邵扬_Barnett
邵扬_Barnett

R语言数据分析，从入门到自闭（图缓慢补充中……）

写在前面

本文章参考了多个国内外教程，在这里就不列出来了。这么写的原因还是想告诉大家：本文章并非原创，感谢各位前辈的分享。

加载需要的数据包

本文章用到的数据包中，“tidyverse”，“skimr”，“FactoMineR”，“factoextra”，“pheatmap”是必须的。但是为了更好的查看数据，所以又加入了“GGally”，“patchwork”,"ggstatsplot和"“ggpubr”。后几个包并不是必须的，但会让你的数据可视化更方便。各种包按自己的好恶来，例如有人就极度讨厌“ggpubr”。最后“pheatmap”虽然已经被作者放弃了，但是我觉得他搞的“ComplexHeatmap”实在是有点走火入魔……可能他也意识到这个问题，现在给了个CompleHeatmap::pheatmap的选项（还能说什么，绝了）。什么你问knitr干嘛的？你猜……

knitr::opts_chunk$set(echo = TRUE, warning = FALSE)

library('tidyverse')
library('ggpubr')
library('patchwork')
library('skimr')
library('GGally')
library('lme4')
library("FactoMineR")
library("factoextra")
library('ComplexHeatmap')
library('ggstatsplot')
library('agricolae')
library('car')
library('vip')
library('onewaytests')
library('jmv')

读取数据

这里rm命令清空存在环境中的所有变量，避免先前环境中的变量对接下来的操作带来影响。


rm(list = ls())

为了方便大家测试，这里使用了R语言自带数据集iris，如果你想用mtcars或者别的请随意。比如想看汽车各种特性对油耗的影响就可以用mtcars。skim可以很华丽的展示你的数据结构。当然，没啥别的用途了。


head(iris)
data <- iris
skim(data %>% group_by(Species))
skim_variable Species n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
Sepal.Length setosa 0 1 5.01 0.35 4.3 4.80 5.00 5.20 5.8 ▃▃▇▅▁
Sepal.Length versicolor 0 1 5.94 0.52 4.9 5.60 5.90 6.30 7.0 ▂▇▆▃▃
Sepal.Length virginica 0 1 6.59 0.64 4.9 6.23 6.50 6.90 7.9 ▁▃▇▃▂
Sepal.Width setosa 0 1 3.43 0.38 2.3 3.20 3.40 3.68 4.4 ▁▃▇▅▂
Sepal.Width versicolor 0 1 2.77 0.31 2.0 2.52 2.80 3.00 3.4 ▁▅▆▇▂
Sepal.Width virginica 0 1 2.97 0.32 2.2 2.80 3.00 3.18 3.8 ▂▆▇▅▁
Petal.Length setosa 0 1 1.46 0.17 1.0 1.40 1.50 1.58 1.9 ▁▃▇▃▁
Petal.Length versicolor 0 1 4.26 0.47 3.0 4.00 4.35 4.60 5.1 ▂▂▇▇▆
Petal.Length virginica 0 1 5.55 0.55 4.5 5.10 5.55 5.88 6.9 ▃▇▇▃▂
Petal.Width setosa 0 1 0.25 0.11 0.1 0.20 0.20 0.30 0.6 ▇▂▂▁▁
Petal.Width versicolor 0 1 1.33 0.20 1.0 1.20 1.30 1.50 1.8 ▅▇▃▆▁
Petal.Width virginica 0 1 2.03 0.27 1.4 1.80 2.00 2.30 2.5 ▂▇▆▅▇

随时随地的可视化

这是我认为R语言跟spss和其他软件比最大的优势了。是的，在Rstudio中你可以随时随地的可视化，无限制的切片数据可视化。相比于单纯的统计分析，我认为视觉往往来的更准确更直接。话不多说让我们开始吧。

首先，我们在R语言里进行一些传统的方法。我们进行一个切片求平均值。这里我们使用了tidyverse套件（dplyr）。其中的 %>% 是通道符号，他的含义是将前面的参数传入到下一个命令中作为第一个参数（可以用.代替）。统计各个组的平均值和标准偏差，过去大家都在用spss得到这些，统计分析，最后获得结果，大家都满意了，在R里你同样可以做到。


data_summary <- data %>% group_by(Species) %>% summarise_each(funs(mean,sd),
                                                           Sepal.Length, Sepal.Width, 
                                                           Petal.Length, Petal.Width)
data_summary


## # A tibble: 3 x 9
##   Species Sepal.Length_me~ Sepal.Width_mean Petal.Length_me~ Petal.Width_mean
##                                                     
## 1 setosa              5.01             3.43             1.46            0.246
## 2 versic~             5.94             2.77             4.26            1.33 
## 3 virgin~             6.59             2.97             5.55            2.03 
## # ... with 4 more variables: Sepal.Length_sd , Sepal.Width_sd ,
## #   Petal.Length_sd , Petal.Width_sd

当然你也可以这样……


data_res <- data %>%  pivot_longer(col = -Species, names_to = 'Name', values_to = 'Value') %>% 
  group_by(Species,Name) %>% 
  summarise(mean = mean(Value), sd = mean(Value))

data_res


## # A tibble: 12 x 4
## # Groups:   Species [3]
##    Species    Name          mean    sd
##                   
##  1 setosa     Petal.Length 1.46  1.46 
##  2 setosa     Petal.Width  0.246 0.246
##  3 setosa     Sepal.Length 5.01  5.01 
##  4 setosa     Sepal.Width  3.43  3.43 
##  5 versicolor Petal.Length 4.26  4.26 
##  6 versicolor Petal.Width  1.33  1.33 
##  7 versicolor Sepal.Length 5.94  5.94 
##  8 versicolor Sepal.Width  2.77  2.77 
##  9 virginica  Petal.Length 5.55  5.55 
## 10 virginica  Petal.Width  2.03  2.03 
## 11 virginica  Sepal.Length 6.59  6.59 
## 12 virginica  Sepal.Width  2.97  2.97

有了平均值和标准差，我们自然能画出第一个柱状图。


cbPalette <- c("#999999", "#E69F00", "#56B4E9", "#009E73", "#F0E442", "#0072B2", "#D55E00", "#CC79A7")

p1 <- ggplot(data_summary,aes(x = Species, y = Sepal.Length_mean, fill = Species)) + 
  geom_bar(stat =  'identity', position = 'dodge', width = 0.5)  + 
  geom_errorbar(aes(ymin = Sepal.Length_mean - Sepal.Length_sd, 
                    ymax = Sepal.Length_mean + Sepal.Length_sd), width = 0.25) + 
  scale_fill_manual(values = cbPalette) + 
  scale_y_continuous(expand = c(0, 0)) + 
  theme_pubr()
p1
R语言数据分析，从入门到自闭（图缓慢补充中……）_第1张图片

重复四次，你能获得四个柱状图


compare_group <- list(c('setosa','versicolor'),c('versicolor','virginica'),c('setosa','virginica'))

p1 <- ggplot(data_summary,aes(x = Species, y = Sepal.Length_mean, fill = Species)) + 
  geom_bar(stat =  'identity', position = 'dodge', width = 0.5)  + 
  geom_errorbar(aes(ymin = Sepal.Length_mean - Sepal.Length_sd, 
                    ymax = Sepal.Length_mean + Sepal.Length_sd), width = 0.25) + 
  scale_fill_manual(values = cbPalette) + 
  scale_y_continuous(expand = c(0, 0)) + 
  theme_pubr()

p2 <- ggplot(data_summary,aes(x = Species, y = Sepal.Width_mean, fill = Species)) + 
  geom_bar(stat =  'identity', position = 'dodge', width = 0.5)  + 
  geom_errorbar(aes(ymin = Sepal.Width_mean - Sepal.Width_sd, 
                    ymax = Sepal.Width_mean + Sepal.Width_sd), width = 0.25) + 
  scale_fill_manual(values = cbPalette) + 
  scale_y_continuous(expand = c(0, 0)) + 
  theme_pubr()

p3 <- ggplot(data_summary,aes(x = Species, y = Petal.Length_mean, fill = Species)) + 
  geom_bar(stat =  'identity', position = 'dodge', width = 0.5)  + 
  geom_errorbar(aes(ymin = Petal.Length_mean - Petal.Length_sd, 
                    ymax = Petal.Length_mean + Petal.Length_sd), width = 0.25) + 
  scale_fill_manual(values = cbPalette) + 
  scale_y_continuous(expand = c(0, 0)) + 
  theme_pubr()

p4 <- ggplot(data_summary,aes(x = Species, y = Petal.Width_mean, fill = Species)) + 
  geom_bar(stat =  'identity', position = 'dodge', width = 0.5)  + 
  geom_errorbar(aes(ymin = Petal.Width_mean - Petal.Width_sd, 
                    ymax = Petal.Width_mean + Petal.Width_sd), width = 0.25) + 
  scale_fill_manual(values = cbPalette) + 
  scale_y_continuous(expand = c(0, 0)) + 
  theme_pubr()

p1+p2+p3+p4+plot_layout(guides = 'collect')&theme(legend.position = 'bottom')
R语言数据分析，从入门到自闭（图缓慢补充中……）_第2张图片

然后你可以做统计分析。别忘了检查各个品种的变量是否满足正态分布，会发现正态性检验还好。除了setosa的petal.width不是很满足。


data %>% group_by(Species) %>% 
  summarise(statistic = shapiro.test(Sepal.Length)$statistic,
            p.value = shapiro.test(Sepal.Length)$p.value)

data %>% group_by(Species) %>% 
  summarise(statistic = shapiro.test(Sepal.Width)$statistic,
            p.value = shapiro.test(Sepal.Width)$p.value)

data %>% group_by(Species) %>% 
  summarise(statistic = shapiro.test(Petal.Length)$statistic,
            p.value = shapiro.test(Petal.Length)$p.value)

data %>% group_by(Species) %>% 
  summarise(statistic = shapiro.test(Petal.Width)$statistic,
            p.value = shapiro.test(Petal.Width)$p.value)


## # A tibble: 3 x 3
##   Species    statistic p.value
##                
## 1 setosa         0.978   0.460
## 2 versicolor     0.978   0.465
## 3 virginica      0.971   0.258

## # A tibble: 3 x 3
##   Species    statistic p.value
##                
## 1 setosa         0.972   0.272
## 2 versicolor     0.974   0.338
## 3 virginica      0.967   0.181

## # A tibble: 3 x 3
##   Species    statistic p.value
##                
## 1 setosa         0.955  0.0548
## 2 versicolor     0.966  0.158 
## 3 virginica      0.962  0.110

## # A tibble: 3 x 3
##   Species    statistic     p.value
##                    
## 1 setosa         0.800 0.000000866
## 2 versicolor     0.948 0.0273     
## 3 virginica      0.960 0.0870

方差齐性检验。发现各组petal.length和petal.width方差不齐。


leveneTest(Sepal.Length ~ Species, data=data)

leveneTest(Sepal.Width ~ Species, data=data)

leveneTest(Petal.Length ~ Species, data=data)

leveneTest(Petal.Width ~ Species, data=data)


## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value   Pr(>F)   
## group   2  6.3527 0.002259 **
##       147                    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   2  0.5902 0.5555
##       147

## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value    Pr(>F)    
## group   2   19.48 3.129e-08 ***
##       147                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value    Pr(>F)    
## group   2  19.892 2.261e-08 ***
##       147                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

可以换成箱线图，再加上散点，标记好显著性。因为之前发现有点不满足正态和方差齐性，所以这里选择了非参数检验。


data %>% pivot_longer(col = -Species, names_to = 'Name', values_to = 'Value') %>% 
  ggplot(aes(x = Species, y = Value, color = Species)) + 
  geom_boxplot( ) + 
  geom_jitter(width = 0.2, height = 0.5, size = .1) + 
  scale_color_manual(values = cbPalette) + 
  scale_y_continuous(expand = c(0, 0),
                     limits = c(0, 12)) +
  facet_wrap(~Name) + 
  stat_compare_means(comparisons = compare_group, label = 'p.signif',method = 'wilcox.test') + theme_pubr()
R语言数据分析，从入门到自闭（图缓慢补充中……）_第3张图片

如果你觉得wilcox.test还不够稳健，你可以试试Welch's ANOVA检验和Games-Howell事后检验


anovaOneW(deps=Sepal.Length,group=Species,data=data,desc=T,
          descPlot = T,norm=T,qq=T,eqv=T,phMeanDif = T,
          phMethod= "gamesHowell",phTest = T,phFlag=T)

anovaOneW(deps=Sepal.Width,group=Species,data=data,desc=T,
          descPlot = T,norm=T,qq=T,eqv=T,phMeanDif = T,
          phMethod= "gamesHowell",phTest = T,phFlag=T)

anovaOneW(deps=Petal.Length,group=Species,data=data,desc=T,
          descPlot = T,norm=T,qq=T,eqv=T,phMeanDif = T,
          phMethod= "gamesHowell",phTest = T,phFlag=T)

anovaOneW(deps=Petal.Width,group=Species,data=data,desc=T,
          descPlot = T,norm=T,qq=T,eqv=T,phMeanDif = T,
          phMethod= "gamesHowell",phTest = T,phFlag=T)

篇幅原因这里只放一部分结果

## 
##  ONE-WAY ANOVA
## 
##  One-Way ANOVA (Welch's)                                       
##  ------------------------------------------------------------- 
##                    F           df1    df2         p            
##  ------------------------------------------------------------- 
##    Sepal.Length    138.9083      2    92.21115    < .0000001   
##  ------------------------------------------------------------- 
## 
## 
##  Group Descriptives                                                          
##  --------------------------------------------------------------------------- 
##                    Species       N     Mean        SD           SE           
##  --------------------------------------------------------------------------- 
##    Sepal.Length    setosa        50    5.006000    0.3524897    0.04984957   
##                    versicolor    50    5.936000    0.5161711    0.07299762   
##                    virginica     50    6.588000    0.6358796    0.08992695   
##  --------------------------------------------------------------------------- 
## 
## 
##  ASSUMPTION CHECKS
## 
##  Normality Test (Shapiro-Wilk)              
##  ------------------------------------------ 
##                    W            p           
##  ------------------------------------------ 
##    Sepal.Length    0.9878974    0.2188639   
##  ------------------------------------------ 
##    Note. A low p-value suggests a
##    violation of the assumption of
##    normality
## 
## 
##  Homogeneity of Variances Test (Levene's)                
##  ------------------------------------------------------- 
##                    F           df1    df2    p           
##  ------------------------------------------------------- 
##    Sepal.Length    7.381092      2    147    0.0008818   
##  ------------------------------------------------------- 
## 
## 
##  POST HOC TESTS
## 
##  Games-Howell Post-Hoc Test – Sepal.Length                                  
##  -------------------------------------------------------------------------- 
##                                     setosa       versicolor    virginica    
##  -------------------------------------------------------------------------- 
##    setosa        Mean difference            —    -0.9300000    -1.5820000   
##                  t-value                    —     -10.52099    -15.386196   
##                  df                         —      86.53800      76.51587   
##                  p-value                    —    < .0000001    < .0000001   
##                                                                             
##    versicolor    Mean difference                          —    -0.6520000   
##                  t-value                                  —     -5.629165   
##                  df                                       —      94.02549   
##                  p-value                                  —     0.0000006   
##                                                                             
##    virginica     Mean difference                                        —   
##                  t-value                                                —   
##                  df                                                     —   
##                  p-value                                                —   
##  -------------------------------------------------------------------------- 
##    Note. * p < .05, ** p < .01, *** p < .001
R语言数据分析，从入门到自闭（图缓慢补充中……）_第4张图片

利用R语言对数据进行可视化

到了这里，事情解决了，对么？很传统的方法，得到了想知道的一切。数据有差异性，完美。但其实，R语言能够做的更多。我更愿意称R语言为可视化统计检验方法。相比于传统方法的先检验差异性再作图，R语言是先做可视化再做具体的方差分析。例如，我们可以一行代码查看数据的关系。这里面包含了数据的相关散点图，直方图，相关系数和箱线图。依靠这些你可以更好的提出你需要的科学假设。


ggpairs(data, mapping = aes(color = Species)) + theme_bw()
R语言数据分析，从入门到自闭（图缓慢补充中……）_第5张图片

通过直方图可以很容易看到数据的分布情况。是否满足正态还有方差齐性是不是变得更加具象了？


p_SL <- data %>% gghistogram(data = ., x= 'Sepal.Length',  add = 'mean', fill = 'Species', palette = cbPalette,add_density = TRUE, legend = 'right') 

p_SW <- data %>% gghistogram(data = ., x= 'Sepal.Width',  add = 'mean', fill = 'Species', palette = cbPalette,add_density = TRUE, legend = 'right') 

p_PL <- data %>% gghistogram(data = ., x= 'Petal.Length',  add = 'mean', fill = 'Species', palette = cbPalette,add_density = TRUE, legend = 'right') 

p_PW <- data %>% gghistogram(data = ., x= 'Petal.Width',  add = 'mean', fill = 'Species', palette = cbPalette,add_density = TRUE, legend = 'none' ) 

(p_SL + p_SW +  p_PL +  guide_area() + plot_layout(guides = 'collect')) /p_PW
R语言数据分析，从入门到自闭（图缓慢补充中……）_第6张图片

跑个qq图，配合置信区间。



qqPlot(data$Sepal.Length ,main="qq plot", groups = c("setosa","versicolor","virginica"), col="blue", col.lines="red")

qqPlot(data$Sepal.Width ,main="qq plot", groups = c("setosa","versicolor","virginica"), col="blue", col.lines="red")

qqPlot(data$Petal.Length ,main="qq plot", groups = c("setosa","versicolor","virginica"), col="blue", col.lines="red")

qqPlot(data$Petal.Width ,main="qq plot", groups = c("setosa","versicolor","virginica"), col="blue", col.lines="red")
R语言数据分析，从入门到自闭（图缓慢补充中……）_第7张图片

R语言数据分析，从入门到自闭（图缓慢补充中……）_第8张图片

然后是数据结果的分组可视化。


compare_group <- list(c('setosa','versicolor'),c('versicolor','virginica'),c('setosa','virginica'))

p1 <- ggboxplot(data, x = 'Species', y = 'Sepal.Length', add = c('jitter','mean_se'), color = 'Species', palette = cbPalette) + 
  stat_compare_means(comparisons = compare_group, label = 'p.signif',method = 'wilcox.test')

p2 <- ggboxplot(data, x = 'Species', y = 'Sepal.Width', add = c('jitter','mean_se'), color = 'Species', palette = cbPalette) + 
  stat_compare_means(comparisons = compare_group, label = 'p.signif',method = 'wilcox.test')

p3 <- ggboxplot(data, x = 'Species', y = 'Petal.Length', add = c('jitter','mean_se'), color = 'Species', palette = cbPalette) + 
  stat_compare_means(comparisons = compare_group, label = 'p.signif',method = 'wilcox.test')

p4 <- ggboxplot(data, x = 'Species', y = 'Petal.Width', add = c('jitter','mean_se'), color = 'Species', palette = cbPalette) + 
  stat_compare_means(comparisons = compare_group, label = 'p.signif',method = 'wilcox.test')

p1 + p2 + p3 + p4 + plot_layout(guides = 'collect') & theme(legend.position = 'bottom')
R语言数据分析，从入门到自闭（图缓慢补充中……）_第9张图片

还可以换个炫酷的效果。这里用的Games_Howell test。不喜欢可以换回t检验，大家可以自己试试看。

R语言数据分析，从入门到自闭（图缓慢补充中……）_第10张图片 

p1 <- data %>% group_by(Species) %>% ggstatsplot::ggbetweenstats(x = Species, y = Sepal.Length, nboot = 10, messages = FALSE)

p2 <- data %>% group_by(Species) %>% ggstatsplot::ggbetweenstats(x = Species, y = Sepal.Width, nboot = 10, messages = FALSE)

p3 <- data %>% group_by(Species) %>% ggstatsplot::ggbetweenstats(x = Species, y = Petal.Length, nboot = 10, messages = FALSE)

p4 <- data %>% group_by(Species) %>% ggstatsplot::ggbetweenstats(x = Species, y = Petal.Width, nboot = 10, messages = FALSE)

p1 + p2 + p3 + p4

最后我们可以用heatmap查看各个数据在四个维度上的表现，这里我因为同时装了两个包所以，冲突了。所以需要申明到底用的是哪个包的pheatmap。


set.seed(2020)
anno <- data.frame(Species = data$Species)
row.names(anno) <- row.names(data)

ComplexHeatmap::pheatmap(data[,-5], border_color = gpar(col = "black", lty = 2), cluster_rows = T, cluster_cols = T, show_rownames = F, show_colnames = T, annotation_row = anno)
R语言数据分析，从入门到自闭（图缓慢补充中……）_第11张图片

最后根据四个petal和sepal的长宽数据，我们做个pca分类图。


data.pca <- PCA(data[,-5], graph = FALSE)

fviz_pca_ind(data.pca,
             geom.ind = "point",
             col.ind = data$Species,
             addEllipses = TRUE,
             ellipse.type = 'convex',
             legend.title = "Groups"
) + theme_minimal()
row.names(data) <- paste0("row_", seq(nrow(data)))

res <- factoextra::hcut(data[,-5], k = 3, stand = TRUE)

fviz_dend(res, rect = TRUE, cex = 0.5,
          k_colors = c("#00AFBB","#2E9FDF", "#E7B800", "#FC4E07"))
R语言数据分析，从入门到自闭（图缓慢补充中……）_第12张图片

R语言数据分析，从入门到自闭（图缓慢补充中……）_第13张图片

Tidymodel建模

到这里，我们体验了大部分统计可视化的内容。那么R还能做什么？既然我们知道所谓统计分析本身就是建模，那么我们能否用更复杂的模型对petal和sepal的长宽等因子进行重要性检验呢？所以又有了这部分，利用tidymodels的建模，并根据模型对数据分类。


library('tidymodels')
library('caret')
#固定随机数，方便复现
set.seed(2020)

下面是整个建模的流程


#将数据分成3份两份作为训练数据，一份作为测试准确性数据。
data_split <- initial_split(data,prop=.66)
data_train <- training(data_split)
data_test <-testing(data_split) 

#bootstrap创造一个数据用来tuning模型
Spec_boost <- bootstraps(data_train, times = 30)

#设定模型数据转换，在这里可以做中心化，标准化，数据合并等一系列操作。最后传入的prep记录所有的操作。另外在这里Species~.意思是Species作为分类结果，其他几列作为predictor预测分类。
data_rec <-
  recipe(Species ~.,data = data_train) %>%
  prep()

#查看训练的数据，这里用juice很形象的说你的数据是榨出来的。但这里没对表型数据做过多调整。
juice(data_rec)

#设定模型，这里mtry和min_n使用tune函数调整。模式选择分类，随机森林的引擎选择randomForest，另外还有一个引擎叫ranger。具体到后面会有细微差别。
rf_model<-rand_forest(mtry=tune(),min_n = tune())%>%
           set_mode("classification")%>%
           set_engine("randomForest")

#设定工作流，主要是使用哪个模型以及使用哪个数据方便后期做具体的调参。
rf_wflow <-
    workflow() %>%
    add_recipe(data_rec)%>%
    add_model(rf_model) 




#激活平行线程
doParallel::registerDoParallel()

#使用tune_grid函数和boostrap的数据进行大致的调参。
rf_results <-
  rf_wflow %>% 
  tune_grid(resamples = Spec_boost)

#参数打分可视化
rf_results %>%
  collect_metrics() %>%
  filter(.metric == "roc_auc") %>%
  select(mean, min_n, mtry) %>%
  pivot_longer(min_n:mtry,
    values_to = "value",
    names_to = "parameter"
  ) %>%
  ggplot(aes(value, mean, color = parameter)) +
  geom_point(show.legend = FALSE) +
  facet_wrap(~parameter, scales = "free_x") +
  labs(x = NULL, y = "AUC")
R语言数据分析，从入门到自闭（图缓慢补充中……）_第14张图片 
#选择最佳模型参数
so_best <-
  rf_results %>% 
    select_best(metric = "roc_auc")

#构建模型
rf_fit <- rand_forest(mode = 'classification',
                       mtry = so_best$mtry,
                       min_n = so_best$min_n) %>% 
  set_engine("randomForest") %>% 
  fit( Species ~ ., data = data_train)

plot(rf_fit$fit)
R语言数据分析，从入门到自闭（图缓慢补充中……）_第15张图片 
#各因子重要性可视化
Importance <- varImp(rf_fit$fit)
Importance$Feature <- row.names(Importance)
Importance


##                   Overall      Feature
## Sepal.Length  0.007138445 Sepal.Length
## Sepal.Width   0.000000000  Sepal.Width
## Petal.Length 28.186545520 Petal.Length
## Petal.Width  31.611573933  Petal.Width

ggdotchart(Importance,x = 'Feature', y = 'Overall', color = 'Feature', 
           palette = 'mpg', sorting = "descending",
           font.label = list(color = "white", size = 9, vjust = 0.5),add.params = list(color = "Feature"), add = "segments", rotate = TRUE, group = "Feature", dot.size = 6,
          ggtheme = theme_pubr())
R语言数据分析，从入门到自闭（图缓慢补充中……）_第16张图片 

#激活平行线程
doParallel::registerDoParallel()

#设定参数
rf_grid <- grid_regular(
  mtry(range = c(1,4)),
  min_n(range = c(10,30)),
  levels = 10
)

#调参结果
regular_res <- rf_wflow %>% 
  tune_grid(
  resamples = Spec_boost,
  grid = rf_grid
)

#结果可视化
regular_res%>%
  collect_metrics() %>%
  filter(.metric == "roc_auc") %>%
  mutate(mtry = factor(mtry)) %>%
  ggplot(aes(min_n, mean, color = mtry)) +
  geom_line(alpha = 0.5, size = 1.5) +
  geom_point() +
  labs(y = "AUC")
R语言数据分析，从入门到自闭（图缓慢补充中……）_第17张图片 
#调参后通过roc_auc指标选择最好的模型参数
so_best <-
  regular_res %>% 
    select_best(metric = "roc_auc")

#使用最佳参数去构建模型
rf_final_fit<-rf_wflow%>%
              finalize_workflow(so_best)%>%
              fit(data = data_train)

#设定好数据调整的方法（还记得recipes么）
data_rec3 <-rf_final_fit%>% 
pull_workflow_prepped_recipe()  

#用同样方法去变换test数据集，然后用模型拟合test数据集，输出结果。
rf_final_fit%>%
        pull_workflow_fit()%>%
        predict( new_data = bake(data_rec3, data_test))%>% 
        bind_cols(data_test, .)%>%
        metrics(truth = Species, estimate =.pred_class)

## # A tibble: 2 x 3
##   .metric  .estimator .estimate
##                 
## 1 accuracy multiclass     0.96 
## 2 kap      multiclass     0.940

#查看参数重要性
vi(rf_final_fit$fit$fit)
vip(rf_final_fit$fit$fit, mapping = aes(fill = row.names(rf_final_fit$fit$fit$fit$importance))) + theme_pubr()
R语言数据分析，从入门到自闭（图缓慢补充中……）_第18张图片

你可能感兴趣的:(R语言数据分析，从入门到自闭（图缓慢补充中……）)

  • 斤斤计较的婚姻到底有多难？ 白心之岂必有为
    很多人私聊我会问到在哪个人群当中斤斤计较的人最多？我都会回答他，一般婚姻出现问题的斤斤计较的人士会非常多，以我多年经验，在婚姻落的一塌糊涂的人当中，斤斤计较的人数占比在20～30%以上，也就是说10个婚姻出现问题的斤斤计较的人有2-3个有多不减。在婚姻出问题当中，有大量的心理不平衡的、尖酸刻薄的怨妇。在婚姻中仅斤斤计较有两种类型：第一种是物质上的，另一种是精神上的。在物质与精神上抠门已经严重的影响
  • android系统selinux中添加新属性property 辉色投像
    1.定位/android/system/sepolicy/private/property_contexts声明属性开头：persist.charge声明属性类型：u:object_r:system_prop:s0图12.定位到android/system/sepolicy/public/domain.te删除neverallow{domain-init}default_prop:property
  • 2020-01-25 晴岚85
    郑海燕坚持分享590天2020.1.24在生活中只存在两个问题。一个问题是：你知道想要达成的目标是什么，但却不知道如何才能达成；另一个问题是：你不知道你的目标是什么。前一个是行动的问题，后一个是结果的问题。通过制定具体的下一步行动，可以解决不知道如何开始行动的问题。而通过去想象结果，对结果做预估，可以解决找不着目标的问题。对于所有吸引我们注意力，想要完成的任务，你可以先想象一下，预期的结果究竟是什
  • 想家 爆米花机
    也许不同于大家对家乡的思念，我对家乡甚至是疯狂的不舍。还未踏出车站就感觉到幸福，我享受这里的夕阳、这里的浓烈柴火味、这里每一口家常菜。我是宅女，我贪恋家的安逸。刚刚踏出大学校门，初出茅庐，无法适应每年只能国庆和春节回家。我焦虑、失眠、无端发脾气，是无法适应工作的节奏，是无法接受我将一步步离开家乡的事实。我不想承认自己胸无大志，选择再次踏上征程。图片发自App
  • OC语言多界面传值五大方式 Magnetic_h iosui学习objective-c开发语言
    前言在完成暑假仿写项目时，遇到了许多需要用到多界面传值的地方，这篇博客来总结一下比较常用的五种多界面传值的方式。属性传值属性传值一般用前一个界面向后一个界面传值，简单地说就是通过访问后一个视图控制器的属性来为它赋值，通过这个属性来做到从前一个界面向后一个界面传值。首先在后一个界面中定义属性@interfaceBViewController:UIViewController@propertyNSSt
  • UI学习——cell的复用和自定义cell Magnetic_h ui学习
    目录cell的复用手动（非注册）自动（注册）自定义cellcell的复用在iOS开发中，单元格复用是一种提高表格（UITableView）和集合视图（UICollectionView）滚动性能的技术。当一个UITableViewCell或UICollectionViewCell首次需要显示时，如果没有可复用的单元格，则视图会创建一个新的单元格。一旦这个单元格滚动出屏幕，它就不会被销毁。相反，它被添
  • element实现动态路由+面包屑 软件技术NINI vue案例vue.js前端
    el-breadcrumb是ElementUI组件库中的一个面包屑导航组件，它用于显示当前页面的路径，帮助用户快速理解和导航到应用的各个部分。在Vue.js项目中，如果你已经安装了ElementUI，就可以很方便地使用el-breadcrumb组件。以下是一个基本的使用示例：安装ElementUI（如果你还没有安装的话）:你可以通过npm或yarn来安装ElementUI。bash复制代码npmi
  • 地推话术，如何应对地推过程中家长的拒绝 校师学
    相信校长们在做地推的时候经常遇到这种情况：市场专员反馈家长不接单，咨询师反馈难以邀约这些家长上门，校区地推疲软，招生难。为什么？仅从地推层面分析，一方面因为家长受到的信息轰炸越来越多，对信息越来越“免疫”；而另一方面地推人员的专业能力和营销话术没有提高，无法应对家长的拒绝，对有意向的家长也不知如何跟进，眼睁睁看着家长走远；对于家长的疑问，更不知道如何有技巧地回答，机会白白流失。由于回答没技巧和专业
  • 微服务下功能权限与数据权限的设计与实现 nbsaas-boot 微服务java架构
    在微服务架构下，系统的功能权限和数据权限控制显得尤为重要。随着系统规模的扩大和微服务数量的增加，如何保证不同用户和服务之间的访问权限准确、细粒度地控制，成为设计安全策略的关键。本文将讨论如何在微服务体系中设计和实现功能权限与数据权限控制。1.功能权限与数据权限的定义功能权限：指用户或系统角色对特定功能的访问权限。通常是某个用户角色能否执行某个操作，比如查看订单、创建订单、修改用户资料等。数据权限：
  • 2021年12月19日，春蕾教育集团团建活动感受——黄晓丹 黄错错加油
    感受:1.从陌生到熟悉的过程。游戏环节让我们在轻松的氛围中得到了锻炼，也增长了不少知识。2.游戏过程中，我们贡献的是个人力量，展现的是团队的力量。它磨合的往往不止是工作的熟悉，更是观念上契合度的贴近。3.这和工作是一样的道理。在各自的岗位上，每个人摆正自己的位置、各司其职充分发挥才能，并团结一致劲往一处使，才能实现最大的成功。新知:1.团队精神需要不断地创新。过去，人们把创新看作是冒风险，现在人们
  • c++ 的iostream 和 c++的stdio的区别和联系 黄卷青灯77 c++算法开发语言iostreamstdio
    在C++中，iostream和C语言的stdio.h都是用于处理输入输出的库，但它们在设计、用法和功能上有许多不同。以下是两者的区别和联系：区别1.编程风格iostream（C++风格）：C++标准库中的输入输出流类库，支持面向对象的输入输出操作。典型用法是cin（输入）和cout（输出），使用>操作符来处理数据。更加类型安全，支持用户自定义类型的输入输出。#includeintmain(){in
  • 爬山后遗症 璃绛
    爬山，攀登，一步一步走向制高点，是一种挑战。成功抵达是一种无法言语的快乐，在山顶吹吹风，看看风景，这是从未有过的体验。然而，爬山一时爽，下山腿打颤，颠簸的路，一路向下走，腿部力量不够，走起来抖到不行，停不下来了！第二天必定腿疼，浑身酸痛，坐立难安！
  • 《策划经理回忆录之二》 路基雅虎
    话说三年变六年，飘了，飘了……眨眼，2013年5月，老吴回到了他的家乡——油城从新开启他的工作幻想症生涯。很庆幸，这是一家很有追求，同时敢于尝试的，且实力不容低调的新星房企——金源置业(前身泰源置业)更值得庆幸的是第一个盘就是油城十路的标杆之一:金源盛世。2013年5月，到2015年11月，两年的陪伴，迎来了一场大爆发。2000个筹，5万/筹，直接回笼1个亿！！！这……让我开始认真审视这座看似五线
  • Long类型前后端数据不一致 igotyback 前端
    响应给前端的数据浏览器控制台中response中看到的Long类型的数据是正常的到前端数据不一致前后端数据类型不匹配是一个常见问题，尤其是当后端使用Java的Long类型（64位）与前端JavaScript的Number类型（最大安全整数为2^53-1，即16位）进行数据交互时，很容易出现精度丢失的问题。这是因为JavaScript中的Number类型无法安全地表示超过16位的整数。为了解决这个问
  • 如何在 Fork 的 GitHub 项目中保留自己的修改并同步上游更新？github_fork_update iBaoxing github
    如何在Fork的GitHub项目中保留自己的修改并同步上游更新？在GitHub上Fork了一个项目后，你可能会对项目进行一些修改，同时原作者也在不断更新。如果想要在保留自己修改的基础上，同步原作者的最新更新，很多人会不知所措。本文将详细讲解如何在不丢失自己改动的情况下，将上游仓库的更新合并到自己的仓库中。问题描述假设你在GitHub上Fork了一个项目，并基于该项目做了一些修改，随后你发现原作者对
  • 30天风格练习-DAY2 黄希夷
    Day2（重义）在一个周日/一周的最后一天，我来到位于市中心/市区繁华地带的一家购物中心/商场，中心内人很多/熙熙攘攘。我注意到/看见一个独行/孤身一人的年轻女孩/，留着一头引人注目/长过腰际的头发，上身穿一件暗红色/比正红色更深的衣服/穿在身体上的东西。走下扶梯的时候，她摔倒了/跌向地面，在她正要站起来/让身体离开地面的时候，过长/超过一般人长度的头发被支撑身体/躯干的手掌压/按在下面，她赶紧用
  • 2021-08-26 影幽
    在生活中，女人与男人的感悟往往有所不同。人生最大的舞台就是生活，大幕随时都可能拉开，关键是你愿不愿意表演都无法躲避。在生活中，遇事不要急躁，不要急于下结论，尤其生气时不要做决断，要学会换位思考，大事化小小事化了，把复杂的事情尽量简单处理，千万不要把简单的事情复杂化。永远不要扭曲，别人善意，无药可救。昨天是张过期的支票，明天是张信用卡，只有今天才是现金，要善加利用！执着的攀登者不必去与别人比较自己的
  • 消息中间件有哪些常见类型 xmh-sxh-1314 java
    消息中间件根据其设计理念和用途，可以大致分为以下几种常见类型：点对点消息队列（Point-to-PointMessagingQueues）：在这种模型中，消息被发送到特定的队列中，消费者从队列中取出并处理消息。队列中的消息只能被一个消费者消费，消费后即被删除。常见的实现包括IBM的MQSeries、RabbitMQ的部分使用场景等。适用于任务分发、负载均衡等场景。发布/订阅消息模型（Pub/Sub
  • html 中如何使用 uniapp 的部分方法 某公司摸鱼前端 htmluni-app前端
    示例代码：Documentconsole.log(window);效果展示：好了，现在就可以uni.使用相关的方法了
  • ArcGIS栅格计算器常见公式（赋值、0和空值的转换、补充栅格空值） 研学随笔 arcgis经验分享
    我们在使用ArcGIS时通常经常用到栅格计算器，今天主要给大家介绍我日常中经常用到的几个公式，供大家参考学习。将特定值（-9999）赋值为0，例如-9999.Con("raster"==-9999,0,"raster")2.给空值赋予特定的值（如0）Con(IsNull("raster"),0,"raster")3.将特定的栅格值(如1)赋值为空值，其他保留原值SetNull("raster"==
  • 高级编程--XML+socket练习题 masa010 java开发语言
    1.北京华北2114.8万人上海华东2,500万人广州华南1292.68万人成都华西1417万人（1）使用dom4j将信息存入xml中（2）读取信息，并打印控制台（3）添加一个city节点与子节点（4）使用socketTCP协议编写服务端与客户端，客户端输入城市ID，服务器响应相应城市信息（5）使用socketTCP协议编写服务端与客户端，客户端要求用户输入city对象，服务端接收并使用dom4j
  • 开心 蒋泳频
    从无比抗拒来上课到接受，感动，收获～看着波哥成长，晶晶幸福笑容满面。感觉自己做的事情很有意义，很开心！还有3个感召目标就是还有三个有缘人，哈哈。明天感召去明日计划：8：30-11：00小公益11：00-21点上班，感召图片发自App图片发自App图片发自App
  • 本周第二次约练 2cfbdfe28a51
    中原焦点团队中24初26刘霞2021.12.3约练161次，分享第368天当事人虽然是带着问题来的，但是咨询过程中发现，她是经过自己不断地调整和努力才走到现在的，看到当事人的不容易，找到例外，发现资源，力量感也就随之而来。增强画面感，或者说重温，会给当事人带来更深刻的感受。
  • 每日一题——第九十题 互联网打工人no1 C语言程序设计每日一练c语言
    题目：判断子串是否与主串匹配#include#include#include//////判断子串是否在主串中匹配//////主串///子串///boolisSubstring(constchar*str,constchar*substr){intlenstr=strlen(str);//计算主串的长度intlenSub=strlen(substr);//计算子串的长度//遍历主字符串，对每个可能得
  • Python数据分析与可视化实战指南 William数据分析 pythonpython数据
    在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
  • 每日一题——第八十四题 互联网打工人no1 C语言程序设计每日一练c语言
    题目：编写函数1、输入10个职工的姓名和职工号2、按照职工由大到小顺序排列，姓名顺序也随之调整3、要求输入一个职工号，用折半查找法找出该职工的姓名#define_CRT_SECURE_NO_WARNINGS#include#include#defineMAX_EMPLOYEES10typedefstruct{intid;charname[50];}Empolyee;voidinputEmploye
  • 每日一题——第八十二题 互联网打工人no1 C语言程序设计每日一练c语言
    题目：将一个控制台输入的字符串中的所有元音字母复制到另一字符串中#include#include#include#include#defineMAX_INPUT1024boolisVowel(charp);intmain(){charinput[MAX_INPUT];charoutput[MAX_INPUT];printf("请输入一串字符串：\n");fgets(input,sizeof(inp
  • WPF中的ComboBox控件几种数据绑定的方式 互联网打工人no1 wpfc#
    一、用字典给ItemsSource赋值（此绑定用的地方很多，建议熟练掌握）在XMAL中：在CS文件中privatevoidBindData(){DictionarydicItem=newDictionary();dicItem.add(1,"北京");dicItem.add(2,"上海");dicItem.add(3,"广州");cmb_list.ItemsSource=dicItem;cmb_l
  • Python中os.environ基本介绍及使用方法 鹤冲天Pro #Pythonpython服务器开发语言
    文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
  • 水泥质量纠纷案代理词 徐宝峰律师
    贵州领航建设有限公司诉贵州纳雍隆庆乌江水泥有限公司产品质量纠纷案代理词尊敬的审判长、审判员：贵州千里律师事务所接受被告贵州纳雍隆庆乌江水泥有限公司的委托，指派我担任其诉讼代理人，参加本案的诉讼活动。下面，我结合本案事实和相关法律规定发表如下代理意见，供合议庭评议案件时参考：原告应当举证证明其遭受的损失与被告生产的水泥质量的因果关系。首先水泥是一种粉状水硬性无机胶凝材料。加水搅拌后成浆体，能在空气中
  • rust的指针作为函数返回值是直接传递，还是先销毁后创建？ wudixiaotie 返回值
     这是我自己想到的问题，结果去知呼提问，还没等别人回答， 我自己就想到方法实验了。。 fn main() { let mut a = 34; println!("a's addr:{:p}", &a); let p = &mut a; println!("p's addr:{:p}", &a
  • java编程思想 -- 数据的初始化 百合不是茶 java数据的初始化
      1.使用构造器确保数据初始化      /* *在ReckInitDemo类中创建Reck的对象 */ public class ReckInitDemo { public static void main(String[] args) { //创建Reck对象 new Reck(); } }
  • [航天与宇宙]为什么发射和回收航天器有档期 comsci
           地球的大气层中有一个时空屏蔽层,这个层次会不定时的出现,如果该时空屏蔽层出现,那么将导致外层空间进入的任何物体被摧毁,而从地面发射到太空的飞船也将被摧毁...        所以,航天发射和飞船回收都需要等待这个时空屏蔽层消失之后,再进行 &
  • linux下批量替换文件内容 商人shang linux替换
    1、网络上现成的资料 　　格式: sed -i "s/查找字段/替换字段/g" `grep 查找字段 -rl 路径` 　　linux sed 批量替换多个文件中的字符串 　　sed -i "s/oldstring/newstring/g" `grep oldstring -rl yourdir` 　　例如：替换/home下所有文件中的www.admi
  • 网页在线天气预报 oloz 天气预报
    网页在线调用天气预报 <%@ page language="java" contentType="text/html; charset=utf-8" pageEncoding="utf-8"%> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transit
  • SpringMVC和Struts2比较 杨白白 springMVC
    1. 入口 spring mvc的入口是servlet，而struts2是filter（这里要指出，filter和servlet是不同的。以前认为filter是servlet的一种特殊），这样就导致了二者的机制不同，这里就牵涉到servlet和filter的区别了。 参见：http://blog.csdn.net/zs15932616453/article/details/8832343 2
  • refuse copy, lazy girl! 小桔子 copy
           妹妹坐船头啊啊啊啊！都打算一点点琢磨呢。文字编辑也写了基本功能了。。今天查资料，结果查到了人家写得完完整整的。我清楚的认识到： 1.那是我自己觉得写不出的高度 2.如果直接拿来用，很快就能解决问题 3.然后就是抄咩~~ 4.肿么可以这样子，都不想写了今儿个，留着作参考吧！拒绝大抄特抄，慢慢一点点写！  
  • apache与php整合 aichenglong php apache web
    一  apache web服务器 1 apeche web服务器的安装   1)下载Apache web服务器   2)配置域名(如果需要使用要在DNS上注册)   3)测试安装访问http://localhost/验证是否安装成功 2 apache管理   1)service.msc进行图形化管理   2)命令管理，配
  • Maven常用内置变量 AILIKES maven
    Built-in properties ${basedir} represents the directory containing pom.xml ${version} equivalent to ${project.version} (deprecated: ${pom.version}) Pom/Project properties Al
  • java的类和对象 百合不是茶 JAVA面向对象 类 对象
    java中的类：     java是面向对象的语言，解决问题的核心就是将问题看成是一个类，使用类来解决   java使用 class 类名   来创建类 ，在Java中类名要求和构造方法，Java的文件名是一样的   创建一个A类： class A{ }   java中的类：将某两个事物有联系的属性包装在一个类中，再通
  • JS控制页面输入框为只读 bijian1013 JavaScript
    在WEB应用开发当中，增、删除、改、查功能必不可少，为了减少以后维护的工作量，我们一般都只做一份页面，通过传入的参数控制其是新增、修改或者查看。而修改时需将待修改的信息从后台取到并显示出来，实际上就是查看的过程，唯一的区别是修改时，页面上所有的信息能修改，而查看页面上的信息不能修改。因此完全可以将其合并，但通过前端JS将查看页面的所有信息控制为只读，在信息量非常大时，就比较麻烦。  
  • AngularJS与服务器交互 bijian1013 JavaScriptAngularJS$http
            对于AJAX应用（使用XMLHttpRequests）来说，向服务器发起请求的传统方式是：获取一个XMLHttpRequest对象的引用、发起请求、读取响应、检查状态码，最后处理服务端的响应。整个过程示例如下： var xmlhttp = new XMLHttpRequest(); xmlhttp.onreadystatechange
  • [Maven学习笔记八]Maven常用插件应用 bit1129 maven
    常用插件及其用法位于：http://maven.apache.org/plugins/   1. Jetty server plugin 2. Dependency copy plugin 3. Surefire Test plugin 4. Uber jar plugin           1. Jetty Pl
  • 【Hive六】Hive用户自定义函数(UDF) bit1129 自定义函数
    1. 什么是Hive UDF Hive是基于Hadoop中的MapReduce，提供HQL查询的数据仓库。Hive是一个很开放的系统，很多内容都支持用户定制，包括： 文件格式：Text File，Sequence File 内存中的数据格式： Java Integer/String, Hadoop IntWritable/Text 用户提供的 map/reduce 脚本：不管什么
  • 杀掉nginx进程后丢失nginx.pid，如何重新启动nginx ronin47 nginx 重启 pid丢失
    nginx进程被意外关闭，使用nginx -s reload重启时报如下错误：nginx: [error] open() “/var/run/nginx.pid” failed (2: No such file or directory)这是因为nginx进程被杀死后pid丢失了，下一次再开启nginx -s reload时无法启动解决办法：nginx -s reload 只是用来告诉运行中的ng
  • UI设计中我们为什么需要设计动效 brotherlamp UIui教程ui视频ui资料ui自学
    随着国际大品牌苹果和谷歌的引领，最近越来越多的国内公司开始关注动效设计了，越来越多的团队已经意识到动效在产品用户体验中的重要性了，更多的UI设计师们也开始投身动效设计领域。 但是说到底，我们到底为什么需要动效设计？或者说我们到底需要什么样的动效？做动效设计也有段时间了，于是尝试用一些案例，从产品本身出发来说说我所思考的动效设计。 一、加强体验舒适度 嗯，就是让用户更加爽更加爽的用你的产品。
  • Spring中JdbcDaoSupport的DataSource注入问题 bylijinnan javaspring
    参考以下两篇文章： http://www.mkyong.com/spring/spring-jdbctemplate-jdbcdaosupport-examples/ http://stackoverflow.com/questions/4762229/spring-ldap-invoking-setter-methods-in-beans-configuration Sprin
  • 数据库连接池的工作原理 chicony 数据库连接池
           随着信息技术的高速发展与广泛应用，数据库技术在信息技术领域中的位置越来越重要，尤其是网络应用和电子商务的迅速发展，都需要数据库技术支持动 态Web站点的运行，而传统的开发模式是：首先在主程序（如Servlet、Beans）中建立数据库连接；然后进行SQL操作，对数据库中的对象进行查 询、修改和删除等操作；最后断开数据库连接。使用这种开发模式，对
  • java 关键字 CrazyMizzz java
    关键字是事先定义的，有特别意义的标识符，有时又叫保留字。对于保留字，用户只能按照系统规定的方式使用，不能自行定义。 Java中的关键字按功能主要可以分为以下几类：    （1）访问修饰符       public,private,protected       p
  • Hive中的排序语法 daizj 排序hiveorder byDISTRIBUTE BYsort by
    Hive中的排序语法 2014.06.22 ORDER BY hive中的ORDER BY语句和关系数据库中的sql语法相似。他会对查询结果做全局排序，这意味着所有的数据会传送到一个Reduce任务上，这样会导致在大数量的情况下，花费大量时间。 与数据库中 ORDER BY 的区别在于在hive.mapred.mode = strict模式下，必须指定 limit 否则执行会报错。
  • 单态设计模式 dcj3sjt126com 设计模式
      单例模式（Singleton）用于为一个类生成一个唯一的对象。最常用的地方是数据库连接。 使用单例模式生成一个对象后，该对象可以被其它众多对象所使用。 <?phpclass Example{    // 保存类实例在此属性中    private static&
  • svn locked dcj3sjt126com Lock
    post-commit hook failed (exit code 1) with output: svn: E155004: Working copy 'D:\xx\xxx' locked svn: E200031: sqlite: attempt to write a readonly database svn: E200031: sqlite: attempt to write a
  • ARM寄存器学习 e200702084 数据结构C++cC#F#
    无论是学习哪一种处理器，首先需要明确的就是这种处理器的寄存器以及工作模式。     ARM有37个寄存器，其中31个通用寄存器，6个状态寄存器。 1、不分组寄存器（R0-R7）     不分组也就是说说，在所有的处理器模式下指的都时同一物理寄存器。在异常中断造成处理器模式切换时，由于不同的处理器模式使用一个名字相同的物理寄存器，就是
  • 常用编码资料 gengzg 编码
    List<UserInfo> list=GetUserS.GetUserList(11); String json=JSON.toJSONString(list); HashMap<Object,Object> hs=new HashMap<Object, Object>(); for(int i=0;i<10;i++) {
  • 进程 vs. 线程 hongtoushizi 线程linux进程
    我们介绍了多进程和多线程，这是实现多任务最常用的两种方式。现在，我们来讨论一下这两种方式的优缺点。 首先，要实现多任务，通常我们会设计Master-Worker模式，Master负责分配任务，Worker负责执行任务，因此，多任务环境下，通常是一个Master，多个Worker。 如果用多进程实现Master-Worker，主进程就是Master，其他进程就是Worker。 如果用多线程实现
  • Linux定时Job：crontab -e 与 /etc/crontab 的区别 Josh_Persistence linuxcrontab
    一、linux中的crotab中的指定的时间只有5个部分：* * * * * 分别表示：分钟，小时，日，月，星期，具体说来： 第一段 代表分钟 0—59 第二段 代表小时 0—23 第三段 代表日期 1—31 第四段 代表月份 1—12 第五段 代表星期几，0代表星期日 0—6   如： */1 * * * *   每分钟执行一次。 *
  • KMP算法详解 hm4123660 数据结构C++算法字符串KMP
         字符串模式匹配我们相信大家都有遇过，然而我们也习惯用简单匹配法（即Brute-Force算法)，其基本思路就是一个个逐一对比下去，这也是我们大家熟知的方法，然而这种算法的效率并不高，但利于理解。       假设主串s="ababcabcacbab",模式串为t="
  • 枚举类型的单例模式 zhb8015 单例模式
    E.编写一个包含单个元素的枚举类型[极推荐]。代码如下： public enum MaYun {himself; //定义一个枚举的元素，就代表MaYun的一个实例private String anotherField;MaYun() {//MaYun诞生要做的事情//这个方法也可以去掉。将构造时候需要做的事情放在instance赋值的时候：/** himself = MaYun() {*
  • Kafka+Storm+HDFS ssydxa219 storm
    cd /myhome/usr/stormbin/storm nimbus &amp;bin/storm supervisor &amp;bin/storm ui &amp;Kafka+Storm+HDFS整合实践kafka_2.9.2-0.8.1.1.tgzapache-storm-0.9.2-incubating.tar.gzKafka安装配置我们使用3台机器搭建Kafk
  • Java获取本地服务器的IP 中华好儿孙 javaWeb获取服务器ip地址
    System.out.println("getRequestURL:"+request.getRequestURL()); System.out.println("getLocalAddr:"+request.getLocalAddr()); System.out.println("getLocalPort:&quo
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他