R语言学习笔记——扩展篇：第十九章-使用ggplot2进行高级绘图

news2025/2/4 15:00:15

R语言

R语言学习笔记——扩展篇：第十九章-使用ggplot2进行高级绘图

文章目录

  • R语言
  • 一、R中的四种图形系统
  • 二、ggplot2包介绍
  • 三、用几何函数指定图的类型
  • 四、分组（重叠图形）
  • 五、刻面（并排图形）
  • 六、添加光滑曲线
  • 七、修改ggplot2图形的外观
    • 7.1、坐标轴
    • 7.2、图例
    • 7.3、标尺
    • 7.4、主题
    • 7.5、多重图
    • 补——颜色集
  • 八、保存图形

一、R中的四种图形系统

  • 基础图形系统：R自带
  • grid图形系统：
    • 包：grid包
    • 特点：
      • 用户在图像设备上随意创建矩形区域并定义坐标系统，然后使用绘图基础单元来控制图形元素的摆放与外观。
      • 对图形的灵活性很高，适用于软件开发者，但不提供生成统计图形以及完整绘图的函数，不适合数据分析师。
  • lattice图形系统
    • 包：lattice包
    • 特点：
      • 绘制网格图形，其显示一个变量的分布或者变量之间的关系，分别显示一个或多个变量的各个水平。
      • 基于grid包创建，处理多元数据的可视化功能很强。（一般为绘图的备选方案）
  • ggplot2图形系统
    • 包：ggplot2包
    • 特点：
      • 最常用的图形系统
      • 一种全面的，基于语法的，连贯一致的图形生成系统。

二、ggplot2包介绍

  • 语法：每一个函数修改属于自己的部分，函数与函数之间用（+）号函数串联
  • 示例：
library(ggplot2)
ggplot(data = mtcars,aes(x=wt,y=mpg)) + 
  # 指定数据集（mtcars）与变量（wt，mpg），aes（）函数（aesthetic，美观）指定每个变量的角色
  # mtcars数据集，包含32辆汽车的详细信息
  geom_point(pch=17,color="blue",size=2)+
  # ggplot（）函数没有自己的图形输出。使用几何函数（geom）添加几何对象
  # geom_point（）函数绘制散点图，使用2倍大小的蓝色三角符号（pch=17）
  geom_smooth(method ="lm",color="red",linetype=2)+
  # geom_smooth（）函数绘制平滑曲线，绘制一条线性拟合（method ="lm"）的红色虚线（linetype=2）
  labs(title = "Automobile Data",x = "Weight",y = "Miles per Gallon")
  # labs（）函数（可选），添加注释

在这里插入图片描述

  • 分组与小面化：
    • 分组：在一个图形中显示两组或多组观测结果
    • 小面化：在单独，并列的图形上显示观察组
    • ggplot2包在定义组或面时使用因子
  • 示例：
library(ggplot2)
mtcars$am <- factor(mtcars$am,levels = c(0,1),labels = c("Automatic","Manual"))
# 变速箱类型（自动与手动）
mtcars$vs <- factor(mtcars$vs,levels = c(0,1),labels = c("V-Engine","StraightEngine"))
# 发动机装置（V型与直列式发动机）
mtcars$cyl <- factor(mtcars$cyl)
# am与vs是刻面变量，cyl是分组变量
ggplot(data = mtcars,aes(x = hp,y = mpg,shape = cyl,color = cyl)) +
  geom_point(size = 3) +
  facet_grid(am~vs) +
  labs(title = "Automobile Data by Engine Type",x = "Horsepower",y = "Miles per Gallon")

在这里插入图片描述

三、用几何函数指定图的类型

  • 步骤：最基础的绘图步骤
    • 一：ggplot()函数指定要绘制的数据源和变量，ggplot(data = ,aes(x=,y=))
    • 二：调用几何函数geom函数在视觉上表现变量，目前有37个gemo函数
  • 常用几何函数
函数功能参数
geom_bar()条形图color、fill、alpha
geom_boxplot()箱线图color、fill、alpha、notch、width
geom_density()密度图color、fill、alpha、linetype
geom_histogram()直方图color、fill、alpha、linetype、binwidth
geom_hline()水平线color、alpha、linetype、size
geom_jitter()抖动点color、size、alpha、shape
geom_line()线图colorvalpha、linetype、size
geom_point()散点图color、size、alpha、shape
geom_rug()地毯图color、side
geom_smooth()拟合曲线图color、fill、method、linetype、formula、size
geom_text()文字注解详见help
geom_violin()小提琴图color、fill、alpha、linetype
geom_vline()垂线color、size、alpha、linetype
  • 参数详解
参数功能
color对点，线，填充区域的边界着色
fill对填充区域着色，如条线和密度区域
alpha颜透明度，0（透明）-1（不透明）
linetype图案的线条，同lty（1=实线，2=虚线，3=点，4点破折号，5=长破折号，6=双破折号）
size点的尺寸，线的宽度
shape点的形状，同pch
position绘制诸如条形图和点等对象的位置。对条形图"dodge"将分组条形图并排,"stacked"堆叠分组条形图,"fill"垂直的堆叠分组条形图并且高度相同。对点，"jitter"将点散开分布，减少重叠
binwidth直方图宽度
notch方块图是否应有缺口（T/F），若两个箱的缺口互不重叠，则表明它们的中位数有显著的差异
sides地毯图的安置（“b”=底部，“l”=左部，“t”=顶部，“r”=右部，“bl”=左下部，等等）
width箱线图的宽度

在这里插入图片描述在这里插入图片描述

  • 示例1：
# car包的Salaries数据集，包含了大学教授的收入信息。
install.packages("car")
library(car)
ggplot(Salaries,aes(x=rank,y=salary)) +
  geom_boxplot(fill="#00DDAA",color = "black", notch = T) +
  geom_point(position = "jitter",color = "blue",alpha =.5) +
  geom_rug(sides = "l",color = "black")
  # 地毯图表示薪水的一般扩散

在这里插入图片描述

  • 示例2：
library(lattice)
ggplot(singer,aes(x = voice.part,y = height)) +
  geom_violin(fill = "lightblue") +
  geom_boxplot(fill = "lightgreen",width = .2)

在这里插入图片描述

四、分组（重叠图形）

  • 情形：在一个图中画出两个或多组图的观察值
  • 数据类型：因子
  • 函数：aes()
    • 将变量赋给color，fill，shape，linetype等元素，进行分组
  • 示例1：以学术等级分组的大学薪酬，红——助理教授，绿——副教授，蓝——教授
# car包的Salaries数据集中的变量，rank（助理教授，副教授，教授），sex（男性，女性）
# yrs.service（工龄）,salary（九个月薪水（美元）），yrs.since.phd（获得博士学位年份）
library(car)
# 以学术等级分组的大学薪酬，红——助理教授，绿——副教授，蓝——教授
ggplot(Salaries,aes(x=salary,fill=rank)) +
  geom_density(alpha =.5)

在这里插入图片描述

  • 示例2：博士毕业年数和薪水的散点图，红——助理教授，绿——副教授，蓝——教授
# 博士毕业年数和薪水的散点图，红——助理教授，绿——副教授，蓝——教授
ggplot(Salaries,aes(x=yrs.since.phd,y=salary,color=rank,shape=sex)) +
  geom_point()

在这里插入图片描述

  • 示例3：按学术等级和性别划分的教授数量
# 按学术等级和性别划分的教授数量
a <- ggplot(Salaries,aes(x=rank,fill=sex)) +
  geom_bar(position="stack") +
  labs(title='position="stack"')

b <- ggplot(Salaries,aes(x=rank,fill=sex)) +
  geom_bar(position="dodge") +
  labs(title='position="dodge"')

c <- ggplot(Salaries,aes(x=rank,fill=sex)) +
  geom_bar(position="fill") +
  labs(title='position="fill"',y="%")

library(gridExtra)
grid.arrange(a,b,c,ncol=3)

在这里插入图片描述

五、刻面（并排图形）

  • 概念：分组时为了让图形重叠，刻面是为了让图形并排出现。
  • 数据类型：因子
  • 函数：facet_wrap()函数和facet_grid()函数
  • 语法与参数
语法功能
facet_wrap(~var,ncol=n)将每个var水平排列成n列的独立图
facet_wrap(~var,nrow=n)将每个var水平排列成n行的独立图
facet_grid(rowvar~colvar)rowvar和colvar组合的独立图，对应为行~列
facet_grid(rowvar~.)每个rowvar水平的独立图，配置成一个单列
facet_grid(.~colvar)每个colvar水平的独立图，配置成一个单行
  • 示例1：各个声部歌手的身高分布
ggplot(singer,aes(height)) +
  geom_histogram(bins = 30) +
  facet_wrap(~voice.part,nrow = 4)

在这里插入图片描述

  • 示例2：同时包含了分组和刻面
library(car)
ggplot(Salaries,aes(x=yrs.since.phd,y=salary,color=rank,shape=rank)) +
  geom_point() +
  facet_grid(.~sex)

在这里插入图片描述

  • 示例3：展示每个声部成员的身高分布，并利用核密度图水平排列，给每个声部分配不同的颜色。
ggplot(singer,aes(x=height,fill=voice.part)) +
  geom_density() +
  facet_grid(voice.part~.)

在这里插入图片描述

六、添加光滑曲线

  • 概念：添加光滑曲线（线性，非线性，非参数）和置信空间到散点图中
  • 图形对象：散点图
  • 函数：geom_smooth()函数（其依赖于stat_smooth()函数）
  • 语法与参数
语法功能
method绘制方法。lm=线性，glm=广义线性，smooth=loess（非参数，默认），rlm=健壮线性，gam=广义相加
formula公式。如yx（默认），y=poly（x，n）表示n次多项式拟合，yns（x，n）表示一个具有n给自由度的样条拟合
se绘制置信区间（T/F），默认为T
level置信空间水平（默认95%）
fullrange指定拟合应涵盖全图（T）或仅仅是数据（F，默认）
  • 示例：
# 探究博士毕业年数与薪水的关系
ggplot(Salaries,aes(x=yrs.since.phd,y=salary,linetype=sex,shape=sex,color=sex))  +
    geom_smooth(method = lm,formula = y~poly(x,2),se=F,size=1) +
    geom_point(size=2)
# 对男性而言，曲线从0-30年增加后下降。对女性，拟合曲线从0-40年一直上涨。
# 对数据集中的大部分范围，男性能拿到更高的薪水

在这里插入图片描述

七、修改ggplot2图形的外观

  • 在绘制基础图形时，可以利用par( )等函数来修改图形（第三章）
  • 这些方法对ggplot2图形没有影响，ggplot2提供了特定的函数来改变其预先外观

7.1、坐标轴

  • 概念：自定义坐标轴，包括刻度线，刻度标记标签和坐标轴标签
  • 函数：
    • ggplot2的函数区分x/y轴，以及轴线是否代表一个连续或者离散变量（因子）
函数功能与参数
labs()添加标题，改变坐标轴
scale_x_continuous()和scale_y_continuous()breaks指定刻度标记,labels指定刻度标记标签,limits控制要展示的值的范围
scale_x_discrete()和scale_y_discrete()breaks对因子的水平进行放置与排序,labels指定这些水平的标签,limits表示哪些水平应该展示
coord_flip()颠倒x/y轴
  • 示例：
# 收入与学术排名成正比，同等级中男性比女性薪酬水平高
library(ggplot2)
ggplot(Salaries,aes(x=rank,y=salary,fill=sex)) +
  geom_boxplot() +
  scale_x_discrete(breaks = c("AsstProf","AssocProf","Prof"),
                   labels = c("Assistant\nProfessor","Associate\nProfessor","Full\nProfessor")) +
  # \n 换行符
  scale_y_continuous(breaks = c(50000,100000,150000,200000),
                     labels = c("$50K","$100K","$150K","$200K")) +
  labs(title = "Faculty Salary by Rank and Sex")

在这里插入图片描述

7.2、图例

  • 概念：指出如何利用颜色，形状，尺寸等视觉特效来表示数据特征的指南
  • 图例标题：
    • 步骤一：判断图例时基于颜色，形状，尺寸等具体内容（具体见**aes（）**函数中的内容）进行区分的
    • 步骤二：将fill=“mytitle”（假设以fill进行区分）添加到**labs（）**函数中
  • 图例位置
    • 函数：theme（）函数中的legend.position参数选项
      • 参数值：left，top，right（默认），bottom，none（删除）或向量参数指定位置c（x,y）其中x,y(0-1)，表示距离左侧边缘x底部边缘y
  • 示例：
library(ggplot2)
ggplot(Salaries,aes(x=rank,y=salary,fill=sex)) +
  geom_boxplot() +
  scale_x_discrete(breaks = c("AsstProf","AssocProf","Prof"),
                   labels = c("Assistant\nProfessor","Associate\nProfessor","Full\nProfessor")) +
  # \n 换行符
  scale_y_continuous(breaks = c(50000,100000,150000,200000),
                     labels = c("$50K","$100K","$150K","$200K")) +
  labs(title = "Faculty Salary by Rank and Sex",fill="Gender") +
  theme(legend.position = c(.1,.8))
  # 表示距离左侧边缘10%底部边缘80%

在这里插入图片描述

7.3、标尺

  • 概念：包数据空间的观察值（连续或离散变量）映射到可视化空间中

  • 示例1：连续型标尺映射数值型变量到图中

ggplot(mtcars,aes(wt,mpg,size=disp)) +
  geom_point(shape=21,color="black",fill="cornsilk") +
  labs(x="weight",y="Miles per Gallon",
       title = "Bubble Chart",size="Engine\nDisplacement")

在这里插入图片描述

  • 示例2：离散型标尺将带有因子水平的视觉线索（如颜色，形状，尺寸，线条类型和透明度）关联起来
    • 函数：scale_color_manual（values）
      • 指定颜色
    • 函数：scale_color_brewer(palette =" name")
      • 使用预先设定好的颜色集
    • 函数：display.brewer.all()
      • 展示所有的内置颜色集，既name
ggplot(Salaries,aes(x=yrs.since.phd,y=salary,color=rank)) +
         scale_color_manual(values=c("orange","olivedrab","navy")) +
         geom_point(size=2)
         
ggplot(Salaries,aes(x=yrs.since.phd,y=salary,color=rank)) +
  scale_color_brewer(palette ="Set1") +
  geom_point(size=2)

在这里插入图片描述在这里插入图片描述

7.4、主题

  • 概念：控制图片的整体外观，如调节字体，背景，颜色和网格线等。
    • 主题可以保存起来运用到多个图形中
  • 函数：theme()
  • 示例：
mytheme <- theme(
  plot.title = element_text(face = "bold.italic",size = 14,color = "brown"),
  # 标题为斜粗体棕色14号
  axis.title = element_text(face = "bold.italic",size = 10,color = "brown"),
  # 轴标题为斜粗体棕色10号
  axis.text = element_text(face = "bold",size = 9,color = "darkblue"),
  # 坐标轴标签为粗体深蓝色9号
  panel.background = element_rect(fill = "white",color = "darkblue"),
  # 白色背景填充加深蓝色边框
  panel.grid.major.y = element_line(color = "grey",linetype = 1),
  # 主水平网格y轴（水平线）为灰色实线
  panel.grid.minor.y = element_line(color = "grey",linetype = 2),
  # 次水平网格y轴（水平线）为灰色虚线
  panel.grid.minor.x = element_blank(),
  # 垂直线不输出
  legend.position = "top"
  # 图例在顶部
)
ggplot(Salaries,aes(x=rank,y=salary,fill=sex)) +
  geom_boxplot() +
  labs(title = "Salary by Rank and Sex",x="Rank",y="Salary") +
  mytheme

在这里插入图片描述

7.5、多重图

  • 概念：将多个单独的图片放在单个图形中
  • 函数：gridExtra包中的grid.arrange（）函数
  • 语法：
grid.arrange(figure1,figure2...,nrow=n,ncol=m, newpage = TRUE)
# n行m列，按行排列图片
  • 示例：
  a <- ggplot(Salaries,aes(x=rank,fill=sex)) +
    geom_bar(position="stack") +
    labs(title='position="stack"')
  
  b <- ggplot(Salaries,aes(x=rank,fill=sex)) +
    geom_bar(position="dodge") +
    labs(title='position="dodge"')
  
  c <- ggplot(Salaries,aes(x=rank,fill=sex)) +
    geom_bar(position="fill") +
    labs(title='position="fill"',y="%")
  
  d <- ggplot(Salaries,aes(x=yrs.since.phd,y=salary,linetype=sex,shape=sex,color=sex))  +
    geom_smooth(method = lm,formula = y~poly(x,2),se=F,size=1) +
    geom_point(size=2)
  
  install.packages("gridExtra")
  library(gridExtra)
  grid.arrange(a,b,c,d,nrow=2,ncol=2)

在这里插入图片描述

补——颜色集

  • 功能：生成调色板，既一串颜色的集合。
  • 函数：brewer.pal()，display.brewer.all()
  • 语法：
brewer.pal(3-x,name)
# 3-x表示颜色数量,3是最小值。x根据颜色集name中数量而定，name为内置颜色集
display.brewer.all()
# 展示所有的内置颜色集，既name
  • 功能：扩展颜色集。当颜色集里面的颜色不够时，将其进一步划分。
  • 函数：== colorRampPalette()==
  • 语法：
colorRampPalette(colors = c())(n) 
# 将colors转化为n种颜色
  • 功能：反转数据。
  • 函数：rev()
  • 语法：
rev()
# 函数用于返回数据对象的反向版本,为了美观可以将颜色反转
  • 示例：
colors <- colorRampPalette( rev(brewer.pal(9, "Blues")) )(255)
library(RColorBrewer)       
display.brewer.all()

在这里插入图片描述

八、保存图形

  • 函数：ggsave()
  • 语法：
ggsave(
  filename,
  plot = last_plot(),
  device = NULL,
  path = NULL,
  scale = 1,
  width = NA,
  height = NA,
  units = c("in", "cm", "mm", "px"),
  dpi = 300,
  limitsize = TRUE,
  bg = NULL,
  ...
)
  • 示例：
# lattice包中的singers数据集，包含了纽约合唱歌手的高度和语音变量
library(lattice)
myplot <- ggplot(singer,aes(x = voice.part,y = height)) +
  geom_violin(fill = "lightblue") +
  geom_boxplot(fill = "lightgreen",width = .2)

ggsave(filename = "singers2.png",plot = myplot,width = 5,height = 4,dpi = 5000,path = "C:/Users/16748/Desktop")
# 如果不加plot选项，会保存最近的那张图片
# 不加path选项，会保存在当前路径
# 文件扩展名可以为png,ps,txt,jpeg,pd,tff,bmp,svg或wmf（限Windows系统）

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/103428.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

SpringMVC的AOP总结

SpringMVC的AOP总结

SpringMVC的AOP总结 1、Filter 过滤器 Filter是Servlet规范中规定的&#xff0c;只能用于WEB中, 在Servlet前后起作用 它可以对几乎所有请求进行过滤&#xff0c;但是缺点是一个过滤器实例只能在容器初始化时调用一次 使用场景: 修改字符编码; 对入参进行校验, 校验不通过返回…
阅读更多...
java实验报告之Employee类的设计

java实验报告之Employee类的设计

一个不知名大学生&#xff0c;江湖人称菜狗 original author: jacky Li Email : 3435673055qq.com Time of completion&#xff1a;2022.12.20 Last edited: 2022.12.20 目录 一、实验目的 二、实验内容 三、总体设计&#xff08;设计原理、设计方案及流程等&#xff09; 四…
阅读更多...
Python数据结构+算法全面讲解：定义函数、定义类

Python数据结构+算法全面讲解：定义函数、定义类

之前的过程抽象例子调用了 Python数学模块中的 sqrt 函数来计算平方根。通常来说，可以 通过定义函数来隐藏任何计算的细节。函数的定义需要一个函数名、一系列参数以及一个函数体。 函数也可以显式地返回一个值。例如，下面定义的简单函数会返回传入值的平方。 >>> …
阅读更多...
使用 Appium 报错“... Could not find ‘adb‘ in ...”

使用 Appium 报错“... Could not find ‘adb‘ in ...”

使用 Appium 报错 “... Could not find adb in ...”1. 现象2. 问题定位3. 解决方案4. 验证1. 现象 在 Robot Framework 中使用 Open Application 关键字以通过 Appium 来打开模拟器上的应用报错&#xff1a; WebDriverException: Message: An unknown server-side error occ…
阅读更多...
Transformer17

Transformer17

还是transformer 这次还是谷歌哈 又在机器人领域发力 谷歌机器人团队等在机器人领域构建了一个多任务 transformer 模型&#xff0c;显著改进了对新任务、环境和对象的零样本泛化。轻松完成700多条指令、成功率达97%&#xff01;谷歌开源机器人领域 我们知道&#xff0c;机器…
阅读更多...
Docker搭建MySQL主从集群

Docker搭建MySQL主从集群

使用Docker搭建一主一从的MySQL集群&#xff0c;使用的是8版本的MySQL镜像不是8的版本部分命令会无效&#xff0c;宿主机任意 规划 端口角色3307master3308slave 思路 事先准备 要确保linux宿主机已经安装上Docker。然后将MySQL镜像下载到本地 &#xff0c;可以先去Docker Hu…
阅读更多...
ssm java mysql_医院门诊管理系统_

ssm java mysql_医院门诊管理系统_

息化不断建设发展的今天&#xff0c;医院看病预约&#xff0c;医生的挂号等&#xff0c;已经十分方便&#xff0c;通过在线挂号&#xff0c;医生的查看&#xff0c;就能够了解到医院的门诊基本信息&#xff0c;并且可以在线进行门诊的医生查看&#xff0c;医院最新的资讯等&…
阅读更多...
Golang 【basic_leaming】切片

Golang 【basic_leaming】切片

阅读目录1、为什么要使用切片2、切片的定义3、关于nil 的认识4、切片的循环遍历5、基于数组定义切片6、切片再切片7、关于切片的长度和容量8、切片的本质9、使用 make() 函数构造切片10、切片不能直接比较11、切片是引用数据类型 -- 注意切片的赋值拷贝12、append() 方法为切片…
阅读更多...
Mycat（10）：分片详解之固定分片hash算法

Mycat（10）：分片详解之固定分片hash算法

1 找到conf/schema.xml并备份 2 固定分片hash算法 本条规则类似于十进制的求模运算&#xff0c;区别在于是二进制的操作,是取id的二进制低10位&#xff0c;即id二进制 。 此算法的优点在于如果按照 10进制取模运算&#xff0c;在连续插入1-10 时候1-10会被分到1-10个分片&…
阅读更多...
手机号格式检查系统(Java)

手机号格式检查系统(Java)

本系统支持的手机号检查如下所示&#xff1a; /** * 中国移动&#xff0c;中国联通&#xff0c;中国电信都为11位的手机号 * 中国"移动"前三位: * 135、136、137、138、139、147、150、151、152、157、 * 158、159、172、178、182、183、184、187、188、195、197、19…
阅读更多...
铝网初效过滤器及金属网过滤器的区别

铝网初效过滤器及金属网过滤器的区别

广州特耐苏净化设备有限公司详细介绍&#xff1a;粗效过滤器主要技术参数 什么叫铝网初效过滤器及金属网过滤器?铝网初效过滤器也叫金属网过滤器也可叫GH金属孔网过滤器只是人们的叫法不同。 铝网初效过滤器均具安全&#xff0c;坚固&#xff0c;耐高温,耐酸碱,之特性.一般应…
阅读更多...
WebDAV之葫芦儿•派盘+Obsidian笔记

WebDAV之葫芦儿•派盘+Obsidian笔记

Obsidian 支持WebDAV方式连接葫芦儿派盘。 还在为大量的日记、笔记管理而烦恼？推荐一款可以作为第二大脑、支持双向链接、基于Markdown文件的本地知识管理软件。 Obsidian是一款全设备端的笔记软件，让用户能够非常方便的进行笔记上面的记录，纸张无限边界,想到哪,写到哪,不…
阅读更多...
点成分享 | 蛋白质浓度测定之BCA法

点成分享 | 蛋白质浓度测定之BCA法

蛋白质浓度的测定是常见的生物实验之一。本文介绍的是使用BCA法&#xff08;二辛可酸法或二喹啉甲酸法&#xff09;进行蛋白质浓度的测定。 BCA分子式 1 实验原理 BCA是一种稳定的碱性水溶性复合物。在碱性条件下&#xff0c;蛋白质可以将BCA试剂中的二价铜离子Cu2还原成一价…
阅读更多...
C++类和对象（上）

C++类和对象（上）

学习“类”不“类”&#xff0c;有“对象”了吗&#xff1f; 目录 面向过程和面向对象 类的引入 类的定义 访问限定符 封装 类的作用域 类的实例化 类对象的存储方式 计算类对象的大小 this指针 this指针的特性 this指针两问 面向过程和面向对象 ●C语言是面向过程的…
阅读更多...
【Javassist】快速入门系列03 使用Javassist实现方法异常处理

【Javassist】快速入门系列03 使用Javassist实现方法异常处理

系列文章目录 01 在方法体的开头或结尾插入代码 02 使用Javassist实现方法执行时间统计 03 使用Javassist实现方法异常处理 文章目录系列文章目录前言引入Javassist jar包使用Javassist实现方法异常处理总结说明前言 上一章我们介绍了使用使用Javassist实现了对方法执行时间的…
阅读更多...
07_哈希表

07_哈希表

哈希表 1.为什么需要构建哈希表 现在有一组数据&#xff0c;我们想查找一个值&#xff08;x&#xff09;是否在这组数据中&#xff0c;通常来说&#xff0c;我们需要把这组数据遍历一遍&#xff0c;来看看有没有x这个值。 这时&#xff0c;我们发现这样查找数据要花费的时间…
阅读更多...
C++ 类和对象

C++ 类和对象

C认为万事万物都皆为对象&#xff0c;对象上有其属性和行为&#xff0c;C面向对象的三大特性为&#xff1a;封装、继承、多态。 一. 封装 封装是C面向对象三大特性之一。 封装的意义&#xff1a; 将属性和行为作为一个整体&#xff0c;表现生活中的事物将属性和行为加以权限控…
阅读更多...
【数据库】时间戳并发控制

【数据库】时间戳并发控制

Timestamp ordering(T/O) 根据事务的时间戳来决定顺序。 如果T1 的时间戳小于T2 的时间戳&#xff0c;那么执行的结果要等价于T1 执行早于T2 的执行。 时间戳的实现策略&#xff1a; 系统时钟 逻辑计数 混合方法 Basic Timestamp Ordering&#xff08;T/O&#xff09;Prtot…
阅读更多...
【WPF绑定2】 ComboBox MVVM SelectedValue复杂数据类型绑定

【WPF绑定2】 ComboBox MVVM SelectedValue复杂数据类型绑定

前言 这次绑定是一次非常痛苦的经历&#xff0c;因为SelectedValue总是不能生效&#xff01;我一度怀疑是wpf的Bug。其实还是自己没搞清楚。 在之前的一篇文章中&#xff1a; http://t.csdn.cn/A4W6Ahttp://t.csdn.cn/A4W6A我也写个ComboBox的绑定&#xff0c;但是当时没有指…
阅读更多...
【实时数仓】DWM层订单宽表之实现基本的维度查询、加入旁路缓存模式

【实时数仓】DWM层订单宽表之实现基本的维度查询、加入旁路缓存模式

文章目录一 DWM层-订单宽表1 维表关联代码实现&#xff08;1&#xff09;首先实现基本的维度查询功能a 封装Phoenix查询的工具类PhoenixUtilb 封装查询维度的工具类DimUtil&#xff08;2&#xff09; 优化1&#xff1a;加入旁路缓存模式a 缓存策略的几个注意点b 缓存的选型c 在…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023