当前位置: 首页 > news >正文

我谈正态分布——正态偏态

目录

  • pdf和cdf
    • 参数
  • 标准正态分布
  • 期望和方差
  • 分布形态
  • 正态和偏态
    • 正态
    • 偏态
      • 瑞利分布
        • 偏度 (Skewness)
        • 峰度 (Kurtosis)
    • 比较

正态分布的英文是Normal Distribution,normal是“正常”或“标准”的意思,中文翻译是正态,多完美的翻译,正态对应偏态,正态是指分布曲线左右对称,偏度为零。正态分布的峰度也为0。

话说现在的翻译真让人受不了,比如那个multi-head attention。head还有body是按身体的部位命名的,那可能是语言习惯,就像描述像素邻域,他们用north, south, southeast这样描述,但是我们用上、下,右下描述,如果中文用北、南、东南这样描述是不是很奇怪,语言习惯不一样。

不会翻译还不如不翻了,那些翻译为头的人到底有脑子吗?很烦那种不说人话的翻译。

言归正传

正态分布(Normal Distribution),也被称为高斯分布(Gaussian Distribution),是一种重要的连续型概率分布。它在自然和社会科学的许多领域中都有广泛的应用。

pdf和cdf

正态分布的概率密度函数可以表示为:
f ( x ) = 1 σ 2 π e − 1 2 ( x − μ σ ) 2 f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^2} f(x)=σ2π 1e21(σxμ)2
其中, x x x是随机变量, μ \mu μ是均值, σ \sigma σ是标准差。记为 X ∼ N ( μ , σ 2 ) X\sim N(\mu, \sigma^2) XN(μ,σ2)

正态分布的图形是对称的,其形状像一个钟形曲线,均值(mean)、中位数(median)和众数(mode)都位于分布的中心点。大部分数据集中在平均值附近,随着离平均值距离的增加,数据出现的概率迅速减少。

在这里插入图片描述

正态分布 N ( μ , σ 2 ) N(\mu, \sigma^2) N(μ,σ2)的分布函数为

F ( x ) = 1 2 π σ ∫ − ∞ x e − ( t − μ ) 2 2 σ 2 d t F(x) = \frac{1}{\sqrt{2\pi}\sigma} \int_{-\infty}^{x} e^{-\frac{(t-\mu)^2}{2\sigma^2}} dt F(x)=2π σ1xe2σ2(tμ)2dt

它是一条光滑上升的 S 形曲线。

在这里插入图片描述

参数

正态分布中的两个参数——均值 μ μ μ和标准差 σ σ σ如何影响正态分布图形的形状和位置。

  1. 如果固定 σ σ σ,改变 μ μ μ的值,则曲线沿 x 轴平移,而不改变其形状。也就是说正态密度函数的位置由参数 μ μ μ所确定,因此称 μ μ μ位置参数

  2. 如果固定 μ μ μ,改变 σ σ σ的值,则分布的位置不变,但 σ σ σ愈小,曲线呈高且窄,数据更加集中于均值周围; σ σ σ愈大,曲线呈低且宽,数据较为分散。也就是说正态密度函数的尺度由参数 σ σ σ所确定,因此称 σ σ σ尺度参数

总结,均值 μ μ μ决定分布的位置,而标准差 σ σ σ则决定了分布的宽度和数据的集中程度。

在这里插入图片描述

标准正态分布

设定随机变量 X X X服从正态分布 N ( μ , σ 2 ) N(\mu, \sigma^2) N(μ,σ2),并将其标准化为 U = X − μ σ U = \frac{X - \mu}{\sigma} U=σXμ,使得 U U U服从标准正态分布 N ( 0 , 1 ) N(0, 1) N(0,1)

对于标准正态分布(均值为0,标准差为1),概率密度函数为:
p ( z ) = 1 2 π e − z 2 2 p(z) = \frac{1}{\sqrt{2\pi}} e^{-\frac{z^2}{2}} p(z)=2π 1e2z2
标准正态分布的累积分布函数:
Φ ( z ) = ∫ − ∞ z 1 2 π e − t 2 2 d t \Phi(z) = \int_{-\infty}^{z} \frac{1}{\sqrt{2\pi}} e^{-\frac{t^2}{2}} \, dt Φ(z)=z2π 1e2t2dt

期望和方差

好巧不巧,正态分布的两个参数正好是均值和标准差。正态分布就是那么完美。

假设 U U U服从标准正态分布 N ( 0 , 1 ) N(0, 1) N(0,1)

  1. 均值的计算

    • 计算 U U U的期望值 E ( U ) E(U) E(U)
      E ( U ) = 1 2 π ∫ − ∞ ∞ u e − u 2 2 d u E(U) = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^{\infty} u e^{-\frac{u^2}{2}} du E(U)=2π 1ue2u2du
      由于被积函数是一个奇函数,其积分结果为零,即 E ( U ) = 0 E(U) = 0 E(U)=0
    • 因此,根据 X = μ + σ U X = \mu + \sigma U X=μ+σU,可以得出 X X X的期望值 E ( X ) E(X) E(X)
      E ( X ) = μ + σ × 0 = μ E(X) = \mu + \sigma \times 0 = \mu E(X)=μ+σ×0=μ
    • 结论:正态分布 N ( μ , σ 2 ) N(\mu, \sigma^2) N(μ,σ2)的均值为 μ \mu μ
  2. 方差的计算

    • 首先计算 U U U的方差 V a r ( U ) Var(U) Var(U)或者说是 U 2 U^2 U2的期望值 E ( U 2 ) E(U^2) E(U2)
      E ( U 2 ) = 1 2 π ∫ − ∞ ∞ u 2 e − u 2 2 d u E(U^2) = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^{\infty} u^2 e^{-\frac{u^2}{2}} du E(U2)=2π 1u2e2u2du
      利用分部积分法,最终得到 E ( U 2 ) = 1 E(U^2) = 1 E(U2)=1
    • 根据 X = μ + σ U X = \mu + \sigma U X=μ+σU,可以得出 X X X的方差 V a r ( X ) Var(X) Var(X)
      V a r ( X ) = V a r ( μ + σ U ) = σ 2 V a r ( U ) = σ 2 × 1 = σ 2 Var(X) = Var(\mu + \sigma U) = \sigma^2 Var(U) = \sigma^2 \times 1 = \sigma^2 Var(X)=Var(μ+σU)=σ2Var(U)=σ2×1=σ2
    • 结论:正态分布 N ( μ , σ 2 ) N(\mu, \sigma^2) N(μ,σ2)的方差为 σ 2 \sigma^2 σ2

注意: E ( X ) = μ E(X) = \mu E(X)=μ V a r ( X ) = σ 2 Var(X) = \sigma^2 Var(X)=σ2,均值 μ \mu μ和方差 σ 2 \sigma^2 σ2是正态分布的参数,只是在正态分布中正好等于期望和方差,而 E ( X ) E(X) E(X) V a r ( X ) Var(X) Var(X)是统计量,注意分区概念。有些刊物真是离谱了。
例如,Rafael Gonzalez的《数字图像处理》,此外这个 a a a也真多余。
在这里插入图片描述
和这个
在这里插入图片描述

分布形态

对于一个连续随机变量 X X X,其概率密度函数 f ( x ) f(x) f(x)描述了 X X X在某个特定值 x x x处的概率密度。需要注意的是, f ( x ) f(x) f(x)不直接表示概率,而是表示概率的密度。

对于任意区间 [ a , b ] [a, b] [a,b],随机变量 X X X落在这个区间内的概率可以通过计算该区间上的曲线下面积来得到。数学上,这可以通过积分来表示:
P ( a ≤ X ≤ b ) = ∫ a b f ( x ) d x P(a \leq X \leq b) = \int_{a}^{b} f(x) \, dx P(aXb)=abf(x)dx
要计算 X X X落在某个区间 [ a , b ] [a, b] [a,b]内的概率,可以使用正态分布的累积分布函数(CDF):
P ( a ≤ X ≤ b ) = Φ ( b ) − Φ ( a ) P(a \leq X \leq b) = \Phi(b) - \Phi(a) P(aXb)=Φ(b)Φ(a)
其中, Φ ( x ) \Phi(x) Φ(x)是正态分布的累积分布函数。

假设要计算标准正态分布中 Z Z Z落在 [ − 1 , 1 ] [-1, 1] [1,1]区间内的概率。

  1. 计算 Φ ( 1 ) \Phi(1) Φ(1)
    Φ ( 1 ) = ∫ − ∞ 1 1 2 π e − t 2 2 d t ≈ 0.8413 \Phi(1) = \int_{-\infty}^{1} \frac{1}{\sqrt{2\pi}} e^{-\frac{t^2}{2}} \, dt \approx 0.8413 Φ(1)=12π 1e2t2dt0.8413

  2. 计算 Φ ( − 1 ) \Phi(-1) Φ(1)
    Φ ( − 1 ) = ∫ − ∞ − 1 1 2 π e − t 2 2 d t ≈ 0.1587 \Phi(-1) = \int_{-\infty}^{-1} \frac{1}{\sqrt{2\pi}} e^{-\frac{t^2}{2}} \, dt \approx 0.1587 Φ(1)=12π 1e2t2dt0.1587

  3. 计算概率
    P ( − 1 ≤ Z ≤ 1 ) = Φ ( 1 ) − Φ ( − 1 ) = 0.8413 − 0.1587 = 0.6826 P(-1 \leq Z \leq 1) = \Phi(1) - \Phi(-1) = 0.8413 - 0.1587 = 0.6826 P(1Z1)=Φ(1)Φ(1)=0.84130.1587=0.6826

因此,标准正态分布中 Z Z Z落在 [ − 1 , 1 ] [-1, 1] [1,1]区间内的概率约为0.6826,即68.26%。

3 σ 3\sigma 3σ原则

  • 1 σ 1σ 1σ区间:大约68.27%的数据点位于平均值 μ μ μ的一个标准差 σ σ σ的范围内,即在 ( μ − σ , μ + σ ) (μ - σ, μ + σ) (μσ,μ+σ)之间。
    P ( μ − σ < X < μ + σ ) ≈ 0.6827 P(μ - σ < X < μ + σ) ≈ 0.6827 P(μσ<X<μ+σ)0.6827
  • 2 σ 2σ 2σ区间:大约95.45%的数据点位于平均值 μ μ μ的两个标准差 2 σ 2σ 2σ的范围内,即在 ( μ − 2 σ , μ + 2 σ ) (μ - 2σ, μ + 2σ) (μ2σ,μ+2σ)之间。
    P ( μ − 2 σ < X < μ + 2 σ ) ≈ 0.9545 P(μ - 2σ < X < μ + 2σ) ≈ 0.9545 P(μ2σ<X<μ+2σ)0.9545
  • 3 σ 3σ 3σ区间:大约99.73%的数据点位于平均值 μ μ μ的三个标准差 3 σ 3σ 3σ的范围内,即在 ( μ − 3 σ , μ + 3 σ ) (μ - 3σ, μ + 3σ) (μ3σ,μ+3σ)之间。
    P ( μ − 3 σ < X < μ + 3 σ ) ≈ 0.9973 P(μ - 3σ < X < μ + 3σ) ≈ 0.9973 P(μ3σ<X<μ+3σ)0.9973

正态分布的3σ原则指出,正态分布随机变量取值落在三倍标准差之外的概率非常小,大约是0.27%(即100% - 99.73%)。

  • 落在 μ ± 3 σ μ±3σ μ±3σ之外的概率为 1 − 0.9973 = 0.0027 1 - 0.9973 = 0.0027 10.9973=0.0027或者说约为0.27%。

在实际应用中,由于这个概率非常小,通常认为这样的事件几乎不会发生。因此,在很多情况下,可以将区间 ( μ − 3 σ , μ + 3 σ ) (μ - 3σ, μ + 3σ) (μ3σ,μ+3σ)视为正态分布随机变量的实际可能取值区间。这意味着在这个区间之外的值可以被视为异常值或者极端值。

这种处理方式简化了数据分析和决策制定的过程,尤其是在质量控制、过程改进等实际问题中, 3 σ 3σ 3σ原则提供了一种有效的方法来识别和处理异常数据点。这也就是所谓的正态分布的 3 σ 3σ 3σ原则。

normcdf(1)-normcdf(-1)
normcdf(2)-normcdf(-2)
normcdf(3)-normcdf(-3)

在这里插入图片描述

正态和偏态

正态

正态分布的曲线是左右对称的,其形状像一个钟形曲线,均值(mean)、中位数(median)和众数(mode)都位于分布的中心点。

偏态

偏态分布是指数据分布不是对称的,而是偏向一侧。偏态可以是正偏(右偏)或负偏(左偏)。

  • 当分布曲线的尾巴向右延伸时,称为正偏态;在正偏态分布中,大多数数据值集中在左侧,而右侧有较长的拖尾。
  • 当分布曲线的尾巴向左延伸时,称为负偏态。而在负偏态分布中,大多数数据值集中在右侧,左侧有较长的拖尾。

瑞利分布

看瑞利分布,我喜欢这个分布,并不知道什么用,就是喜欢它的流线型。

对于参数为 σ \sigma σ的瑞利分布,其概率密度函数 (PDF) 可以表示为:
f ( x ; σ ) = x σ 2 e − x 2 / ( 2 σ 2 ) , x ≥ 0 f(x;\sigma) = \frac{x}{\sigma^2} e^{-x^2/(2\sigma^2)}, \quad x \geq 0 f(x;σ)=σ2xex2/(2σ2),x0

其中, σ > 0 \sigma > 0 σ>0是尺度参数。

  • 均值(期望):
    E ( X ) = σ π 2 E(X) = \sigma \sqrt{\frac{\pi}{2}} E(X)=σ2π

  • 方差:
    V a r ( X ) = ( 4 − π ) σ 2 2 Var(X) = \left( 4 - \pi \right) \frac{\sigma^2}{2} Var(X)=(4π)2σ2

瑞利分布的均值和方差如何随着形状参数 σ \sigma σ的变化而变化。具体来说,当 σ \sigma σ增大时,均值和方差都会相应地增加。

偏度 (Skewness)

瑞利分布的偏度是正的,表明分布是右偏的。具体来说,偏度 γ 1 \gamma_1 γ1可以通过以下公式计算:
γ 1 = 2 π ( 4 − π 2 ) − 3 / 2 ≈ 0.6311 \gamma_1 = \sqrt{\frac{2}{\pi}} \left( \frac{4 - \pi}{2} \right)^{-3/2} \approx 0.6311 γ1=π2 (24π)3/20.6311

峰度 (Kurtosis)

峰度描述了分布的尖峭程度,对于瑞利分布,其峰度 β 2 \beta_2 β2可以表示为:
β 2 = ( 4 − π 2 ) − 2 ⋅ ( 3 − 6 π 4 − π + π 2 2 ) ≈ 3.245 \beta_2 = \left( \frac{4 - \pi}{2} \right)^{-2} \cdot \left( 3 - \frac{6\pi}{4 - \pi} + \frac{\pi^2}{2} \right) \approx 3.245 β2=(24π)2(34π6π+2π2)3.245

这里,峰度是指四阶标准化矩,而超峰度(excess kurtosis)则是指峰度减去3,因此瑞利分布的超量峰度为:
Excess Kurtosis = β 2 − 3 ≈ 0.245 \text{Excess Kurtosis} = \beta_2 - 3 \approx 0.245 Excess Kurtosis=β230.245

正态分布的偏度为0,峰度为3(超峰度为0),而瑞利分布的偏度为正值,峰度略大于3,这反映了它的分布形态特点。

在这里插入图片描述

比较

  • 对称性:正态分布是对称的,而偏态分布是非对称的。
  • 中心位置:在正态分布中,均值、中位数和众数都是相同的;而在偏态分布中,这三个统计量通常不同,且它们之间的关系可以用来判断偏态的方向。

相关文章:

我谈正态分布——正态偏态

目录 pdf和cdf参数 标准正态分布期望和方差分布形态 3 σ 3\sigma 3σ原则 正态和偏态正态偏态瑞利分布偏度 (Skewness)峰度 (Kurtosis) 比较 正态分布的英文是Normal Distribution&#xff0c;normal是“正常”或“标准”的意思&#xff0c;中文翻译是正态&#xff0c;多完美的…...

如何使用uniswap v2 获取两个代币的交易对池子

在 Uniswap V2 中,获取两个代币的交易对池子(即 pair)可以通过以下步骤实现: 连接到 Uniswap V2 的合约:你需要与 Uniswap V2 的 Factory 合约进行交互,通过该合约来查找代币交易对。 获取交易对地址:Uniswap V2 Factory 合约提供了一个 getPair 函数,可以通过该函数查…...

CSS中常见的两列布局、三列布局、百分比和多行多列布局!

目录 一、两列布局 1、前言&#xff1a; 2. 两列布局的常见用法 两列布局的元素示例&#xff1a; 代码运行后如下&#xff1a; 二、三列布局 1.前言 2. 三列布局的常见用法 三列布局的元素示例&#xff1a; 代码运行后如下&#xff1a; 三、多行多列 1.前言 2&…...

GaussDB Ustore存储引擎解读

目录 一、数据库存储引擎 二、GaussDB Ustore存储引擎 总结 本文将介绍GaussDB中的Ustore存储引擎&#xff0c;包括Ustore的设计背景、特点介绍和适用业务场景等。 一、数据库存储引擎 数据库的存储引擎负责在内存和磁盘上存储、检索和管理数据&#xff0c;确保每个节点的…...

JAVA基础:数组 (习题笔记)

一&#xff0c;编码题 1&#xff0c;数组查找操作&#xff1a;定义一个长度为10 的一维字符串数组&#xff0c;在每一个元素存放一个单词&#xff1b;然后运行时从命令行输入一个单词&#xff0c;程序判断数组是否包含有这个单词&#xff0c;包含这个单词就打印出“Yes”&…...

VMWARE ESXI VMFS阵列故障 服务器数据恢复

1&#xff1a;河南用户一台DELL R740 3块2.4T硬盘组的RAID5&#xff0c;早期坏了一个盘没有及时更换&#xff0c;这次又坏了一个&#xff0c;导致整组RAID5处于数据丢失的状态&#xff0c; 2&#xff1a;该服务器装的是VMware ESXI 6.7&#xff0c;用户把3块硬盘寄过来进行数据…...

实时金融股票数据API接口websocket接入方法

一、使用websocket的协议提升传输速度 实时金融股票数据对于投资者和交易员来说至关重要。通过使用WebSocket接入方法&#xff0c;可以轻松获取实时金融股票类数据并及时做出决策。WebSocket是一种高效的双向通信协议&#xff0c;它允许数据的实时推送&#xff0c;避免了不断的…...

机器学习与成像技术

机器学习与成像技术 在科技日新月异的今天&#xff0c;机器学习与成像技术的结合正引领着智能视觉领域进入一个全新的发展阶段。这一结合不仅推动了图像识别、目标检测、视频分析等领域的快速发展&#xff0c;还深刻影响着医疗、安防、自动驾驶等多个行业。本文将从机器学习与…...

【系统架构设计师】预测试卷一:综合知识(75道选择题)

更多内容请见: 备考系统架构设计师-专栏介绍和目录 文章目录 【第1题】【第2题】【第3题】【第4题】【第5~6题】【第7题】【第8~10题】【第11题】【第12题】【第13题】【第14题】【第15题】【第16题】【第17~18题】【第19~20题】【第21~22题】【第23~24题】【第25~26题】【第2…...

【addRepository 在tomcat 8和tomcat 9的支持情况】

项目中涉及将远程下载的 jar包进行解密后加载到 tomcat 容器中。 File jarFile new File(fileUrl); String jarFileUrl jarFile.toURI().toURL().toString(); WebappClassLoader webLoader (WebappClassLoader) classLoader; webLoader.addRepository(jarFileUrl);在升级到 …...

2024网鼎杯web1+re2 wp

这两道题属于比较简单的&#xff0c;顺道说一下&#xff0c;今年的题有点抽象&#xff0c;web不是misc&#xff0c;re不是web的&#xff0c;也有可能时代在进步&#xff0c;现在要求全栈✌了吧 web1 最开始被强网的小浣熊带偏思路了&#xff0c;进来疯狂找sql注入&#xff0c…...

Python 自动化运维:安全与合规最佳实践

Python 自动化运维&#xff1a;安全与合规最佳实践 目录 &#x1f512; Python安全编程实践与最佳实践&#x1f511; 使用Hashlib与Cryptography进行数据加密&#x1f4ca; 安全审计与合规检查的重要性&#x1f50d; 处理敏感数据与隐私保护的方法 1. &#x1f512; Python安…...

I2S、PDM、PCM、TDM、DSM、DCODEC、VAD、SPDIF

I2S (Inter-IC Sound) 用途: 一种用于芯片之间传输音频数据的串行总线标准。特点: 常用于高质量音频设备,如DAC、ADC和音频编解码器。I2S主要传输PCM格式的音频数据。PDM (Pulse Density Modulation) 用途: 主要用于数字麦克风等设备,以简化硬件接口。特点: 使用脉冲密度来编…...

关于我的编程语言——C/C++——第四篇(深入1)

&#xff08;叠甲&#xff1a;如有侵权请联系&#xff0c;内容都是自己学习的总结&#xff0c;一定不全面&#xff0c;仅当互相交流&#xff08;轻点骂&#xff09;我也只是站在巨人肩膀上的一个小卡拉米&#xff0c;已老实&#xff0c;求放过&#xff09; 字符类型介绍 char…...

2025年上半年软考高级科目有哪些?附选科指南

新手在准备报考软考时&#xff0c;都会遇到这样的一个问题——科目这么多&#xff0c;我适合考什么&#xff1f;2025上半年软考高级有哪些科目可以报考&#xff1f;要想知道自己适合报什么科目&#xff0c;就需要了解每个科目是什么&#xff0c;考什么等一系列的问题&#xff0…...

线上查企业该用哪家平台?

在销售领域&#xff0c;经常会遇到电话接通率低的问题。这可能是因为许多电话号码来源于某些商业信息平台&#xff0c;这些号码可能已经被代账公司使用&#xff0c;或者已经被同行业多次联系过&#xff0c;导致接通率不高。为了解决这一问题&#xff0c;可以采用数据过滤服务&a…...

Metrix:实现CI服务器上的DORA指标自动化计算

本文还有配套的精品资源&#xff0c;点击获取 简介&#xff1a;Metrix项目是一个Go语言编写的工具&#xff0c;旨在自动化计算DevOps效能的关键指标——DORA指标&#xff0c;这些指标包括部署频率、前置时间、平均恢复时间和变更失败率。它通过集成到CI服务器如Jenkins或GitH…...

【STL_list 模拟】——打造属于自己的高效链表容器

一、list节点 ​ list是一个双向循环带头的链表&#xff0c;所以链表节点结构如下&#xff1a; template<class T>struct ListNode{T val;ListNode* next;ListNode* prve;ListNode(int x){val x;next prve this;}};二、list迭代器 2.1、list迭代器与vector迭代器区别…...

Java 基础教学:高级特性与实战-集合框架

Java 集合框架提供了一套性能优良、使用方便的接口和类&#xff0c;用于存储和操作群组数据。最常用的集合接口有 List、Set 和 Map。 List List 接口可以存储一系列有序的元素&#xff0c;并且可以包含重复的元素。List 的实现类常用的有 ArrayList 和 LinkedList。 ArrayL…...

单片机原理及应用笔记:C51数组与项目实践

作者介绍 刘滋瑞&#xff0c;男&#xff0c;银川科技学院计算机与人工智能学院&#xff0c;2022级计算机与科学技术8班本科生&#xff0c;单片机原理及应用课程第九组。 指导老师&#xff1a;王兴泽 电子邮箱&#xff1a;602054774qq.com 前言 本篇文章是参考《单片机原理…...

Zustand 状态管理库:极简而强大的解决方案

Zustand 是一个轻量级、快速和可扩展的状态管理库&#xff0c;特别适合 React 应用。它以简洁的 API 和高效的性能解决了 Redux 等状态管理方案中的繁琐问题。 核心优势对比 基本使用指南 1. 创建 Store // store.js import create from zustandconst useStore create((set)…...

Oracle查询表空间大小

1 查询数据库中所有的表空间以及表空间所占空间的大小 SELECTtablespace_name,sum( bytes ) / 1024 / 1024 FROMdba_data_files GROUP BYtablespace_name; 2 Oracle查询表空间大小及每个表所占空间的大小 SELECTtablespace_name,file_id,file_name,round( bytes / ( 1024 …...

Vue3 + Element Plus + TypeScript中el-transfer穿梭框组件使用详解及示例

使用详解 Element Plus 的 el-transfer 组件是一个强大的穿梭框组件&#xff0c;常用于在两个集合之间进行数据转移&#xff0c;如权限分配、数据选择等场景。下面我将详细介绍其用法并提供一个完整示例。 核心特性与用法 基本属性 v-model&#xff1a;绑定右侧列表的值&…...

全球首个30米分辨率湿地数据集(2000—2022)

数据简介 今天我们分享的数据是全球30米分辨率湿地数据集&#xff0c;包含8种湿地亚类&#xff0c;该数据以0.5X0.5的瓦片存储&#xff0c;我们整理了所有属于中国的瓦片名称与其对应省份&#xff0c;方便大家研究使用。 该数据集作为全球首个30米分辨率、覆盖2000–2022年时间…...

基础测试工具使用经验

背景 vtune&#xff0c;perf, nsight system等基础测试工具&#xff0c;都是用过的&#xff0c;但是没有记录&#xff0c;都逐渐忘了。所以写这篇博客总结记录一下&#xff0c;只要以后发现新的用法&#xff0c;就记得来编辑补充一下 perf 比较基础的用法&#xff1a; 先改这…...

【RockeMQ】第2节|RocketMQ快速实战以及核⼼概念详解(二)

升级Dledger高可用集群 一、主从架构的不足与Dledger的定位 主从架构缺陷 数据备份依赖Slave节点&#xff0c;但无自动故障转移能力&#xff0c;Master宕机后需人工切换&#xff0c;期间消息可能无法读取。Slave仅存储数据&#xff0c;无法主动升级为Master响应请求&#xff…...

管理学院权限管理系统开发总结

文章目录 &#x1f393; 管理学院权限管理系统开发总结 - 现代化Web应用实践之路&#x1f4dd; 项目概述&#x1f3d7;️ 技术架构设计后端技术栈前端技术栈 &#x1f4a1; 核心功能特性1. 用户管理模块2. 权限管理系统3. 统计报表功能4. 用户体验优化 &#x1f5c4;️ 数据库设…...

推荐 github 项目:GeminiImageApp(图片生成方向,可以做一定的素材)

推荐 github 项目:GeminiImageApp(图片生成方向&#xff0c;可以做一定的素材) 这个项目能干嘛? 使用 gemini 2.0 的 api 和 google 其他的 api 来做衍生处理 简化和优化了文生图和图生图的行为(我的最主要) 并且有一些目标检测和切割(我用不到) 视频和 imagefx 因为没 a…...

七、数据库的完整性

七、数据库的完整性 主要内容 7.1 数据库的完整性概述 7.2 实体完整性 7.3 参照完整性 7.4 用户定义的完整性 7.5 触发器 7.6 SQL Server中数据库完整性的实现 7.7 小结 7.1 数据库的完整性概述 数据库完整性的含义 正确性 指数据的合法性 有效性 指数据是否属于所定…...

莫兰迪高级灰总结计划简约商务通用PPT模版

莫兰迪高级灰总结计划简约商务通用PPT模版&#xff0c;莫兰迪调色板清新简约工作汇报PPT模版&#xff0c;莫兰迪时尚风极简设计PPT模版&#xff0c;大学生毕业论文答辩PPT模版&#xff0c;莫兰迪配色总结计划简约商务通用PPT模版&#xff0c;莫兰迪商务汇报PPT模版&#xff0c;…...