零基础入门转录组数据分析——加权基因共表达网络分析（WGCNA，Weighted correlation network analysis）

news2024/9/9 0:18:24

零基础入门转录组数据分析——加权基因共表达网络分析（WGCNA，Weighted correlation network analysis）

目录

  • 零基础入门转录组数据分析——加权基因共表达网络分析（WGCNA，Weighted correlation network analysis）
    • 1. WGCNA基础知识
    • 2. WGCNA（Rstudio）——代码实操
      • 2. 1 数据处理
      • 2. 2 构建样本聚类树
      • 2. 3 计算软阈值
      • 2. 4 一步法构建WGCNA网络
      • 2. 5 绘制基因动态剪切树
      • 2. 6 计算模块与性状相关性（重要）
      • 2. 7 绘制模块与性状相关性热图（重要）
      • 2. 8 计算关键模块中的GS和MM（非必须）
      • 2. 9 提取通过筛选的基因作为关键基因（非必须）

1. WGCNA基础知识

1.1 WGCNA是什么？
是一种通过分析基因表达数据来识别基因间相互关联模式的方法，这种方法不是简单地看哪些基因的表达量高或低，而是深入挖掘哪些基因的表达变化是相似的。

1.2 WGCNA的目的是什么？
旨在通过基因表达模式的不同，挖掘出相似表达模式的基因，并将这些基因定义为模块（module）。这些具有相似表达模式的基因很可能是紧密共调控的，功能紧密相关的，或是同一条信号通路或过程的成员，因此对其进行分析具有特定的生理意义。

1.3 模块是干什么用的？
模块是用来与外部特征（如时间点、病理进程、表型性状等）进行关联分析的，从而鉴定出与外部特征相关的基因。

1.4 什么是加权？
加权是指对基因之间的相关性值进行幂次运算 (幂次的值也就是软阈值 )

1.5 为什么要加权或者说进行幂次运算
幂次运算的目的是强化相关系数的变化层次，使得网络中的基因之间的连接服从无尺度网络分布

1.6 什么是无尺度分布网络
关于无尺度分布网络的介绍可以参考这一篇教程【WGCNA学习笔记】无尺度分布和软阈值
举个栗子： 各位的导师都是专业领域内的小牛/大牛，他们就算是这个领域内的hub节点，因为他们跟同领域内的其他老师或多或少都会有联系，以你们导师为中心会出现一种成辐射状的发散形式，如下图所示，研究领域相似的人在一个实验室里，呈现在WGCNA中就是表达相似的基因被纳入到一个模块中。
在这里插入图片描述

综上所述： WGCNA就是通过加权计算将全部基因中表达模式相似的基因划分到一个模块中，之后对模块与外部特征（如时间点、病理进程、表型性状等）进行相关性分析，与外部特征显著相关的模块被认为是关键模块，里面的基因自然而然的被认为是与该外部特征相关联。

2. WGCNA（Rstudio）——代码实操

本项目以TCGA——肺腺癌为例展开分析
物种：人类（Homo sapiens）
R版本：4.2.2
R包：WGCNA，tidyverse，dplyr，ggplot2

废话不多说，代码如下：

2. 1 数据处理

设置工作空间：

rm(list = ls()) # 删除工作空间中所有的对象
setwd('/XX/XX/XX') # 设置工作路径
if(!dir.exists('./07_WGCNA')){
  dir.create('./07_WGCNA')
} 
setwd('./07_WGCNA/')

加载包：

library(WGCNA)  
library(tidyverse)
library(dplyr)
library(ggplot2)

导入要分析的表达矩阵dat ，并对dat 的列名进行处理（这是因为在读入的时候系统会默认把样本id中的“-”替换成“.”，所以要给替换回去）

dat <- read.csv('../../00_rawdata/LUAD/data_fpkm.csv', row.names = 1)
colnames(dat) <- gsub('.', '-', colnames(dat), fixed = T)

dat 如下图所示，行为基因名（symbol），列为样本名
在这里插入图片描述

将dat 行和列调转一下，变成行为样本，列为基因的形式

dat <- t(dat) %>% data.frame()

处理后的dat 如下图所示：

在这里插入图片描述

之后对dat 做一个检测，检测其中是否存在缺失值，如果存在缺失值要进行处理，否则后面分析会报错。

temp1 <- goodSamplesGenes(dat, verbose = 3) # 对文件做检测，检测是否有缺失值，即NA
temp1$allOK # 如果temp1$allOK的结果为TRUE，证明没有缺失值，可以直接下一步

# 如果temp1$allOK的结果为FALSE，证明有缺失值，执行以下代码：
if (!temp1$allOK){
  # Optionally, print the gene and sample names that were removed:
  if (sum(!temp1$goodGenes)>0)
    printFlush(paste("Removing genes:", paste(names(dat)[!temp1$goodGenes], collapse = ", ")));
  if (sum(!temp1$goodSamples)>0)
    printFlush(paste("Removing samples:", paste(rownames(dat)[!temp1$goodSamples], collapse = ", ")));
  # Remove the offending genes and samples from the data:
  dat = dat[temp1$goodSamples, temp1$goodGenes]
}
temp1 <- goodSamplesGenes(dat, verbose = 3) # 对文件做检测，检测是否有缺失值，即NA
temp1$allOK

处理后就可以开始准备分组信息表——group
注意：分组信息表是为了在绘制样本聚类树的时候添加一个分组条带，并且后面划分出模块之后，要和模块进行相关性分析

## 分组信息表
group <- read.csv('./data_group.csv', row.names = 1, check.names = F)

导入的分组信息表——group 如下图所示：有两列，第一列是样本对应的id，第二列是样本对应的分组情况（我这里分的是disease组和control组）。
在这里插入图片描述

对group 进一步做处理

group$disease <- ifelse(group$group == 'disease', 1, 0)
group$control <- ifelse(group$group == 'control', 1, 0)
group <- dplyr::select(group, -group)
group <- plyr::rename(group, 
                      c(sample = 'id'))
group$id<- lapply(strsplit(group$id, "\\."), function(x) paste0(x, collapse = "-"))
group$id
datTraits <- data.frame(row.names = group$id, group = group[, 2:3])

处理后的datTraits 如下图所示，行名为样本名，第一列是疾病组，是疾病的样本赋值为1，不是疾病的样本赋值为0；第二列是对照组，是对照的样本赋值为1，不是对照的样本赋值为0.
在这里插入图片描述

之后对datTraits 赋予不同的色号

traitColors <- numbers2colors(datTraits, signed = FALSE)

traitColors 如下图所示，里面的#…就是代表不同的颜色，这里面的两列就是上面datTraits 中对应的两列。
在这里插入图片描述

2. 2 构建样本聚类树

做样本聚类树（目的：看是否具有离群样本）

sampleTree = hclust(dist(dat, method = 'euclidean'), method = "complete") # 构建聚类树，看是否有离群样本

通过plotDendroAndColors函数绘图，看一下是否存在离群样本

plotDendroAndColors(sampleTree, 
                    traitColors,
                    main = "Sample clustering to detect outliers", 
                    sub="", 
                    xlab="", 
                    cex.lab = 2, # cex.lab指定轴标签的大小
                    cex.axis = 1.5, # cex.axis指定刻度线标签的大小
                    cex.main = 2, 
                    groupLabels = colnames(datTraits),
                    dendroLabels = FALSE
)

样本聚类树如下图所示，可以看到聚类树中不存在显著离群样本。而下方的那个红色条带就是上一步准备的那个颜色表traitColors
在这里插入图片描述

2. 3 计算软阈值

在确认了没有离群样本之后就可以去计算软阈值了，关于软阈值的概念前述已经提及。

datExpr <- dat
nGenes = ncol(datExpr) # 列是基因名
nSamples = nrow(datExpr) # 行是样本名
## 计算软阈值
powers <- c(c(1:10), seq(from = 12, to=30, by=2))  # 设置网络构建参数选择范围，计算无尺度分布拓扑矩阵
sft <- pickSoftThreshold(datExpr, powerVector = powers, verbose = 5)

# pickSoftThreshold: will use block size 2284.
#  pickSoftThreshold: calculating connectivity for given powers...
#    ..working on genes 1 through 2284 of 19581
#    ..working on genes 2285 through 4568 of 19581
#    ..working on genes 4569 through 6852 of 19581
#    ..working on genes 6853 through 9136 of 19581
#    ..working on genes 9137 through 11420 of 19581
#    ..working on genes 11421 through 13704 of 19581
#    ..working on genes 13705 through 15988 of 19581
#    ..working on genes 15989 through 18272 of 19581
#    ..working on genes 18273 through 19581 of 19581

计算完软阈值，进行简单可视化，看看软阈值大概多少

par(mfrow = c(1, 2)); # 一张画布上显示两个图
cex1 = 0.9;
plot(sft$fitIndices[, 1], 
     -sign(sft$fitIndices[, 3])*sft$fitIndices[, 2],
     xlab = "Soft Threshold (power)",
     ylab = "Scale Free Topology Model Fit,signed R^2",
     type = "n",
     main = paste("Scale independence"));
text(sft$fitIndices[, 1], 
     -sign(sft$fitIndices[, 3])*sft$fitIndices[, 2],
     labels = powers,
     cex = cex1,
     col = "red");
abline(h=0.85,col="red") 
plot(sft$fitIndices[, 1], 
     sft$fitIndices[, 5],
     xlab = "Soft Threshold (power)",
     ylab = "Mean Connectivity", 
     type = "n",
     main = paste("Mean connectivity"))
text(sft$fitIndices[, 1], 
     sft$fitIndices[, 5], 
     labels = powers, 
     cex = cex1,
     col = "red")

结果如下图所示，通常选择首次越过R^2 = 0.85红线的值作为软阈值（下图中选择6就是比较合适的）
在这里插入图片描述
注：同时还要看右侧的纵坐标，必须保证选的值（6）其所对应的平均链接度（Mean connectivity）接近于0

2. 4 一步法构建WGCNA网络

在确认了软阈值，用选定的6带入函数中构建WGCNA网络

一步法构建WGCNA网络需要的东西：
（1）datExpr（表达矩阵，也就是之前的dat）
（2）nGenes（表达矩阵中的基因数目）
（3）power = 6（软阈值，上一步计算的结果）

net <- blockwiseModules(datExpr, 
                        power = 6, # 7是刚才picksoftThreshold的软阈值
                        maxBlockSize = nGenes, # 默认maxBlockSize是5000，表示仅会分析5000个基因
                        TOMType = "unsigned", # 计算TOM矩阵时，是否考虑正负相关性；默认为"signed",可选"unsigned"
                        minModuleSize = 100, # minModuleSize：模块中最少的基因数，设置为50，即模块中只有大于50个基因才会被统计
                        reassignThreshold = 0, 
                        # deepSplit = 2,
                        mergeCutHeight = 0.3, # mergeCutHeight ：模块合并阈值，阈值越大，模块越少（重要）
                        numericLabels = TRUE,  # 返回数字而不是颜色作为模块的名字，后面可以再转换为颜色
                        pamRespectsDendro = FALSE,
                        saveTOMs = TRUE, # 询问是否保存TOM文件
                        saveTOMFileBase = "gene_TOM", # 保存的TOM文件命名
                        corType = "pearson", # 计算相关性的方法；可选pearson(默认)，bicor。后者更能考虑离群点的影响
                        loadTOMs = TRUE,
                        verbose = 3)

注：里面的参数就不一一介绍了，具体的可以参考blockwiseModules这个函数的说明书，常用参数后面都有相应的注释

查看聚类出来多少模块，并给模块分别赋予一个颜色（这里一共聚类出13个模块）

table(net$colors) # 结果表示一共可以分为13个模块，第二行是每个模块对应的基因数，由多到少
#  0    1    2    3    4    5    6    7    8    9   10   11   12   13 
# 4687 4646 2249 1617 1505  965  948  669  570  402  380  360  307  276 
mergedColors <- labels2colors(net$colors) # 给每一个模块分别给个颜色（彩虹色）

2. 5 绘制基因动态剪切树

sizeGrWindow(12, 9)
plotDendroAndColors(net$dendrograms[[1]], 
                    mergedColors[net$blockGenes[[1]]],
                    "Module colors",
                    dendroLabels = FALSE, 
                    hang = 0.03,
                    addGuide = TRUE, 
                    guideHang = 0.05)

结果如下图所示，跟前面样本聚类树很像，但是这里面上方每一个黑线代表基因，表达模式的基因会被划分到一个簇中，每个簇对应下方的一种颜色。

比如：下方蓝色的条带上方对应的基因就是一簇。

在这里插入图片描述

2. 6 计算模块与性状相关性（重要）

通过一步法对基因进行聚类后得到不同的模块，那么哪些模块与自己想要研究的性状相关呢？

接下来就要对模块与性状进行相关性分析，首先要计算每个模块对应的ME分数

ME： Module Eigengene，模块特征基因，用于描述和代表整个模块（Module）的基因表达谱，简单来说，ME就是一个能够代表模块整体表达趋势的“分数”或“值”。

moduleLabels <- net$colors # # 显示了数据集中的每个基因被分配到什么模块中，不同的模块用不同的数字表示
moduleColors <- labels2colors(net$colors) # label_to_colors，将每个模块对应的数字转成颜色
table(moduleLabels)
table(moduleColors)

## Recalculate MEs with color labels
MEs0 <- moduleEigengenes(datExpr, moduleColors)$eigengenes
MEs <- orderMEs(MEs0)

MEs 如下图所示，行为样本名，列为模块对应的颜色，表中数值就代表该模块在不同样本中对应的ME分数，
在这里插入图片描述
接下来就是要计算这些模块（MEs）与性状（datTraits）之间的相关性

datTraits <- plyr::rename(datTraits, 
                          c(group.disease = 'disease', 
                            group.control = 'control'))
## 计算基因集和模块之间的相关性
MEs <- dplyr::select(MEs, -MEgrey) ## 剔除灰色模块
moduleTraitCor = cor(MEs, datTraits, use = "p");
moduleTraitPvalue <- corPvalueStudent(moduleTraitCor, nSamples)

注：这里要注意下需要剔除灰色模块，因为灰色模块中的基因是一些孤立的基因聚合的模块（实用意义不大）

2. 7 绘制模块与性状相关性热图（重要）

## Will display correlations and their p-values,
textMatrix <- paste(signif(moduleTraitCor, 2), "\n(",
                    signif(moduleTraitPvalue, 1), ")", sep = "");
dim(textMatrix) <- dim(moduleTraitCor)

## 绘图保存
par(mar = c(4, 9, 2, 2))
labeledHeatmap(Matrix = moduleTraitCor,
               xLabels = names(datTraits),
               yLabels = names(MEs),
               ySymbols = names(MEs),
               colorLabels = FALSE,
               colors = blueWhiteRed(50),
               textMatrix = textMatrix,
               setStdMargins = FALSE,
               cex.text = 0.7,
               zlim = c(-1,1),
               main = paste("Module-trait relationships"))

热图结果如下所示：红色的方块表示正相关，蓝色的表示负相关，颜色越深表明相关性系数越大（也就说明模块与性状越相关）
在这里插入图片描述
注：细心的朋友可以发现disease和control的相关性系数是一样的，只不过颜色相反，这是正常情况，因为性状分组一般都是二分类（0/1），对于疾病是正相关，那么对于对照也就是负相关。

2. 8 计算关键模块中的GS和MM（非必须）

从上图中我们可以看到黄色模块的相关性系数在所有模块中是最大的，就认为该模块与我们的疾病（肺腺癌）最相关，那么里面的基因也被认为是与疾病最相关的（这么说是因为前面提到过：一个模块里的基因是由表达模式相似的基因聚合而成的，大致就认为他们的功能相似）。

但实际上并不是模块中每个基因都跟性状相关，因此要进一步用MM和GS进行筛选。

MM（Module Membership）： 是通过将某基因的表达量与模块特征基因——ME，进行相关性分析得到的，如果MM的绝对值接近1，说明基因与该模块的相关性很高，是该模块的重要组成部分，如果基因和某个模块的MM值为0，说明该基因与这个模块根本不相关，不属于这个模块。

GS（Gene Significance）： 是基因和表型性状之间相关性的绝对值。具体来说，它是通过将指定基因的表达量与对应的表型数值进行相关性分析得到的相关性系数，GS越高，表明指定基因与研究表型越相关。

选择黄色模块并计算MM分数和GS分数

module <- c('yellow')
probes <- colnames(datExpr) # 导入的fpkm文件中全部的基因名
inModule <- (moduleColors == module) # 模块是red中的基因
modProbes <- probes[inModule] # 筛选出关键基因
modGenes <- as.data.frame(modProbes)
colnames(modGenes) <- 'modgene'

## 模块与基因间的相关性
geneModuleMembership <- as.data.frame(cor(datExpr, MEs, use = "p"))
MMPvalue <- as.data.frame(corPvalueStudent(as.matrix(geneModuleMembership), nSamples))

geneTraitCor = as.data.frame(cor(datExpr, datTraits, use = "p"))
geneTraitP = as.data.frame(corPvalueStudent(as.matrix(geneTraitCor), nSamples))

modNames = substring(colnames(MEs), 3)

## 获取关注的列
pheno = "disease"
module_column = match(module, modNames)
pheno_column = match(pheno, colnames(datTraits))

## 获取模块内的基因
moduleGenes <- (moduleColors == module)

MM <- abs(geneModuleMembership[moduleGenes, module_column])
GS <- abs(geneTraitCor[moduleGenes, 1])

绘制MM和GS相关性散点图来评估模块中每一个基因与模块和性状的相关性。

verboseScatterplot(x = MM,
                   y = GS,
                   xlab = paste("Module Membership in", module, "module"),
                   ylab = paste("Gene significance for", pheno),
                   main = paste("Module membership vs. gene significance\n"),
                   cex.main = 1.2, cex.lab = 1.2, cex.axis = 1.2, col = module)
abline(h=0.6,v=0.8,col="blue",lwd=1.5)

结果如下图所示模块里的基因与模块的相关性系数为0.87，p值小于0.05，说明聚类很成功，模块里的基因与该模块相关。图中横坐标就是MM，纵坐标就是GS，图中蓝色的两条线就是MM > 0.8 & GS > 0.6的筛选条件。
在这里插入图片描述
注：通常认为MM > 0.8 & GS > 0.6的基因不仅与模块高度相关，同时还与表型性状（肺腺癌）高度相关。

2. 9 提取通过筛选的基因作为关键基因（非必须）

前述提到MM > 0.8 & GS > 0.6的基因被认为更加重要，接下来就需要将这部分基因提取出来并保存进行后续分析。

c <- as.data.frame(cbind(MM, GS))
rownames(c) <- modGenes$modgene

hub_gene <- subset(c, c$MM > 0.8 & c$GS > 0.6)
write.csv(hub_gene, file = paste0(module, '_screen_gene_GS_MM.csv'))

这里面的hub_gene就是从黄色模块中挑选出来的更加重要的基因，这部分基因就被认为既与模块高度相关，同时也与表型性状高度相关，可进行后续分析。

注：最后这两部分写的非必须，是指可以不通过GS和MM筛选，直接拿模块里的全部基因去进行后续的分析，同时关于模块的选择也可以自己根据数据进行调整。

结语：

以上就是WGCNA的所有过程，如果有什么需要补充或不懂的地方，大家可以私聊我或者在下方评论。

如果觉得本教程对你有所帮助，点赞关注不迷路！！！

  • 目录部分跳转链接：零基础入门生信数据分析——导读

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/1958416.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

c语言代码运行不成功，如何解决？

c语言代码运行不成功，如何解决？

&#x1f3c6;本文收录于《CSDN问答解惑-专业版》专栏&#xff0c;主要记录项目实战过程中的Bug之前因后果及提供真实有效的解决方案&#xff0c;希望能够助你一臂之力&#xff0c;帮你早日登顶实现财富自由&#x1f680;&#xff1b;同时&#xff0c;欢迎大家关注&&收…
阅读更多...
GEE数据：Sentinel-2数据更新新增两个云和雪波段（MSK_CLDPRB和MSK_SNWPRB）

GEE数据：Sentinel-2数据更新新增两个云和雪波段（MSK_CLDPRB和MSK_SNWPRB）

目录 简介 数据时间 数据提供者 Collection Snippet 波段名称 Class Table: SCL 影像属性 代码 结果 简介 2022年1月25日之后&#xff0c;PROCESSING_BASELINE为“04.00”或以上的Sentinel-2场景的DN&#xff08;值&#xff09;范围移动了1000。HARMONIZED集合将新场…
阅读更多...
【C++】std::shared_ptr智能指针详解和示例

【C++】std::shared_ptr智能指针详解和示例

在C中&#xff0c;智能指针是一种用于自动管理动态分配内存的机制&#xff0c;旨在减少内存泄漏和野指针的风险。std::shared_ptr 是C标准库提供的几种智能指针之一&#xff0c;它通过共享所有权的机制来管理动态分配的对象。本文将详细解析 std::shared_ptr 的工作原理、特性&…
阅读更多...
【电路笔记】-共源JFET放大器

【电路笔记】-共源JFET放大器

共源JFET放大器 文章目录 共源JFET放大器1、概述2、共源JFET放大器3、JFET放大器电流和功率增益共源JFET放大器使用结场效应晶体管作为其主要有源器件，提供高输入阻抗特性。 1、概述 普通源JFET放大器与共射极BJT放大器相比有一个重要优点，即FET具有极高的输入阻抗，再加上低…
阅读更多...
工业三防平板，高效能与轻便性的结合

工业三防平板，高效能与轻便性的结合

在当今数字化、智能化的工业时代&#xff0c;工业三防平板作为一种创新的设备&#xff0c;正以其独特的优势在各个领域发挥着重要作用。它不仅具备高效能的处理能力&#xff0c;还拥有出色的轻便性&#xff0c;为工业生产和管理带来了前所未有的便利。 一、高效能的核心动力 工…
阅读更多...
2024年中职云计算实验室建设及云计算实训平台整体解决方案

2024年中职云计算实验室建设及云计算实训平台整体解决方案

随着信息技术的飞速发展&#xff0c;云计算作为新一代信息技术的核心&#xff0c;正逐步渗透到各行各业&#xff0c;成为推动数字化转型的重要力量。为了适应这一趋势&#xff0c;中职教育作为技能型人才培养的重要阵地&#xff0c;亟需加强云计算实验室建设与云计算实训平台的…
阅读更多...
web，apache，nginx

web，apache，nginx

web基本概念和常识 Web:为用户提供的一种在互联网上浏览信息的服务&#xff0c;Web 服务 是动态的、可交 互的、跨平台的和图形化的。 Web 服务为用户提供各种互联网服务&#xff0c;这些服务包括信息浏览服务&#xff0c;以及各种交互式服务&#xff0c;包括聊天、购物、学习…
阅读更多...
泰迪智能科技大数据实验室——陕西省高校合作成功案例

泰迪智能科技大数据实验室——陕西省高校合作成功案例

近年来&#xff0c;陕西省紧跟国家大数据发展战略&#xff0c;积极推进大数据产业发展。在政策扶持、产业布局、技术创新等方面取得显著成效。泰迪智能科技大数据实验室立足陕西&#xff0c;携手西安邮电大学、西安财经大学、陕西科技大学镐京学院、宝鸡文理学院、渭南师范学院…
阅读更多...
编译期链接时共享库搜索路径优先级实验

编译期链接时共享库搜索路径优先级实验

编译期链接时共享库搜索路径优先级实验 前言实验环境目录说明准备工作单独测试不配置路径默认路径LIBRARY_PATH-L 优先级测试默认路径和LIBRARY_PATH-L和默认路径 DEBUG模式编译器配置详细信息链接器详细信息DEBUG总结验证 默认路径>LIBRARY_PATH原因附录库文件源码主程序源…
阅读更多...
bugku-web-ctf-变量1

bugku-web-ctf-变量1

<?php error_reporting(0); include "flag1.php"; highlight_file(__file__); if(isset($_GET[args])){$args $_GET[args];if(!preg_match("/^\w$/",$args)){die("args error!");}eval("var_dump($$args);"); } ?> error_r…
阅读更多...
Apache、nginx

Apache、nginx

一、Web 1、概述 Web&#xff1a;为⽤户提供的⼀种在互联⽹上浏览信息的服务&#xff0c;Web 服务是动态的、可交互的、跨平台的和图形化的。 Web 服务为⽤户提供各种互联⽹服务&#xff0c;这些服务包括信息浏览服务&#xff0c;以及各种交互式服务&#xff0c;包括聊天、购物…
阅读更多...
React基础知识 精简全面 推荐

React基础知识 精简全面 推荐

这篇博文主要对一些刚入门react框架的同学&#xff0c;以及对react基本知识进行巩固的&#xff0c;最后就是精简一下基本知识&#xff0c;以方便自己查看&#xff0c;感谢参考&#xff0c;有问题评论区交流&#xff0c;谢谢。 目录 1.JSX 2.Props 和 State 3.组件生命周期…
阅读更多...
“八股文”在实际工作中是助力、阻力还是空谈？

“八股文”在实际工作中是助力、阻力还是空谈？

程序员面试中的“八股文”&#xff1a;助力、阻力还是空谈&#xff1f; 在当前的技术行业&#xff0c;程序员的招聘面试过程中频繁出现对“八股文”的考核。“八股文”通常指的是关于编程知识的标准化回答&#xff0c;这些问题在网络上大量流传&#xff0c;并被求职者反复背诵…
阅读更多...
Socket通信(C++)

Socket通信(C++)

文章目录 什么是SocketSocket通信过程C Socket通信APIint socket(int domain, int type, int protocol);int bind(int sockfd, const struct sockaddr *addr, socklen_t addrlen);struct sockaddrstruct sockaddr_unstruct sockaddr_in / struct sockaddr_in6 int connect(int …
阅读更多...
IP Fabric三层路由

IP Fabric三层路由

IP Fabric指的是在IP网络基础上建立起来的Overlay隧道技术。即为基于胖树的SpineLeaf拓扑结构的IP Fabric组网图。 在这种组网方式中&#xff0c;任何两台服务器间的通信不超过3台设备&#xff0c;每个Spine和Leaf节点全互连&#xff0c;可以方便地通过扩展Spine节点来实现网络…
阅读更多...
Godot学习笔记6——数组和for

Godot学习笔记6——数组和for

一、定义一个数组 在Godot中&#xff0c;定义一个数组的关键字也是“var”&#xff0c;数组里面的内容使用方括号括起来。在没有限定类型时&#xff0c;我们可以放入任何类型的数据&#xff1a; 我们甚至可以将另一个数组放入此数组中&#xff1a; 和其他类型的变量类似&#…
阅读更多...
【数据结构】包装类泛型

【数据结构】包装类泛型

1.包装类 在 Java 中&#xff0c;由于基本类型不是继承自 Object &#xff0c;为了在泛型代码中可以支持基本类型&#xff0c; Java 给每个基本类型都对应了 一个包装类型。 1.1.基本的数据类型对应的包装类 1.2装箱和拆箱 //装箱int a10;Integer cInteger.valueOf(a);System.…
阅读更多...
鸿蒙应用框架开发【简单时钟】 UI框架

鸿蒙应用框架开发【简单时钟】 UI框架

简单时钟 介绍 本示例通过使用ohos.display接口以及Canvas组件来实现一个简单的时钟应用。 效果预览 使用说明 1.界面通过setInterval实现周期性实时刷新时间&#xff0c;使用Canvas绘制时钟&#xff0c;指针旋转角度通过计算得出。 例如&#xff1a;"2 * Math.PI / …
阅读更多...
Synchronized的锁升级过程是怎样的？

Synchronized的锁升级过程是怎样的？

文章目录 一、Synchronized的使用1、修饰实例方法2、修饰静态方法3、修饰代码块4、总结&#xff1a; 二、Monitor1、Java对象头1.1 32 位虚拟机的对象头1.2 64位虚拟机的对象头 2、Mark Word 结构3、Moniter4、Synchronized 字节码5、轻量级锁6、锁膨胀7、自旋优化8、偏向锁9、…
阅读更多...
Python for循环迭代原理（迭代器 Iterator）

Python for循环迭代原理（迭代器 Iterator）

在使用Python时&#xff0c;我们经常会使用for循环来访问容器对象&#xff08;列表、字符、字典等&#xff09;中的元素。其幕后实际是通过迭代协议来完成的&#xff0c;迭代是一种依次访问对象中元素的方式&#xff0c;for循环在对象上调用iter()函数生成一个迭代器&#xff0…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023