pythonarraymerge
① python合並表格報錯
你所定義的list node class和python自帶的list type是不同的東西，不能通用，必須先轉換
其他小錯我直接幫你改掉了
下面是改好可以運行的代碼：
class ListNode(object): def __init__(self,val): self.val = val self.next = None def __repr__(self): return str(self.val) def LinkedList(pythonlist): l = ListNode(pythonlist[0]) c = l for i in range(1,len(pythonlist)): l.next = ListNode(pythonlist[i]) l = l.next return c def PythonList(ListNode): l = [] while ListNode != None: l.append(ListNode.val) ListNode = ListNode.next return l class Solution(object): def mergeTwoLists(self,l1,l2): if l1 is None: return l2 if l2 is None: return l1 mmyhead=ListNode(0) mmyhead.next=None p=mmyhead while l1 is not None and l2 is not None: if l1.val<l2.val: p.next=l1 l1=l1.next else: p.next=l2 l2=l2.next p=p.next if l1 is not None: p.next=l1 else: p.next=l2 return mmyhead.next l1=LinkedList([1,3,5,7])l2=LinkedList([2,4,6,8])sol = Solution()print(PythonList(sol.mergeTwoLists(l1,l2)))
（LinkedList(pythonlist) 方法把一個傳統的python list轉換成你用的首位相銜的listnode 形式，PythonList(ListNode) 則是轉換回來）
同時，linkedlist的數據類型在c裡面比較常用，python裡面一般用不著這么麻煩
希望對你有幫助
② 數據分析員用python做數據分析是怎麼回事，需要用到python中的那些內容，具體是怎麼操作的
最近，Analysis with Programming加入了Planet Python。我這里來分享一下如何通過Python來開始數據分析。具體內容如下：
數據導入
導入本地的或者web端的CSV文件；
數據變換；
數據統計描述；
假設檢驗
單樣本t檢驗；
可視化；
創建自定義函數。
數據導入
1
這是很關鍵的一步，為了後續的分析我們首先需要導入數據。通常來說，數據是CSV格式，就算不是，至少也可以轉換成CSV格式。在Python中，我們的操作如下：
import pandas as pd
# Reading data locally
df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')
# Reading data from web
data_url = "https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"
df = pd.read_csv(data_url)
為了讀取本地CSV文件，我們需要pandas這個數據分析庫中的相應模塊。其中的read_csv函數能夠讀取本地和web數據。
1
既然在工作空間有了數據，接下來就是數據變換。統計學家和科學家們通常會在這一步移除分析中的非必要數據。我們先看看數據（下圖）
對R語言程序員來說，上述操作等價於通過print(head(df))來列印數據的前6行，以及通過print(tail(df))來列印數據的後6行。當然Python中，默認列印是5行，而R則是6行。因此R的代碼head(df, n = 10)，在Python中就是df.head(n = 10)，列印數據尾部也是同樣道理
9
plt.show(sns.lmplot("Benguet", "Ifugao", df))
在Python中，我們使用def函數來實現一個自定義函數。例如，如果我們要定義一個兩數相加的函數，如下即可：
def add_2int(x, y):
return x + y
print add_2int(2, 2)
# OUTPUT
4
順便說一下，Python中的縮進是很重要的。通過縮進來定義函數作用域，就像在R語言中使用大括弧{…}一樣。這有一個我們之前博文的例子：
產生10個正態分布樣本，其中和
基於95%的置信度，計算和;
重復100次; 然後
計算出置信區間包含真實均值的百分比
Python中，程序如下：
import numpy as np
import scipy.stats as ss
def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):
m = np.zeros((rep, 4))
for i in range(rep):
norm = np.random.normal(loc = mu, scale = sigma, size = n)
xbar = np.mean(norm)
low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
if (mu > low) & (mu < up):
rem = 1
else:
rem = 0
m[i, :] = [xbar, low, up, rem]
inside = np.sum(m[:, 3])
per = inside / rep
desc = "There are " + str(inside) + " confidence intervals that contain "
"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"
return {"Matrix": m, "Decision": desc}
上述代碼讀起來很簡單，但是循環的時候就很慢了。下面針對上述代碼進行了改進，這多虧了Python專家
import numpy as np
import scipy.stats as ss
def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):
scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))
norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))
xbar = norm.mean(1)
low = xbar - scaled_crit
up = xbar + scaled_crit
rem = (mu > low) & (mu < up)
m = np.c_[xbar, low, up, rem]
inside = np.sum(m[:, 3])
per = inside / rep
desc = "There are " + str(inside) + " confidence intervals that contain "
"the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"
return {"Matrix": m, "Decision": desc}
數據變換
創建自定義函數
③ python(pandas模塊)
1.什麼是pandas? numpy模塊和pandas模塊都是用於處理數據的模塊。 numpy主要用於針對數組進行統計計算,處理數字數據比較方便。 pandas除了可以處理數字數據,還可...
④ python的image.merge去掉紅色西數
純凈天空
當前位置: 首頁>>代碼示例>>Python>>正文
Python Image.merge方法代碼示例
本文整理匯總了Python中PIL.Image.merge方法的典型用法代碼示例。如果您正苦於以下問題：Python Image.merge方法的具體用法？Python Image.merge怎麼用？Python Image.merge使用的例子？那麼恭喜您, 這里精選的方法代碼示例或許可以為您提供幫助。您也可以進一步了解該方法所在類PIL.Image的用法示例。
在下文中一共展示了Image.merge方法的15個代碼示例，這些例子默認根據受歡迎程度排序。您可以為喜歡或者感覺有用的代碼點贊，您的評價將有助於我們的系統推薦出更棒的Python代碼示例。
示例1: resolve
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def resolve(ctx):
from PIL import Image
if isinstance(ctx, list):
ctx = [ctx[0]]
net.load_parameters('superres.params', ctx=ctx)
img = Image.open(opt.resolve_img).convert('YCbCr')
y, cb, cr = img.split()
data = mx.nd.expand_dims(mx.nd.expand_dims(mx.nd.array(y), axis=0), axis=0)
out_img_y = mx.nd.reshape(net(data), shape=(-3, -2)).asnumpy()
out_img_y = out_img_y.clip(0, 255)
out_img_y = Image.fromarray(np.uint8(out_img_y[0]), mode='L')
out_img_cb = cb.resize(out_img_y.size, Image.BICUBIC)
out_img_cr = cr.resize(out_img_y.size, Image.BICUBIC)
out_img = Image.merge('YCbCr', [out_img_y, out_img_cb, out_img_cr]).convert('RGB')
out_img.save('resolved.png')
開發者ID:awslabs，項目名稱:dynamic-training-with-apache-mxnet-on-aws，代碼行數:19，代碼來源:super_resolution.py
示例2: distort_image
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def distort_image(im, hue, sat, val):
im = im.convert('HSV')
cs = list(im.split())
cs[1] = cs[1].point(lambda i: i * sat)
cs[2] = cs[2].point(lambda i: i * val)
def change_hue(x):
x += hue*255
if x > 255:
x -= 255
if x < 0:
x += 255
return x
cs[0] = cs[0].point(change_hue)
im = Image.merge(im.mode, tuple(cs))
im = im.convert('RGB')
return im
開發者ID:XiaoYee，項目名稱:emotion_classification，代碼行數:20，代碼來源:utils.py
示例3: distort_image
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def distort_image(im, hue, sat, val):
im = im.convert('HSV')
cs = list(im.split())
cs[1] = cs[1].point(lambda i: i * sat)
cs[2] = cs[2].point(lambda i: i * val)
def change_hue(x):
x += hue*255
if x > 255:
x -= 255
if x < 0:
x += 255
return x
cs[0] = cs[0].point(change_hue)
im = Image.merge(im.mode, tuple(cs))
im = im.convert('RGB')
#constrain_image(im)
return im
開發者ID:andy-yun，項目名稱:pytorch-0.4-yolov3，代碼行數:21，代碼來源:image.py
示例4: open_base_img
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def open_base_img(full_profile, res, base_color, color):
# get base image according to profile and perceptual gray of key color
base_num = str([0xE0, 0xB0, 0x80, 0x50, 0x20].index(base_color) + 1)
# open image and convert to Lab
with Image.open('images/{0}_{1}{2}.png'.format(*full_profile, base_num)) as img:
key_img = img.resize((int(s * res / 200) for s in img.size), resample=Image.BILINEAR).convert('RGBA')
if full_profile[1] in ('ISO', 'BIGENTER'): alpha = key_img.split()[-1]
l, a, b = ImageCms.applyTransform(key_img, rgb2lab_transform).split()
# convert key color to Lab
# a and b should be scaled by 128/100, but desaturation looks more natural
rgb_color = color_objects.sRGBColor(*ImageColor.getrgb(color), is_upscaled=True)
lab_color = color_conversions.convert_color(rgb_color, color_objects.LabColor)
l1, a1, b1 = lab_color.get_value_tuple()
l1, a1, b1 = int(l1 * 256 / 100), int(a1 + 128), int(b1 + 128)
# change Lab of base image to match that of key color
l = ImageMath.eval('convert(l + l1 - l_avg, "L")', l=l, l1=l1, l_avg=base_color)
a = ImageMath.eval('convert(a + a1 - a, "L")', a=a, a1=a1)
b = ImageMath.eval('convert(b + b1 - b, "L")', b=b, b1=b1)
key_img = ImageCms.applyTransform(Image.merge('LAB', (l, a, b)), lab2rgb_transform).convert('RGBA')
if full_profile[1] in ('ISO', 'BIGENTER'): key_img.putalpha(alpha)
return key_img
開發者ID:CQCumbers，項目名稱:kle_render，代碼行數:27，代碼來源:key.py
示例5: __call__
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def __call__(self, video_path, frame_indices):
with h5py.File(video_path, 'r') as f:
flow_data = []
for flow in self.flows:
flow_data.append(f[f'video_{flow}'])
video = []
for i in frame_indices:
if i < len(flow_data[0]):
frame = [
Image.open(io.BytesIO(video_data[i]))
for video_data in flow_data
]
frame.append(frame[-1]) # add mmy data into third channel
video.append(Image.merge('RGB', frame))
return video
開發者ID:kenshohara，項目名稱:3D-ResNets-PyTorch，代碼行數:20，代碼來源:loader.py
示例6: test_consistency_5x5
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def test_consistency_5x5(self):
source = Image.open("Tests/images/hopper.bmp")
reference = Image.open("Tests/images/hopper_emboss_more.bmp")
kernel = ImageFilter.Kernel((5, 5), # noqa: E127
(-1, -1, -1, -1, 0,
-1, -1, -1, 0, 1,
-1, -1, 0, 1, 1,
-1, 0, 1, 1, 1,
0, 1, 1, 1, 1), 0.3)
source = source.split() * 2
reference = reference.split() * 2
for mode in ['L', 'LA', 'RGB', 'CMYK']:
self.assert_image_equal(
Image.merge(mode, source[:len(mode)]).filter(kernel),
Image.merge(mode, reference[:len(mode)]),
)
開發者ID:holzschu，項目名稱:python3_ios，代碼行數:19，代碼來源:test_image_filter.py
示例7: test_channels_order
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def test_channels_order(self):
g = Image.linear_gradient('L')
im = Image.merge('RGB', [g, g.transpose(Image.ROTATE_90),
g.transpose(Image.ROTATE_180)])
# Reverse channels by splitting and using table
self.assert_image_equal(
Image.merge('RGB', im.split()[::-1]),
im._new(im.im.color_lut_3d('RGB', Image.LINEAR,
3, 2, 2, 2, [
0, 0, 0, 0, 0, 1,
0, 1, 0, 0, 1, 1,
1, 0, 0, 1, 0, 1,
1, 1, 0, 1, 1, 1,
])))
開發者ID:holzschu，項目名稱:python3_ios，代碼行數:18，代碼來源:test_color_lut.py
示例8: wedge
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def wedge(self):
w = Image._wedge()
w90 = w.rotate(90)
(px, h) = w.size
r = Image.new('L', (px*3, h))
g = r.()
b = r.()
r.paste(w, (0, 0))
r.paste(w90, (px, 0))
g.paste(w90, (0, 0))
g.paste(w, (2*px, 0))
b.paste(w, (px, 0))
b.paste(w90, (2*px, 0))
img = Image.merge('RGB', (r, g, b))
return img
開發者ID:holzschu，項目名稱:python3_ios，代碼行數:24，代碼來源:test_format_hsv.py
示例9: _fry
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def _fry(img):
e = ImageEnhance.Sharpness(img)
img = e.enhance(100)
e = ImageEnhance.Contrast(img)
img = e.enhance(100)
e = ImageEnhance.Brightness(img)
img = e.enhance(.27)
r, b, g = img.split()
e = ImageEnhance.Brightness(r)
r = e.enhance(4)
e = ImageEnhance.Brightness(g)
g = e.enhance(1.75)
e = ImageEnhance.Brightness(b)
b = e.enhance(.6)
img = Image.merge('RGB', (r, g, b))
e = ImageEnhance.Brightness(img)
img = e.enhance(1.5)
temp = BytesIO()
temp.name = 'deepfried.png'
img.save(temp)
temp.seek(0)
return temp
開發者ID:Flame442，項目名稱:FlameCogs，代碼行數:24，代碼來源:deepfry.py
示例10: save_to_disk
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def save_to_disk(self, filename, format='.png'):
"""Save this image to disk (requires PIL installed)."""
filename = _append_extension(filename, format)
try:
from PIL import Image as PImage
except ImportError:
raise RuntimeError(
'cannot import PIL, make sure pillow package is installed')
image = PImage.frombytes(
mode='RGBA',
size=(self.width, self.height),
data=self.raw_data,
decoder_name='raw')
color = image.split()
image = PImage.merge("RGB", color[2::-1])
folder = os.path.dirname(filename)
if not os.path.isdir(folder):
os.makedirs(folder)
image.save(filename, quality=100)
開發者ID:felipecode，項目名稱:coiltraine，代碼行數:24，代碼來源:sensor.py
示例11: from_png_to_bmp
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def from_png_to_bmp(png_path, output_path=BMP_IMAGE_TEST_TO_PATH):
"""
Convert a png_path image into a bmp 3-channel one and return the path to the converted image
:param png_path: path of the image
:param output_path: path in which we save the image
:return: the file path
"""
# convert a .png image file to a .bmp image file using PIL
file_name = os.path.splitext(png_path)[0] \
.split("/")[-1]
file_in = png_path
img = Image.open(file_in)
file_out = os.path.join(output_path, str(file_name), str(file_name) + '.bmp')
len(img.split()) # test
if len(img.split()) == 4:
# prevent IOError: cannot write mode RGBA as BMP
r, g, b, a = img.split()
img = Image.merge("RGB", (r, g, b))
img.save(file_out)
else:
img.save(file_out)
return file_out
開發者ID:mawanda-jun，項目名稱:TableTrainNet，代碼行數:25，代碼來源:inference_with_net.py
示例12: save_to_disk
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def save_to_disk(self, filename):
"""Save this image to disk (requires PIL installed)."""
filename = _append_extension(filename, '.png')
try:
from PIL import Image as PImage
except ImportError:
raise RuntimeError(
'cannot import PIL, make sure pillow package is installed')
image = PImage.frombytes(
mode='RGBA',
size=(self.width, self.height),
data=self.raw_data,
decoder_name='raw')
color = image.split()
image = PImage.merge("RGB", color[2::-1])
folder = os.path.dirname(filename)
if not os.path.isdir(folder):
os.makedirs(folder)
image.save(filename)
開發者ID:PacktPublishing，項目名稱:Hands-On-Intelligent-Agents-with-OpenAI-Gym，代碼行數:24，代碼來源:sensor.py
示例13: distort_image
▲ 點贊 6 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def distort_image(im, hue, sat, val):
im = im.convert('HSV')
cs = list(im.split())
cs[1] = cs[1].point(lambda i: i * sat)
cs[2] = cs[2].point(lambda i: i * val)
def change_hue(x):
x += hue*255
if x > 255:
x -= 255
if x < 0:
x += 255
return x
cs[0] = cs[0].point(change_hue)
im = Image.merge(im.mode, tuple(cs))
im = im.convert('RGB')
return im
# generate random scale.
開發者ID:CharlesPikachu，項目名稱:YOLO，代碼行數:20，代碼來源:utils.py
示例14: perform_inference
▲ 點贊 5 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def perform_inference(sym, arg_params, aux_params, input_img, img_cb, img_cr):
"""Perform inference on image using mxnet"""
metadata = onnx_mxnet.get_model_metadata('super_resolution.onnx')
data_names = [input_name[0] for input_name in metadata.get('input_tensor_data')]
# create mole
mod = mx.mod.Mole(symbol=sym, data_names=data_names, label_names=None)
mod.bind(for_training=False, data_shapes=[(data_names[0], input_img.shape)])
mod.set_params(arg_params=arg_params, aux_params=aux_params)
# run inference
batch = namedtuple('Batch', ['data'])
mod.forward(batch([mx.nd.array(input_img)]))
# Save the result
img_out_y = Image.fromarray(np.uint8(mod.get_outputs()[0][0][0].
asnumpy().clip(0, 255)), mode='L')
result_img = Image.merge(
"YCbCr", [img_out_y,
img_cb.resize(img_out_y.size, Image.BICUBIC),
img_cr.resize(img_out_y.size, Image.BICUBIC)]).convert("RGB")
output_img_dim = 672
assert result_img.size == (output_img_dim, output_img_dim)
LOGGER.info("Super Resolution example success.")
result_img.save("super_res_output.jpg")
return result_img
開發者ID:awslabs，項目名稱:dynamic-training-with-apache-mxnet-on-aws，代碼行數:28，代碼來源:super_resolution.py
示例15: color
▲ 點贊 5 ▼
# 需要導入模塊: from PIL import Image [as 別名]
# 或者: from PIL.Image import merge [as 別名]
def color(src, target):
num_pixels = src.size[0] * src.size[1]
colors = src.getcolors(num_pixels)
rgb = sum(c[0] * c[1][0] for c in colors), sum(c[0] * c[1][1] for c in colors), sum(
c[0] * c[1][2] for c in colors)
rgb = rgb[0] / num_pixels, rgb[1] / num_pixels, rgb[2] / num_pixels
bands = target.split()
for i, v in enumerate(rgb):
out = bands[i].point(lambda p: int(p * v / 255))
bands[i].paste(out)
return Image.merge(target.mode, bands)
開發者ID:avrae，項目名稱:avrae，代碼行數:13，代碼來源:playertoken.py
註：本文中的PIL.Image.merge方法示例由純凈天空整理自Github/MSDocs等開源代碼及文檔管理平台，相關代碼片段篩選自各路編程大神貢獻的開源項目，源碼版權歸原作者所有，傳播和使用請參考對應項目的License；未經允許，請勿轉載。
©2008-2022 | 純凈天空 | 簡體 | 繁體 | 聯系我們 | 京ICP備15018527號-1 | 贊助商
⑤ php到底有多糟糕
php是web開發第一語言，這已經是坐穩了的事實，因為使用簡單，工具完善，開發效率高等優點為它積聚了大量的粉絲，號稱世界上最好的語言。 然而，就算是世界上最好的語言也有缺陷，下面我挑幾個php語法層面不那麼好用的特性吐槽下。
變數面前的美元（$）符號
我想不明白當初php語言的設計師是怎麼想的，為什麼非要在變數名面前加上這個美元符號？每次我書寫變數時必須要按一下shift +4鍵，用其它語言可以很流暢的寫代碼，在php中卻老是被按這個shift打斷整個過程，這除了能給程序員帶來麻煩，我實在看不到有其它一丁點的好處。網上流傳著的說法好像是因為帶美元符號代碼解析起來更容易， 性能更好。但是解釋類型的語言又不只有php ，為什麼其它語言就不用讓程序員打這個討厭的美元符號。每天看著滿屏的美元符號，我口袋裡的錢也沒見多一分呀。
訪問對象成員要使用箭頭符號
明明按一下點號（.）就可以方便快捷的搞定的問題，卻非要使用簡單符號（->）來代替，真的是借我一百個腦袋也想不明白php設計者在設計這個特性是什麼邏輯。難不成是因為php解釋器最終會把php的代碼轉換成c代碼執行，而c中訪問指針的成員就是使用箭頭符號的。如果是這樣那顯然是php的設計者們偷懶了，難到不能在轉換成c執行的過程中多一步將點號轉換為箭頭符號的過程嗎？不要告訴我又是因為性能問題而辦不到，他們就不能為程序員想想？
數組即能當列表也能當字典
寫一個函數，返回一個數組類型，但是在函數的外面，鬼知道這個數組是一個list還是一個map？寫php代碼不知道被這個特性坑過多少回，如果是別人寫的函數， 又沒有注釋，那非得跑進函數里看個明白才知道應該這么樣使用這個函數才是安全的。難到就不能把array拆成兩個獨立的類型分別代表list（列表）和map（字典）嗎？這能為程序提供很大的便利，寫的代碼也更加不會出錯。
匿名函數使用外部變數必須使用use關鍵字導入
這個特性不能說完全沒有優點，對於代碼的可維護性還是能起到正面的作用的，因為這么做能讓我知道我在匿名函數體裡面對於外部會有哪些依賴，讓代碼更可控。然而，這種寫法真的是非常的不方便，每次寫lambda時，要用到外部的變數時，都要使用use導入，把代碼搞的看起來很臃腫，而且，因為其它語言沒這個限制，習慣已經養成，所以每次都會忘記使用use導入，導致代碼出錯，增加排查問題的時間，這真的不是什麼好玩的事。
用include導入文件
當把代碼模塊化時，然後在其它文件中使用，每次都需要使用這個include把文件導入進來，而且還要考慮路徑的問題，在結構復雜的項目中，非常讓人蛋疼。而像Java和Python之類的語言中，代碼管理機制設計的非常好，想用什麼import進來就可以了，根本不用考慮路徑啊，文件名大小寫啊之類的問題，能大大的提升開發效率。雖然，有框架可以解決這類問題，但畢竟是外部實現，使用起來總歸不是那麼順暢。這也算是php一個比較大的毛病了。
總結的這五點算是php中存在問題的典範了，希望php團隊能加把勁，把這些問題在未來的版本中優化掉，讓開發者寫代碼時有更好的體驗，更高的效率，讓世界上最好的語言名副其實