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…...
利用ngx_stream_return_module构建简易 TCP/UDP 响应网关
一、模块概述 ngx_stream_return_module 提供了一个极简的指令： return <value>;在收到客户端连接后，立即将 <value> 写回并关闭连接。<value> 支持内嵌文本和内置变量（如 $time_iso8601、$remote_addr 等）&a…...
AtCoder 第409场初级竞赛 A~E题解
A Conflict 【题目链接】 原题链接：A - Conflict 【考点】 枚举 【题目大意】 找到是否有两人都想要的物品。 【解析】 遍历两端字符串，只有在同时为 o 时输出 Yes 并结束程序，否则输出 No。 【难度】 GESP三级 【代码参考】 #i…...
Python实现prophet 理论及参数优化
文章目录 Prophet理论及模型参数介绍Python代码完整实现prophet 添加外部数据进行模型优化 之前初步学习prophet的时候，写过一篇简单实现，后期随着对该模型的深入研究，本次记录涉及到prophet 的公式以及参数调优，从公式可以更直观…...
使用van-uploader 的UI组件，结合vue2如何实现图片上传组件的封装
以下是基于 vant-ui（适配 Vue2 版本 ）实现截图中照片上传预览、删除功能，并封装成可复用组件的完整代码，包含样式和逻辑实现，可直接在 Vue2 项目中使用： 1. 封装的图片上传组件 ImageUploader.vue <te…...
Cloudflare 从 Nginx 到 Pingora：性能、效率与安全的全面升级
在互联网的快速发展中，高性能、高效率和高安全性的网络服务成为了各大互联网基础设施提供商的核心追求。Cloudflare 作为全球领先的互联网安全和基础设施公司，近期做出了一个重大技术决策：弃用长期使用的 Nginx，转而采用其内部开发…...
蓝桥杯3498 01串的熵
问题描述 对于一个长度为 23333333的 01 串, 如果其信息熵为 11625907.5798， 且 0 出现次数比 1 少, 那么这个 01 串中 0 出现了多少次? #include<iostream> #include<cmath> using namespace std;int n 23333333;int main() {//枚举 0 出现的次数//因…...
Xen Server服务器释放磁盘空间
disk.sh #!/bin/bashcd /run/sr-mount/e54f0646-ae11-0457-b64f-eba4673b824c # 全部虚拟机物理磁盘文件存储 a$(ls -l | awk {print $NF} | cut -d. -f1) # 使用中的虚拟机物理磁盘文件 b$(xe vm-disk-list --multiple | grep uuid | awk {print $NF})printf "%s\n"…...
c++第七天 继承与派生2
这一篇文章主要内容是 派生类构造函数与析构函数 在派生类中重写基类成员 以及多继承 第一部分：派生类构造函数与析构函数 当创建一个派生类对象时，基类成员是如何初始化的？ 1.当派生类对象创建的时候，基类成员的初始化顺序 …...
Vue3中的computer和watch
computed的写法 在页面中 <div>{{ calcNumber }}</div>script中 写法1 常用 import { computed, ref } from vue; let price ref(100);const priceAdd () > { //函数方法 price 1price.value ; }//计算属性 let calcNumber computed(() > {return ${p…...
window 显示驱动开发-如何查询视频处理功能（三）
D3DDDICAPS_GETPROCAMPRANGE请求类型 UMD 返回指向 DXVADDI_VALUERANGE 结构的指针，该结构包含特定视频流上特定 ProcAmp 控件属性允许的值范围。 Direct3D 运行时在D3DDDIARG_GETCAPS的 pInfo 成员指向的变量中为特定视频流的 ProcAmp 控件属性指定DXVADDI_QUER…...