我把它扔进沙盒后就不卡了

以前水管在室内（楼内），没有老鼠，后来好多家庭维修水管不方便（需要楼上楼下配合才能修），水管移到楼外，老鼠就能爬上来，我家进入了战鼠时代

装了金属防蚊网（租房就不适合了，花费大）主要不是防蚊而是防老鼠入室内，之前进来过，为了赶它烦死了
装了防蚊网后，老鼠进不来，但在阳台很欢乐，晚上 8 点就开始吱吱叫，听声音起码两只以上在打架，在花槽、花盆打洞，弄死了好多花

后来改了习惯，晚上 11 点后才浇花，浇花要亮灯，至少吓走一次，然后放一盏感应小夜灯在老鼠出没的地方，加了个超声波驱鼠器，吱吱声基本没了，老鼠还有来，因为老鼠屎还有，不过量少了很多，也不打洞了，估计即使有来也没有停留很久

室内的话还是猫狗合适，不管它是否抓老鼠，老鼠要留下也是要冒生命危险的，基本不进屋了

假设让时间倒流，而一切都不发生改变，让该事件重来一次，如果所谓的随机事件一定还是原来时间倒流前的那个结果，我们就可以说这个事件不是完全随机的，否则，则是完全随机的。
===================================
这个推理不成立啊，因为里面的断言“所谓的随机事件一定还是原来时间倒流前的那个结果”是目前无法证明的。不能用无法证明的断言作为论据
我不是说你的观点就是错的，只是说目前无法理解和判断这个观点的合理性

从唯物主义看，只有“状态变化和迁移”，而不是“因与果”，因与果是人类对某种现象的解释
1.前置状态、参数、变量一致，其产生的变化状态也是一致
2.前置状态、参数一致，变量随机，其产生的变化状态也是随机
你应该只想到这两点
但注意，第二条并非“状态必然不同”的结论
所以第二条还有子项推论：
a.随机能产生相同或不同的状态
b.多次随机会产生多个状态变化后，这个过程中的首个状态和最后一个状态也存在相同的可能（阶段性一致），和不同的可能
例如生物体初始状态出生，中间经过若干次随机的状态变化，最后状态是死亡，放大到非生物体乃至宇宙呢？我就不知道了，至少目前无法证明

所以“还是原来时间倒流前的那个结果”，只是一个“阶段性一致”的现象的描述，至于它是否从随机或多次随机而产生的，无法判断

被磕碰时，对方毕恭毕敬的

@PrinceofInj #54
我也是选了 TPE ，我需要中空的枕头
之前用竹枕头+海绵睡了好多年，还是有点硬，本想找泰国亲戚买乳胶枕回来，但有点犹豫，一来乳胶枕也不是中空的，二来泰国亲戚说他们那也没有什么特别的牌子，都是出口中国的多（？），他们也不晓得买什么
后来试了下 TPE ，还可，就放弃乳胶枕的打算了

TPE 坐垫也是好东西

切，不是这样帖的？
https://gist.github.com/ImN1/688b6698901a0866a5ccbe33819a9e5c

<script src="https://gist.github.com/ImN1/688b6698901a0866a5ccbe33819a9e5c.js"></script>

```
def groupedSimilarFilenames(filenames):
'''
将相似文件名分组\n
输出类似格式\n
filenames preffix suffix size \n
0 cover.jpg NaN NaN 0 \n
1 top.png NaN NaN 0 \n
2 9.jpg NaN .jpg 0 \n
3 015a.jpg 0 a.jpg 1 \n
4 008.jpg 0 .jpg 9 \n
5 010.jpg 0 .jpg 9 \n
6 011.jpg 0 .jpg 9 \n
7 012.jpg 0 .jpg 9 \n
8 013.jpg 0 .jpg 9 \n
9 014.jpg 0 .jpg 9 \n
10 016.jpg 0 .jpg 9 \n
11 017.jpg 0 .jpg 9 \n
12 018.jpg 0 .jpg 9 \n
\n
size 为该项所在分组的成员个数\n
依据条件可筛选特别的文件名\n
'''
df = pd.DataFrame(filenames, columns=['filenames']) # 即使一维 filenames 也能直接变成竖向
pattern = r'^(?P<preffix>.+\D)?(?P<number>\d+)(?P<suffix>.+)?'
# pattern = r'^(?P<preffix>.+?\D)?(?P<number>\d+)(?P<suffix>.+)?'
df1 = pd.concat([df, df['filenames'].str.extract(pattern, flags=re.IGNORECASE)], axis=1)
gf = ['preffix','suffix']
if df1['preffix'].isna().all():
gf = ['suffix']
g = df1.groupby(gf, as_index=False)
df1['size'] = g.transform('size').fillna(0).astype(int)
return df1.sort_values('size', ascending=False, ignore_index=True)
```

这是一个我经常用的匹配文件名的函数
你可以用字段名替换 filenames ，然后匹配一下，当然正则和 groupby 部分你要修改一下，改成符合你的需求，这样你就可以把字段名分组了

@cs1024 #8
问题是你也没有说清楚，给的例子也是最简单，谁看也不知道你的难点在哪啊

你这个字段名有什么规律么，是否必然是字母或多个字母+数字，字符和数字两个是否分开
然后，相同的字母组合，其数字是否必定是正整数，例如 1,2,3,4……顺序可以不对，但是否有缺的，如 1,2,4……
只要有规律，自然可用正则来捕获
pattern = r'^(?P<preffix>.+\D)?(?P<number>\d+)(?P<suffix>.+)?'
类似这样的正则就能分开了，然后用 groupby 就能找到符合的一批字段名

再补充一下，用正则的话
str.contains 是部分匹配，用 str.match 是整个字段名匹配，可以选择不同的方式和对应的正则
也可以不用正则，参数改为 regex=False 即可

#5 typo ，应是 columns

哦，漏看了，这样 dataframe 方便些

mask =df.colums.str.starswith('a') # 这里是表示 a 开头，所以要确保没有其他无关的 a 开头字段名
cols_a = df.colums[mask]
df['a'] = df[cols_a].sum(axis=1)
b 照样替换即可

或者可以用正则
mask = df.colums.str.contains(一个正则, case=False, regex=True)
cols_a = df.colums[mask]

嗯，sql select 漏了 id ，自行补上

sql : select a1+a2+a3 as a, b1+b2 as b from ...

pandas:
df['a'] = df[['a1', 'a2', 'a3']].sum(axis=1)
df['b'] = df[['b1', 'b2']].sum(axis=1)
result = df[['id', 'a', 'b']].copy()

100w+不慢，用 numba 更快

你把“互联网”按服务业的方式重新捋一遍
PS:早上班早下班是制造业

其实也是常识了，在中国活个几十年这就是常识了，如果没有几十年的话，听听上一代也能知道
不谈国人素质，单说监管就能想到管不来，你想想他们切身利益的税收都完善不了，其他不是迫切的事有什么能“尽善尽美”的？厂家又不是完全本地，遍布全国，流通交易的，只有食品安全才是重点，其他多靠自律和举报

所以好多产品首先要买方“自检”，就是购前调查，不要想象得太美好
大部分人因为信息搜集能力不足，只是采取“眼不见为净”的态度
要活得精致、极致，那就去调查，以及不要省钱

@lividton001 #22
我没苹果设备，自然也不知道，只是疑问句
看样子也是汇总只给总价，那试试要求苹果给详单，看他们给不给

之前老妈摔伤住院，要走保险，保险公司除了总费用的发票，还要求提供详单，当然医院是给这个的，只是要多跑两趟走流程，当时是大三年期间有点烦而已

这种情况你应该用 kiwi 一类的 llm ，gpt 等用（指免费的）的是某时间点前的信息汇总
另有部分如 kiwi/gemini pro 等是可以实时搜文章总结的

问也有技巧，不要问结论，而是让它帮你搜，当然可能也是搜出十来条结果，不会像搜索引擎那么多
然后针对性追问，或者排除部分后让它二搜补充

说到底就是一个词：思考。不要人家说什么就是什么（这样的话无论用什么都是信息茧房），要思考、验证、再问……