- 综合排序
- 最热优先
- 最新优先
- 来自专栏自动化测试实战
postman入门 -4 数据驱动、Cookie鉴权和mock
1、数据驱动 同样是点击文件夹右侧那三个点 可以看到有个Run collection 这里有个Select File，选择文件的选项，我们新建一个.csv文件 然后在Select File那里传上去 我们再完善一下用例，把值替换为变量，取文件中的值 再修改一下断言 这样就完成了数据驱动。 需要注意的是取文件中的数据用的是data.变量名 2、postman接口测试Cookie鉴权详解 1）什么是cookie cookie就是一小段文本信息，客户端第一次请求服务器时生成。
87710编辑于 2022-02-23 - 来自专栏数据分析1480
小白也能快速入门的4步数据驱动运营法！
在这个数据驱动运营的时代，数据不仅是数据工程师和分析师的事情，在工作中也要求运营从业者有一定的数据分析能力，更有人说“数据分析能力是未来运营的分水岭”。 今天从运营常见的数据问题出发，希望让大家能快速地入门数据分析，让数据更好地为工作服务，别白白浪费数据的价值 01 不知该分析哪些数据？从哪些角度入手？ ，包括流失率，流失人数、每日平均流失人数等； 4）付费：付费人数、付费转化率、单笔订单平均金额等，更多看订单数据； 5）其他：每日评论人数、收藏人数、分享人数等 6）画像：一方面分析用户属性：关注年龄、 ： 确定指标——数据收集——数据整合、数据处理/建模、数据分析、数据呈现、报表汇报。 数据整合：运营人要看的数据太多了，有数据库，有各种第三平台的数据（友盟、统计、推广、公众号等），每次都需要从不同平台取数据，太分散了，最好能在一个数据平台集中管理数据。
80210发布于 2019-05-21 - 来自专栏Opensoure翻译
4步让你驱动Kubernetes【Containers】
在本系列的第三篇文章中，我介绍了Kubernetes的基础知识：首先学习如何驱动，我强调您应该学会驱动Kubernetes，而不是构建它。 在第四篇文章中，我将分享一些工具，这些工具将帮助您学习快速驱动Kubernetes。 1. Katacoda Katacoda是最简单的手动测试Kubernetes集群的方法。 4. Visual Studio代码 我最后保存了我的最爱之一。 我的大部分工作都使用vi，但我从未为Kubernetes找到一个好的语法突出显示和代码完成插件（如果有，请告诉我）。 当您第一次学习驱动Kubernetes时，这是非常好的。 您可以构建Pod，服务，复制控制器，部署等。 结论 这四个工具（如果算上这两个插件，则为六个）将帮助您学习驱动Kubernetes，而不是构建或装备它。
2K00发布于 2019-11-12 - 来自专栏自动化测试实战
selenium数据驱动
Selenium最后一个知识点——数据驱动。学会了这个Selenium就算学完啦~ 看代码： 这是修改的testSell.py文件。 # coding: utf-8 import ddt import unittest # 测试数据 testData = [{"username": "warrior", "password": 大家看到，用例数变成了7个，是因为testData列表里放置了三个字典，每一个字典算一条用例，所以用例从原来的4个变成了个。 setup和tearDown方法每读一次testData里面的数据都要运行一次。如果只想在开始和结束的时候分别运行一次setUp和tearDown方法，就要用setUpClass那个方法了。
1K60发布于 2018-05-18 - 来自专栏全栈程序员必看
v4l2驱动框架(Windows驱动开发技术详解)
下面介绍一下V4L2整体情况： V4L2提供一套数据结构和底层V4L2驱动接口规范供Linux下的视频设备程序使用，主要是一系列回调函数，如设置摄像头频率，帧率，视频压缩格式和图像参数等，还可用于其他多媒体开发 1.打开设备：在V4L2中，视频设备被看作一个文件，使用open函数即可打开该设备，有两种模式： 一是非阻塞模式打开设备，这种模式下即使尚未捕获到数据，驱动依旧会把缓冲DQBUFF内的数据返回给应用层 ，而连续视频帧数据的采集需要用帧缓冲区队列的方式来解决，也就是要通过驱动程序在内存中申请多个缓冲区来存放视频数据。 queues，前者等待驱动放入视频数据的队列，后者是驱动程序已经放入视频数据的队列，将申请到的帧缓冲区在视频采集输入队列排队，并启动视频采集。 第二步：循环往复，采集连续的视频数据 一是启动视频采集后，驱动程序开始采集一帧数据，把采集的数据放入视频采集输入队列的第一个帧缓冲区，一帧数据采集完成后，也就是第一个帧缓冲区存满一帧数据后，驱动程序将该帧缓冲区移到视频采集输出队列
3.3K10编辑于 2022-07-28 - 来自专栏开源FPGA
基于FPGA的4x4矩阵键盘驱动调试
FPGA驱动4x4矩阵键盘。这个其实原理是十分简单，但是由于博主做的时候遇到了一些有意思的情况，所以我个人觉得值得记录分享一下。 首先找了本书看了下矩阵键盘的驱动原理，一般来说4x4矩阵键盘的原理图如下，有四根行线和四根列线，行选通和列选通可以确定键盘上的一个位置。 其他按键类似，就是利用这个原理来驱动矩阵键盘。 ? ，而这个地方加不加其实和驱动开发板的构造有关，据我了解，有些单片机的I/O引脚会内置上拉电阻，默认情况下是高电平，所以用这些单片机驱动是不需要加上拉电阻的。 在引脚约束在电平为3.3v时加上pull up，可以等下出相当于10.8k欧姆的电阻这和矩阵键盘的驱动原理是完全相符。 ?
1.4K20发布于 2018-08-20 RK3568---4G模块驱动实验
作者简介： 一个平凡而乐于分享的小比特，中南民族大学通信工程专业研究生在读，研究方向无线联邦学习 擅长领域：驱动开发，嵌入式软件开发，BSP开发 作者主页：一个平凡而乐于分享的小比特的个人主页 文章收录专栏 ：RK3568驱动开发，本专栏为rk3568驱动开发学习记录 欢迎大家点赞 收藏 ⭐ 加关注哦！ 应用程序测试 2.1 模块开关机 开机方式 首先操作GPIO，给4G模块上电 （注意：开关机按键，复位按键，在开发板上是MPU的GPIO出来后，硬件做了反向的。 1 （注意：在发送AT命令后需要在几秒内拉高gpio引脚，否则模块会再次开启） 硬件方式关机 先拉低RESET大于100ms后，拉低电源引脚Power_on 硬件关机时序如下图所示： 当4G 百度来测试 2.3 ECM模式拨号上网 上面的ppp模式拨号较为繁琐，需要大量的步骤依赖pppd软件，并且ppp拨号的稳定性不强，所以接下来介绍ECM模式，只需要AT命令就可以拨号上网 当我们上电4G
10510编辑于 2026-02-02- 来自专栏低代码（low code）专栏
数据驱动是什么？数据驱动的深层次理解！
在谈到企业数字化转型时，很多人都会说起“数据驱动”，比如“数据驱动运营”、“数据驱动业务”等等。 下面就来谈谈我个人对“数据驱动”的理解。个人认为，“数据驱动”可以从应用层次和价值实现机制两个方面来理解，即“数据驱动”有4个层次和1个链条。 一、“数据驱动”的4个层次从数据加工的深度或应用层次来看，“数据驱动”由浅入深分为4个层次：监测—分析—挖掘—使能。监测是“数据驱动”的最浅层次，指的是用数据记录实际发生的事实。 结合上文，它的价值主要体现在4个层面。 ，业务专家能自主完成客户分群、预测等数据挖掘；4、在使能层，低代码将数据洞察直接转化为自动化工作流，如智能补货系统、动态定价引擎等数据产品。
87210编辑于 2025-05-27 - 来自专栏数据科学与人工智能
数据驱动运营案例
用数据说话，从埋点开始 数据只有采集了才能做分析，分析了才能实现价值。 图1. 数据运营微笑模型 上图是数据运营解决问题的思路，但相对的，数据运营分析的需求，也驱动着数据埋点的优化。 图4.稳定后的埋点示意图 因此，业界所说的全埋点是一种未充分理解自身业务时采用的策略，很多时候也无法满足详细漏斗的追溯要求。 精细化的分析运营需要对业务的深入理解，需要学会切入分析的角度，解析你的用户的特征，了解你的用户，再由数据的需求去驱动埋点的配置。 3. 解析核心路径 第三点是基于第二点的应用。 图6.自定义事件与留存相关度的分析实例 从这些关键事件中，我们要通过数据分析找到其中的核心路径，然后倾斜我们的资源去支持它。 4. 总结一下 总的来说，埋点与数据统计，都是为业务服务的。 而往往实际问题的考虑中，我们还会需要考虑投放成本、投放效果、转化效果等问题， 4. 案例总结 在数据运营的实战中，可能常常会遇到一些让我们觉得有点别扭的数据。
2.2K70发布于 2018-02-28 - 来自专栏PPV课数据科学社区
数据驱动运营案例
用数据说话，从埋点开始 数据只有采集了才能做分析，分析了才能实现价值。 图1. 数据运营微笑模型 上图是数据运营解决问题的思路，但相对的，数据运营分析的需求，也驱动着数据埋点的优化。 图4.稳定后的埋点示意图 因此，业界所说的全埋点是一种未充分理解自身业务时采用的策略，很多时候也无法满足详细漏斗的追溯要求。 精细化的分析运营需要对业务的深入理解，需要学会切入分析的角度，解析你的用户的特征，了解你的用户，再由数据的需求去驱动埋点的配置。 3. 解析核心路径 第三点是基于第二点的应用。 图6.自定义事件与留存相关度的分析实例 从这些关键事件中，我们要通过数据分析找到其中的核心路径，然后倾斜我们的资源去支持它。 4. 总结一下 总的来说，埋点与数据统计，都是为业务服务的。 而往往实际问题的考虑中，我们还会需要考虑投放成本、投放效果、转化效果等问题， 4. 案例总结 在数据运营的实战中，可能常常会遇到一些让我们觉得有点别扭的数据。
1.5K60发布于 2018-04-24 - 来自专栏腾讯NEXT学位
前端思维转变--从事件驱动到数据驱动
4.根据计算后的数据状态，重新渲染页面。 通俗地说，事件驱动思维是从事件响应出发，来完成应用的设计和编程。 数据驱动 ---- 数据驱动，将我们从复杂的逻辑设计带进数据处理的世界。 回到日常写码中，前端写页面，抽象成数据常用的无非是： 1.列表 => array 2.状态 => number/boolen 3.一个卡片 => object 4.等等 事件驱动到数据驱动 数据驱动 vs 数据驱动思维 转换到数据驱动思维后，我们在编程实现的过程中，更多的是思考数据的维护和处理，而无需过于考虑UI的变化和事件的监听。 这种方式有以下好处： 1.数据变更方便 2.DOM结构变轻 3.DOM结构/样式调整方便 4.抽象设计 5.代码量减少，易于维护 数据驱动与mvvm 数据驱动的设计思维或许与mvvm没有必然的联系，但是 : 'name4', href: 'http://href4'}] 当我们需要渲染成列表时： 12345678910111213 <!
2.4K10发布于 2019-01-07 数据治理，理清从业务驱动到数据驱动的关键逻辑
简单来讲，数据治理它的核心就是建模型、定标准规范、定流程、采数据、存数据、管数据、用数据，这个基本上就是数据治理它整体里面最核心的一个内容，但是我们的企业去做数据治理的时候，一定要问题驱动场景驱动，你为什么要去做数据治理这个事情 大家没有意识到在数据驱动之前仍然叫业务驱动，它是类似于我们软件生命周期里面一个完整的V模型，你仍然是需要流程驱动、业务驱动，去梳理关键的业务流程、业务活动，找到和沉淀关键的数据，这个时候你才知道怎么样用你沉淀下来的数据更好地去支撑业务 所以，脱离了业务驱动谈数据驱动，往往就是无源之水、无根之木。 我们做数据治理的项目一定要意识到首先是业务驱动，你通过业务驱动这种分析下来沉淀的数据，你才能够真正的想清楚这个数据怎么样为业务服务。 ，做数据这件事情不要单独的只是去强调数据驱动，一定要严格的按照完整的生命周期模型，先是业务驱动产生数据，接着才是数据怎么样去支撑业务，这样才是完整的、闭环的逻辑架构。
15300编辑于 2025-06-24- 来自专栏被删的前端游乐场
前端思维转变--从事件驱动到数据驱动
根据计算后的数据状态，重新渲染页面。通俗地说，事件驱动思维是从事件响应出发，来完成应用的设计和编程。数据驱动数据驱动，将我们从复杂的逻辑设计带进数据处理的世界。 回到日常写码中，前端写页面，抽象成数据常用的无非是：列表 => array状态 => number/boolen一个卡片 => object等等事件驱动到数据驱动数据驱动 vs 事件驱动要对事件驱动和数据驱动进行直观的比较 数据驱动思维转换到数据驱动思维后，我们在编程实现的过程中，更多的是思考数据的维护和处理，而无需过于考虑 UI 的变化和事件的监听。 : 2, name: "name2", href: "http://href2" }, { id: 3, name: "name3", href: "http://href3" }, { id: 4, name: "name4", href: "http://href4" }];当我们需要渲染成列表时：<!
58100编辑于 2024-07-27 - 来自专栏Linux驱动
4.移植驱动到3.4内核-移植总结
class_device_destroy()函数 3)usb_alloc_coherent() 作用:申请usb缓冲区,并保持内存和硬件cache一致性 替代了2.6内核里的usb_buffer_alloc ()函数 4) 函数里初始化 而获取信号量down()函数和释放信号量up()函数保持不变 (2.6内核下的信号量使用请参考:http://www.cnblogs.com/lifexy/p/7515488.html) 4. hardware.h> 2)将class_device_create()函数改为device_create() 3)将class_device_unregister()函数改为device_create() 4) 添加头文件 #include <linux/device.h> 5)然后再次编译测试程序,移植到板子上测试即可 5.移植LCD 1)编译驱动 2)去掉内核自带的lcd驱动 进入Device Drivers insmod cfbfillrect.ko insmod cfbimgblt.ko insmod 9th_lcd.ko 使用echo和cat命令试验 5.1 安装tslib,试验 1)首先编译触摸屏驱动
2.3K10发布于 2019-05-24 数据智能：大型语言模型赋能数据系统（LLM4Data）与数据管理驱动AI（Data4LLM）的原理、架构与未来
LLM4Data与Data4LLM：大语言模型与数据管理系统双向奔赴的原理、架构与未来走向未来大语言模型（LLM）的出现，标志着人工智能领域从执行特定任务的辅助工具，演变为具备广泛理解和生成能力的通用任务求解器 因此，一个深刻的双向共生关系正在形成：大语言模型为数据管理系统（LLM4Data）注入了前所未有的智能，而数据管理技术则为大语言模型（Data4LLM）的整个生命周期提供了关键支撑，特别是通过知识增强手段来克服其固有缺陷 第二部分：Data4LLM - 驱动模型的关键数据引擎大语言模型的强大能力并非凭空而来，它们完全建立在数据管理的基础之上。 其中，检索增强生成（RAG）是连接Data4LLM和LLM4Data的关键桥梁。它是一种在推理时，通过从外部知识库（如向量数据库或知识图谱）检索信息来“喂养”模型的范式。 第三部分：未来展望 - 数据与AI的协同设计LLM4Data和Data4LLM两个方向的演进，最终将汇聚于一点：数据与AI的协同设计（Data + LLM Co-design）。
32210编辑于 2025-12-16孪生+水利：从经验驱动“经验驱动”到“数据驱动”数字化变革
在数字化浪潮的驱动下，作为国家基础性、战略性产业的水利行业正在经历深刻的变革。水利行业数字化转型不仅是提升水资源管理效能的必由之路，更是推动水利行业可持续发展、提高水利公共服务质量的重要举措。 方案简介iWater 智水平台充分融合星图亿水在感知信息采集、水利大数据处理、专业模型开发和知识平台构建方面的核心能力，以时空数据为底座、数学模型为核心、水利知识为驱动，构建水利监测全要素、水利治理更精准 数据底板通过星图地球数据云（GEOVIS Earth Datacloud）引接全国DOM、DEM数据等空间数据，在此基础上叠加客户拥有的基础数据、感知监测数据、业务管理数据、其它共享数据、倾斜摄影数据、 数据引擎数据引擎提供多维多时空异构数据汇聚、清洗、转换、共享、展示、计算、更新等服务能力，具备多类型多层次数据仓库，采用人工智能算法处理各类数据，实现各类数据的采集清洗、标准化治理、数据服务、应用服务。 海量数据实时计算中科曙光高性能IDC超算中心提供海量实时计算。iWater智水平台是数字地球核心技术与水利业务模型在虚拟空间的成功结合，助推水利管理达成了从“经验驱动”向“数据驱动”的跨越。
28010编辑于 2025-10-27- 来自专栏大飞的部落阁
HttpRunner-8-数据驱动
数据驱动概览 为什么要用数据驱动 举个简单例子，当我们在测试一个输入框的功能时，可能需要输入不同的参数，此时，我们不需要设计多个用例，而只需要将输入值参数化，将不同的参数作为一个列表通过数据驱动的方式进行加载即可 httprunner 的数据驱动 通过上篇文章，我们已经知道 httprunner 的数据驱动需要在 testsuite 中使用关键字 parameters 来定义。 测试用例总共会运行 4 次，并且每次运行时都采用不同的 user_id。 即： 三种数据源*两种参数定义方式 编号 驱动模式 1 独立参数 & 直接指定参数列表 2 关联参数 & 直接指定参数列表 3 独立参数 & 引用 CSV 文件 4 关联参数 & 引用 CSV 文件 5 独立参数 & 引用自定义函数 6 关联参数 & 引用自定义函数 数据驱动实例 在上面我们已经介绍了 6 中驱动模式，而且也学习了直接在 yml 文件中定义参数的两种场景，那怎么使用 CSV 文件实行数据驱动呢
49310编辑于 2022-06-17 数据驱动业务-业务经营指标驱动任务协同01
今天接着跟大家聊一下数据驱动方面的话题。 我在前面谈数字化转型的文章里面也经常会谈到数据驱动业务，数据反哺业务，但是企业数字化建设中能够真正做到数据驱动的相当的少。 我在前面有文章也分析过，做到数据驱动业务相当不容易，不仅仅需要有完整的数据管理数据治理方面的知识，更重要的是你一样的要去理解企业的核心业务价值链和端到端的流程。 但是其实对于大部分做数据方面工作的人员，相对来说他对业务并不太熟悉，搞不清楚业务运作如何产生的数据，自然很难搞清楚数据如何能够驱动业务改进和优化。 业务人员他日常的工作任务是通过我的业务KPI指标体系实时推动去完成的，业务人员工作任务的完成，对绩效的贡献也是可视化实时体现的，这个才是我们真正能够体现数据驱动业务相当重要的一个点。 这样的话我们对数据的应用就不再是那种半年一年以后的决策分析，而是真正将数据驱动体现到我们日常的业务流程业务运作中去。 好了，今天的简单分享就到这里，希望对大家有所启发。
17000编辑于 2025-06-24- 来自专栏数据科学与人工智能
如何建立数据驱动文化
是什么驱使企业建立成功的数据驱动文化？未必是数据本身。这是次要的。技术本身排在第三位。数据驱动决策才是第一位的。 在向实施数据运维的数据驱动企业转变时，最重要也是最困难的是向数据心态的文化转变。 为这种合作和数据访问提供便利的技术虽然非常重要，但只是其中的一个方面。人和企业也很重要。在建立真正的自助式数据驱动文化后，企业的竞争力应该会得到很大提升。 以下是关于如何建立数据驱动文化的五个建议。 数据驱动决策有助于改善内部运作，比如使客户服务与支持更有效和降低库存成本。这一切始于招募有远见的人，他们充分了解数据背后的含义。 2. 把数据组织成一个向所有人开放的数据库 如果需要数据来作商业决策的人得不到数据，那么数据就没有任何用处。数据驱动企业不断整理和更新数据，以便员工可以随时获得最准确的信息。 如果一家公司的所有员工都踊跃发表意见，只要这些意见得到数据的支持，哪怕与高管的看法相左，最好的意见也将自然而然地进入最高层的视线，使公司在快速变迁的市场上保持竞争力。 4.
1.9K60发布于 2018-02-28 - 来自专栏橙子探索测试
Python数据驱动模块DDT
一.DDT简介 Data Driven Testing，数据驱动，简单来说就是测试数据的参数化 Python数据驱动模块DDT，包含类的装饰器ddt和两个方法装饰器data（直接输入测试数据） 通常情况下 ，data中的数据按照一个参数传递给测试用例，如果data中含有多个数据，以元组，列表，字典等数据，需要自行在脚本中对数据进行分解或者使用unpack分解数据。
1.6K10发布于 2019-10-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号