zjh9280
zjh9280

《R语言实战》自学笔记23-第四章实战练习

回顾这一章的学习，主要讲了一个内容，如何用R基础包进行数据清洗。
数据清洗(Data cleaning)–对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。
数据清洗从名字上也看的出就是把“脏”的“洗掉”，指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。
借此，简单的将前面学的内容再复习一遍。

数据准备

df <- read.table(file = "D:/Documents/R wd/df.csv", header = T, sep = ",", colClasses = c(year = "character", nitrogen = "character", variety = "character", block = "character")) # 数据导入。
df # 查看数据。
##    year nitrogen variety block   v1   v2  v3   v4
## 1  2020       N1       a     1 1.26 2.14 3.4 4.66
## 2  2020       N1       a     2 1.20 2.90 4.1 5.30
## 3  2020       N1       a     3 1.30 3.00 4.3 5.60
## 4  2020       N1       b     1 1.08 1.72 2.8 3.88
## 5  2020       N1       b     2 1.05 1.65 2.7 3.75
## 6  2020       N1       b     3 1.15 1.35 2.5 3.65
## 7  2020       N2       a     1 1.32 3.78 5.1 6.42
## 8  2020       N2       a     2 1.28 4.32 5.6 6.88
## 9  2020       N2       a     3 1.35 3.95 5.3 6.65
## 10 2020       N2       b     1 1.33 3.47 4.8 6.13
## 11 2020       N2       b     2 1.28 2.72 4.0 5.28
## 12 2020       N2       b     3 1.30 3.90 5.2 6.50
## 13 2021       N1       a     1 1.19 3.61 4.8 5.99
## 14 2021       N1       a     2 1.21 3.29 4.5 5.71
## 15 2021       N1       a     3 1.24 3.26 4.5 5.74
## 16 2021       N1       b     1 1.09 2.71 3.8 4.89
## 17 2021       N1       b     2 1.28 2.32 3.6 4.88
## 18 2021       N1       b     3 1.35 1.95 3.3 4.65
## 19 2021       N2       a     1 1.45 4.35 5.8 7.25
## 20 2021       N2       a     2 1.40 3.80 5.2 6.60
## 21 2021       N2       a     3 1.37 4.23 5.6 6.97
## 22 2021       N2       b     1 1.28 2.72 4.0 5.28
## 23 2021       N2       b     2 1.15 3.35 4.5 5.65
## 24 2021       N2       b     3 1.24 3.46 4.7 5.94

1 了解数据

第一步，先要了解数据，了解数据的结构，了解数据是否有缺失值。

df # 查看数据，数据量小的话可以这样查看，要是数据庞大，要么部分查看，要么点击Rstudio环境中的数据名查看。
##    year nitrogen variety block   v1   v2  v3   v4
## 1  2020       N1       a     1 1.26 2.14 3.4 4.66
## 2  2020       N1       a     2 1.20 2.90 4.1 5.30
## 3  2020       N1       a     3 1.30 3.00 4.3 5.60
## 4  2020       N1       b     1 1.08 1.72 2.8 3.88
## 5  2020       N1       b     2 1.05 1.65 2.7 3.75
## 6  2020       N1       b     3 1.15 1.35 2.5 3.65
## 7  2020       N2       a     1 1.32 3.78 5.1 6.42
## 8  2020       N2       a     2 1.28 4.32 5.6 6.88
## 9  2020       N2       a     3 1.35 3.95 5.3 6.65
## 10 2020       N2       b     1 1.33 3.47 4.8 6.13
## 11 2020       N2       b     2 1.28 2.72 4.0 5.28
## 12 2020       N2       b     3 1.30 3.90 5.2 6.50
## 13 2021       N1       a     1 1.19 3.61 4.8 5.99
## 14 2021       N1       a     2 1.21 3.29 4.5 5.71
## 15 2021       N1       a     3 1.24 3.26 4.5 5.74
## 16 2021       N1       b     1 1.09 2.71 3.8 4.89
## 17 2021       N1       b     2 1.28 2.32 3.6 4.88
## 18 2021       N1       b     3 1.35 1.95 3.3 4.65
## 19 2021       N2       a     1 1.45 4.35 5.8 7.25
## 20 2021       N2       a     2 1.40 3.80 5.2 6.60
## 21 2021       N2       a     3 1.37 4.23 5.6 6.97
## 22 2021       N2       b     1 1.28 2.72 4.0 5.28
## 23 2021       N2       b     2 1.15 3.35 4.5 5.65
## 24 2021       N2       b     3 1.24 3.46 4.7 5.94

head(df) # 部分查看数据。首部6行。
##   year nitrogen variety block   v1   v2  v3   v4
## 1 2020       N1       a     1 1.26 2.14 3.4 4.66
## 2 2020       N1       a     2 1.20 2.90 4.1 5.30
## 3 2020       N1       a     3 1.30 3.00 4.3 5.60
## 4 2020       N1       b     1 1.08 1.72 2.8 3.88
## 5 2020       N1       b     2 1.05 1.65 2.7 3.75
## 6 2020       N1       b     3 1.15 1.35 2.5 3.65

tail(df) # 部分查看数据。尾部6行。
##    year nitrogen variety block   v1   v2  v3   v4
## 19 2021       N2       a     1 1.45 4.35 5.8 7.25
## 20 2021       N2       a     2 1.40 3.80 5.2 6.60
## 21 2021       N2       a     3 1.37 4.23 5.6 6.97
## 22 2021       N2       b     1 1.28 2.72 4.0 5.28
## 23 2021       N2       b     2 1.15 3.35 4.5 5.65
## 24 2021       N2       b     3 1.24 3.46 4.7 5.94

is.na(df) # 查看数据是否有缺失值。
##        year nitrogen variety block    v1    v2    v3    v4
##  [1,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
##  [2,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
##  [3,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
##  [4,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
##  [5,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
##  [6,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
##  [7,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
##  [8,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
##  [9,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [10,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [11,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [12,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [13,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [14,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [15,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [16,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [17,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [18,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [19,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [20,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [21,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [22,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [23,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE
## [24,] FALSE    FALSE   FALSE FALSE FALSE FALSE FALSE FALSE

str(df) # 查看数据结构。
## 'data.frame':    24 obs. of  8 variables:
##  $ year    : chr  "2020" "2020" "2020" "2020" ...
##  $ nitrogen: chr  "N1" "N1" "N1" "N1" ...
##  $ variety : chr  "a" "a" "a" "b" ...
##  $ block   : chr  "1" "2" "3" "1" ...
##  $ v1      : num  1.26 1.2 1.3 1.08 1.05 1.15 1.32 1.28 1.35 1.33 ...
##  $ v2      : num  2.14 2.9 3 1.72 1.65 1.35 3.78 4.32 3.95 3.47 ...
##  $ v3      : num  3.4 4.1 4.3 2.8 2.7 2.5 5.1 5.6 5.3 4.8 ...
##  $ v4      : num  4.66 5.3 5.6 3.88 3.75 3.65 6.42 6.88 6.65 6.13 ...

df$nitrogen <- as.factor(df$nitrogen) # 假设后面由于后面分析的需求，需要将nitrogen设定为因子。
str(df) # 再次查看数据结构。
## 'data.frame':    24 obs. of  8 variables:
##  $ year    : chr  "2020" "2020" "2020" "2020" ...
##  $ nitrogen: Factor w/ 2 levels "N1","N2": 1 1 1 1 1 1 2 2 2 2 ...
##  $ variety : chr  "a" "a" "a" "b" ...
##  $ block   : chr  "1" "2" "3" "1" ...
##  $ v1      : num  1.26 1.2 1.3 1.08 1.05 1.15 1.32 1.28 1.35 1.33 ...
##  $ v2      : num  2.14 2.9 3 1.72 1.65 1.35 3.78 4.32 3.95 3.47 ...
##  $ v3      : num  3.4 4.1 4.3 2.8 2.7 2.5 5.1 5.6 5.3 4.8 ...
##  $ v4      : num  4.66 5.3 5.6 3.88 3.75 3.65 6.42 6.88 6.65 6.13 ...

2 子集提取

有时候，出于分析需求，从一个大数据集中选择有限数量的变量来创建一个新的数据集是常有的事。这时候就需要提取我们想要的数据。

df[1:12, 1:6] # 对数据足够了解的情况下，可之间通过行列号提取。
##    year nitrogen variety block   v1   v2
## 1  2020       N1       a     1 1.26 2.14
## 2  2020       N1       a     2 1.20 2.90
## 3  2020       N1       a     3 1.30 3.00
## 4  2020       N1       b     1 1.08 1.72
## 5  2020       N1       b     2 1.05 1.65
## 6  2020       N1       b     3 1.15 1.35
## 7  2020       N2       a     1 1.32 3.78
## 8  2020       N2       a     2 1.28 4.32
## 9  2020       N2       a     3 1.35 3.95
## 10 2020       N2       b     1 1.33 3.47
## 11 2020       N2       b     2 1.28 2.72
## 12 2020       N2       b     3 1.30 3.90

df[which(df$nitrogen == "N2"),] # 条件选择提取。
##    year nitrogen variety block   v1   v2  v3   v4
## 7  2020       N2       a     1 1.32 3.78 5.1 6.42
## 8  2020       N2       a     2 1.28 4.32 5.6 6.88
## 9  2020       N2       a     3 1.35 3.95 5.3 6.65
## 10 2020       N2       b     1 1.33 3.47 4.8 6.13
## 11 2020       N2       b     2 1.28 2.72 4.0 5.28
## 12 2020       N2       b     3 1.30 3.90 5.2 6.50
## 19 2021       N2       a     1 1.45 4.35 5.8 7.25
## 20 2021       N2       a     2 1.40 3.80 5.2 6.60
## 21 2021       N2       a     3 1.37 4.23 5.6 6.97
## 22 2021       N2       b     1 1.28 2.72 4.0 5.28
## 23 2021       N2       b     2 1.15 3.35 4.5 5.65
## 24 2021       N2       b     3 1.24 3.46 4.7 5.94

subset(df, nitrogen == "N1", select = 1:6) # subset函数提取，条件为nitrogen为N1，选择的列为1到6列。
##    year nitrogen variety block   v1   v2
## 1  2020       N1       a     1 1.26 2.14
## 2  2020       N1       a     2 1.20 2.90
## 3  2020       N1       a     3 1.30 3.00
## 4  2020       N1       b     1 1.08 1.72
## 5  2020       N1       b     2 1.05 1.65
## 6  2020       N1       b     3 1.15 1.35
## 13 2021       N1       a     1 1.19 3.61
## 14 2021       N1       a     2 1.21 3.29
## 15 2021       N1       a     3 1.24 3.26
## 16 2021       N1       b     1 1.09 2.71
## 17 2021       N1       b     2 1.28 2.32
## 18 2021       N1       b     3 1.35 1.95

2 数据增删

有时候，对于数据要进行适当的增删才能满足下一步的分析需求。

df$class <- c("A","A","A","A","B","B","B","B","C","C","C","C","A","A","A","A","B","B","B","B","C","C","C","C") # 小数据量的情况下可以使用这样的笨办法增加。
df$v5 <- df$v1 - df$v2 # 通过数据集内列的运算增加。
data.frame(df, v6=c("A","A","A","A","B","B","B","B","C","C","C","C","A","A","A","A","B","B","B","B","C","C","C","C")) # 可通过数据框data.frame函数添加。
##    year nitrogen variety block   v1   v2  v3   v4 class    v5 v6
## 1  2020       N1       a     1 1.26 2.14 3.4 4.66     A -0.88  A
## 2  2020       N1       a     2 1.20 2.90 4.1 5.30     A -1.70  A
## 3  2020       N1       a     3 1.30 3.00 4.3 5.60     A -1.70  A
## 4  2020       N1       b     1 1.08 1.72 2.8 3.88     A -0.64  A
## 5  2020       N1       b     2 1.05 1.65 2.7 3.75     B -0.60  B
## 6  2020       N1       b     3 1.15 1.35 2.5 3.65     B -0.20  B
## 7  2020       N2       a     1 1.32 3.78 5.1 6.42     B -2.46  B
## 8  2020       N2       a     2 1.28 4.32 5.6 6.88     B -3.04  B
## 9  2020       N2       a     3 1.35 3.95 5.3 6.65     C -2.60  C
## 10 2020       N2       b     1 1.33 3.47 4.8 6.13     C -2.14  C
## 11 2020       N2       b     2 1.28 2.72 4.0 5.28     C -1.44  C
## 12 2020       N2       b     3 1.30 3.90 5.2 6.50     C -2.60  C
## 13 2021       N1       a     1 1.19 3.61 4.8 5.99     A -2.42  A
## 14 2021       N1       a     2 1.21 3.29 4.5 5.71     A -2.08  A
## 15 2021       N1       a     3 1.24 3.26 4.5 5.74     A -2.02  A
## 16 2021       N1       b     1 1.09 2.71 3.8 4.89     A -1.62  A
## 17 2021       N1       b     2 1.28 2.32 3.6 4.88     B -1.04  B
## 18 2021       N1       b     3 1.35 1.95 3.3 4.65     B -0.60  B
## 19 2021       N2       a     1 1.45 4.35 5.8 7.25     B -2.90  B
## 20 2021       N2       a     2 1.40 3.80 5.2 6.60     B -2.40  B
## 21 2021       N2       a     3 1.37 4.23 5.6 6.97     C -2.86  C
## 22 2021       N2       b     1 1.28 2.72 4.0 5.28     C -1.44  C
## 23 2021       N2       b     2 1.15 3.35 4.5 5.65     C -2.20  C
## 24 2021       N2       b     3 1.24 3.46 4.7 5.94     C -2.22  C

df[, -10] # 删除无用的数据列。
##    year nitrogen variety block   v1   v2  v3   v4 class
## 1  2020       N1       a     1 1.26 2.14 3.4 4.66     A
## 2  2020       N1       a     2 1.20 2.90 4.1 5.30     A
## 3  2020       N1       a     3 1.30 3.00 4.3 5.60     A
## 4  2020       N1       b     1 1.08 1.72 2.8 3.88     A
## 5  2020       N1       b     2 1.05 1.65 2.7 3.75     B
## 6  2020       N1       b     3 1.15 1.35 2.5 3.65     B
## 7  2020       N2       a     1 1.32 3.78 5.1 6.42     B
## 8  2020       N2       a     2 1.28 4.32 5.6 6.88     B
## 9  2020       N2       a     3 1.35 3.95 5.3 6.65     C
## 10 2020       N2       b     1 1.33 3.47 4.8 6.13     C
## 11 2020       N2       b     2 1.28 2.72 4.0 5.28     C
## 12 2020       N2       b     3 1.30 3.90 5.2 6.50     C
## 13 2021       N1       a     1 1.19 3.61 4.8 5.99     A
## 14 2021       N1       a     2 1.21 3.29 4.5 5.71     A
## 15 2021       N1       a     3 1.24 3.26 4.5 5.74     A
## 16 2021       N1       b     1 1.09 2.71 3.8 4.89     A
## 17 2021       N1       b     2 1.28 2.32 3.6 4.88     B
## 18 2021       N1       b     3 1.35 1.95 3.3 4.65     B
## 19 2021       N2       a     1 1.45 4.35 5.8 7.25     B
## 20 2021       N2       a     2 1.40 3.80 5.2 6.60     B
## 21 2021       N2       a     3 1.37 4.23 5.6 6.97     C
## 22 2021       N2       b     1 1.28 2.72 4.0 5.28     C
## 23 2021       N2       b     2 1.15 3.35 4.5 5.65     C
## 24 2021       N2       b     3 1.24 3.46 4.7 5.94     C

3 数据重命名

有时候，数据集的变量名并不是我们想要，也许名称太长，太复杂，可以对它进行调整。

colnames(df) <- c("A", "B", "C", "D", "E", "F", "G", "H", "I", "J")
library(reshape) # 调用reshape包。
df <- rename(df, c(A="year", B="N", C="types", D="block", E="v1", F="v2", G="v3", H="v4", I="ranks", J="v5")) # 用rename函数对数据集进行变量重命名。
head(df) # 查看数据。
##   year  N types block   v1   v2  v3   v4 ranks    v5
## 1 2020 N1     a     1 1.26 2.14 3.4 4.66     A -0.88
## 2 2020 N1     a     2 1.20 2.90 4.1 5.30     A -1.70
## 3 2020 N1     a     3 1.30 3.00 4.3 5.60     A -1.70
## 4 2020 N1     b     1 1.08 1.72 2.8 3.88     A -0.64
## 5 2020 N1     b     2 1.05 1.65 2.7 3.75     B -0.60
## 6 2020 N1     b     3 1.15 1.35 2.5 3.65     B -0.20

4 数据排序

df[order(df$v1),] # 对数据框df按照v1列排序，使用默认的升序。
##    year  N types block   v1   v2  v3   v4 ranks    v5
## 5  2020 N1     b     2 1.05 1.65 2.7 3.75     B -0.60
## 4  2020 N1     b     1 1.08 1.72 2.8 3.88     A -0.64
## 16 2021 N1     b     1 1.09 2.71 3.8 4.89     A -1.62
## 6  2020 N1     b     3 1.15 1.35 2.5 3.65     B -0.20
## 23 2021 N2     b     2 1.15 3.35 4.5 5.65     C -2.20
## 13 2021 N1     a     1 1.19 3.61 4.8 5.99     A -2.42
## 2  2020 N1     a     2 1.20 2.90 4.1 5.30     A -1.70
## 14 2021 N1     a     2 1.21 3.29 4.5 5.71     A -2.08
## 15 2021 N1     a     3 1.24 3.26 4.5 5.74     A -2.02
## 24 2021 N2     b     3 1.24 3.46 4.7 5.94     C -2.22
## 1  2020 N1     a     1 1.26 2.14 3.4 4.66     A -0.88
## 8  2020 N2     a     2 1.28 4.32 5.6 6.88     B -3.04
## 11 2020 N2     b     2 1.28 2.72 4.0 5.28     C -1.44
## 17 2021 N1     b     2 1.28 2.32 3.6 4.88     B -1.04
## 22 2021 N2     b     1 1.28 2.72 4.0 5.28     C -1.44
## 3  2020 N1     a     3 1.30 3.00 4.3 5.60     A -1.70
## 12 2020 N2     b     3 1.30 3.90 5.2 6.50     C -2.60
## 7  2020 N2     a     1 1.32 3.78 5.1 6.42     B -2.46
## 10 2020 N2     b     1 1.33 3.47 4.8 6.13     C -2.14
## 9  2020 N2     a     3 1.35 3.95 5.3 6.65     C -2.60
## 18 2021 N1     b     3 1.35 1.95 3.3 4.65     B -0.60
## 21 2021 N2     a     3 1.37 4.23 5.6 6.97     C -2.86
## 20 2021 N2     a     2 1.40 3.80 5.2 6.60     B -2.40
## 19 2021 N2     a     1 1.45 4.35 5.8 7.25     B -2.90

df[order(df$N, -df$v1),] # 对数据集df先按N列升序排列，在N同样下再按v1降序排列。
##    year  N types block   v1   v2  v3   v4 ranks    v5
## 18 2021 N1     b     3 1.35 1.95 3.3 4.65     B -0.60
## 3  2020 N1     a     3 1.30 3.00 4.3 5.60     A -1.70
## 17 2021 N1     b     2 1.28 2.32 3.6 4.88     B -1.04
## 1  2020 N1     a     1 1.26 2.14 3.4 4.66     A -0.88
## 15 2021 N1     a     3 1.24 3.26 4.5 5.74     A -2.02
## 14 2021 N1     a     2 1.21 3.29 4.5 5.71     A -2.08
## 2  2020 N1     a     2 1.20 2.90 4.1 5.30     A -1.70
## 13 2021 N1     a     1 1.19 3.61 4.8 5.99     A -2.42
## 6  2020 N1     b     3 1.15 1.35 2.5 3.65     B -0.20
## 16 2021 N1     b     1 1.09 2.71 3.8 4.89     A -1.62
## 4  2020 N1     b     1 1.08 1.72 2.8 3.88     A -0.64
## 5  2020 N1     b     2 1.05 1.65 2.7 3.75     B -0.60
## 19 2021 N2     a     1 1.45 4.35 5.8 7.25     B -2.90
## 20 2021 N2     a     2 1.40 3.80 5.2 6.60     B -2.40
## 21 2021 N2     a     3 1.37 4.23 5.6 6.97     C -2.86
## 9  2020 N2     a     3 1.35 3.95 5.3 6.65     C -2.60
## 10 2020 N2     b     1 1.33 3.47 4.8 6.13     C -2.14
## 7  2020 N2     a     1 1.32 3.78 5.1 6.42     B -2.46
## 12 2020 N2     b     3 1.30 3.90 5.2 6.50     C -2.60
## 8  2020 N2     a     2 1.28 4.32 5.6 6.88     B -3.04
## 11 2020 N2     b     2 1.28 2.72 4.0 5.28     C -1.44
## 22 2021 N2     b     1 1.28 2.72 4.0 5.28     C -1.44
## 24 2021 N2     b     3 1.24 3.46 4.7 5.94     C -2.22
## 23 2021 N2     b     2 1.15 3.35 4.5 5.65     C -2.20

5 数据集合并

是不是又看到了另一种提取子集的方法。

df2 <- cbind(df[,1:3], df$v5) # 合并df数据集1到3列，df的v5列。
df3 <- rbind(df[1:5,], df[20:24,]) # 按行合并df数据集中前5行，和后20到24行。
merge(df2, df3) # 不规则的合并。
##    year  N types df$v5 block   v1   v2  v3   v4 ranks    v5
## 1  2020 N1     a -0.88     1 1.26 2.14 3.4 4.66     A -0.88
## 2  2020 N1     a -0.88     2 1.20 2.90 4.1 5.30     A -1.70
## 3  2020 N1     a -0.88     3 1.30 3.00 4.3 5.60     A -1.70
## 4  2020 N1     a -1.70     1 1.26 2.14 3.4 4.66     A -0.88
## 5  2020 N1     a -1.70     2 1.20 2.90 4.1 5.30     A -1.70
## 6  2020 N1     a -1.70     3 1.30 3.00 4.3 5.60     A -1.70
## 7  2020 N1     a -1.70     1 1.26 2.14 3.4 4.66     A -0.88
## 8  2020 N1     a -1.70     2 1.20 2.90 4.1 5.30     A -1.70
## 9  2020 N1     a -1.70     3 1.30 3.00 4.3 5.60     A -1.70
## 10 2020 N1     b -0.64     1 1.08 1.72 2.8 3.88     A -0.64
## 11 2020 N1     b -0.64     2 1.05 1.65 2.7 3.75     B -0.60
## 12 2020 N1     b -0.60     1 1.08 1.72 2.8 3.88     A -0.64
## 13 2020 N1     b -0.60     2 1.05 1.65 2.7 3.75     B -0.60
## 14 2020 N1     b -0.20     1 1.08 1.72 2.8 3.88     A -0.64
## 15 2020 N1     b -0.20     2 1.05 1.65 2.7 3.75     B -0.60
## 16 2021 N2     a -2.90     2 1.40 3.80 5.2 6.60     B -2.40
## 17 2021 N2     a -2.90     3 1.37 4.23 5.6 6.97     C -2.86
## 18 2021 N2     a -2.40     2 1.40 3.80 5.2 6.60     B -2.40
## 19 2021 N2     a -2.40     3 1.37 4.23 5.6 6.97     C -2.86
## 20 2021 N2     a -2.86     2 1.40 3.80 5.2 6.60     B -2.40
## 21 2021 N2     a -2.86     3 1.37 4.23 5.6 6.97     C -2.86
## 22 2021 N2     b -1.44     1 1.28 2.72 4.0 5.28     C -1.44
## 23 2021 N2     b -1.44     2 1.15 3.35 4.5 5.65     C -2.20
## 24 2021 N2     b -1.44     3 1.24 3.46 4.7 5.94     C -2.22
## 25 2021 N2     b -2.20     1 1.28 2.72 4.0 5.28     C -1.44
## 26 2021 N2     b -2.20     2 1.15 3.35 4.5 5.65     C -2.20
## 27 2021 N2     b -2.20     3 1.24 3.46 4.7 5.94     C -2.22
## 28 2021 N2     b -2.22     1 1.28 2.72 4.0 5.28     C -1.44
## 29 2021 N2     b -2.22     2 1.15 3.35 4.5 5.65     C -2.20
## 30 2021 N2     b -2.22     3 1.24 3.46 4.7 5.94     C -2.22

merge(df[1:3,1:6], df[1:3,1:7]) # 共有变量合并。
##   year  N types block   v1   v2  v3
## 1 2020 N1     a     1 1.26 2.14 3.4
## 2 2020 N1     a     2 1.20 2.90 4.1
## 3 2020 N1     a     3 1.30 3.00 4.3

6 数据可视化

par(mfrow=c(1,2)) # 提前设置好图形布局，1行2列，按行排列。
plot(x=df$v1, y=df$v2, type="b",main="Example plot", xlab="v1", ylab="v2", pch=15, col=palette(), cex=2, lty=3, lwd=2) # 绘制点线图。
plot(df$N, df$v1, main="Class plot", xlab="N rates", ylab="variable", col=c("red", "blue"), cex=2) # 分类变量作x轴，系统自动出箱线图。
image.png

参考资料：

  1. 《R语言实战》（中文版），人民邮电出版社，2013.
  2. 数据清洗，百度，https://baike.baidu.com/item/%E6%95%B0%E6%8D%AE%E6%B8%85%E6%B4%97/4402497?fr=aladdin

你可能感兴趣的:(《R语言实战》自学笔记23-第四章实战练习)

  • 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
  • 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
  • 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
  • Python教程：一文了解使用Python处理XPath 旦莫 Python进阶python开发语言
    目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
  • ARM中断处理过程 落汤老狗 嵌入式linux
    一、前言本文主要以ARM体系结构下的中断处理为例，讲述整个中断处理过程中的硬件行为和软件动作。具体整个处理过程分成三个步骤来描述：1、第二章描述了中断处理的准备过程2、第三章描述了当发生中的时候，ARM硬件的行为3、第四章描述了ARM的中断进入过程4、第五章描述了ARM的中断退出过程本文涉及的代码来自3.14内核。另外，本文注意描述ARM指令集的内容，有些sourcecode为了简短一些，删除了T
  • 日常演播练习0822 开阳春天
    日常演播练习0822一、绕口令练习司小四和史小世，四月十四日十四时四十上集市，司小四买了四十四斤四两西红柿，史小世买了十四斤四两细蚕丝。司小四要拿四十四斤四两西红柿换史小世十四斤四两细蚕丝。史小世十四斤四两细蚕丝不换司小四四十四斤四两西红柿。司小四说我四十四斤四两西红柿可以增加营养防近视，史小世说我十四斤四两细蚕丝可以织绸织缎又抽丝。二、文本练习狗熊是动物街有名的美食家，它吃得多所以长得胖，它能吃
  • 《Python数据分析实战终极指南》 xjt921122 python数据分析开发语言
    对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
  • Python实现简单的机器学习算法 master_chenchengg pythonpython办公效率python开发IT
    Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
  • C语言代码练习（第十九天） 小小框架 C语言C语言重点练习c语言
    今日练习：52、有一个已经排好序的数组，要求输入一个数后，按原来排序的规律将它插入数组中53、输出"魔方阵"。所谓魔方阵是指它的每一行，每一列和对角线之和均相等。54、找出一个二维数组中的鞍点，即该位置上的元素在该行上最大、在该列上最小。也可能没有鞍点。有一个已经排好序的数组，要求输入一个数后，按原来排序的规律将它插入数组中运行代码intmain(){intarr[11]={1,3,9,12,15
  • Python入门之Lesson2:Python基础语法 小熊同学哦 Python入门课程python开发语言算法数据结构青少年编程
    目录前言一.介绍1.变量和数据类型2.常见运算符3.输入输出4.条件语句5.循环结构二.练习三.总结前言欢迎来到《Python入门》系列博客的第二课。在上一课中，我们了解了Python的安装及运行环境的配置。在这一课中，我们将深入学习Python的基础语法，这是编写Python代码的根基。通过本节内容的学习，你将掌握变量、数据类型、运算符、输入输出、条件语句等Python编程的基础知识。一.介绍1
  • springboot+vue项目实战一-创建SpringBoot简单项目 苹果酱0567 面试题汇总与解析springboot后端java中间件开发语言
    这段时间抽空给女朋友搭建一个个人博客，想着记录一下建站的过程，就当做笔记吧。虽然复制zjblog只要一个小时就可以搞定一个网站，或者用cms系统，三四个小时就可以做出一个前后台都有的网站，而且想做成啥样也都行。但是就是要从新做，自己做的意义不一样，更何况，俺就是专门干这个的，嘿嘿嘿要做一个网站，而且从零开始，首先呢就是技术选型了，经过一番思量决定选择-SpringBoot做后端，前端使用Vue做一
  • 入门MySQL——查询语法练习 K_un
    前言：前面几篇文章为大家介绍了DML以及DDL语句的使用方法，本篇文章将主要讲述常用的查询语法。其实MySQL官网给出了多个示例数据库供大家实用查询，下面我们以最常用的员工示例数据库为准，详细介绍各自常用的查询语法。1.员工示例数据库导入官方文档员工示例数据库介绍及下载链接：https://dev.mysql.com/doc/employee/en/employees-installation.h
  • WebMagic：强大的Java爬虫框架解析与实战 Aaron_945 Javajava爬虫开发语言
    文章目录引言官网链接WebMagic原理概述基础使用1.添加依赖2.编写PageProcessor高级使用1.自定义Pipeline2.分布式抓取优点结论引言在大数据时代，网络爬虫作为数据收集的重要工具，扮演着不可或缺的角色。Java作为一门广泛使用的编程语言，在爬虫开发领域也有其独特的优势。WebMagic是一个开源的Java爬虫框架，它提供了简单灵活的API，支持多线程、分布式抓取，以及丰富的
  • 原画的线稿要怎么画？线稿这个大难题该怎么破？ 川川_9d43
    想要画好线稿需要具备什么的条件？一、手需要一个灵活且生动的小手手~~能够自如地操控手上的物体，达到随心所欲的地步，这样高深的操纵方式需要很高的熟练度！比如：上厕所，吃饭，洗脸，手指打结等。二、握笔的姿势握笔的姿势很重要，决定了画的线条的流畅度，小编个人感觉应该没有绝对的正确姿势，就是自己的习惯，随心就好，不盲目的学习别人的握笔的姿势，就像以前的一个典故一样——邯郸学步。三、排线练习排线的时候一定要
  • 《跃迁》5/7-5组-橙子-张静12.16 静言物于
    【便签5】【片段来源】《跃迁：成为高手的技术》第四章【R原文】一位客户咨询时抱怨：“这个我做不到。”我问他：“如果我请你现在出去裸奔，你能做到吗？”“这个我也做不到”“其实并不是做不到，而是不愿意做，或者不想承担裸奔的代价吧。你不是做不到，而是选择不去做。如果有一天你裸奔能救自己家人、孩子，也许就能做到了。”为什么要做这个区分？如果一个人经常和自己说“做不到”，他的能力范围会越来越小，会成为一个无
  • GenVisR 基因组数据可视化实战(三) 11的雾
    3.genCov画每个突变位点附件的coverage，跟igv有点相似。这个操作起来很复杂，但是图还是挺有用的。可以考虑。由于我的referencegenomebuild是hg38BiocManager::install(c("TxDb.Hsapiens.UCSC.hg38.knownGene","BSgenome.Hsapiens.UCSC.hg38"))library(TxDb.Hsapien
  • 我的一个小心愿，减肥20斤，有人一起吗 张晓晓ZXX
    我现在体重141斤，163cm，想减到120以内，不想吃减肥药，不喝奶昔，也不想买健身卡，就是希望通过一些运动的aPP进行训练和适当的节食，有人一起的吗？3月12号，我73公斤，现在70.9公斤，是通过咕咚app训练来的，但一个人太孤单，有一起的吗？我想知道除了小时候坚持一个月练习写字帖把字写好了，还能做什么锻炼一下自己的毅力，我也想知道100天之后，我能不能也达到理想的体重。接下来100天，愿意
  • 【算法练习】IDEA集成leetcode插件实现快速刷 2401_84102892 2024年程序员学习算法intellij-idealeetcode
    ============点击右侧边leetcode->设置->配置地址、用户名、密码、存放目录、文件模板用户名要登录后在账号信息里看模板代码1.codefilename!velocityTool.camelC
  • python爬取微信小程序数据,python爬取小程序数据 2301_81900439 前端
    大家好，小编来为大家解答以下问题，python爬取微信小程序数据，python爬取小程序数据，现在让我们一起来看看吧！Python爬虫系列之微信小程序实战基于Scrapy爬虫框架实现对微信小程序数据的爬取首先，你得需要安装抓包工具，这里推荐使用Charles，至于怎么使用后期有时间我会出一个事例最重要的步骤之一就是分析接口，理清楚每一个接口功能，然后连接起来形成接口串思路,再通过Spider的回调
  • #跟宇彤老师成为声音万人迷#第十季打卡营第二十一天# 穆希乐
    今天是这季打卡营的最后一天，今天的打卡是用心诵读“初心”！很有意义的俩个字，但函给了每一位来练声的伙伴们最初的想法，让我也想起了我来练声的初心:就是想让自己的声音听起来有亲和力。从每日的基本功练习、到喜怒哀乐的绕口令在到各种的配音秀，最后俩天是用心的朗读等等，也是各种的第一次，想来有的伙伴们也和我一样是各种的第一次，这些第一次带着新鲜、刺激、更多的是激动与感恩！激动的是伙伴们在愉快的环境中每天开心
  • 2021.11.18 星初呀
    2021.11.18＃小狗钱钱金金先生和吉亚的对话，金先生说，我总感觉你和大多数小孩很不一样。吉雅说我思考的问题不一样。很惊讶于一个小孩这样的归纳能力。我们思考问题方式是怎样的?自从跟着小狗群练习，思考问题方式也在跟着转变，关注自己做到的，写成功日记，关注微小事情，思考问题消耗我们的注意力。注意力放在哪里，哪里就会开花结果。所以我们琢磨的东西会塑造我们的大脑，建立稳固的价值观。今天听了定投课堂一节
  • 129/365 给宝贝的第23封信：《道德经》第四章：道冲 珍珠能量站
    亲爱的宝贝：今天周六，我在外学习，听几位创业讲师讲授创业的相关知识，一天共4个老师讲解了7个小时。之前线上培训了40个小时，听了这么多，我还是觉得只是窥见皮毛。可见任何一个领域，都可以深入下去，有无穷无尽的细节值得研究。但是任何一件事，也可以用一句话总结。比如“道可道，非常道”创业，我理解的核心是：创立一个业务，通过调配资源，满足用户的需要。至于创立什么样的业务？调配哪些资源？满足用户什么需要？如
  • HarmonyOS开发实战（ Beta5.0）搜索框热搜词自动切换 让开，我要吃人了 OpenHarmonyHarmonyOS鸿蒙开发harmonyos华为鸿蒙移动开发鸿蒙系统前端开发语言
    鸿蒙HarmonyOS开发往期必看：HarmonyOSNEXT应用开发性能实践总结最新版！“非常详细的”鸿蒙HarmonyOSNext应用开发学习路线！（从零基础入门到精通）介绍本示例介绍使用TextInput组件与Swiper组件实现搜索框内热搜词自动切换。效果图预览使用说明页面顶部搜索框内热搜词条自动切换，编辑搜索框时自动隐藏。实现思路使用TextInput实现搜索框TextInput({te
  • C语言---程序设计练习题目及学习方法1 Wanyu677 C语言c语言学习方法算法
    学习方法要多练习在这些题目中的代码和题目自己动手去敲练习也是在熟悉语法，写代码第一步就是熟悉语法练习是在锻炼编程思维，把实际问题转换为代码的能力学会画图画图去理解内存，理解指针这些比较难懂的知识画图可以更好的理清思路辅助理解，强化理解学会调试借助调试，更好的理解代码和感知代码找出代码中的bug和程序逻辑（1）自增自减运算符inta=5,b,c,i=10;b=a++;c=++b;printf("a=
  • Vicky的ScalersTalk第六轮新概念朗读持续力训练Day73 20210411 Vicky_b9de
    练习材料：ModerncavemenPart-3ˈmɒdənˈkeɪvmənpɑːt-3Theyplungedintothelake,andafterloadingtheirgearonaninflatablerubberdinghy,letthecurrentcarrythemtotheotherside.Toprotectthemselvesfromtheicywater,theyhadtow
  • 329王不林【1期3班】刻意练习day15 王不林不林
    【分析】1、描写对象是母亲，她已年迈，她常做的事，是摇纺车。2、开头运用听觉，引发联想以及比喻，并为下文写母亲摇纺车做了铺垫。3、写院子和露水，表明了地点和时间。4、描写人时，运用了很多动词，比如摇、垫、屈、压，使摇纺车这个动作更加形象。5、运用了比喻，说母亲摇纺车的这个声音是乡曲。表达了思乡，思念母亲。【刻意练习】如今，我一听见“喵~喵~”的声音，脑子里便浮现出一只小猫，软软的，像那织围巾的毛线
  • 【从问题中去学习k8s】k8s中的常见面试题（夯实理论基础）（二十八） 向往风的男子 k8s学习kubernetes容器
    本站以分享各种运维经验和运维所需要的技能为主《python零基础入门》：python零基础入门学习《python运维脚本》：python运维脚本实践《shell》：shell学习《terraform》持续更新中：terraform_Aws学习零基础入门到最佳实战《k8》从问题中去学习k8s《docker学习》暂未更新《ceph学习》ceph日常问题解决分享《日志收集》ELK+各种中间件《运维日常》
  • 阿里巴巴商品搜索API返回值实战解析 weixin_43841111 apijava前端javascript
    在解析阿里巴巴中国站商品搜索API返回值并进行实战时，可以从以下几个方面入手：一、了解API返回值的结构基本信息返回值通常包含商品的标题、价格、库存、图片链接等基本信息。这些信息对于了解商品的概况非常重要。例如，商品标题可以让你快速了解商品的名称和特点，价格信息可以帮助你进行价格比较和成本核算。详细描述可能包括商品的详细描述、规格参数、使用方法等。这些信息对于深入了解商品的特性和功能非常有帮助。比
  • 正念内观练习20220622 蓝空静云
    夏一、善念&感谢女儿一边说想明天放学后去看看要去北京手术的闺蜜，又一边念叨明天闺蜜要出发，家里得收拾行李什么的，是不是去了会添乱，真是个心思细腻又善解人意的姑娘。上周表姐回了趟老家，妈妈托给捎回来一些鹅蛋、鸡蛋还有自己腌的咸鸭蛋，拿回来一直放在楼下，今天拿上来收拾整理放入冰箱保鲜慢慢吃。妈妈家不养家畜，这些都是邻居们自家养的送给妈妈，妈妈又特意捎给女儿，妈妈总说自家养的比外面卖的好，好的总是会留给
  • 南山演讲口才|教你如何克服演讲中的不良心理 韦先
    演讲者在演讲中必须解除思想负担和心理压力，及时调节自己的心境和情绪，树立起必胜的自信心。1．缺乏信心的心理演讲者看到自己的某些弱点，如普通话说得不太标准、言语技巧训练不足等，常有这样的疑问：“我能行吗？”这个疑问本身会促使演讲者夸大自己的弱点，从而对演讲丧失信心。其实，缺点人人都有，在千百双眼睛注视你时，需要的是扬长避短，掩盖缺点几乎不可能。因此，演讲时应告诉自己：“我刻苦练习了，只要发挥出应有水
  • jvm调优总结（从基本概念 到 深度优化） oloz javajvmjdk虚拟机应用服务器
    JVM参数详解：http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html   Java虚拟机中，数据类型可以分为两类：基本类型和引用类型。基本类型的变量保存原始值，即：他代表的值就是数值本身；而引用类型的变量保存引用值。“引用值”代表了某个对象的引用，而不是对象本身，对象本身存放在这个引用值所表示的地址的位置。
  • 【Scala十六】Scala核心十：柯里化函数 bit1129 scala
    本篇文章重点说明什么是函数柯里化，这个语法现象的背后动机是什么，有什么样的应用场景，以及与部分应用函数(Partial Applied Function)之间的联系   1. 什么是柯里化函数 A way to write functions with multiple parameter lists. For instance def f(x: Int)(y: Int) is a
  • HashMap dalan_123 java
    HashMap在java中对很多人来说都是熟的；基于hash表的map接口的非同步实现。允许使用null和null键；同时不能保证元素的顺序；也就是从来都不保证其中的元素的顺序恒久不变。 1、数据结构     在java中，最基本的数据结构无外乎：数组 和 引用（指针），所有的数据结构都可以用这两个来构造，HashMap也不例外，归根到底HashMap就是一个链表散列的数据
  • Java Swing如何实时刷新JTextArea，以显示刚才加append的内容 周凡杨 java更新swingJTextArea
    在代码中执行完textArea.append("message")后，如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新，我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。 问题是这个方法并不能有任何效果，textArea的内容没有任何变化，这或许是swing的一个bug，有一个笨拙的办法可以实现
  • servlet或struts的Action处理ajax请求 g21121 servlet
    其实处理ajax的请求非常简单，直接看代码就行了： //如果用的是struts //HttpServletResponse response = ServletActionContext.getResponse(); // 设置输出为文字流 response.setContentType("text/plain"); // 设置字符集 res
  • FineReport的公式编辑框的语法简介 老A不折腾 finereport公式总结
    FINEREPORT用到公式的地方非常多，单元格（以=开头的便被解析为公式），条件显示，数据字典，报表填报属性值定义，图表标题，轴定义，页眉页脚，甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。 简单的说下自己感觉的公式要注意的几个地方：   1.if语句语法刚接触感觉比较奇怪，if(条件式子,值1,值2)，if可以嵌套，if(条件式子1，值1，if(条件式子2，值2，值3)
  • linux mysql 数据库乱码的解决办法 墙头上一根草 linuxmysql数据库乱码
    linux 上mysql数据库区分大小写的配置 lower_case_table_names=1 1-不区分大小写 0-区分大小写   修改/etc/my.cnf 具体的修改内容如下:   [client] default-character-set=utf8   [mysqld] datadir=/var/lib/mysql socket=/va
  • 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想 aijuans Spring 3
    ApplicationContext能读取多个Bean定义文件，方法是： ApplicationContext appContext = new ClassPathXmlApplicationContext（ new String[]｛“bean-config1.xml”，“bean-config2.xml”，“bean-config3.xml”，“bean-config4.xml
  • mysql 基准测试之sysbench annan211 基准测试mysql基准测试MySQL测试sysbench
    1 执行如下命令，安装sysbench-0.5： tar xzvf sysbench-0.5.tar.gz  cd sysbench-0.5  chmod +x autogen.sh  ./autogen.sh  ./configure --with-mysql --with-mysql-includes=/usr/local/mysql
  • sql的复杂查询使用案列与技巧 百合不是茶 oraclesql函数数据分页合并查询
      本片博客使用的数据库表是oracle中的scott用户表;          -------------------  自然连接查询           查询 smith 的上司(两种方法) &
  • 深入学习Thread类 bijian1013 javathread多线程java多线程
    一．             线程的名字 下面来看一下Thread类的name属性，它的类型是String。它其实就是线程的名字。在Thread类中，有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。 同时，Thr
  • JSON串转换成Map以及如何转换到对应的数据类型 bijian1013 javafastjsonnet.sf.json
            在实际开发中，难免会碰到JSON串转换成Map的情况，下面来看看这方面的实例。另外，由于fastjson只支持JDK1.5及以上版本，因此在JDK1.4的项目中可以采用net.sf.json来处理。 一.fastjson实例 JsonUtil.java package com.study; impor
  • 【RPC框架HttpInvoker一】HttpInvoker：Spring自带RPC框架 bit1129 spring
    HttpInvoker是Spring原生的RPC调用框架，HttpInvoker同Burlap和Hessian一样，提供了一致的服务Exporter以及客户端的服务代理工厂Bean，这篇文章主要是复制粘贴了Hessian与Spring集成一文，【RPC框架Hessian四】Hessian与Spring集成   在 【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
  • 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析 bit1129 Mahout
    #!/bin/bash # # Licensed to the Apache Software Foundation (ASF) under one or more # contributor license agreements. See the NOTICE file distributed with # this work for additional information re
  • nginx三种获取用户真实ip的方法 ronin47
    随着nginx的迅速崛起，越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速，但是随之也遇到一个问题：nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>，如果是后端真实服务器是nginx，那么继续往下看。 实例环境： 用户IP 120.22.11.11
  • java-判断二叉树是不是平衡 bylijinnan java
    参考了 http://zhedahht.blog.163.com/blog/static/25411174201142733927831/ 但是用java来实现有一个问题。 由于Java无法像C那样“传递参数的地址，函数返回时能得到参数的值”，唯有新建一个辅助类：AuxClass import ljn.help.*; public class BalancedBTree {
  • BeanUtils.copyProperties VS PropertyUtils.copyProperties 诸葛不亮 PropertyUtilsBeanUtils
     BeanUtils.copyProperties VS  PropertyUtils.copyProperties  作为两个bean属性copy的工具类，他们被广泛使用，同时也很容易误用，给人造成困然；比如：昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时，没有考虑到会将null转换为0，而后面的业
  • [金融与信息安全]最简单的数据结构最安全 comsci 数据结构
          现在最流行的数据库的数据存储文件都具有复杂的文件头格式，用操作系统的记事本软件是无法正常浏览的，这样的情况会有什么问题呢？        从信息安全的角度来看，如果我们数据库系统仅仅把这种格式的数据文件做异地备份，如果相同版本的所有数据库管理系统都同时被攻击，那么
  • vi区段删除 Cwind linuxvi区段删除
    区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。   vi概述    引文中并未将末行模式单独列为一种模式。单不单列并不重要，能区分命令模式与末行模式即可。   vi区段删除步骤： 1. 在末行模式下使用:set nu显示行号 非必须，随光标移动vi右下角也会显示行号，能够正确找到并记录删除开始行
  • 清除tomcat缓存的方法总结 dashuaifu tomcat缓存
    用tomcat容器，大家可能会发现这样的问题，修改jsp文件后，但用IE打开 依然是以前的Jsp的页面。 出现这种现象的原因主要是tomcat缓存的原因。 解决办法如下: 在jsp文件头加上 <meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
  • 不要盲目的在项目中使用LESS CSS dcj3sjt126com Webless
    　如果你还不知道LESS CSS是什么东西，可以看一下这篇文章，是我一朋友写给新人看的《CSS——LESS》 　　不可否认，LESS CSS是个强大的工具，它弥补了css没有变量、无法运算等一些“先天缺陷”，但它似乎给我一种错觉，就是为了功能而实现功能。 　　比如它的引用功能 ? .rounded_corners{     
  • [入门]更上一层楼 dcj3sjt126com PHPyii2
    更上一层楼 通篇阅读完整个“入门”部分，你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能，例如通过 HTML 表单从用户那获取数据，从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。 本章将介绍一些有助于更好使用 Yii 的资源：
  • Apache HttpClient使用详解 eksliang httpclienthttp协议
    Http协议的重要性相信不用我多说了，HttpClient相比传统JDK自带的URLConnection，增加了易用性和灵活性（具体区别，日后我们再讨论），它不仅是客户端发送Http请求变得容易，而且也方便了开发人员测试接口（基于Http协议的），即提高了开发的效率，也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容，掌握HttpClient后，相信对于Http协议的了解会
  • zxing二维码扫描功能 gundumw100 androidzxing
    经常要用到二维码扫描功能 现给出示例代码 import com.google.zxing.WriterException; import com.zxing.activity.CaptureActivity; import com.zxing.encoding.EncodingHandler; import android.app.Activity; import an
  • 纯HTML+CSS带说明的黄色导航菜单 ini htmlWebhtml5csshovertree
    HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航   在线体验效果：http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果：   <!DOCTYPE html > <html > <head> <title>HoverTree
  • fastjson初始化对性能的影响 kane_xie fastjson序列化
    之前在项目中序列化是用thrift，性能一般，而且需要用编译器生成新的类，在序列化和反序列化的时候感觉很繁琐，因此想转到json阵营。对比了jackson，gson等框架之后，决定用fastjson，为什么呢，因为看名字感觉很快。。。   网上的说法：   fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器，来自阿里巴巴的工程师开发。
  • 基于Mybatis封装的增删改查实现通用自动化sql mengqingyu DAO
    1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml，有效的提高开发速度。 2.支持自定义注解包括主键生成、列重复验证、列名、表名等 3.支持批量插入、批量更新、批量删除 <bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
  • js控制input输入框的方法封装(数字，中文，字母，浮点数等) qifeifei javascript js
    在项目开发的时候，经常有一些输入框，控制输入的格式，而不是等输入好了再去检查格式，格式错了就报错，体验不好。 /** 数字，中文，字母,浮点数(+/-/.) 类型输入限制，只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注：floating属性只能单独用*/     funct
  • java 计时器应用 tangqi609567707 javatimer
    mport java.util.TimerTask;   import java.util.Calendar;   public class MyTask extends TimerTask {        private static final int
  • erlang输出调用栈信息 wudixiaotie erlang
    在erlang otp的开发中，如果调用第三方的应用，会有有些错误会不打印栈信息，因为有可能第三方应用会catch然后输出自己的错误信息，所以对排查bug有很大的阻碍，这样就要求我们自己打印调用的栈信息。用这个函数：erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。 也可以用这个函数：erlang:get_s
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他