pandas_filter_func, schema=df.schema).show()

+---+---+-------+----------+-------------------+|  a|  b|      c|         d|                  e|+---+---+-------+----------+-------------------+|  1|2.0|string1|2000-01-01|2000-01-01 12:00:00|+---+---+-------+----------+-------------------+

5.分组

PySpark DataFrame还提供了一种使用常见方法，即拆分-应用-合并策略来处理分组数据的方法。它根据特定条件对数据进行分组，对每个组应用一个函数，然后将它们组合回DataFrame。

df = spark.createDataFrame([    ['red', 'banana', 1, 10], ['blue', 'banana', 2, 20], ['red', 'carrot', 3, 30],    ['blue', 'grape', 4, 40], ['red', 'carrot', 5, 50], ['black', 'carrot', 6, 60],    ['red', 'banana', 7, 70], ['red', 'grape', 8, 80]], schema=['color', 'fruit', 'v1', 'v2'])df.show()

+-----+------+---+---+|color| fruit| v1| v2|+-----+------+---+---+|  red|banana|  1| 10|| blue|banana|  2| 20||  red|carrot|  3| 30|| blue| grape|  4| 40||  red|carrot|  5| 50||black|carrot|  6| 60||  red|banana|  7| 70||  red| grape|  8| 80|+-----+------+---+---+

分组，然后将avg（）函数应用于结果组。

df.groupby('color').avg().show()

+-----+-------+-------+|color|avg(v1)|avg(v2)|+-----+-------+-------+|  red|    4.8|   48.0|| blue|    3.0|   30.0||black|    6.0|   60.0|+-----+-------+-------+

还可以使用pandas API对每个组应用Python自定义函数。

def plus_mean(pandas_df):    return pandas_df.assign(v1=pandas_df.v1 - pandas_df.v1.mean())df.groupby('color').applyInPandas(plus_mean, schema=df.schema).show()

+-----+------+---+---+|color| fruit| v1| v2|+-----+------+---+---+|black|carrot|  0| 60|| blue|banana| -1| 20|| blue| grape|  1| 40||  red|banana| -3| 10||  red|carrot| -1| 30||  red|carrot|  0| 50||  red|banana|  2| 70||  red| grape|  3| 80|+-----+------+---+---+

联合分组和应用函数

df1 = spark.createDataFrame(    [(20000101, 1, 1.0), (20000101, 2, 2.0), (20000102, 1, 3.0), (20000102, 2, 4.0)],    ('time', 'id', 'v1'))df2 = spark.createDataFrame(    [(20000101, 1, 'x'), (20000101, 2, 'y')],    ('time', 'id', 'v2'))def asof_join(l, r):    return pd.merge_asof(l, r, on='time', by='id')df1.groupby('id').cogroup(df2.groupby('id')).applyInPandas(    asof_join, schema='time int, id int, v1 double, v2 string').show()

+--------+---+---+---+|    time| id| v1| v2|+--------+---+---+---+|20000101|  1|1.0|  x||20000102|  1|3.0|  x||20000101|  2|2.0|  y||20000102|  2|4.0|  y|+--------+---+---+---+

6.获取数据输入/输出

CSV简单易用。Parquet和ORC是高效紧凑的文件格式，读写速度更快。

PySpark中还有许多其他可用的数据源，如JDBC、text、binaryFile、Avro等。另请参阅Apache Spark文档中最新的Spark SQL、DataFrames和Datasets指南。Spark SQL, DataFrames and Datasets Guide

CSV

df.write.csv('foo.csv', header=True)spark.read.csv('foo.csv', header=True).show()

这里记录一个报错：

java.lang.UnsatisfiedLinkError:org.apache.hadoop.io.nativeio.NativeIO$windows.access0

将Hadoop安装目录下的 bin 文件夹中的 hadoop.dll 和 winutils.exe 这两个文件拷贝到 C:\Windows\System32 下，问题解决。

+---+---+-------+----------+--------------------+|  a|  b|      c|         d|                   e|+---+---+-------+----------+--------------------+|  1|2.0|string1|2000-01-01|2000-01-01T12:00:...||  2|3.0|string2|2000-02-01|2000-01-02T12:00:...||  3|4.0|string3|2000-03-01|2000-01-03T12:00:...|+---+---+-------+----------+--------------------+

Parquet

df.write.parquet('bar.parquet')spark.read.parquet('bar.parquet').show()

+-----+------+---+---+|color| fruit| v1| v2|+-----+------+---+---+|black|carrot|  6| 60|| blue|banana|  2| 20|| blue| grape|  4| 40||  red|carrot|  5| 50||  red|banana|  7| 70||  red|banana|  1| 10||  red|carrot|  3| 30||  red| grape|  8| 80|+-----+------+---+---+

ORC

df.write.orc('zoo.orc')spark.read.orc('zoo.orc').show()

+-----+------+---+---+|color| fruit| v1| v2|+-----+------+---+---+|  red|banana|  7| 70||  red| grape|  8| 80||black|carrot|  6| 60|| blue|banana|  2| 20||  red|banana|  1| 10||  red|carrot|  5| 50||  red|carrot|  3| 30|| blue| grape|  4| 40|+-----+------+---+---+

四、结合Spark SQL

DataFrame和Spark SQL共享同一个执行引擎，因此可以无缝地互换使用。例如，可以将数据帧注册为表，并按如下方式轻松运行SQL：

df.createOrReplaceTempView("tableA")spark.sql("SELECT count(*) from tableA").show()

+--------+|count(1)|+--------+|       8|+--------+

此外UDF也可在现成的SQL中注册和调用

@pandas_udf("integer")def add_one(s: pd.Series) -> pd.Series:    return s + 1spark.udf.reGISter("add_one", add_one)spark.sql("SELECT add_one(v1) FROM tableA").show()

这些SQL表达式可以直接混合并用作PySpark列。

from pyspark.sql.functions import exprdf.selectExpr('add_one(v1)').show()df.select(expr('count(*)') > 0).show()

点关注，防走丢，如有纰漏之处，请留言指教，非常感谢

以上就是本期全部内容。我是fanstuck ，有问题大家随时留言讨论，我们下期见。

来源地址：https://blog.csdn.net/master_hunter/article/details/125855069

您可能感兴趣的文档:

点击免费下载>>软考高级考试备考技巧/历年真题/备考精华资料

--结束END--

本文标题: PySpark数据分析基础：PySpark基础功能及DataFrame操作基础语法详解

本文链接: https://www.lsjlt.com/news/414604.html(转载时请注明来源链接)

有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

本篇文章演示代码以及资料文档资料下载

下载Word文档到电脑，方便收藏和打印～

下载Word文档

去做题

猜你喜欢

PySpark数据分析基础：PySpark基础功能及DataFrame操作基础语法详解

目录前言一、PySpark基础功能 1.Spark SQL 和DataFrame 2.Pandas API on Spark 3.Streaming 4.MLBase/MLlib 5.Spark Core 二、PySpark依赖 De...

99+

2023-09-21

数据分析 python pandas spark 大数据
mysql操作数据库基础详解

目录一、介绍二、SQL分类三、基本操作创建查询修改删除使用数据库一、介绍 MySQL是一种关系型数据库管理系统，关系数据库将数据保存在不同的表中，而不是将所有数据放在一个大仓库内，这...

99+

2022-11-13

mysql 操作数据库基础 mysql 操作数据库
详解MongoDB数据库基础操作及实例

详解数据库基础操作及实例废话不多说，直接上代码，注释写的比较清楚，大家参考下，示...

99+

2024-04-02
MongoDB数据库基础操作的示例分析

这篇文章将为大家详细讲解有关MongoDB数据库基础操作的示例分析，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。为了保存网站的用户数据和业务数据，通常需要一个数据库。Mo...

99+

2024-04-02
Git基础学习之分支基本操作详解

目录1、创建分支（1）创建分支（2）图示理解2、查看分支列表3、分支切换4、查看所有分支的最后一个提交5、删除分支1、创建分支（1）创建分支 Git 是怎么创建新分支的呢？很简单...

99+

2022-11-13

Git分支基本操作 Git分支操作 Git基础学习
Go语言基础函数基本用法及示例详解

目录概述语法函数定义一.函数参数无参数无返回有参数有返回函数值传递函数引用传递可变参数列表无默认参数函数作为参数二、返回值多个返回值跳过返回值匿名函数匿名函数可以赋值给一个变量为函...

99+

2024-04-02
C语言操作符基础知识详解

目录一.单目操作符：二.关系操作符三.条件操作符四.逗号表达式五.逻辑操作符总结一.单目操作符：！：逻辑反操作符； -：负数操作符； +：整数操作符； &：取地址操作符； ...

99+

2024-04-02
go基础语法50问及方法详解

目录1.使用值为 nil 的 slice、map会发生啥2.访问 map 中的 key，需要注意啥3.string 类型的值可以修改吗4.switch 中如何强制执行下一个 case...

99+

2023-01-08

go基础语法 go语法
详细分析MySQL数据库的基础用法

这篇文章给大家分享的是有关详细分析MySQL数据库的基础用法的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。目录库相关内容表的详细操作数据类型枚举与集合存储引擎（了解即可）库相关内...

99+

2024-04-02
MySQL— 基础语法大全及操作演示！！！（上）

MySQL—— 基础语法大全及操作演示（上）一、MySQL概述1.1 、数据库相关概念1.1.1 MySQL启动和停止 1.2 、MySQL 客户端连接1.3 、数据模型二、SQL2.1、SQL通用语法2.2、SQ...

99+

2023-08-17

mysql 数据库
MySQL— 基础语法大全及操作演示！！！（下）

MySQL—— 基础语法大全及操作演示（下）五、多表查询5.1 多表关系5.1.1 一对多5.1.2 多对多5.1.3 一对一 5.2 多表查询概述5.2.1 数据准备5....

99+

2023-09-02

mysql android 数据库
Nginx基础location语法及功能配置实例

目录1.Nginx location1.1.location作用1.2.location语法1.3.location匹配示例1.4.location配置实例1.5.不用uri及特殊字...

99+

2024-04-02
JavaScript的基础语法和数据类型详解

目录引入JavaScript1.内部标签2.外部引入基础语法数据类型number字符串布尔值逻辑运算比较运算符数组对象流程控制Map和Setiterator总结引入JavaScrip...

99+

2024-04-02
JavaScript基础语法与数据类型实例分析

这篇文章主要讲解了“JavaScript基础语法与数据类型实例分析”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“JavaScript基础语法与数据类型实例分析”吧！一、JavaScript语...

99+

2023-06-29
MySQL— 基础语法大全及操作演示！！！（事务）

MySQL—— 基础语法大全及操作演示（事务）六、事务6.1 事务简介6.2 事务操作6.2.1 未控制事务6.2.2 控制事务一6.2.3 控制事务二 6.3 事务四大特...

99+

2023-09-02

mysql android 数据库
Go语言基础数组用法及示例详解

目录概述语法注意示例概述固定长度，数组声明后长度便不能再修改只能存储一种特定类型元素的序列语法编号...

99+

2024-04-02
Java基础之JDBC连接数据库与基本操作的示例分析

小编给大家分享一下Java基础之JDBC连接数据库与基本操作的示例分析，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！Java可以用来干什么Java主要应用于：1....

99+

2023-06-14
Jedis零基础入门及操作Redis中的数据结构详解

目录Jedis简介及其入门Jedis简介Jedis的操作入门Jedis操作Redis中的数据结构字符串类型 string哈希类型 map列表类型 list集合类型 set有序集合类型...

99+

2024-04-02
Go语言基础map用法及示例详解

目录概述语法声明和初始化读取删除遍历总结示例概述 map是基于key-value键值对的无序的集合 Go语言中的map是引用类型必须初始化才能使用。 ...

99+

2024-04-02
C语言操作符基础知识图文详解

目录1.算术操作符+ - * /%2.移位操作符>> (右移操作符） <<(左移操作符）左移操作符：<<右移操作符：>>3.位操作符3...

99+

2024-04-02