104學習

資料結構

資料結構
關注
邀請朋友
邀請朋友

Line

Facebook

複製連結

取消
「資料結構：負責設計、實現及維護高效的數據結構，以提升系統性能和數據處理效率。主要目標包括優化數據存取速度、降低資源消耗，並支持業務決策分析。需具備扎實的程式設計能力，熟悉資料結構與演算法，並具備跨部門協作能力及良好的溝通技巧，以確保與產品開發和數據分析團隊的緊密協作。面對台灣快速變化的科技環境，需要具備適應性和持續學習的意願，理解當地業務需求，能靈活運用技術解決具體問題。」
關於教室
關注人數 7 人
104人力銀行從職缺中挑選出常見技能所成立的官方教室，提供大家進行共學互動。
學習主持人
持續分享知識，
有機會成為官方教室主持人
教室標籤
  • 資料結構
    • 關於教室
    關注人數 7 人
    104人力銀行從職缺中挑選出常見技能所成立的官方教室，提供大家進行共學互動。
    學習主持人
    持續分享知識，
    有機會成為官方教室主持人
    教室標籤
  • 資料結構
    • Hi~ 歡迎分享學習資源，有學習問題可匿名向Giver發問！
    我要分享
    我要提問

    資料結構 學習推薦

    AppDev Learner
    關注
    趙之君

    Android與跨平台架構師

    2022/02/22

    Android 面試題庫，你瞭解多少？
    在專業工程面試中，除了經常會有的演算法、資料結構問題，也有相關領域的專業題目。對 Android 工程，以下網站總結了滿多 Android 領域的面試題，建議面試前可以複習一下。就算沒有要面試，也可以透過這些問題，更了解自己對 Android 的理解程度～
    看更多
    Android 面試題庫，你瞭解多少？
    github.com
    GitHub - MindorksOpenSource/android-interview-questions: Your Cheat Sheet For Android Interview - Android Interview Questions
    2 0 3106 1
    Mike的Python學院
    關注
    Mike Ku

    Learn Code With Mike品牌創辦人

    2021/10/27

    Pandas DataFrame處理雙維度資料方法(4)
    Q:如何取得Pandas DataFrame資料?
    1.head()：取得最前面的n筆資料，並且會回傳一個新的Pandas DataFrame資料集，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    new_df = df.head(2)
    print(new_df) #取得最前面的兩筆資料
    2.tail()：取得最後面的n筆資料，並且會回傳一個新的Pandas DataFrame資料集，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    new_df = df.tail(3)
    print(new_df) #取得最後面的三筆資料
    3.中括號[]：在中括號中指定「欄位名稱」或「資料索引值」，來取得所需的資料集，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    print(df[["name"]]) #取得單一欄位資料(型別為DataFrame)
    print(df[["name", "chinese"]]) #取得多欄位資料(型別為DataFrame)
    print(df[0:3]) #取得索引值0~2的資料
    4.at[資料索引值,欄位名稱]：利用資料索引值及欄位名稱來取得「單一值」，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    print(df.at[1, "math"]) #利用at()方法取得索引值為1的math欄位資料
    5.iat[資料索引值,欄位順序]：利用資料索引值及欄位順序來取得「單一值」，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    print(df.iat[1, 0]) #取得索引值為1的第一個欄位資料"
    5.loc[資料索引值,欄位名稱]：利用資料索引值及欄位名稱來取得「資料集」，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    print(df.loc[[1, 3], ["name", "chinese"]]) #取得資料索引值為1和3的name及chinese欄位資料集
    6.iloc[資料索引值,欄位順序]：利用資料索引值及欄位順序來取得「資料集」，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    print(df.iloc[[1, 3], [0, 2]]) #取得資料索引值為1和3的第一個及第三個欄位資料集
    如果想要學習更多的Python應用教學，歡迎前往Learn Code With Mike( https://www.learncodewithmike.com/2020/11/python-pandas-dataframe-tutorial.html )網站觀看更多精彩內容。
    看更多
    Pandas DataFrame處理雙維度資料方法(4)
    learncodewithmike.com
    [Pandas教學]資料分析必懂的Pandas DataFrame處理雙維度資料方法
    2 0 461 0

    104學習精選課程

    看更多課程
    想提升職場競爭力？專業技能課程看起來👇
    資料結構精修–使用C語言【本課程為線上課，報名後專員會提供上課資訊】
    本課程專為已具備C語言基礎的學員設計，系統性介紹資料結構核心觀念與實作技巧，包含陣列、鏈結串列、堆疊、佇列、樹與圖等主題。課程內容搭配範例說明與邏輯圖解，幫助學員熟悉資料排序與搜尋方法，強化演算法邏輯，適合準備轉職工程師、學校課程補強或技術面試需求，為未來進階學習與實務開發打下堅實基礎。
    艾鍗學院
    深度學習之問答系統實作｜本課程為線上課
    課程將帶領學員了解NLP自然語言處理的任務與流程、中文自然語言處理及常見的文字編碼方式，並透過深度學習演算法與進階語言模型實作，進而實現AI主題專案：Telegram飯店業問答系統。課程搭配軟體套件使用，兼具理論與實作面向，讓你對NLP有完整的概念。
    艾鍗學院
    人工智慧-機器學習【本課程為線上課，報名後專員會提供上課資訊】
    本課程以機器學習核心知識為主軸，從人工智慧與資料特徵介紹開始，逐步深入回歸、分類、群聚、降維與強化學習等主題。教學中結合 Scikit-learn 工具，實作包括 Linear Regression、Logistic Regression、KNN、決策樹、隨機森林、MLP 以及 K-means 等模型。並探討 Loss Function、Regularization、Ensemble Method 與常見效能評估指標（如 Confusion Matrix、F1-score、AUC 等）。最後，更延伸至強化學習的 Q-learning 原理與實作，幫助學員全面理解機器學習技術與實務應用。
    艾鍗學院
    人工智慧-深度學習【本課程為線上課，報名後專員會提供上課資訊】
    這門課帶你從零進階，完整掌握深度學習的核心技術與實務應用！從 DNN、CNN 到 RNN，循序建立扎實理論基礎，再透過 TensorFlow / Keras 親手完成分類、回歸、影像辨識、序列預測及機器翻譯等多元專案；並加入 Transfer Learning、YOLO 物件偵測與訓練最佳化技巧，讓你不僅會用模型，更能理解背後運作關鍵。課程同時結合 Google Colab 與 GPU 實作環境設定，幫助你快速上手、有效開發，打造真正能落地應用的 AI 能力。
    艾鍗學院

    熱門精選

    職涯學習課程專文推薦
    關注
    104學習

    產品

    01/31 12:02

    轉職首選！3 週從零到上手的數據分析師養成營 —— 104人力銀行 × 104學習 × 緯育 TibaMe 聯合推出
    想跨入高薪、有前景，又能左右商業決策的數據分析師職涯，但擔心自己沒有程式背景、時間不夠嗎？
    這堂【數據分析師學習營】或許是你理想的起點。
    ✨ 首次跨界合作，更強大資源整合✨
    這次由 104學習精靈 首度攜手 緯育 TibaMe 聯合打造。
    ⚡104人力銀行 × 104學習精靈：深耕職涯數據多年，最了解台灣企業用人需求，課程更貼近市場實際職缺。
    ⚡緯育 TibaMe：累積多年產業培訓經驗，專注於 IT、數據、AI 等熱門技能轉職養成，培訓模式完整，輔導成效有口碑。
    這樣的合作，讓學員享有真實的培訓經驗，學習效果與轉職落地率都更具保障。
    課程亮點一次看
    🔥3 週密集實戰：短短三週密集訓練，快速掌握職場必備技能，不必耗費半年、一年時間啃課表。
    🔥零基礎設計：無需工程背景，也不用寫程式，由淺入深帶你學會資料庫查詢（SQL）與數據視覺化工具 Power BI。
    🔥實戰作品累績履歷實力：課程設計強調實務操作，結訓不僅懂工具，更手上有完成的作品，讓履歷直接升級。
    🔥專屬平台與支援：透過共學社群與專業助教協助，學習不再孤單。
    為什麼你該報名？
    🟢快速起步，快速看成果：三週聚焦提速進展，是在職或時間有限者的最佳選擇。
    🟢具備市場需求核心技能：SQL 與 Power BI，完全符合企業當前的數據分析需求。
    🟢履歷實力落地具體化：實作作品比起只學理論更能打動雇主眼光。
    🟢104 × 緯育 TibaMe 強強聯手：把資源與專業結合，讓學習不只停留在課程，而是直通「就業」與「轉職」。
    【名額倒數中，不要錯過現正優惠】
    看更多
    轉職首選！3 週從零到上手的數據分析師養成營 —— 104人力銀行 × 104學習 × 緯育 TibaMe 聯合推出
    nabi.104.com.tw
    【限時加碼到1/31(六)｜領$1,088券送百元LINE點數券現折】第二屆-數據分析師學習營｜０經驗＆無工程背景，３週帶你開啟數據職涯！​｜104獨家－數據分析課程│104課程中心
    1 0 8875 1
    Mike的Python學院
    關注
    Mike Ku

    Learn Code With Mike品牌創辦人

    2021/10/27

    Pandas DataFrame處理雙維度資料方法(2)
    Q:如何新增Pandas DataFrame資料?
    1.insert()：在指定的欄位位置新增欄位資料，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    df.insert(2, column="engilsh", value=[88, 72, 74, 98])
    print("在第三欄的地方新增一個欄位資料")
    print(df)
    2.append()：新增一筆或一列的資料，透過傳入字典來指定各欄位的值，並且會回傳一個新的Pandas DataFrame資料集，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    new_df = df.append({
    "name": "Henry",
    "math": 60,
    "chinese": 62
    }, ignore_index=True)
    print("新增一筆資料")
    print(new_df)
    3.concat()：利用合併多個Pandas DataFrame的方式來新增資料，並且會回傳一個新的Pandas DataFrame資料集，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df1 = pd.DataFrame(grades)
    df2 = pd.DataFrame({
    "name": ["Henry"],
    "math": [60],
    "chinese": [62]
    })
    new_df = pd.concat([df1, df2], ignore_index=True)
    print("合併df來新增資料")
    print(new_df)
    Q:如何排序Pandas DataFrame資料?
    1.sort_index()：依照索引值來進行排序，並且會回傳一個新的Pandas DataFrame資料集，如下範例：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    df.index = ["s3", "s1", "s4", "s2"]
    new_df = df.sort_index(ascending=True)
    print("遞增排序")
    print(new_df)
    new_df = df.sort_index(ascending=False)
    print("遞減排序")
    print(new_df)
    2.sort_values()：依照欄位內容來進行排序，並且會回傳一個新的Pandas DataFrame資料集，下面範例以math欄位內容來進行排序：
    grades = {
    "name": ["Mike", "Sherry", "Cindy", "John"],
    "math": [80, 75, 93, 86],
    "chinese": [63, 90, 85, 70]
    }
    df = pd.DataFrame(grades)
    new_df = df.sort_values(["math"], ascending=True)
    print("遞增排序")
    print(new_df)
    new_df = df.sort_values(["math"], ascending=False)
    print("遞減排序")
    print(new_df)
    如果想要學習更多的Python應用教學，歡迎前往Learn Code With Mike( https://www.learncodewithmike.com/2020/11/python-pandas-dataframe-tutorial.html )網站觀看更多精彩內容。
    看更多
    Pandas DataFrame處理雙維度資料方法(2)
    learncodewithmike.com
    [Pandas教學]資料分析必懂的Pandas DataFrame處理雙維度資料方法
    3 0 14727 1
    你可能感興趣的教室