现在还有电击治疗么？🐶

我 5 张卡，还觉得不够……

百毒没那么简单的，hash check 只是其中之一而不是唯一
众多资源站都是要求用户“不要在线解压”，且使用 7zip 二次加密打包，就是说解压后百毒很可能还有深度扫描

视频文件改变 hash 很简单，最后一个字节换一下就行了，完全不影响播放，但对付扫描没什么用，只是增加碳排放而已
玩过收图就知道，同一套图，字节数一样，不同站点发布的 hash 就不同，因为个个站点都会修改 exif 加入自己的标识，百毒照杀不误

@SuperMild #28
那按你这样说的话，你这个方便在一体化自动操作，而不是加密

现在手机有扫码解密，密码箱、保密箱等等，电脑也有拖放密钥文件自动解密，或者从指定路径自动匹配密钥文件解密的工具……等等，基本上都不需要记密码的

我自己也有个脚本，下载文件到特定路径就自动解密（存放路径就相当于密钥），同理也可以做成上传，只是我没有上传需求，就没写了

我没能理解好使用场景，包括标题所说的防止网盘扫描
因为现在好像都有更好的方案，你这个略嫌麻烦

你当地法律怎样我不知道(听说国外法律较倾向消费者？)
这种情况逻辑上来说，代收的人责任不大，因为没有什么代收协议(付费服务)之类

我建议是向供货商那边沟通维权可能更加有效(基于前面第一句)
换这里嘛，基本就自己认了，所以我从来不找人代收，如果不能亲收的话，宁愿给钱让快递小哥择时再送一次

两周我没问题，只要楼下市场不需要扫码才给进的话，超过就不敢打包票了

我并不排斥新科技，但我也总是保持一定频率传统生活方式，因为我知道自己总有一天跟不上，要回归传统的，毕竟粤语就是“那头近”了

腾讯的反爬(风控)不是那么好对付的，当然我是盲猜的，没有试过，暴露 ip 的情况下不太敢碰腾讯

我简单理解你的描述，A 的 id/name 两列都可以重复的（不重复也没必要循环了），B 是各自独立不重复的

其实这个取决于 A 的格式
二维 list --> 循环 /map/lambda ，list 也没办法优雅，即使用 map 也是要执行写入时循环一遍
pandas --> mask()
sql --> sql 命令

B 可以用
1.enum ，如果 B 为整数递增就 IntEnum ，如果 B 为二进制整数递增就 IntFlag
2.以数值做 key 的字典
3.pandas.Series 或 numpy
4.以位置作为索引的列表，无值的位置填入 None
当然 1 是最简单，因为 enum 可以用 key 读取 value ，也可以用 value 读取 key ，字典只能从 key 读取 value ，所以只能用数值作为 key
如果 A 是 sql ，B 可以继承 enum 并自定义一个__conform__(self, protocol)方法，方便读取|写入数据库

加一行数据，更直观些
脑子实了，列名应该是 remove 不是 rest

In [49]: df=pd.DataFrame([[1,0.2,3,0.4,0.5,0.6], [1,0.5,0.9,0.4,0.3,0.01]], columns=['AB','AC','AD','BC','BD','CD'])

In [50]: df
Out[50]:
AB AC AD BC BD CD
0 1 0.2 3.0 0.4 0.5 0.60
1 1 0.5 0.9 0.4 0.3 0.01

In [51]: mask=df<0.5

In [52]: df['remove']=[set('ABCD')-set(''.join(df[mask].loc[i,:].dropna().index)) for i in df.index]

In [53]: df
Out[53]:
AB AC AD BC BD CD remove
0 1 0.2 3.0 0.4 0.5 0.60 {D}
1 1 0.5 0.9 0.4 0.3 0.01 {A}

In [40]: df=pd.DataFrame([[1,0.2,3,0.4,0.5,0.6]], columns=['AB','AC','AD','BC','BD','CD'])

In [41]: mask=df<0.5

In [42]: df['rest']=[set('ABCD')-set(''.join(df[mask].loc[i,:].dropna().index)) for i in df.index]

In [43]: df
Out[43]:
AB AC AD BC BD CD rest
0 1 0.2 3 0.4 0.5 0.6 {D}

根据你的业务逻辑 求 df['rest'] 的值，如果复杂可以写成函数，用 apply/map
当然也可以根据需求添加更多的列，用其他 mask

set('ABCDEFG') - set(''.join(df.columns)) # {'G'} 且 len==1
所以，求出这个符合需求的 df 就行了，基本上逻辑比较的 mask 就可以完成

具体看你的业务需求吧，我感觉这样 一维 * 几万条记录，也不会太慢

@lozzow #23
虽然我理解错了 最多删除 --> 最少删除，但好像也影响也不大
转一维后，表头变成 AB | AC | AD ... | EF | EG | FG
此例末三个(0.9, 0.7, 0.7)置 nan 后，提取剩余的表头，就能确定里面不含 G 了
但因为还有 DE(0.2)和 BF(0.4)剩下，所以 E/F 可以确认保留

只是逻辑变换一下而已

@lozzow #20
解决问题那还是 pandas 吧
df = pd.DataFrame(...)
mask = df<0.5
df1 = df.where(mask)

mask 是个 True|False 矩阵
df1 是一个保留匹配数据，其他置为 nan 的矩阵，看你需要哪个

如果求单行或单列匹配的个数，用 pd.Series.count()就可以了，pd 的 count 是排除 None/nan 值的个数
估计有用的函数还有 max/idxmax/sort/head/tail 等
你这个是纯数值，很快的，百万数据耗时单位应该是秒 /分钟，不可能是小时
如果实际操作仍然觉得慢，可以加上 dask ，dask 处理这些单类型 dataframe 很快

PS: 我有点好奇你的原始数据格式是什么，如果是这个矩阵，其实有点浪费空间(有效单元格只有不到一半)，应该不是这个吧？如果不是这个，可能还有其他优化方法
我觉得这个矩阵转一维，处理更快更方便

@butanediol2d #10
跟随账户的
如果你 save 也不能新 tab 打开，应该是某个环节出了问题，看看有什么其他扩展干扰
比较严重的可能是劫持，就是劫持了提交信息，篡改后原路返回就是本页打开了，当然这个概率不高

@butanediol2d #6
google 的搜索设置是每个浏览器都一样，所以说跟 firefox 的设定无关
要点是 google 搜索设置后，要 save(实际上就是记入 cookies)，这又有两点：
1.如果你的浏览器是自动清理 cookies （无痕）或者有相关扩展，这个设置就相当于没有保存
2.cookies 是跟域名的，而 google 是根据你的 ip 切换域名的，如果你用不同的机场，去到不同的 google 域名，相当于没有 cookies ，要重新设置

1. 理解错误，这个设置是当点击 [打开新窗] 的链接，以新 Tab 代替新窗。并非所有链接都是这样，默认值不是新 Tab ，而是跟随链接 HTML 的预先设定，没有预设的就是本页打开
2. google 新页打开跟这个设置无关，而是跟 cookies 有关，cookies 没有保存的话，默认是本页打开

至于其他网站，海外网站绝大部分都是本页打开的，例如 V2EX ，新窗打开的一般需要标注，是早期一种网络礼仪，现在已经形成习惯，就不标注了，新开的多数是跨域名的外站链接
只是，中国大陆的网站从互联网发展初期就没有遵守这种礼仪，国人有错觉以为链接一直都是新开的

感应灯