for i in range(len(columns_english_name)): #依次得到原DF的columns的列名 val = columns_english_name[i] success = 0 for j in range(n): if chiness_name_df.loc[j,"字段英文名"] == val: alist.append(chiness_name_df.loc[j,"字段中文名"]) break #赋值结束跳出循环 else: success += 1 if success == len(chiness_name_df): # 没有找到对应的中文名，已遍历完毕中文名的可选性，将英文名放回 alist.append(val)

时间: 2023-06-26 11:10:21 浏览: 142
PDF

《python数据分析基础》4.1.1：报错——sqlite3.OperationalError: table csv has 5 columns but 4 values were supplied

这段代码的作用是将一个英文名的列表转换成对应的中文名列表，如果没有找到对应的中文名则将英文名放回到列表中。具体来说，代码中使用了两个循环，第一个循环依次遍历原始数据框的列名，第二个循环遍历中文名的数据框，查找与当前英文名相匹配的中文名。如果找到了中文名，则将其添加到结果列表中，同时跳出内循环；如果在遍历完中文名数据框后仍未找到对应的中文名，则将英文名添加到结果列表中。
阅读全文

相关推荐

pdf

5.Pandas_Cheat_Sheet.pdf

- df.pivot(columns='var', values='val')：将行转换为列，常用于数据透视表操作。 - pd.concat([df1, df2])：沿着垂直方向（axis=0）拼接多个DataFrame。 - pd.concat([df1, df2], axis=1)：沿着水平方向...
docx

PHP用法PHPExcel删除Excel单元格指定列的方法_.docx

if (strlen($cell_val) > 0 && in_array($cell_val, $remove_columns)) { $objPHPExcel->getActiveSheet()->removeColumn($column); } else { $column++; } } } // 示例 // 导入PHPExcel类 require_once '...

def change_df_columns_name(col_name,columns_english_name): chiness_name_df = col_name.loc[:,["字段英文名","字段中文名"]] n = len(chiness_name_df) alist = [] for i in range(len(columns_english_name)): #依次得到原DF的columns的列名 val = columns_english_name[i] success = 0 for j in range(n): if chiness_name_df.loc[j,"字段英文名"] == val: alist.append(chiness_name_df.loc[j,"字段中文名"]) break #赋值结束跳出循环 else: success += 1 if success == len(chiness_name_df): # 没有找到对应的中文名，已遍历完毕中文名的可选性，将英文名放回 alist.append(val) if len(columns_english_name) == len(alist): return alist else: return len(alist)

输入参数 col_name 是包含字段英文名和字段中文名的 DataFrame，而 columns_english_name 是要转换的英文列名列表。函数的输出是包含中文列名的列表。 代码首先通过 loc 方法从 col_name 中选择出包含英文名和中文...

def load_data(file_name): df = pd.read_csv('data/new_data/' + file_name, encoding='gbk') columns = df.columns df.fillna(df.mean(), inplace=True) return df class MyDataset(Dataset): def __init__(self, data): self.data = data def __getitem__(self, item): return self.data[item] def __len__(self): return len(self.data) def nn_seq_us(B): print('data processing...') dataset = load_data() # split train = dataset[:int(len(dataset) * 0.6)] val = dataset[int(len(dataset) * 0.6):int(len(dataset) * 0.8)] test = dataset[int(len(dataset) * 0.8):len(dataset)] m, n = np.max(train[train.columns[1]]), np.min(train[train.columns[1]]) def process(data, batch_size): load = data[data.columns[1]] load = load.tolist() data = data.values.tolist() load = (load - n) / (m - n) seq = [] for i in range(len(data) - 24): train_seq = [] train_label = [] for j in range(i, i + 24): x = [load[j]] train_seq.append(x) # for c in range(2, 8): # train_seq.append(data[i + 24][c]) train_label.append(load[i + 24]) train_seq = torch.FloatTensor(train_seq) train_label = torch.FloatTensor(train_label).view(-1) seq.append((train_seq, train_label)) # print(seq[-1]) seq = MyDataset(seq) seq = DataLoader(dataset=seq, batch_size=batch_size, shuffle=False, num_workers=0, drop_last=True) return seq Dtr = process(train, B) Val = process(val, B) Dte = process(test, B) return Dtr, Val, Dte, m, n分别解释一下每行代码都是什么意思

1. load_data(file_name) 函数用于读取指定文件名的 CSV 文件，并返回一个 Pandas DataFrame 对象。其中，文件路径是 "data/new_data/" 加上给定的文件名，编码格式为 gbk。 2. MyDataset 类是一个自定义的 ...

import numpy as np import pandas as pd train_data = pd.read_csv("C://Users//Dell//Desktop//数据分析作业//adult_train(1).csv") test_data = pd.read_csv("C://Users//Dell//Desktop//数据分析作业//adult_test.csv") #写入csv文件 columns = ['Age','Workclass','fnlgwt','Education','EdNum','MaritalStatus', 'Occupation','Relationship','Race','Sex','CapitalGain', 'CapitalLoss','HoursPerWeek','Country','Income'] #写入名称 df_train_set = pd.read_csv('C://Users//Dell//Desktop//数据分析作业//adult_train(1).csv', names=columns) #跳过表头 df_test_set = pd.read_csv('C://Users//Dell//Desktop//数据分析作业//adult_test.csv', names=columns, skiprows=1) #删除ID序列号栏 df_train_set.drop('fnlgwt', axis=1, inplace=True) df_test_set.drop('fnlgwt', axis=1, inplace=True) #用unknown替换？ for i in df_train_set.columns: df_train_set[i].replace('?', 'Unknown', inplace=True) df_test_set[i].replace('?', 'Unknown', inplace=True) #去掉非int64类型数据中的点和空格 for col in df_train_set.columns: if df_train_set[col].dtype != 'int64': df_train_set[col] = df_train_set[col].apply(lambda val: val.replace(" ", "")) df_train_set[col] = df_train_set[col].apply(lambda val: val.replace(".", "")) df_test_set[col] = df_test_set[col].apply(lambda val: val.replace(" ", "")) df_test_set[col] = df_test_set[col].apply(lambda val: val.replace(".", "")) # 将训练集导出为 csv 文件 df_train_set.to_csv('train_set.csv', index=False) # 将测试集导出为 csv 文件 df_test_set.to_csv('test_set.csv', index=False)

这段代码是用来读取和预处理成人收入数据集（Adult dataset）的。其中包括读取训练集和测试集的csv文件，去掉ID序列号栏，用"Unknown"替换缺失值"?"，去除非int64类型数据中的点和空格，并将处理后的数据集导出为csv...

import sys, os import tkinter as tk from tkinter import ttk from tkinter import messagebox import pickle root=tk.Tk() root.title('管理员登陆成功')#标题 root.geometry("900x700+500+200") columns = ['no','name','class','publisher','author','price','num','time'] text_arr=['书本编号','书名','类别','出版社','作者','价格','数量','购买日期'] tree = ttk.Treeview(root, show="headings", columns=columns)#制作表格 for i in range(len(columns)):     tree.heading(columns[i], text=text_arr[i])     tree.column(columns[i], width=100, anchor='center') tree.place(x=0,y=0,width=900,height=300) if os.path.exists('data.txt'):     f=open('data.txt', 'rb')     book_val_arr=pickle.load(f)     f.close() else:     book_val_arr = [] for bool_val in book_val_arr:     tree.insert('', 'end', values=bool_val) val_arr=[] for i in range(len(columns)):     val = tk.Variable()     val_arr.append(val)     tk.Label(root, text=text_arr[i]).place(x=20, y=320+i*30)     tk.Entry(root,textvariable=val_arr[i]).place(x=80, y=320+i*30)分析这个代码

然后定义了一个包含表格列名的列表columns和一个包含表格列标题的列表text_arr。接下来，程序使用ttk.Treeview创建了一个表格，并将其放置在窗口中。在创建表格时，程序设置了表格的列宽和对齐方式。 接着，程序...

import numpy as np import scipy.stats as ss import pandas as pd import matplotlib.pyplot as plt import seaborn as sns df=pd.read_excel("./tmp_apply3.xlsx") sns.set_context(font_scale=30) plt.rcParams['font.family'] = 'FangSong' plv_tb=pd.pivot_table(df,values="sale",index=["FactoryName","JiJXH"],columns=["Xian"],aggfunc=np.mean) plt.figure(figsize=(100,1000)) min_val = plv_tb.loc[:, :, ["FactoryName", "JiJXH"]].values.min() max_val = plv_tb.loc[:, :, ["FactoryName", "JiJXH"]].values.max() sns.heatmap(plv_tb,vmin=min_val, vmax=max_val,cmap=sns.color_palette("RdYlBu",n_colors=10),annot=True, fmt='g', annot_kws={"size": 20}) plt.show()提示list index out of range，怎么修改

plv_tb=pd.pivot_table(df,values="sale",index=["FactoryName","JiJXH"],columns=["Xian"],aggfunc=np.mean) plt.figure(figsize=(100,1000)) min_val = plv_tb.loc[:, ["FactoryName", "JiJXH"]].values.min() ...

predictions = [] for i in range(len(val_dataset.columns)): if i == 0: predictions.append(np.mean(train_dataset[train_dataset.columns[-30:]].values, axis=1)) if i < 31 and i > 0: predictions.append(0.5 * (np.mean(train_dataset[train_dataset.columns[-30+i:]].values, axis=1) + \ np.mean(predictions[:i], axis=0))) if i > 31: predictions.append(np.mean([predictions[:i]], axis=1)) predictions = np.transpose(np.array([row.tolist() for row in predictions])) 作用分析

对于其他列，i在1到31之间时，预测值是前i-1个预测值和训练集中后30+i列数据的平均值的平均值（0.5 * (np.mean(train_dataset[train_dataset.columns[-30+i:]].values, axis=1) + np.mean(predictions[:i], axis=0))...

# 加载Excel数据 zh = pd.read_excel('总粉丝数榜单处理后.xlsx') # 选择包含粉丝数的列 fans_column = zh['总粉丝人数'] # 创建一个空的DataFrame来保存结果 result = pd.DataFrame(columns=['分区','平均数','中位数','众数']) # 遍历每个分区 for column in fans_columns.columns: fans = pd.to_numeric(fans_columns[column], errors='coerce').dropna() # 将列转换为数字并删除空 # 计算平均数、中位数和众数 mean_val = fans.mean() median_val= fans.median() mode_val= fans.mode().values # 将结果添加到DataFrame中 result = pd.concat([result,pd.DataFrame({'分区':[column],'平均数':[mean_val],'中位数':[median_val],'众数为':[mode_val]})],ignore_index=True) # 打印结果 print(result)出现报错NameError: name 'fans_columns' is not defined

for column in fans_column.columns: fans = pd.to_numeric(fans_column[column], errors='coerce').dropna() # 将列转换为数字并删除空 # 计算平均数、中位数和众数 mean_val = fans.mean() median_val= ...

import numpy as np import pandas as pd from wordcloud import WordCloud, ImageColorGenerator import matplotlib.pyplot as plt from PIL import Image def draw_cloud(read_name): image = Image.open('/Users/zhoulexin/downloads/学者.png') # 作为背景轮廓图 graph = np.array(image) # 参数分别是指定字体、背景颜色、最大的词的大小、使用给定图作为背景形状 wc = WordCloud(font_path='System/Library/Fonts/Supplemental/Arial Unicode.ttf', background_color='black', max_words=100, mask=graph) fp = pd.read_csv(read_name, encoding='gb18030') # 读取词频文件, 因为要显示中文，故编码为gbk name = list(fp["name"]) # 词 value = fp.val # 词的频率 for i in range(len(name)): name[i] = str(name[i]) dic = dict(zip(name, value)) # 词频以字典形式存储 wc.generate_from_frequencies(dic) # 根据给定词频生成词云 image_color = ImageColorGenerator(graph) plt.imshow(wc) plt.axis("off") # 不显示坐标轴 plt.show() wc.to_file('scholar词云.png') # 图片命名 if __name__ == '__main__': draw_cloud("/Users/zhoulexin/downloads/李学龙.csv")代码报错为KeyError: 'name'如何修改

这个错误可能是因为你的csv文件中没有名为"name"的列。你可以使用以下代码打印出所有的列名，检查一下是否有名为"name"的列： print(fp.columns) 如果没有名为"name"的列，那么你需要将下面的代码修改为你...

brier <- brier_efron(y_train_true = y_dat, y_train_pred = y_dat_pred, y_newdata = y_val, y_newdata_pred = y_val_pred, times = c(1:10)) brier$bs改成python

BS_t = [np.mean(W_x[:, x] * (Y_x[:, x] - S_x[:, x])**2) for x in range(len(times))] return pd.DataFrame({"time": times, "bs": BS_t}) # 使用示例 y_dat = [...] # y_train_true的值 y_dat_pred = [...] ...

# 导入模块 import prettytable as pt from sklearn.metrics import accuracy_score from sklearn.metrics import precision_score from sklearn.metrics import recall_score, f1_score from sklearn.metrics import roc_curve, auc # 创建表格对象 table = pt.PrettyTable() # 设置表格的列名 table.field_names = ["acc", "precision", "recall", "f1", "roc_auc"] # 循环添加数据 # 20个随机状态 for i in range(1): # # GBDT GBDT = GradientBoostingClassifier(learning_rate=0.1, min_samples_leaf=14, min_samples_split=6, max_depth=10, random_state=i, n_estimators=267 ) # GBDT = GradientBoostingClassifier(learning_rate=0.1, n_estimators=142,min_samples_leaf=80,min_samples_split=296,max_depth=7 , max_features='sqrt', random_state=66 # ) GBDT.fit(train_x, train_y) y_pred = GBDT.predict(test_x) # y_predprob = GBDT.predict_proba(test_x) print(y_pred) print('AUC Score:%.4g' % metrics.roc_auc_score(test_y.values, y_pred)) # print('AUC Score (test): %f' %metrics.roc_auc_score(test_y.values,y_predprob[:,1])) accuracy = GBDT.score(val_x, val_y) accuracy1 = GBDT.score(test_x, test_y) print("GBDT最终精确度：{},{}".format(accuracy, accuracy1)) y_predict3 = GBDT.predict(test_x) get_score(test_y, y_predict3, model_name='GBDT') acc = accuracy_score(test_y, y_predict3) # 准确率 prec = precision_score(test_y, y_predict3) # 精确率 recall = recall_score(test_y, y_predict3) # 召回率 f1 = f1_score(test_y, y_predict3) # F1 fpr, tpr, thersholds = roc_curve(test_y, y_predict3) roc_auc = auc(fpr, tpr) data1 = acc data2 = prec data3 = recall data4 = f1 data5 = roc_auc # 将数据添加到表格中 table.add_row([data1, data2, data3, data4, data5]) print(table) import pandas as pd # 将数据转换为DataFrame格式 df = pd.DataFrame(list(table), columns=["acc","prec","recall","f1","roc_auc"]) # 将DataFrame写入Excel文件 writer = pd.ExcelWriter('output.xlsx') df.to_excel(writer, index=False) writer.save()，出现上面的错误怎样更正

根据错误提示可以看出是因为缺少了sklearn库中的metrics模块，需要在开头添加如下代码： python from sklearn import metrics 另外，在代码中出现了get_score函数的调用，但是并没有定义该函数，需要先定义...

wavelet_df.loc[i] = energy_values发生报错：发生异常: ValueError cannot set a row with mismatched columns File "/Users/dingfengyan/工作/项目开发/哈理工/批量导出功能/binzcsv+feature.py", line 150, in <module> wavelet_df.loc[i] = energy_values ~~~~~~~~~~~~~~^^^ ValueError: cannot set a row with mismatched columns

wavelet_df = pd.DataFrame(columns=[f'{file}_energy_{i}' for i in range(1, 17)]) # 对每列进行窗口切片，并计算统计指标和时频域参数 for col in df.columns: col_data = df[col] num_windows = (len(col...

import seaborn as sns corrmat = df.corr() top_corr_features = corrmat.index plt.figure(figsize=(16,16)) #plot heat map g=sns.heatmap(df[top_corr_features].corr(),annot=True,cmap="RdYlGn") plt.show() sns.set_style('whitegrid') sns.countplot(x='target',data=df,palette='RdBu_r') plt.show() dataset = pd.get_dummies(df, columns = ['sex', 'cp', 'fbs','restecg', 'exang', 'slope', 'ca', 'thal']) from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler standardScaler = StandardScaler() columns_to_scale = ['age', 'trestbps', 'chol', 'thalach', 'oldpeak'] dataset[columns_to_scale] = standardScaler.fit_transform(dataset[columns_to_scale]) dataset.head() y = dataset['target'] X = dataset.drop(['target'], axis=1) from sklearn.model_selection import cross_val_score knn_scores = [] for k in range(1, 21): knn_classifier = KNeighborsClassifier(n_neighbors=k) score = cross_val_score(knn_classifier, X, y, cv=10) knn_scores.append(score.mean()) plt.plot([k for k in range(1, 21)], knn_scores, color='red') for i in range(1, 21): plt.text(i, knn_scores[i - 1], (i, knn_scores[i - 1])) plt.xticks([i for i in range(1, 21)]) plt.xlabel('Number of Neighbors (K)') plt.ylabel('Scores') plt.title('K Neighbors Classifier scores for different K values') plt.show() knn_classifier = KNeighborsClassifier(n_neighbors = 12) score=cross_val_score(knn_classifier,X,y,cv=10) score.mean() from sklearn.ensemble import RandomForestClassifier randomforest_classifier= RandomForestClassifier(n_estimators=10) score=cross_val_score(randomforest_classifier,X,y,cv=10) score.mean()的roc曲线的代码

for i, (train, test) in enumerate(cv.split(X, y)): knn_classifier.fit(X.iloc[train], y.iloc[train]) knn_proba = knn_classifier.predict_proba(X.iloc[test])[:, 1] knn_fpr, knn_tpr, knn_thresholds = ...

importance_scores = one_vs_rest.estimators_[class_label].feature_importances_ AttributeError: '_ConstantPredictor' object has no attribute 'feature_importances_'

这个错误可能是由于OneVsRestClassifier中的基础分类器不支持feature_importances_属性导致的。为了解决这个问题，您可以尝试使用其他具有特征重要性属性的基础分类器...result_df = pd.DataFrame({'Class': range(5

def preprocess_data(self): if not self.data.empty: # 忽略warning warnings.filterwarnings("ignore", category=UserWarning) # 复制数据集 processed_data = self.data.copy() # 处理字符串列 string_columns = processed_data.select_dtypes(include=['object']).columns for column in string_columns: processed_data[column] = processed_data[column].str.split(';').apply(lambda x: [float(val) for val in x]) # 处理数值列 numeric_columns = processed_data.select_dtypes(include=['float', 'int']).columns imputer = SimpleImputer(strategy='mean') processed_data[numeric_columns] = imputer.fit_transform(processed_data[numeric_columns]) # 处理异常值 isolation_forest = IsolationForest(contamination=0.05) outliers = isolation_forest.fit_predict(processed_data[numeric_columns]) processed_data = processed_data[outliers != -1] # 标准化处理 scaler = StandardScaler() processed_data[numeric_columns] = scaler.fit_transform(processed_data[numeric_columns]) # 创建一个新窗口来显示处理后的数据集 top = tk.Toplevel(self.master) top.title("处理后的数据集") # 创建用于显示处理后的数据集的表格 table = tk.Text(top) table.pack() # 将处理后的数据集转换为字符串并显示在表格中 table.insert(tk.END, str(processed_data)) table.config(state=tk.DISABLED) else: self.path_label.config(text="请先导入数据集")

这段代码是用于数据预处理的，主要包括以下步骤： 1. 处理字符串列：将字符串列按分号拆分为多个数值，并将每个数值转换为 float 类型。 2. 处理数值列：使用均值填充缺失值。 3. 处理异常值：使用孤立森林算法...

df.select(*[udf(col for col in df.columns)])改成scala代码怎么写

val newDf = df.select(myUdf(df.columns:_*)) 其中，myUdf 是自定义的 UDF 函数，接受一个字符串数组作为输入。在函数体中，你可以对这些列进行任何操作，然后将结果返回。在 select 函数中，我们使用 _...

param = {'num_leaves': 31, 'min_data_in_leaf': 20, 'objective': 'binary', 'learning_rate': 0.06, "boosting": "gbdt", "metric": 'None', "verbosity": -1} trn_data = lgb.Dataset(trn, trn_label) val_data = lgb.Dataset(val, val_label) num_round = 666 # clf = lgb.train(param, trn_data, num_round, valid_sets=[trn_data, val_data], verbose_eval=100, # early_stopping_rounds=300, feval=win_score_eval) clf = lgb.train(param, trn_data, num_round) # oof_lgb = clf.predict(val, num_iteration=clf.best_iteration) test_lgb = clf.predict(test, num_iteration=clf.best_iteration)thresh_hold = 0.5 oof_test_final = test_lgb >= thresh_hold print(metrics.accuracy_score(test_label, oof_test_final)) print(metrics.confusion_matrix(test_label, oof_test_final)) tp = np.sum(((oof_test_final == 1) & (test_label == 1))) pp = np.sum(oof_test_final == 1) print('accuracy1:%.3f'% (tp/(pp)))test_postive_idx = np.argwhere(oof_test_final == True).reshape(-1) # test_postive_idx = list(range(len(oof_test_final))) test_all_idx = np.argwhere(np.array(test_data_idx)).reshape(-1) stock_info['trade_date_id'] = stock_info['trade_date'].map(date_map) stock_info['trade_date_id'] = stock_info['trade_date_id'] + 1tmp_col = ['ts_code', 'trade_date', 'trade_date_id', 'open', 'high', 'low', 'close', 'ma5', 'ma13', 'ma21', 'label_final', 'name'] stock_info.iloc[test_all_idx[test_postive_idx]] tmp_df = stock_info[tmp_col].iloc[test_all_idx[test_postive_idx]].reset_index() tmp_df['label_prob'] = test_lgb[test_postive_idx] tmp_df['is_limit_up'] = tmp_df['close'] == tmp_df['high'] buy_df = tmp_df[(tmp_df['is_limit_up']==False)].reset_index() buy_df.drop(['index', 'level_0'], axis=1, inplace=True)buy_df['buy_flag'] = 1 stock_info_copy['sell_flag'] = 0tmp_idx = (index_df['trade_date'] == test_date_min+1) close1 = index_df[tmp_idx]['close'].values[0] test_date_max = 20220829 tmp_idx = (index_df['trade_date'] == test_date_max) close2 = index_df[tmp_idx]['close'].values[0]tmp_idx = (stock_info_copy['trade_date'] >= test_date_min) & (stock_info_copy['trade_date'] <= test_date_max) tmp_df = stock_info_copy[tmp_idx].reset_index(drop=True)from imp import reload import Account reload(Account) money_init = 200000 account = Account.Account(money_init, max_hold_period=20, stop_loss_rate=-0.07, stop_profit_rate=0.12) account.BackTest(buy_df, tmp_df, index_df, buy_price='open')tmp_df2 = buy_df[['ts_code', 'trade_date', 'label_prob', 'label_final']] tmp_df2 = tmp_df2.rename(columns={'trade_date':'buy_date'}) tmp_df = account.info tmp_df['buy_date'] = tmp_df['buy_date'].apply(lambda x: int(x)) tmp_df = tmp_df.merge(tmp_df2, on=['ts_code', 'buy_date'], how='left')最终的tmp_df是什么？tmp_df[tmp_df['label_final']==1]又选取了什么股票？

根据代码逐行分析，tmp_df 是一个 DataFrame...最终买入的股票信息保存在 buy_df 中，回测时将其与 stock_info_copy、index_df 进行合并，得到了回测的结果，并将买入的股票信息与回测结果合并，生成了最终的 tmp_df。

import numpy as np import pandas as pd from itertools import product def doe(factors): loopval = [] df_col = [] values = [] for i in factors.keys(): df_col.append(i) loopval.append(factors[i]) for i in product(*loopval): values.append(list(i)) df = pd.DataFrame(values,columns=df_col) df_col.append("标准序") df["标准序"] = df.index.copy() + 1 df = df.reindex(np.random.permutation(df.index)).reset_index(drop=True) return df 优化这段代码并提高性能

arrays = [np.arange(len(val)) for val in loopval] index = pd.MultiIndex.from_product(loopval, names=df_col) df = pd.DataFrame(index=index).reset_index() 3. 将 DataFrame 的 index 重命名为...

最新推荐

recommend-type

精细金属掩模板(FMM)行业研究报告 显示技术核心部件FMM材料产业分析与市场应用

精细金属掩模板（FMM）作为OLED蒸镀工艺中的核心消耗部件，负责沉积RGB有机物质形成像素。材料由Frame、Cover等五部分组成，需满足特定热膨胀性能。制作工艺包括蚀刻、电铸等，影响FMM性能。适用于显示技术研究人员、产业分析师，旨在提供FMM材料技术发展、市场规模及产业链结构的深入解析。
recommend-type

【创新未发表】斑马算法ZOA-Kmean-Transformer-LSTM负荷预测Matlab源码 9515期.zip

CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2024b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法优化Kmean-Transformer-LSTM负荷预测系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO优化Kmean-Transformer-LSTM负荷预测 4.4.2 粒子群算法PSO/蛙跳算法SFLA优化Kmean-Transformer-LSTM负荷预测 4.4.3 灰狼算法GWO/狼群算法WPA优化Kmean-Transformer-LSTM负荷预测 4.4.4 鲸鱼算法WOA/麻雀算法SSA优化Kmean-Transformer-LSTM负荷预测 4.4.5 萤火虫算法FA/差分算法DE优化Kmean-Transformer-LSTM负荷预测 4.4.6 其他优化算法优化Kmean-Transformer-LSTM负荷预测
recommend-type

j link 修复问题套件

j link 修复问题套件
recommend-type

C#实现modbusRTU(实现了01 3 05 06 16等5个功能码)

资源包括 modbuspoll 虚拟串口软件vspd modsim32和modscan32 以及C#版的modbus程序 打开modsim32连接串口2 打开程序连接串口3 即可和Mdosim32进行读写通信。 本代码为C# winform程序，实现了01 03 05 06 16总共五个功能码的功能。 备注: 01功能码：读线圈开关。 03功能码： 读寄存器值。 05功能码：写线圈开关。 06功能码：写单个寄存器值。 16功能码：写多个寄存器值。
recommend-type

Angular实现MarcHayek简历展示应用教程

资源摘要信息:"MarcHayek-CV:我的简历的Angular应用" Angular 应用是一个基于Angular框架开发的前端应用程序。Angular是一个由谷歌（Google）维护和开发的开源前端框架，它使用TypeScript作为主要编程语言，并且是单页面应用程序（SPA）的优秀解决方案。该应用不仅展示了Marc Hayek的个人简历，而且还介绍了如何在本地环境中设置和配置该Angular项目。 知识点详细说明： 1. Angular 应用程序设置： - Angular 应用程序通常依赖于Node.js运行环境，因此首先需要全局安装Node.js包管理器npm。 - 在本案例中，通过npm安装了两个开发工具：bower和gulp。bower是一个前端包管理器，用于管理项目依赖，而gulp则是一个自动化构建工具，用于处理如压缩、编译、单元测试等任务。 2. 本地环境安装步骤： - 安装命令`npm install -g bower`和`npm install --global gulp`用来全局安装这两个工具。 - 使用git命令克隆远程仓库到本地服务器。支持使用SSH方式（`***:marc-hayek/MarcHayek-CV.git`）和HTTPS方式（需要替换为具体用户名，如`git clone ***`）。 3. 配置流程： - 在server文件夹中的config.json文件里，需要添加用户的电子邮件和密码，以便该应用能够通过内置的联系功能发送信息给Marc Hayek。 - 如果想要在本地服务器上运行该应用程序，则需要根据不同的环境配置（开发环境或生产环境）修改config.json文件中的“baseURL”选项。具体而言，开发环境下通常设置为“../build”，生产环境下设置为“../bin”。 4. 使用的技术栈： - JavaScript：虽然没有直接提到，但是由于Angular框架主要是用JavaScript来编写的，因此这是必须理解的核心技术之一。 - TypeScript：Angular使用TypeScript作为开发语言，它是JavaScript的一个超集，添加了静态类型检查等功能。 - Node.js和npm：用于运行JavaScript代码以及管理JavaScript项目的依赖。 - Git：版本控制系统，用于代码的版本管理及协作开发。 5. 关于项目结构： - 该应用的项目文件夹结构可能遵循Angular CLI的典型结构，包含了如下目录：app（存放应用组件）、assets（存放静态资源如图片、样式表等）、environments（存放环境配置文件）、server（存放服务器配置文件如上文的config.json）等。 6. 开发和构建流程： - 开发时，可能会使用Angular CLI来快速生成组件、服务等，并利用热重载等特性进行实时开发。 - 构建应用时，通过gulp等构建工具可以进行代码压缩、ES6转译、单元测试等自动化任务，以确保代码的质量和性能优化。 7. 部署： - 项目最终需要部署到服务器上，配置文件中的“baseURL”选项指明了服务器上的资源基础路径。 8. 关于Git仓库： - 压缩包子文件的名称为MarcHayek-CV-master，表明这是一个使用Git版本控制的仓库，且存在一个名为master的分支，这通常是项目的主分支。 以上知识点围绕Angular应用“MarcHayek-CV:我的简历”的创建、配置、开发、构建及部署流程进行了详细说明，涉及了前端开发中常见的工具、技术及工作流。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

深入剖析：内存溢出背后的原因、预防及应急策略（专家版）

![深入剖析：内存溢出背后的原因、预防及应急策略（专家版）](https://d8it4huxumps7.cloudfront.net/uploads/images/65e82a01a4196_dangling_pointer_in_c_2.jpg?d=2000x2000) 参考资源链接：[Net 内存溢出（System.OutOfMemoryException）的常见情况和处理方式总结](https://wenku.csdn.net/doc/6412b784be7fbd1778d4a95f?spm=1055.2635.3001.10343) # 1. 内存溢出的概念及影响 内存溢出，又称
recommend-type

Java中如何对年月日时分秒的日期字符串作如下处理：如何日期分钟介于两个相连的半点之间，就将分钟数调整为前半点

在Java中，你可以使用`java.time`包中的类来处理日期和时间，包括格式化和调整。下面是一个示例，展示了如何根据给定的日期字符串（假设格式为"yyyy-MM-dd HH:mm:ss"）进行这样的处理： ```java import java.text.SimpleDateFormat; import java.time.LocalDateTime; import java.time.ZoneId; import java.time.ZonedDateTime; public class Main { public static void main(String[] args
recommend-type

Crossbow Spot最新更新 - 获取Chrome扩展新闻

资源摘要信息:"Crossbow Spot - Latest News Update-crx插件" 该信息是关于一款特定的Google Chrome浏览器扩展程序，名为"Crossbow Spot - Latest News Update"。此插件的目的是帮助用户第一时间获取最新的Crossbow Spot相关信息，它作为一个RSS阅读器，自动聚合并展示Crossbow Spot的最新新闻内容。 从描述中可以提取以下关键知识点： 1. 功能概述： - 扩展程序能让用户领先一步了解Crossbow Spot的最新消息，提供实时更新。 - 它支持自动更新功能，用户不必手动点击即可刷新获取最新资讯。 - 用户界面设计灵活，具有美观的新闻小部件，使得信息的展现既实用又吸引人。 2. 用户体验： - 桌面通知功能，通过Chrome的新通知中心托盘进行实时推送，确保用户不会错过任何重要新闻。 - 提供一个便捷的方式来保持与Crossbow Spot最新动态的同步。 3. 语言支持： - 该插件目前仅支持英语，但开发者已经计划在未来的版本中添加对其他语言的支持。 4. 技术实现： - 此扩展程序是基于RSS Feed实现的，即从Crossbow Spot的RSS源中提取最新新闻。 - 扩展程序利用了Chrome的通知API，以及RSS Feed处理机制来实现新闻的即时推送和展示。 5. 版权与免责声明： - 所有的新闻内容都是通过RSS Feed聚合而来，扩展程序本身不提供原创内容。 - 用户在使用插件时应遵守相关的版权和隐私政策。 6. 安装与使用： - 用户需要从Chrome网上应用店下载.crx格式的插件文件，即Crossbow_Spot_-_Latest_News_Update.crx。 - 安装后，插件会自动运行，并且用户可以对其进行配置以满足个人偏好。 从以上信息可以看出，该扩展程序为那些对Crossbow Spot感兴趣或需要密切跟进其更新的用户提供了一个便捷的解决方案，通过集成RSS源和Chrome通知机制，使得信息获取变得更加高效和及时。这对于需要实时更新信息的用户而言，具有一定的实用价值。同时，插件的未来发展计划中包括了多语言支持，这将使得更多的用户能够使用并从中受益。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依