Avocado

可能是目前最全的交互原型工具清单？ 或许你看过很多原型工具推荐，但这次的数量应当会让你惊讶。 当前数: 62+3 — Adobe XD Adobe 对 Sketch 作出的回应产品，集设计和原型功能的强大工具。目前处于测试阶段（支持Mac 和 Win10），但发展迅速，正式发布的时候应该会更加强大。 AnimaApp Anima 已经推出了一系列不错的 Sketch 插件，其中最新的是 Launchpad 插件。 虽然是用来快速制作发布网站，但是可以用于原型设计和概念认证。 Antetype 较少人了解的原型工具，具有响应式布局、导出和导出代码等功能。 AppCooker iPad App，可以直接在设备上制作原型。 Atomic 基于浏览器，易于分享以及功能也不错。支持从 Google 表格导入数据，以及直接通过URL分享原型。 Avocado by Ideo Avocado是Ideo做的一套工具, 配合 Quartz Composer（QC）一起使用。 Axure Axure是经典成熟（2003年）的原型设计工具，包括设计、原型、图表、文档等制作。 Balsamiq 流行的线框原型设计工具，闻名于“餐巾纸草图”。 Briefs Briefs是一个 Mac 和 iOS 结合的原型工具。 Bubble.is Bubble 可以通过可视化界面构建后台逻辑。 C4 Studio

在 GMAT考试 中，一些平时习惯的英语用法常被判定为错误选择。究其原因，还是在于大家没有踏实地打好基础，把日常生活中比较随意而且口语的不规范用法和表达方式习惯性地带到了考试当中。GMAT语法对书面用语要求很高，重点考察的正是考生书面英语标准化规范能力。下面小编将为大家具体讲解一些错误的习惯用法。 为什么会出现习惯性语法问题? 大家或许会问，为什么会出现这种语法问题呢?这是因为许多考生，在平时接触英语的过程中，除了考试复习外，大多都是从一些日常生活化的渠道上听到和用到英语，比如看美剧电影，听英文歌曲等方式。而这些渠道中出现的英语，对于语法的要求并不高，基本都是以理解为主，因此考生也难免会受到一些潜移默化的影响，虽然英语口语和听力好像提高了熟练了，但实际上最基本的语法却根本没有得到加强，甚至反而出现了一些倒退。这种变化平时可能难以发现，但到了GMAT语法面前就无所遁形了。 如何避免不规范语法对考试产生影响? 想要避免这种影响，首先要加强对英语口语和书面用词的区别认识。这就好比在中文中，一些流行词汇，新潮用法大家想必都不会用到学术论文中，英文也同样如此。而具体做法也很简单，大家可以通过多看多听一些CNN、BBC等标准新闻播报或者读一些原版英文杂志，比如《经济学人》、《纽约时报》来了解标准的书面用语，培养正确的语法认识和感觉。 错误习惯用法具体介绍 1. which只修饰名词 错误用法

口语说得溜 GMAT语法 反而考不好?听上去不可思议，但在GMAT考试中出现这种情况却并不少见。原因在于大家没有踏实地打好基础，把口语中各种不规范的用法和表达方式习惯性地带到了考试当中。这些错误不少的表达对于口语来说自然是能听懂就好，但GMAT语法恰恰是要求最高，考察考生书面英语学术应用能力的标准化考试。具体有哪些不规范的口语用法，下面小编就为大家做具体分析。 为什么会出现这些语法问题? 大家或许会问，为什么会出现这种语法问题呢?这是因为许多考生，在平时接触英语的过程中，除了考试复习外，大多都是从一些日常生活化的渠道上听到和用到英语，比如看美剧电影，听英文歌曲等方式。而这些渠道中出现的英语，对于语法的要求并不高，基本都是以理解为主，因此考生难免受到潜移默化的影响，虽然英语口语和听力好像提高了熟练了，但实际上最基本的语法却根本没有得到加强，甚至反而出现了一些倒退。这种变化平时可能难以发现，但到了GMAT语法面前就无所遁形了。 具体表现问题讲解 1. which只修饰名词 错误用法：Laura kept kicking my chair during class, which is why I moved to a seat in the back row. 当使用which, who, whose, where和when作为修饰语时，它们只能用来修饰名词或者名词性短语

01 处理缺失值 pandas使用浮点值NaN(Not a Number)表示缺失值。我们称NaN为容易检测到的标识值： import pandas as pd import numpy as np string_data = pd.Series(['aardvark', 'artichoke', np.nan, 'avocado']) print(string_data) print(string_data.isnull()) 在pandas中，将缺失值标为NA,意思是not available（不可用）。 NA数据可以是不存在的数据或者是存在但不可观察的数据。Python内建的None值在对象数组中也被当做NA处理。 string_data[0] = None print(string_data.isnull()) 01-01 过滤缺失值 dropna方法在过滤缺失值时非常有用。 在Series中使用dropna,会返回Series中所有非空数据及其索引值。 data = pd.Series([1,NA, 3.5, NA, 7]) print(data.dropna()) 在处理DataFrame对象时，可能需要删除全部为NA或包含NA的行或列。 dropna默认情况下会删除包含缺失值的行： data1 = pd.DataFrame([[1. ,6.5, 3.],[1., NA