R实验 方差分析
实验目的：
掌握单因素方差分析的思想和方法；
掌握多重均值检验方法；
掌握多个总体的方差齐性检验；
掌握Kruskal-Wallis秩和检验的思想和方法；
掌握多重Wilcoxon秩和检验的思想和方法。
实验内容：
（习题7.1）进行一次试验，当缓慢旋转的布面轮子受到磨损时，比较3种布上涂料的磨损量。对每种涂料类型试验10个涂料样品，记录每个样品直到出现可见磨损时的小时数，数据由下表给出（数据存放在paint.data文件中）。试用单因素方差分析方法分析：这3种涂料直至磨损明显可见的平均时间是否存在显著差异？如果存在，请做多重T检验，分析哪种涂料之间存在显著差异。
| 涂料 | 磨损小时数 | |||||||||
| A | 148 | 76 | 393 | 520 | 236 | 134 | 55 | 166 | 415 | 153 |
| B | 513 | 264 | 433 | 94 | 535 | 327 | 214 | 135 | 280 | 304 |
| C | 335 | 643 | 216 | 536 | 128 | 723 | 258 | 380 | 594 | 465 |
三种涂料的磨损数据
解：
（1）这3种涂料直至磨损明显可见的平均时间是否存在显著差异？
提出假设：
H0：3种涂料直至磨损明显可见的平均时间不存在显著差异。
H1：3种涂料直至磨损明显可见的平均时间存在显著差异。
源代码及运行结果：（复制到此处，不要截图）
> x<-scan("C:\\Users\\黄培滇\\Desktop\\R语言生物统计学\\chap07\\paint.data")Read 30 items> A<-factor(rep(1:3,c(10,10,10)))> paint.aov<-aov(x~A)> summary(paint.aov)Df Sum Sq Mean Sq F value Pr(>F)
A 2 198772 99386 3.482 0.0452 *
Residuals 27 770671 28543
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
结论：P值（0.0452＜0.05），拒绝原假设，即3种涂料直至磨损明显可见的平均时间存在显著差异。
（2）如果存在，请做多重T检验，分析哪种涂料之间存在显著差异？
提出假设：
H0：μi＝μj i，j＝1，2，3，i≠j
H1：μi≠μj i，j＝1，2，3，i≠j
源代码及运行结果：（复制到此处，不要截图）
> x<-scan("C:\\Users\\黄培滇\\Desktop\\R语言生物统计学\\chap07\\paint.data")> A<-factor(rep(1:3,c(10,10,10)))> tapply(x,A,mean)1 2 3
229.6 309.9 427.8
> pairwise.t.test(x,A)Pairwise comparisons using t tests with pooled SD
data: x and A
1 2
2 0.297 -
3 0.042 0.261
P value adjustment method: holm
结论：由结果得出，A涂料与B涂料有显著性差异和C涂料没有显著性差异，B涂料与C涂料有显著性差异。
（习题7.2）用于清洁金属部件有3种有机溶剂：芬芳剂、氯烷和酯类。下表（数据存放在solvent.data文件中）给出了这3种溶剂吸附比的测试结果，能否根据这组数据分析出这3种溶剂的吸附比是否存在显著差异？如果存在，请做多重T检验，分析哪种有机溶剂之间存在显著差异。
| 溶剂 | 摩尔分数 | ||||||||
| 芬芳剂 | 1.06 | 0.79 | 0.82 | 0.89 | 1.05 | 0.95 | 0.65 | 1.15 | 1.12 |
| 氯烷 | 1.58 | 1.45 | 0.57 | 1.16 | 1.12 | 0.91 | 0.83 | 0.43 | |
| 酯类 | 0.29 | 0.06 | 0.44 | 0.61 | 0.55 | 0.43 | 0.51 | 0.10 | 0.34 |
| 0.53 | 0.06 | 0.09 | 0.17 | 0.60 | 0.17 | ||||
三种溶剂吸附比数据（单位：摩尔分数）
解：
（1）这3种溶剂的吸附比是否存在显著差异？
提出假设：
H0：3种溶剂的吸附比不存在显著差异
H1：3种溶剂的吸附比存在显著差异
源代码及运行结果：（复制到此处，不要截图）
> solvent<-data.frame(x<-scan("C:\\Users\\黄培滇\\Desktop\\R语言生物统计学\\chap07\\solvent.data"),+ A<-factor(rep(1:3,c(9,8,15))))Read 32 items
> solvent.aov<-aov(x~A,data = solvent)> summary(solvent.aov)Df Sum Sq Mean Sq F value Pr(>F)
A 2 3.305 1.6527 24.51 5.86e-07 ***
Residuals 29 1.955 0.0674
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
结论：P值远小于0.01，因此拒绝原假设，即3种溶剂的吸附比存在显著差异。
（2）如果存在，请做多重T检验，分析哪种有机溶剂之间存在显著差异？
提出假设：
H0：μi＝μj i，j＝1，2，3，i≠j
H1：μi＝μj i，j＝1，2，3，i≠j
源代码及运行结果：（复制到此处，不要截图）
> attach(solvent)The following objects are masked from solvent (pos = 3):
A....factor.rep.1.3..c.9..8..15...,
x....scan..C...Users..黄培滇..Desktop..R语言生物统计学..chap07..solvent.data..
> tapply(x,A,mean)1 2 3
0.9422222 1.0062500 0.3300000
> pairwise.t.test(x,A)Pairwise comparisons using t tests with pooled SD
data: x and A
1 2
2 0.62 -
3 9.8e-06 5.5e-06
P value adjustment method: holm
结论：由结果得出，芬芳剂与氯烷没有显著性差异，而与酯类有显著性差异；氯烷与酯类没有显著性差异。
（习题7.3）对习题7.2的数据做正态性检验和方差齐性检验，试分析：使用方差不同模型（如oneway.test()函数）和方差相同模型（如aov()函数）哪个更合理？
解：
（1）正态性检验
提出假设：
H0：a试剂服从正态性，a＝1，2，3
H1：a试剂不服从正态性，a＝1，2，3
源代码及运行结果：（复制到此处，不要截图）
>#直接引用上题构建好的数据表
> with(solvent,tapply(x,A,shapiro.test))$`1`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.9508, p-value = 0.6989
$`2`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.96815, p-value = 0.8831
$`3`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.89092, p-value = 0.06923
结论：从计算结果得出，3组数据服从正态性
（2）方差齐性检验
提出假设：
H0：数据服从方差齐性
H1：数据不服从方差齐性
源代码及运行结果：（复制到此处，不要截图）
> #直接引用构建好的solvent数据表> bartlett.test(x~A,data = solvent)Bartlett test of homogeneity of variances
data: x by A
Bartlett's K-squared = 6.7779, df = 2, p-value =
0.03374
结论：P值（0.0337＜0.05），拒绝原假设，即数据不服从方差齐性。
（3）使用方差不同模型（如oneway.test()函数）和方差相同模型（如aov()函数）哪个更合理？
基于本题的情况即满足正态性，但不满足方差齐性，oneway,test()函数更合适。
（习题7.4）使用方差不同模型（oneway.test()函数）和秩检验方法（kruskal.test()函数）对习题7.1中的数据进行分析是否得到与习题7.1相同的结果？如果得到的结论不同，哪个结论更合理？试对数据做正态性检验（如shapiro.test()函数）和方差齐性检验（如bartlett.test()函数）来说明这一问题。
解：
（1）使用方差不同模型（oneway.test()函数）分析：这3种涂料直至磨损明显可见的平均时间是否存在显著差异？
提出假设：
H0：3种涂料直至磨损明显可见的平均时间不存在显著差异。
H1：3种涂料直至磨损明显可见的平均时间存在显著差异。
源代码及运行结果：（复制到此处，不要截图）
> paint<-data.frame(x<-scan("C:\\Users\\黄培滇\\Desktop\\R语言生物统计学\\chap07\\paint.data"),+ A<-factor(rep(1:3,c(10,10,10))))Read 30 items
> oneway.test(x~A,data = paint)One-way analysis of means (not assuming equal
variances)
data: x and A
F = 2.9699, num df = 2.000, denom df = 17.775,
p-value = 0.07713
结论：P值（0.0771＞0.05），接受原假设，即3种涂料直至磨损明显可见的平均时间不存在显著差异。
（2）使用秩检验方法（kruskal.test()分析：这3种涂料直至磨损明显可见的平均时间是否存在显著差异？
提出假设：
H0：3种涂料直至磨损明显可见的平均时间不存在显著差异。
H1：3种涂料直至磨损明显可见的平均时间存在显著差异。
源代码及运行结果：（复制到此处，不要截图）
> kruskal.test(x~A,data = paint)Kruskal-Wallis rank sum test
data: x by A
Kruskal-Wallis chi-squared = 5.4684, df = 2, p-value
= 0.06495
结论：P值（0.06495＞0.05），接受原假设，即3种涂料直至磨损明显可见的平均时间不存在显著差异。
（3）如果得到的结论不同，哪个结论更合理？试对数据做正态性检验（如shapiro.test()函数）和方差齐性检验（如bartlett.test()函数）来说明这一问题。
> with(paint,tapply(x,A,shapiro.test))$`1`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.87975, p-value = 0.1296
$`2`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.95268, p-value = 0.7003
$`3`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.97137, p-value = 0.9033
> bartlett.test(x~A,data = paint)Bartlett test of homogeneity of variances
data: x by A
Bartlett's K-squared = 0.79406, df = 2, p-value =
0.6723
由计算结果可知，习题7.1数据服从正态性要求与方差齐性要求。因此采用方差分析更为合适
（习题7.6）考查不同职业人群对心理疾病原因的认识，现找到A、B、C3种职业的人员各10名，这30个人用笔试的方式回答心理疾病原因的知识问卷，测试分数如下表所示（数据存放在staff.data文件中）。(1)使用Kruskal-Walis秩和检验，分析这3种职业人员平均测试分数是否有显著差异；(2)使用正态性检验和方差齐性检验的方法来分析Kruskal-Wallis秩和检验的合理性。
| 职业 | 测试分数 | |||||||||
| A | 62 | 60 | 60 | 25 | 24 | 23 | 20 | 13 | 12 | 6 |
| B | 62 | 62 | 24 | 24 | 22 | 20 | 19 | 10 | 8 | 8 |
| C | 37 | 31 | 15 | 15 | 14 | 14 | 14 | 5 | 3 | 2 |
3种职业人员心理疾病的测试分析
解：
（1）使用Kruskal-Walis秩和检验，分析这3种职业人员平均测试分数是否有显著差异？
提出假设：
H0：3种职业人员平均测试分数没有显著差异
H1：3种职业人员平均测试分数有显著差异
源代码及运行结果：（复制到此处，不要截图）
> staff<-data.frame(x<-scan("C:\\Users\\黄培滇\\Desktop\\R语言生物统计学\\chap07\\staff.data"),+ A<-factor(rep(1:3,c(10,10,10))))Read 30 items
> kruskal.test(x~A,data = staff)Kruskal-Wallis rank sum test
data: x by A
Kruskal-Wallis chi-squared = 3.2535, df = 2, p-value
= 0.1966
结论：P值（0.1966＞0.05）接受原假设，即3种职业人员平均测试分数没有显著差异。
（2）使用正态性检验和方差齐性检验的方法来分析Kruskal-Wallis秩和检验的合理性。
> with(staff,tapply(x,A,shapiro.test))$`1`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.81494, p-value = 0.02201
$`2`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.76284, p-value = 0.005115
$`3`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.86148, p-value = 0.07944
> bartlett.test(x~A,data = staff)Bartlett test of homogeneity of variances
data: x by A
Bartlett's K-squared = 3.6228, df = 2, p-value =
0.1634
由计算结果，可以得出，题目中第1、2组数据不满足正态性要求，而数据满足方差齐性要求，因此Kruskal-Wallis秩和检验符合该题目。
（习题7.7）生物学家认为，河流中的富营养水注入海湾后，会导致浮游生物赖以生存的藻类快速生长，细菌则以浮游生物的排泄物和死藻类为主，消耗了水中的氧。为验证是否有这种情况发生，现测试某河流入海口开始的4个海洋区域中的平均溶解氧含量（见下表，.数据存放在sea.data文件中）。(1)对数据做正态性检验和方差齐性检验；(2)4个海洋区域溶解氧含量是否有显著差异？(3)如果有差异，哪些区域之间有差异？（注：请根据(1)的结果合理选择检验的方法）
| 距入海口距离 | 溶解氧含量 | |||||||||
| 1km | 1 | 5 | 2 | 1 | 2 | 2 | 4 | 3 | 0 | 2 |
| 5km | 4 | 8 | 2 | 3 | 8 | 5 | 6 | 4 | 3 | 3 |
| 10km | 20 | 26 | 24 | 11 | 28 | 20 | 19 | 19 | 21 | 24 |
| 20km | 37 | 30 | 26 | 24 | 41 | 25 | 36 | 31 | 31 | 33 |
离入海口处4个距离的平均溶解氧含量（单位：mg/L）
解：
（1）对数据做正态性检验和方差齐性检验
①正态性检验。提出假设：
H0：a km数据服从正态性，a = 1，5，10，20
H1：a km数据不服从正态性，a = 1，5，10，20
源代码及运行结果：（复制到此处，不要截图）
> sea<-data.frame(x<-scan("C:\\Users\\黄培滇\\Desktop\\R语言生物统计学\\chap07\\sea.data"),+ A<-factor(rep(1:4,c(10,10,10,10))))Read 40 items
> with(sea,tapply(x,A,shapiro.test))$`1`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.93644, p-value = 0.5141
$`2`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.88391, p-value = 0.1446
$`3`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.92543, p-value = 0.4045
$`4`
Shapiro-Wilk normality test
data: X[[i]]
W = 0.95791, p-value = 0.7618
结论：由计算结果可以得出，数据都服从正态性。
②方差齐性检验。提出假设：
H0：数据服从方差齐性
H1：数据不服从方差齐性
源代码及运行结果：（复制到此处，不要截图）
> bartlett.test(x~A,data = sea)Bartlett test of homogeneity of variances
data: x by A
Bartlett's K-squared = 17.17, df = 3, p-value =
0.000652
结论：P值小于0.05，拒绝原假设，即数据不服从方差齐性
（2）4个海洋区域溶解氧含量是否有显著差异？（用单因素方差分析还是Kruskal-Wallis检验？）提出假设：
由于数据服从正态性，但不满足方差齐性，因此采用单因素方差分析中的oneway.test()函数
H0：4个海洋区域溶解氧含量无显著差异
H1：4个海洋区域溶解氧含量有显著差异
源代码及运行结果：（复制到此处，不要截图）
> oneway.test(x~A,data = sea)One-way analysis of means (not assuming equal
variances)
data: x and A
F = 118.54, num df = 3.000, denom df = 18.315,
p-value = 3.503e-12
结论：P值远小于0.01，拒绝原假设，即4个海洋区域溶解氧含量有显著差异。
（3）如果有差异，哪些区域之间有差异？
> tapply(x,A,mean)1 2 3 4
2.2 4.6 21.2 31.4
> pairwise.t.test(x,A)Pairwise comparisons using t tests with pooled SD
data: x and A
1 2 3
2 0.17 - -
3 1.8e-12 5.2e-11 -
4 < 2e-16 < 2e-16 1.8e-06
P value adjustment method: holm
由计算结果，得出1区域和2区域之间没有显著性差异与其他区域有显著性差异，而其余区域彼此之间都纯在显著性差异。
思考：
方差分析使用的前提条件有哪三个？
方差齐性
正态性
独立性
设因素A有r个水平，所有样本数据的总数为n，则组间平方和SA的自由度是多少？组内平方和SE的自由度是多少？
组间平方和自由度为r-1，组内平方和自由度为r-n。
R语言中，要给出完整的方差分析表，需要用到哪两个函数？
aov() 与 summary()
方差分析的统计量F=（ A ）。
A. SA/SE B. MSA/MSE C. MSE/MSA D. SE/SA
所有样本数据与所有样本数据的均数之差的平方和称为___总平方和________。
当数据只满足正态性，但不满足方差齐性时，可用_____oneway.test()____________函数做方差分析。
单因素方差分析时，如果拒绝原假设，想进一步了解到底哪些总体之间的均值有显著性差异，可以做多重T检验，R软件中，用于此检验的函数是_____paiewise.t.test()________。
Kruskal-Wallis秩和检验是用于______数据既不满足正态性要求，又不满足方差齐性要求________情况下的非参数检验。
Kruskal-Wallis秩和检验时，如果拒绝原假设，想进一步了解到底哪些总体之间的有显著性差异，由于此时没有正态性和方差齐性的条件，因此需要做多重Wilcoxon检验，R软件中，用于此检验的函数是____pairwise.wilcox.test()_________。
相关文章：
R实验 方差分析
实验目的： 掌握单因素方差分析的思想和方法； 掌握多重均值检验方法； 掌握多个总体的方差齐性检验； 掌握Kruskal-Wallis秩和检验的思想和方法； 掌握多重Wilcoxon秩和检验的思想和方法。 实验内容： &…...
AI智能体｜手把手教你使用扣子Coze图像流的文生图功能
大家好，我是无界生长。 AI智能体｜手把手教你使用扣子Coze图像流的文生图功能本文详细介绍了Coze平台的\x26quot;图像流\x26quot;功能中的\x26quot;文生图\x26quot;节点，包括创建图像流、编排文生图节点、节点参数配置，并通过案例…...
应用程序图标提取
文章目录 [toc]提取过程提取案例——提取7-zip应用程序的图标 提取过程 找到需要提取图标的应用程序的.exe文件 复制.exe文件到桌面，并将复制的.exe文件后缀改为.zip 使用解压工具7-zip解压.zip文件 在解压后的文件夹中，在.rsrc/ICON路径下的.ico文件…...
Excel表格在线解密：轻松解密密码，快速恢复数据
忘记了excel表格密码？教你简单两步走：具体步骤如下。首先，在百度搜索中键入“密码帝官网”。其次，点击“立即开始”，在用户中心上传表格文件即可找回密码。这种方法不用下载软件，操作简单易行，适…...
springboot小结1
什么是springboot Spring Boot是为了简化Spring应用的创建、运行、调试、部署等而出现的，使用它可以做到专注于Spring应用的开发，而无需过多关注XML的配置。 简单来说，它提供了一堆依赖打包Starter，并已经按照使用习惯解决…...
【Qt 学习笔记】Qt窗口 | 菜单栏 | QMenuBar的使用及说明
博客主页：Duck Bro 博客主页系列专栏：Qt 专栏关注博主，后期持续更新系列文章如果有错误感谢请大家批评指出，及时修改感谢大家点赞👍收藏⭐评论✍ Qt窗口 | 菜单栏 | QMenuBar的使用及说明 文章编号：Qt 学习…...
Spark运行模式详解
Spark概述 Spark 可以在多种不同的运行模式下执行，每种模式都有其自身的特点和适用场景。 部署Spark集群大体上分为两种模式：单机模式与集群模式。大多数分布式框架都支持单机模式，方便开发者调试框架的运行环境。但是在生产环境中ÿ…...
vcpkg环境配置
vcpkg 使用linux相关库，设置环境变量VCPKG_ROOT，设置cmake工具链$VCPKG_ROOT/scripts\buildsystems\vcpkg.cmake set VCPKG_DEFAULT_TRIPLETx64-windows .\vcpkg.exe install fftw3 freetype gettext glibmm gtkmm libjpeg-turbo libpng libxmlpp libs…...
python学习：基础语句
目录 条件语句 循环语句 for 循环 while 循环 break continue 条件语句 Python提供了 if、elif、else 来进行逻辑判断。格式如下： Pythonif 判断条件1: 执行语句1... elif 判断条件2: 执行语句2... elif 判断条件3: 执行语句3... else: 执行语句4…...
Nginx限制IP访问详解
在Web服务器管理中，限制某些IP地址访问网站是一个常见的需求。Nginx作为一款高性能的HTTP服务器和反向代理服务器，提供了灵活强大的配置选项来实现这一功能。本文将详细讲解如何在Nginx中限制IP访问，并通过示例代码展示具体操作。 一、Nginx…...
Three.js——二维平面、二维圆、自定义二维图形、立方体、球体、圆柱体、圆环、扭结、多面体、文字
个人简介 👀个人主页： 前端杂货铺 ⚡开源项目： rich-vue3 （基于 Vue3 TS Pinia Element Plus Spring全家桶 MySQL） 🙋♂️学习方向： 主攻前端方向，正逐渐往全干发展 …...
24年湖南教资认定即将开始，别被照片卡审！
24年湖南教资认定即将开始，别被照片卡审！...
数据库（8）——DML数据操作
增添数据 给指定字段添加数据 INSERT INTO 表名 (字段名1，字段名2,...)VALUES(值1,值2...); 没有的添加的字段默认为NULL。 给全部字段添加数据 INSERT INTO 表名 VALUE (值1,值2,....值n); 此时值的顺序对应表中字段的顺序 批量添加数据 INSERT INTO 表名(字段1,…...
Gitee在已有项目基础上创建仓库中遇到的问题和解决
问题一：fatal: remote origin already exists 解释：当前仓库添加了一个名为"origin"的远程仓库配置，此时输入 git remote add origin https://xxx就会提示上面的内容。 解决方案1:移除旧的origin git remote remove origin 解决方案…...
【推荐算法-特征工程】每种item单侧特征，都可产生对应user单侧特征
比如item的平均成单价格，可以分成10个档位，作为一个标签值打在item上， 那么对应user对item的click用户行为，就能产生user-click的10个档位作为特征值 作为user的标签。 比如item的平均点击率，也可以分成比如20个档位…...
一行代码实现UI拖拽的效果
演示 先来看效果吧！ 实现方式 1.首先创建一个你想拖动的UI图片 2.创建一个C#的脚本 3.编写控制脚本（代码按我的敲就行） 付上代码片段 public void OnDrag(PointerEventData eventData){transform.position eventData.position;} 4.添加脚…...
【Linux】TCP协议【下一】{三次握手/四次挥手的深度解读==状态变化}
文章目录 本篇知识需要有TCP协议【中】的知识！详情点击👇1.测试一：服务器start函数不定义任何行为（不调用accept）的三次握手状态变化int listen(int sockfd, int backlog);的backlog参数全连接队列当全连接队列已满&am…...
【C语言回顾】编译和链接
前言1. 编译2. 链接结语 上期回顾: 【C语言回顾】文件操作 个人主页：C_GUIQU 归属专栏：【C语言学习】 前言 各位小伙伴大家好！上期小编给大家讲解了C语言中的文件操作，接下来我们讲解一下编译和链接！ 1. 编译 预处理…...
2024年5月27日 十二生肖 今日运势
小运播报：2024年5月27日，星期一，农历四月二十 （甲辰年己巳月辛卯日），法定工作日。 红榜生肖：羊、蛇、狗 需要注意：鼠、鸡、龙 喜神方位：西南方 财神方位：…...
【Text2SQL 论文】SeaD：使用 Schema-aware 去噪训练的 end2end 的 Text2SQL
论文：SeaD: End-to-end Text-to-SQL Generation with Schema-aware Denoising ⭐⭐ NAACL 2022, arXiv:2105.07911 本论文提出 SeaD 模型，使用 schema-aware 的去噪方法来训练一个 end2end、seq2seq 的 Transformer 模型来实现 Text2SQL。 一、论文速读…...
龙虎榜——20250610
上证指数放量收阴线，个股多数下跌，盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型，指数短线有调整的需求，大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的：御银股份、雄帝科技 驱动…...
铭豹扩展坞 USB转网口 突然无法识别解决方法
当 USB 转网口扩展坞在一台笔记本上无法识别，但在其他电脑上正常工作时，问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤，帮助你快速找到故障原因： 背景： 一个M-pard（铭豹）扩展坞的网卡突然无法识别了，扩展出来的三个USB接口正常。…...
超短脉冲激光自聚焦效应
前言与目录 强激光引起自聚焦效应机理 超短脉冲激光在脆性材料内部加工时引起的自聚焦效应，这是一种非线性光学现象，主要涉及光学克尔效应和材料的非线性光学特性。 自聚焦效应可以产生局部的强光场，对材料产生非线性响应，可能…...
【OSG学习笔记】Day 18: 碰撞检测与物理交互
物理引擎（Physics Engine） 物理引擎 是一种通过计算机模拟物理规律（如力学、碰撞、重力、流体动力学等）的软件工具或库。 它的核心目标是在虚拟环境中逼真地模拟物体的运动和交互，广泛应用于 游戏开发、动画制作、虚…...
【网络安全产品大调研系列】2. 体验漏洞扫描
前言 2023 年漏洞扫描服务市场规模预计为 3.06（十亿美元）。漏洞扫描服务市场行业预计将从 2024 年的 3.48（十亿美元）增长到 2032 年的 9.54（十亿美元）。预测期内漏洞扫描服务市场 CAGR（增长率&…...
ESP32读取DHT11温湿度数据
芯片：ESP32 环境：Arduino 一、安装DHT11传感器库 红框的库，别安装错了 二、代码 注意，DATA口要连接在D15上 #include "DHT.h" // 包含DHT库#define DHTPIN 15 // 定义DHT11数据引脚连接到ESP32的GPIO15 #define D…...
剑指offer20_链表中环的入口节点
链表中环的入口节点 给定一个链表，若其中包含环，则输出环的入口节点。 若其中不包含环，则输出null。 数据范围 节点 val 值取值范围 [ 1 , 1000 ] [1,1000] [1,1000]。 节点 val 值各不相同。 链表长度 [ 0 , 500 ] [0,500] [0,500]。 …...
苍穹外卖--缓存菜品
1.问题说明 用户端小程序展示的菜品数据都是通过查询数据库获得，如果用户端访问量比较大，数据库访问压力随之增大 2.实现思路 通过Redis来缓存菜品数据，减少数据库查询操作。 缓存逻辑分析： ①每个分类下的菜品保持一份缓存数据…...
【C语言练习】080. 使用C语言实现简单的数据库操作
080. 使用C语言实现简单的数据库操作 080. 使用C语言实现简单的数据库操作使用原生APIODBC接口第三方库ORM框架文件模拟1. 安装SQLite2. 示例代码：使用SQLite创建数据库、表和插入数据3. 编译和运行4. 示例运行输出：5. 注意事项6. 总结080. 使用C语言实现简单的数据库操作 在…...
MySQL中【正则表达式】用法
MySQL 中正则表达式通过 REGEXP 或 RLIKE 操作符实现（两者等价），用于在 WHERE 子句中进行复杂的字符串模式匹配。以下是核心用法和示例： 一、基础语法 SELECT column_name FROM table_name WHERE column_name REGEXP pattern; …...