医学数据分析实训 项目五 聚类分析--蛋白质消费结构分析--车辆驾驶行为指标

news2025/1/6 20:47:35

文章目录

      • 项目五：聚类分析
        • 实践目的
        • 实践平台
        • 实践内容
          • 任务一：蛋白质消费结构分析
          • 步骤
    • 任务一：蛋白质消费结构分析
      • 数据预处理
      • （四）模型建立及优化
        • KMeans
    • 任务二 车辆驾驶行为
      • （四）模型建立及优化

项目五：聚类分析

实践目的
  • 熟悉模型性能评估的方法；
  • 熟悉并掌握 k-means 算法进行聚类分析的方法；
  • 理解聚类分析算法并能使用 k-means 算法分析数据集。
实践平台
  • 操作系统：Windows 7 及以上
  • Python 版本：3.8.x 及以上
  • 开发环境：PyCharm 或 Anaconda 集成环境
实践内容
任务一：蛋白质消费结构分析

数据集文件名为“protein.txt”，主要记录了25个国家的9个属性：

  1. ID：国家的 ID；
  2. Country（国家类别）：该数据集涉及25个欧洲国家肉类和其他食品之间的关系；
  3. 关于肉类和其他食品的9个数据包括：
    • RedMeat（红肉）
    • WhiteMeat（白肉）
    • Eggs（蛋类）
    • Milk（牛奶）
    • Fish（鱼类）
    • Cereals（谷类）
    • Starch（淀粉类）
    • Nuts（坚果类）
    • Fr&Veg（水果和蔬菜）

本项目实践所涉及的业务为不同国家蛋白质消费结构分析，主要从数据集中选取不同国家蛋白质食品的消费数据，在此基础上通过k-means算法模型对其进行迭代求解的聚类分析，最后评价聚类效果的优度。

步骤

  1. 数据读入

    • 导入本案例所需的Python包；
    • 使用pandas包中的read_table()方法将数据读入并存为DataFrame格式，查看前5行数据。

  2. 数据理解

    • 通过describe()、info()方法和shape属性对读入的数据对象进行探索性分析；
    • 查看数据集中是否存在缺失值、重复值和异常值；

  3. 数据准备

    • 去除数据集中无关列“Country”，提取有用数据；
    • 为了排除数值的量纲对结果的影响，对数据集进行以均值为中心的标准化处理（Z-Score标准化）；

  4. 模型建立及优化

    • 使用k-means算法实现

      1. 使用KMeans()建立模型，设置KMeans()的聚集次数n_clusters参数为5；
      2. 使用模型对数据集进行聚类，并输出聚类结果；
      3. 使用轮廓系数对模型进行评价，设置聚集次数在2-20之间，其他参数自行设置或保持默认，输出聚集次数在2-20之间的每次的轮廓系数，并以聚集次数为横坐标，轮廓系数为纵坐标，使用pyplot()绘制可视化图形；
      4. 轮廓系数越大，聚类效果越好。找出范围内最优的聚集次数，重新建立模型；
      5. 使用优化后的模型对数据集进行聚类，输出聚类结果。

    • 使用高斯混合聚类算法实现

      1. 使用GaussianMixture()建立模型，设置混合高斯模型的个数n_components；
      2. 使用模型对数据集进行聚类，并输出聚类结果；

    • 使用DBSCAN密度聚类算法实现

      1. 使用DBSCAN()建立模型，设置半径eps和最小样本数min_samples；
      2. 使用模型对数据集进行聚类，并输出聚类结果；

    • 使用单链接层次聚类算法实现

      1. 使用AgglomerativeClustering()建立模型，设置聚类簇数n_clusters；
      2. 使用模型对数据集进行聚类，并输出聚类结果；

    • 分别绘制以上四种聚类方法对应的聚类结果散点图，并进行对比。

任务一：蛋白质消费结构分析

数据预处理

# 1. 导入本案例所需的 Python 包
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt
from sklearn.mixture import GaussianMixture
from sklearn.cluster import DBSCAN
from sklearn.cluster import AgglomerativeClustering
# 设置显示中文字体
plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体
# 设置正常显示符号
plt.rcParams['axes.unicode_minus'] = False
import seaborn as sns

# 2. 使用 pandas 包中的 read_table()方法将数据读入并存为 DataFrame 格式，查看前 5 行数据
file_path = "input/protein.txt"

# 读取数据
data = pd.read_table(file_path, encoding='utf-8')

# 查看前 5 行数据
print(data.head(5))

# 1. 探索性分析
# 使用 describe() 方法获取数据的统计信息
print("数据统计信息:",data.describe())

# 使用 info() 方法获取数据的基本信息
print("\n数据基本信息:",data.info())

# 使用 shape 属性获取数据的行数和列数
print("\n数据形状 (行数, 列数):",data.shape)

# 2. 检查缺失值、重复值和异常值
# 检查缺失值
print()
print("\n缺失值检查:",data.isnull().sum())

# 检查重复值
print("重复行数:", data.duplicated().sum())

# # 检查异常值
print("\n异常值检查：")
# 计算每个数值列的上下限
numeric_columns = data.select_dtypes(include=[np.number]).columns
Q1 = data[numeric_columns].quantile(0.25)
Q3 = data[numeric_columns].quantile(0.75)
IQR = Q3 - Q1

# 计算异常值范围
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR

# 检查是否有超出范围的值
outliers = ((data[numeric_columns] < lower_bound) | (data[numeric_columns] > upper_bound)).sum()
print(outliers)

# （三）数据准备
# 去除无关列 "Country"
data = data.drop(columns=['Country'])
# 2.为了排除数值的量纲对结果的影响，对数据集进行以均值为中心的标准化处理（Z-Score 标准化）；
scaler = StandardScaler()
data[numeric_columns] = scaler.fit_transform(data[numeric_columns])

# 查看标准化后的数据前5行
print("\n标准化后数据前5行：")
print(data.head())

（四）模型建立及优化

KMeans
# 使用 k-means 算法实现
# (1) 使用 KMeans()建立模型，设置 n_clusters 期望的簇的数量 参数为 5
kmeans_model = KMeans(n_clusters=5, random_state=42)
kmeans_model.fit(data)

# (2) 使用模型对数据集进行聚类，并输出聚类结果
cluster_labels = kmeans_model.labels_
data['Cluster'] = cluster_labels
print("\n聚类结果：",data.head())

# (3) 使用轮廓系数对模型进行评价
silhouette_scores = []
for n_clusters in range(2, 21):
    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
    cluster_labels = kmeans.fit_predict(data)
    score = silhouette_score(data, cluster_labels)
    silhouette_scores.append(score)

# 绘制轮廓系数图
plt.figure(figsize=(10, 6))
plt.plot(range(2, 21), silhouette_scores, marker='o')
plt.title('Silhouette Coefficient vs. Number of Clusters')
plt.xlabel('Number of Clusters')
plt.ylabel('Silhouette Coefficient')
plt.grid(True)
plt.show()

# (4) 找出最优的聚集次数
optimal_n_clusters = silhouette_scores.index(max(silhouette_scores)) + 2
print(f"\n最优的聚集次数为：{optimal_n_clusters}")

"""这一行代码中加上 2 是因为轮廓系数是在 range(2, 21) 的范围内计算的。
具体来说：
轮廓系数计算范围：
我们计算了从 2 到 20 的聚类数（即 range(2, 21)）的轮廓系数。
索引位置：
silhouette_scores 列表中的索引是从 0 开始的，对应于聚类数从 2 开始。"""

# (5) 使用优化后的模型对数据集进行聚类
optimal_kmeans_model = KMeans(n_clusters=optimal_n_clusters, random_state=42)
optimal_kmeans_model.fit(data)

optimal_cluster_labels = optimal_kmeans_model.labels_
data['Optimal_Cluster'] = optimal_cluster_labels

# 输出优化后的聚类结果
print("\n优化后的聚类结果：",data.head())

在这里插入图片描述
最优的聚集次数为：5

# 使用高斯混合聚类算法实现
# (1) 使用 GaussianMixture() 建立模型，设置 n_components 期望的高斯分布（簇）的数量
gm_model = GaussianMixture(n_components=5, random_state=42)
gm_model.fit(data)

# (2) 使用模型对数据集进行聚类
gm_cluster_labels = gm_model.predict(data)
data['GM_Cluster'] = gm_cluster_labels
print("\n高斯混合聚类结果：",data.head())

# 使用 DBSCAN 密度聚类算法实现：
# (1) 使用 DBSCAN() 建立模型，设置 eps  和 min_samples
dbscan_model = DBSCAN(eps=0.5, min_samples=5)
dbscan_model.fit(data)
# (2) 使用模型对数据集进行聚类 输出密度聚类结果
dbscan_cluster_labels = dbscan_model.labels_
data['DBSCAN_Cluster'] = dbscan_cluster_labels
print("\nDBSCAN 密度聚类结果：",data.head())

# 使用单链接层次聚类：
# (1) 使用 AgglomerativeClustering() 建立模型，设置 n_clusters 期望的最终簇的数量。
agg_model = AgglomerativeClustering(n_clusters=5, linkage='single')

# (2) 使用模型对数据集进行聚类 输出聚类结
agg_cluster_labels = agg_model.fit_predict(data)
data['Agg_Cluster'] = agg_cluster_labels
print("\n单链接层次聚类结果：",data.head())

# 4. 绘制四种聚类方法对应的聚类结果散点图
# 选红肉和蛋类
X = data[['RedMeat', 'Eggs']]

# 绘制四种聚类方法对应的聚类结果散点图
plt.figure(figsize=(12, 12))

# 绘制高斯混合聚类结果
plt.subplot(2, 2, 1)
plt.scatter(X['RedMeat'], X['Eggs'], c=data['GM_Cluster'], cmap='viridis', s=50)
plt.title('高斯混合聚类结果')
plt.xlabel('红肉')
plt.ylabel('蛋类')

# 绘制 DBSCAN 密度聚类结果
plt.subplot(2, 2, 2)
plt.scatter(X['RedMeat'], X['Eggs'], c=data['DBSCAN_Cluster'], cmap='viridis', s=50)
plt.title('DBSCAN 密度聚类结果')
plt.xlabel('红肉')
plt.ylabel('蛋类')

# 绘制单链接层次聚类结果
plt.subplot(2, 2, 3)
plt.scatter(X['RedMeat'], X['Eggs'], c=data['Agg_Cluster'], cmap='viridis', s=50)
plt.title('单链接层次聚类结果')
plt.xlabel('红肉')
plt.ylabel('蛋类')

# 绘制 KMeans 聚类结果
plt.subplot(2, 2, 4)
plt.scatter(X['RedMeat'], X['Eggs'], c=data['Cluster'], cmap='viridis', s=50)
plt.title('KMeans 聚类结果')
plt.xlabel('红肉')
plt.ylabel('蛋类')

plt.tight_layout()
plt.show()

在这里插入图片描述

任务二 车辆驾驶行为

# （一）数据读入
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.mixture import GaussianMixture
from sklearn.cluster import DBSCAN
from sklearn.cluster import AgglomerativeClustering
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt
# 设置显示中文字体
plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体
# 设置正常显示符号
plt.rcParams['axes.unicode_minus'] = False


df = pd.read_csv("input/车辆驾驶行为指标数据.csv",encoding='gbk')
print(df.head())  # 查看前五行数据

# 使用 describe() 方法查看数据的统计信息
print("\n数据统计信息:")
print(df.describe())

# 使用 info() 方法查看数据的基本信息，包括每列的数据类型和非空值数量
print("\n数据基本信息:")
print(df.info())

# 使用 shape 属性查看数据的形状（行数和列数）
print("\n数据形状:")
print(df.shape)

# 检查缺失值
print("\n缺失值检查:")
print(df.isnull().sum())

# 检查重复值
print("\n重复值检查:")
print(df.duplicated().sum())

# 处理缺失值 填充缺失值
df.fillna(0, inplace=True)
print("\n处理后数据缺失值情况：")
print(df.isnull().sum())

# 检查异常值（例如通过标准差）
numeric_columns = df.select_dtypes(include=[np.number]).columns
print("\n异常值检查:")
for column in numeric_columns:
    mean = df[column].mean()
    std = df[column].std()
    print(f"{column} 的异常值数量: {df[(df[column] < mean - 3 * std) | (df[column] > mean + 3 * std)].shape[0]}")
# 异常值挺少的,影响不大

异常值检查:
行驶里程（km） 的异常值数量: 5
平均速度（km/h） 的异常值数量: 1
速度标准差 的异常值数量: 0
速度差值标准差 的异常值数量: 2
急加速（次） 的异常值数量: 1
急减速（次） 的异常值数量: 1
疲劳驾驶（次） 的异常值数量: 8
熄火滑行（次） 的异常值数量: 4
超长怠速（次） 的异常值数量: 8
急加速频率 的异常值数量: 1
急减速频率 的异常值数量: 1
疲劳驾驶频率 的异常值数量: 1
熄火滑行频率 的异常值数量: 3
超长怠速频率 的异常值数量: 2

# 1 去除无关列
df = df.drop(columns=['车辆编码'])
# 2 对数据集进行 Z-Score 标准化
scaler = StandardScaler()
df[numeric_columns] = scaler.fit_transform(df[numeric_columns])
print("\nZ-Score 标准化后数据前五行：")
print(df.head())

（四）模型建立及优化

# KMEANS
# 1. 使用 KMeans() 建立模型，设置 n_clusters 参数为 5
kmeans = KMeans(n_clusters=5, random_state=42)
kmeans.fit(df)

# 2. 使用模型对数据集进行聚类，并输出聚类结果
df['cluster'] = kmeans.labels_
print("\n聚类结果:")
print(df)

# 3. 使用轮廓系数对模型进行评价
silhouette_scores = []

for k in range(2, 21):
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(df)
    silhouette_avg = silhouette_score(df, kmeans.labels_)
    silhouette_scores.append(silhouette_avg)
    print(f"n_clusters={k}, 轮廓系数: {silhouette_avg}")

# 4. 绘制轮廓系数可视化图形
plt.figure(figsize=(10, 6))
plt.plot(range(2, 21), silhouette_scores, marker='o')
plt.title('轮廓系数随聚类数变化')
plt.xlabel('聚类数 (n_clusters)')
plt.ylabel('轮廓系数')
plt.grid(True)
plt.show()

# 5. 找出最优的聚集次数
optimal_k = silhouette_scores.index(max(silhouette_scores)) + 2
print(f"\n最优的聚集次数: {optimal_k}")

# 6. 使用优化后的模型对数据集进行聚类
kmeans_optimized = KMeans(n_clusters=optimal_k, random_state=42)
kmeans_optimized.fit(df)
df['cluster_optimized'] = kmeans_optimized.labels_
print("\n优化后的聚类结果:")
print(df)

在这里插入图片描述
最优的聚集次数: 2

n_clusters=2, 轮廓系数: 0.3686521826946977
n_clusters=3, 轮廓系数: 0.29249412558847104
n_clusters=4, 轮廓系数: 0.3158726043508198
n_clusters=5, 轮廓系数: 0.3298708959680498
n_clusters=6, 轮廓系数: 0.3288163277603568
n_clusters=7, 轮廓系数: 0.3333544617727268
n_clusters=8, 轮廓系数: 0.33909908149141516
n_clusters=9, 轮廓系数: 0.25749046642163553
n_clusters=10, 轮廓系数: 0.20612469887334656
n_clusters=11, 轮廓系数: 0.20493918999636898
n_clusters=12, 轮廓系数: 0.24577590024841856
n_clusters=13, 轮廓系数: 0.22758531567545867
n_clusters=14, 轮廓系数: 0.23148889572810827
n_clusters=15, 轮廓系数: 0.23334511463899904
n_clusters=16, 轮廓系数: 0.23891270646332238
n_clusters=17, 轮廓系数: 0.20845711655736793
n_clusters=18, 轮廓系数: 0.18378786922113324
n_clusters=19, 轮廓系数: 0.1800498161881021
n_clusters=20, 轮廓系数: 0.16263102579572203

# 选择两个特征用于绘图
features = ['平均速度（km/h）', '速度标准差']
df_plot = df[features]

# 1. 使用高斯混合聚类算法实现
# (1) 使用 GaussianMixture() 建立模型，设置混合高斯模型的个数 n_components
gm = GaussianMixture(n_components=5, random_state=42)
gm.fit(df)

# (2) 使用模型对数据集进行聚类，并输出聚类结果
df['cluster_gm'] = gm.predict(df)

# 2. 使用 DBSCAN 密度聚类算法实现
# (1) 使用 DBSCAN() 建立模型，设置半径 eps 和最小样本数 min_samples
dbscan = DBSCAN(eps=0.5, min_samples=5)
dbscan.fit(df)

# (2) 使用模型对数据集进行聚类，并输出聚类结果
df['cluster_dbscan'] = dbscan.labels_

# 3. 使用单链接层次聚类算法实现
# (1) 使用 AgglomerativeClustering() 建立模型，设置聚类簇数 n_clusters
agg_clustering = AgglomerativeClustering(n_clusters=5, linkage='single')
agg_clustering.fit(df)

# (2) 使用模型对数据集进行聚类，并输出聚类结果
df['cluster_agg'] = agg_clustering.labels_

# 4. 绘制聚类结果散点图
plt.figure(figsize=(15, 12))

# (1) 高斯混合聚类结果
plt.subplot(2, 2, 1)
plt.scatter(df_plot.iloc[:, 0], df_plot.iloc[:, 1], c=df['cluster_gm'], cmap='viridis')
plt.title('高斯混合聚类结果')
plt.xlabel(features[0])
plt.ylabel(features[1])

# (2) DBSCAN 聚类结果
plt.subplot(2, 2, 2)
plt.scatter(df_plot.iloc[:, 0], df_plot.iloc[:, 1], c=df['cluster_dbscan'], cmap='viridis')
plt.title('DBSCAN 聚类结果')
plt.xlabel(features[0])
plt.ylabel(features[1])

# (3) 单链接层次聚类结果
plt.subplot(2, 2, 3)
plt.scatter(df_plot.iloc[:, 0], df_plot.iloc[:, 1], c=df['cluster_agg'], cmap='viridis')
plt.title('单链接层次聚类结果')
plt.xlabel(features[0])
plt.ylabel(features[1])

# (4) KMeans 聚类结果
plt.subplot(2, 2, 4)
plt.scatter(df_plot.iloc[:, 0], df_plot.iloc[:, 1], c=df['cluster'], cmap='viridis')
plt.title('KMeans 聚类结果')
plt.xlabel(features[0])
plt.ylabel(features[1])

plt.tight_layout()
plt.show()

# 输出聚类结果
print("\n高斯混合聚类结果:")
print(df[['cluster_gm']])
print("\nDBSCAN 聚类结果:")
print(df[['cluster_dbscan']])
print("\n单链接层次聚类结果:")
print(df[['cluster_agg']])
print("\nKMeans 聚类结果:")
print(df[['cluster']])

在这里插入图片描述

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/2143412.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

并发带来的对象一致性问题

并发带来的对象一致性问题

多线程操作带来数据不一致情况分析&#xff0c;简单demo。 public class Object_IS {private Student_Object so new Student_Object("张三", 123);public static void main(String[] args) throws InterruptedException {Object_IS os new Object_IS();os.test1(…
阅读更多...
论文笔记：交替单模态适应的多模态表征学习

论文笔记：交替单模态适应的多模态表征学习

整理了CVPR2024 Multimodal Representation Learning by Alternating Unimodal Adaptation&#xff09;论文的阅读笔记 背景MLA框架实验Q1 与之前的方法相比&#xff0c;MLA能否克服模态懒惰并提高多模态学习性能?Q2 MLA在面临模式缺失的挑战时表现如何?Q3 所有模块是否可以有…
阅读更多...
输电线路缺陷检测数据集（绝缘子自爆，破损，闪络，鸟巢，防震锤脱落五种缺陷）

输电线路缺陷检测数据集（绝缘子自爆，破损，闪络，鸟巢，防震锤脱落五种缺陷）

输电线路数据集&#xff08;绝缘子自爆&#xff0c;破损&#xff0c;闪络&#xff0c;鸟巢&#xff0c;防震锤脱落五种缺陷&#xff09;包括&#xff1a; 1.绝缘子自爆 2.绝缘子破损绝、闪络 3.鸟巢 4.防震锤脱落 数据增强后的数量 对应数量&#xff1a;1828&#xff0c;1467&a…
阅读更多...
类加载器详细介绍

类加载器详细介绍

类加载器我们要聊一个神秘而又重要的角色——Java类加载器。这家伙&#xff0c;就像是个超级英雄&#xff0c;总是在关键时刻挺身而出&#xff0c;为我们的Java程序提供强大的支持。我会尽量用简单易懂的方式来介绍它。 一 、类加载器介绍 1、类加载器是什么&#xff1f; 想象…
阅读更多...
高频率快响应信号隔离变送器

高频率快响应信号隔离变送器

隔离变送器相册: 隔离变送器图片----捷晟达科技​​​​ 隔离变送器---深圳捷晟达科技 隔离变送器---捷晟达科技 高频率快响应信号隔离变送器 定义&#xff1a; 高频率是指隔离变送器从输入到输出采样时的时间&#xff0c;该产品响应频率从10KHz~100KHz&#xff0c;产品精度高&…
阅读更多...
【CSS】选择器（基础选择器、复合选择器、属性匹配选择器、结构伪类选择器、伪元素选择器）

【CSS】选择器（基础选择器、复合选择器、属性匹配选择器、结构伪类选择器、伪元素选择器）

选择器 引入方式基础选择器复合选择器属性匹配选择器结构伪类选择器伪元素选择器 引入方式 1&#xff1a;外联 <!-- css引入方式1&#xff1a;外联 外联与内嵌优先级相同&#xff0c;取决于加载顺序 --><link rel"stylesheet" type"text/css" h…
阅读更多...
箭头检测系统源码分享

箭头检测系统源码分享

箭头检测检测系统源码分享 [一条龙教学YOLOV8标注好的数据集一键训练_70全套改进创新点发刊_Web前端展示] 1.研究背景与意义 项目参考AAAI Association for the Advancement of Artificial Intelligence 项目来源AACV Association for the Advancement of Computer Vision …
阅读更多...
子查询优化

子查询优化

MySQL学习大纲 我的数据库学习大纲 1、什么是子查询&#xff1a; 1.MySQL 从 4.1 版本开始支持子查询&#xff0c;使用子查询可以进行 SELECT 语句的嵌套查询&#xff0c;即一个 SELECT 查询的结果作为另一个 SELECT 语句的条件。子查询可以一次性完成很多逻辑上需要多个步骤才…
阅读更多...
二分+构造，CF 1063C - Dwarves, Hats and Extrasensory Abilities

二分+构造，CF 1063C - Dwarves, Hats and Extrasensory Abilities

目录 一、题目 1、题目描述 2、输入输出 2.1输入 2.2输出 3、原题链接 二、解题报告 1、思路分析 2、复杂度 3、代码详解 一、题目 1、题目描述 2、输入输出 2.1输入 2.2输出 3、原题链接 1063C - Dwarves, Hats and Extrasensory Abilities 二、解题报告 1、思路…
阅读更多...
AtCoder ABC370 A-D题解

AtCoder ABC370 A-D题解

比赛链接:ABC370 AT 上 400 分寄。 Problem A: Code #include <bits/stdc.h> using namespace std; int main(){int L,R;cin>>L>>R;if(LR)cout<<"Invalid"<<endl;else if(L1)cout<<"YES"<<endl;elsecout<…
阅读更多...
【数据结构】经典题

【数据结构】经典题

所以&#xff0c;语句 x; 的语句频度为&#xff1a;n(n1)(n2&#xff09;/6 选C 临时变量 t&#xff1a;只使用了一个额外的变量来存储交换的值。 没有使用额外的数组&#xff1a;所有的操作都是在原数组 a 上进行的。 因此&#xff0c;算法的空间复杂度是常数级别的&#xff0…
阅读更多...
定位HardFault

定位HardFault

一、HardFault定义 STM32出现HardFault_Handler硬件错误的原因主要有两个方面&#xff1a; 1、内存溢出或者访问越界。&#xff08;包括使用野指针&#xff09; 2、堆栈溢出。 二、定位HardFault步骤 1. 判断所使用堆栈&#xff1a; 发生异常之后可首先查看LR寄存器中的值…
阅读更多...
十五，Spring Boot 整合连接数据库(详细配置)

十五，Spring Boot 整合连接数据库(详细配置)

十五&#xff0c;Spring Boot 整合连接数据库(详细配置) 文章目录 十五&#xff0c;Spring Boot 整合连接数据库(详细配置)最后&#xff1a; JDBC HikariDataSource(Spring Boot内置的数据库) HikariDataSource: 目前市面上非常优秀的数据源&#xff0c;是 Spring Boot2默认数…
阅读更多...
gcc/g++的使用：

gcc/g++的使用：

目录 (1). 程序的翻译过程 预处理&#xff1a; gcc -E 源文件 编译&#xff1a; gcc -S 源文件 汇编&#xff1a;gcc -c 源文件 连接&#xff1a; (2) 语言的自举(也叫 编译器的自举)&#xff1a; (3). 查看可执行程序在连接时依赖的库: ldd 可执行程序的名字 。 (4). …
阅读更多...
C语言 | Leetcode C语言题解之第414题第三大的数

C语言 | Leetcode C语言题解之第414题第三大的数

题目&#xff1a; 题解&#xff1a; int cmp(const void *a, const void *b) {return *(int*)a < *(int*)b; }int thirdMax(int* nums, int numsSize){qsort(nums, numsSize, sizeof(nums[0]), cmp);int diff 0;for (int i 1; i < numsSize; i) {if (nums[i] ! nums[i…
阅读更多...
体感魂斗罗-开篇

体感魂斗罗-开篇

文章目录 前言新的目标Flag 前言 黑神话悟空大火&#xff0c;9月14&#xff0c;周鸿祎在抖音平台分享了360团队用两天的业余时间将《黑神话&#xff1a;悟空》爆改为体感游戏的过程&#xff0c;通过身体动作来控制游戏中的角色&#xff0c;实现更加自然和直观的操作方式。 把…
阅读更多...
【秋招笔试-支持在线评测】8.28华为秋招(已改编)-三语言题解

【秋招笔试-支持在线评测】8.28华为秋招(已改编)-三语言题解

🍭 大家好这里是 春秋招笔试突围，一起备战大厂笔试 💻 ACM金牌团队🏅️ | 多次AK大厂笔试 ｜ 大厂实习经历 ✨ 本系列打算持续跟新 春秋招笔试题 👏 感谢大家的订阅➕ 和 喜欢💗 和 手里的小花花🌸 ✨ 华为专栏传送🚪 -> 🧷华为春秋招笔试 目前今年秋招的笔…
阅读更多...
Golang | Leetcode Golang题解之第414题第三大的数

Golang | Leetcode Golang题解之第414题第三大的数

题目&#xff1a; 题解&#xff1a; func thirdMax(nums []int) int {var a, b, c *intfor _, num : range nums {num : numif a nil || num > *a {a, b, c &num, a, b} else if *a > num && (b nil || num > *b) {b, c &num, b} else if b ! ni…
阅读更多...
直播标准权威发布，阿里云RTS获首批卓越级评估认证

直播标准权威发布，阿里云RTS获首批卓越级评估认证

近期举办的2024“可信云大会”上&#xff0c;中国信通院正式发布了2024年上半年音视频领域最新评估结果。阿里云超低延时直播&#xff0c;以首批卓越级&#xff0c;通过中国信通院超低延时直播性能及服务质量分级测试。 标准发布&#xff0c;权威量化直播体验质量 从直播元年发…
阅读更多...
如何通过 4 种方法恢复 Mac 上删除/未保存的 Excel 文件

如何通过 4 种方法恢复 Mac 上删除/未保存的 Excel 文件

您花了数小时在 MacBook 上处理 Excel 工作簿&#xff0c;但现在它不见了。或者&#xff0c;当您退出 Excel 文件时&#xff0c;您无意中选择了“不保存”。这是否意味着您的所有努力都白费了&#xff1f;本文系统地解释了如何在 Mac 上恢复丢失的 Excel 文件。使用我们的 4 种…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023