热门标签 | HotTags
当前位置:  开发笔记 > 人工智能 > 正文

Latex中的插入表格

导言好久没用Latex了,所以一用的时候就出问题了,在不赶deadline的时候先总结好,用的时候直接ctrlc,要是你也

导言

好久没用Latex了,所以一用的时候就出问题了,在不赶deadline的时候先总结好,用的时候直接ctrl+c,要是你也需要,欢迎参考,不针对没有Latex基础的小伙伴,所以不打算写的很细致。

这篇是持续更新的

 


1.带小数点的表格怎么做

 

\documentclass{article}\begin{document}\begin{tabular}{|c|r@{.}l|}\hlineincome & 12345&60 \\ \hlinespending & 765&40 \\ \hlineleft & 89&09 \\ \hline
\end{tabular}•\end{document}


效果

 

 


1.1多行都是小数的表格

 

\begin{array}{|c|*{3}{r@{.}l|}}
\hline
income & 1345&67 & 500&34 & 7654&43 \\ \hline
spending & 1020&55 & 1929&2 & 9870&89 \\ \hline
left & 11580&33 & 234&56 & 3767&09 \\ \hline
\end{array}


 

 

 

 

 


2.增广矩阵的编排

 

$\left(
\begin{array}{@{}ccc|c@{}}
a11 & a12 & a13 & b1 \\
a21 & a22 & a23 & b2 \\
a31 & a32 & a33 & b3
\end{array}
\right)$


 

 

 

 


3.表格的合并分割

\multicolumn{项数(占用的列数)}{格式}{内容}

 

\begin{tabular}{|c|c|c|}\hline& \multicolumn{2}{c|}{SVM} \\ \cline{2-3}class & TP & FP \\ \hlineclass1 & * & * \\ \hlineclass2 & * & * \\ \hline
\end{tabular}•


 

 

 

这里要解释一下,这个说明SVM这个占用了两列,所以就是\multicolumn{2}如果某个选项占用了3列,则在后面写个{3},注意后面的那个由于是两个列合并的,所以其实是cc-》C所以为了保证右边有线,你要这么写{C|}.之后的\cline和\hline是一个的效果。如果你使用\hline那么它会把class这边也穿过去的。所以我们需要划线的地方是第2-3列\cline它这里就是指明了范围。第2-3列,注意,这里永远考虑的对象是针对我们的变换的那个列(这里SVM)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


推荐阅读
  • Python中HOG图像特征提取与应用
    本文介绍如何在Python中使用HOG(Histogram of Oriented Gradients)算法进行图像特征提取,探讨其在目标检测中的应用,并详细解释实现步骤。 ... [详细]
  • 支持向量机(SVM)是一种基于统计学习理论的模型,主要在VC维和结构风险最小化的理论基础上发展而来。本文将探讨几种不同的SVM方法及其优化策略,旨在提高模型的效率和适用性。 ... [详细]
  • 本文介绍如何使用OpenCV和线性支持向量机(SVM)模型来开发一个简单的人脸识别系统,特别关注在只有一个用户数据集时的处理方法。 ... [详细]
  • 在机器学习领域,深入探讨了概率论与数理统计的基础知识,特别是这些理论在数据挖掘中的应用。文章重点分析了偏差(Bias)与方差(Variance)之间的平衡问题,强调了方差反映了不同训练模型之间的差异,例如在K折交叉验证中,不同模型之间的性能差异显著。此外,还讨论了如何通过优化模型选择和参数调整来有效控制这一平衡,以提高模型的泛化能力。 ... [详细]
  • 支持向量机(SVM)在机器学习中的应用与学习心得
    支持向量机(SVM)是一种高效的二分类模型,其核心目标是通过寻找最优超平面来区分不同类别的数据点。在实际应用中,SVM能够有效地处理高维数据,并通过核技巧扩展到非线性分类问题。当新的数据点输入时,SVM会根据其相对于超平面的位置来判定其所属类别。训练过程中,SVM通过最大化间隔来确定最优超平面,从而提高模型的泛化能力。本文总结了SVM在机器学习中的应用及其学习心得,探讨了其在实际问题中的优势和局限性。 ... [详细]
  • 在VMware虚拟机中正确安装和配置VMware Tools是提升系统性能和扩展功能的关键步骤。首先,通过虚拟机菜单选择“VM”选项,然后点击“Install VMware Tools”。接下来,在终端中执行命令 `cd ~` 和 `cp /media/VMware\ Tools/VMwareTools-*.tar.gz .`,解压文件并按照提示完成安装过程。这将确保虚拟机与主机之间的高效交互,提高资源利用率和用户体验。 ... [详细]
  • 探索学习曲线函数的深度解析与应用 ... [详细]
  • 如何选择机器学习方法http:scikit-learn.orgstabletutorialmachine_learning_mapindex.html通用学习模式只需要先定义 ... [详细]
  •     目标检测是计算机视觉一个非常重要的子任务。目标检测需要发现并准确定位自然图片中的物体。在2012年之前,目标检测主要基于手工设计的特征以及传统分类器。2012年以后,出现了 ... [详细]
  • 深度学习: 目标函数
    Introduction目标函数是深度学习之心,是模型训练的发动机。目标函数(objectfunction)损失函数(lossfunction)代价函数(costfunction) ... [详细]
  • vmware workstation14嵌套安装kvm
    vmware workstation14嵌套安装kvm ... [详细]
  • 分隔超平面:将数据集分割开来的直线叫做分隔超平面。超平面:如果数据集是N维的,那么就需要N-1维的某对象来对数据进行分割。该对象叫做超平面,也就是分类的决策边界。间隔:一个点 ... [详细]
  • NLP篇【01】tfidf与bm25介绍与对比
    上一篇:自然语言处理【NLP】遇上电商——专栏导读下一篇:NLP篇【02】白话Word2vec原理以及层softmax、负采样的实现一、tfidf介 ... [详细]
  • 这是我在复习时整理的笔记,过一遍就稳了,建议还是把PPT过一遍,老师考的都是基础题,大部分都在PPT上,特别是 ... [详细]
  • 概述SVM(支持向量机)是一个二分类的模型,它的主要思想就是间隔最大化,那么问题来了,什么是间隔最大化&#x ... [详细]
author-avatar
花神
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有