木之如水
木之如水

零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）

前面的分析中，整理好的关键基因集表达谱矩阵，接下来就准备分子亚型的相关分析。

六、一致性聚类构建分子亚型

在6.TCGA和GEO差异基因获取和预后数据的整理\TCGA文件中获取文件
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第1张图片
准备一个生存数据和表达谱矩阵，这里需要注意的是，修改tcga.merge.cli.txt文件，为了区分，我们改一下名字cli.txt
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第2张图片
打开文件tcga.T.dat.txt，转置这个很重要，未来区分，我们改一下名字tcga.T.dat1.txt
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第3张图片
使用一致性聚类工具进行分析（http://www.sxdyc.com/clusterConsistentAnalyse）
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第4张图片
提交后，如果这里出现报错，我们需要查看一下样本的对应关系，在前面的分析过程中，表达谱矩阵的样本有重复，所以出现部分样本没有在生存时间中出现，所以这里我们可以对生存数据的样本重新整理。（首先、对tcga.T.dat.txt按照样本使用去重工具去一下重复，对去重后的表达谱样本和生存数据重新取交集）
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第5张图片
去重（http://www.sxdyc.com/removeweight）
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第6张图片
运行成功后，下载数据，打开文件，转置（行列交换），并改名为tcga.T.dat1.txt
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第7张图片
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第8张图片
在生存数据中去重在表达谱中不存在的样本，重新提交进行一致性聚类
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第9张图片
这里粗略的介绍一下，我们可以选择不同的计算度量聚类方法，聚类的方法和数据标准化的方法（raw:原始，scale：scale标准化，center：中心化）

运行成功后，下载相关的结果即可，查看KM曲线，如果预后无意义（p>0.05），这时候可以换一个度量聚类方法/聚类的方法/数据标准化的方法继续往下走，直到能得到预后有意义的分子亚型为止。

零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第10张图片
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第11张图片
当然如果这里我们想显示，生存时间为年的，就在cli.txt文件中，修改生存时间，将天改为年即可。

七、ESTIMATE预测免疫浸润和差异分析

使用EStimate的方法计算免疫浸润的相关情况（http://www.sxdyc.com/immuneEstimateScore），使用文件（1.TCGA.pre/dat.process.txt.gz）

运行成功后，下载即可
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第12张图片
打开dat.extimate.txt的文件，首先提取14-15位的字符串，保留01的样本，然后在取1-14位的字符串，最终做成一下结果
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第13张图片
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第14张图片
最后做成这个样子，然后zhendui
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第15张图片
先去重（http://www.sxdyc.com/removeweight），运行成功后，改名为dat.estimate.process.txt
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第16张图片
提取共有的样本，做一个箱线图，需要分型的文件

（http://www.sxdyc.com/geneExpression），运行成功后，改名为dat.estiamte.select.txt
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第17张图片
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第18张图片
绘制箱线图（http://www.sxdyc.com/immuneAbundanceCompar）

记得cluster2.txt的文件删掉生存时间和生存状态
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第19张图片
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第20张图片
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第21张图片
运行成功后
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第22张图片
当然也可以换其他的箱线图（http://www.sxdyc.com/singleCollectionTool）
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第23张图片
八、mcpcounter免疫细胞浸润+免疫差异分析+热图

使用mcpcounter的方法计算免疫浸润的相关情况（http://www.sxdyc.com/immuneInfiltration），使用文件（1.TCGA.pre/dat.process.txt.gz）
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第24张图片
运行完成后，下载即可
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第25张图片
打开data.pre.txt的文件，去除肿瘤组织，只留1-12位的字符串（和ESTIAMTE一样的处理）
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第26张图片
将列名中_mcpcounter去掉，当然，也可以不去
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第27张图片
去重（http://www.sxdyc.com/removeweight），运行完成后下载，并改名为dat.mcp.process.txt，复制8.ESTIMATE预测免疫浸润中的cluster2.txt的文件
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第28张图片
提取共同的样本，运行完成后，下载并改名为dat.mcp.select.txt
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第29张图片
绘制箱线图（http://www.sxdyc.com/visualsBoxplot）
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第30张图片
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第31张图片
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第32张图片
热图（http://www.sxdyc.com/visualsClusterHeat）

打开dat.mcp.select.txt文件，转置，并改名为dat.mcp.select.T.txt
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第33张图片
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第34张图片
零代码复现-TCGA联合GEO免疫基因结合代谢基因生信套路（三）_第35张图片
如果想把列注释（样本分组）排序，就只需要打开cluster.2.txt文件，按照分组的名称进行排序，重新绘制此图即可
#################################
如果有兴趣可以关注公众号（豆芽数据分析）
有零代码复现相关问题，可以付费进入零代码答疑群和大家一起交流，群费为9.9元，拒绝白嫖党（添加微信：ShenxinBS003或者ShenxinBS001）

你可能感兴趣的:(r语言,数据挖掘,数据分析,机器学习)

  • BabyAGI：开创智能自动化新时代，赋能人工智能的下一次飞跃 gs80140 基础知识科谱AI人工智能自动化运维
    目录BabyAGI：开创智能自动化新时代，赋能人工智能的下一次飞跃什么是BabyAGI？BabyAGI的核心功能BabyAGI的应用领域BabyAGI与传统AI系统的区别BabyAGI的挑战与未来发展BabyAGI的未来展望结语BabyAGI：开创智能自动化新时代，赋能人工智能的下一次飞跃随着人工智能（AI）的不断演进，机器学习和自我优化系统已经逐步渗透到各个行业，从医疗健康到金融服务，从零售到制
  • 机器学习和线性回归、softmax回归 小名叫咸菜 人工智能线性回归
    监督学习监督学习（supervisedlearning）擅⻓在“给定输⼊特征”的情况下预测标签。每个“特征-标签”对都称为一个样本（example）。我们的目标是生成一个模型，能够将任何输⼊特征映射到标签（即预测）。回归——平方误差损失函数回归（regression）是最简单的监督学习任务之一。分类——交叉熵样本属于“哪一类”的问题称为分类问题回归是训练一个回归函数来输出一个数值；分类是训练一个分
  • 吴恩达-机器学习-多元线性回归模型代码 StrawBerryTreea 机器学习机器学习线性回归python吴恩达
    吴恩达《机器学习》2022版第一节第二周多元线性回归房价预测简单实现以下以下共两个实验，都是通过调用sklearn函数，分别实现了一元线性回归和多元线性回归的房价预测。一、一元线性回归importnumpyasnpnp.set_printoptions(precision=2)fromsklearn.linear_modelimportLinearRegression#输入数据X_train=np
  • 机器学习--实现多元线性回归 y江江江江 机器学习机器学习线性回归人工智能
    机器学习—实现多元线性回归本节顺延机器学习--线性回归中的内容，进一步讨论多元函数的回归问题y′=h(x)+w⊤∙x+by^{\prime}=h(x)+w^\top\bulletx+by′=h(x)+w⊤∙x+b其中,wT⋅x就是W1X1+w2X2+w3X3+⋯+wNXN\text{其中,}w^\mathrm{T}\cdotx\text{就是}_{W_1X_1}+w_2X_2+w_3X_3+\cd
  • 线性代数导引：张量与张量空间 AI大模型应用之禅 DeepSeekR1&AI大模型与大数据计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    线性代数，张量，张量空间，深度学习，机器学习，人工智能1.背景介绍在现代人工智能领域，深度学习和机器学习算法的蓬勃发展，使得对数据的高效处理和表示能力提出了更高的要求。线性代数作为数学基础，为理解和构建这些算法提供了坚实的基础。而张量，作为一种高维数组的表示形式，成为了深度学习和机器学习的核心数据结构。本篇文章将从线性代数的角度出发，深入探讨张量与张量空间的概念，并阐述其在深度学习和机器学习中的重
  • DeepSeek —— 金融市场中的AI颠覆者 ！！！ 云边有个稻草人 热门文章人工智能金融大数据DeepSeek
    目录云边有个稻草人-CSDN博客引言第1章：DeepSeek的技术概述第2章：DeepSeek对金融行业的影响2.1自动化与决策支持2.2风险评估与管理2.3金融市场预测2.4高频交易与量化分析第3章：展示如何利用DeepSeek进行不同的金融数据分析3.1市场情绪分析3.2新闻事件对股票价格的影响3.3使用DeepSeek进行量化策略回测3.4使用DeepSeek进行投资组合优化第4章：金融界专
  • 强化学习原理与代码实战案例讲解 AI天才研究院 AI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    1.背景介绍1.1什么是强化学习？强化学习（ReinforcementLearning,RL）是机器学习的一个重要分支，它关注的是智能体（Agent）如何在环境中通过与环境交互来学习最优的行为策略。与其他机器学习方法不同，强化学习并不依赖于预先标注的数据，而是通过试错的方式来学习。想象一下，你正在训练一只小狗学习坐下。你不会给它看成千上万张“坐下”的照片，而是会给它一些指令，比如“坐下”，如果它照
  • OpenCV机器学习（1）人工神经网络 - 多层感知器类cv::ml::ANN_MLP 村北头的码农 OpenCVopencv机器学习人工智能
    操作系统：ubuntu22.04OpenCV版本：OpenCV4.9IDE:VisualStudioCode编程语言：C++11算法描述cv::ml::ANN_MLP是OpenCV库中的一部分，用于实现人工神经网络-多层感知器（ArtificialNeuralNetwork-Multi-LayerPerceptron,ANN-MLP）。它提供了一种方式来创建和训练多层感知器模型，以解决分类、回归等
  • 运用python制作一个完整的股票分析系统 大懒猫软件 python开发语言djangobeautifulsoup
    使用python制作一个股票分析系统，可以通过股票价格走势动态界面，实时动态监测不同类型股票的变化情况。以下是一个完整的股票分析系统开发指南，包括股票价格走势动态界面和实时监测功能。这个系统将结合网络爬虫、数据分析、机器学习和可视化技术，帮助你实时监测不同类型股票的变化情况。1.系统功能概述数据采集：使用网络爬虫技术从财经网站采集股票数据。数据处理：计算技术指标（如KDJ、BOLL）并进行数据预处
  • Google Cloud技术学习总结 谭俊杰Jerry 人工智能
    GoogleCloudPlatform（GCP）是由Google提供的一套云计算服务，帮助企业和开发者利用Google的基础设施来构建、部署和扩展应用程序。GCP提供了广泛的服务，涵盖计算、存储、数据分析、机器学习和网络等领域。以下是GoogleCloud的技术总结：核心服务计算服务GoogleComputeEngine：提供虚拟机（VM）实例，支持自定义配置，适合各种工作负载。GoogleKub
  • DeepSeek R1蒸馏版模型部署的实战教程 herosunly DeepSeek从入门到精通deepseek大模型人工智能实战教程
      大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委，编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。  
  • 美国保险公司的业务对象和ETL程序设计 weixin_30777913 数据仓库etl
    以下是针对美国保险公司ERP系统和ETL程序的详细业务对象设计，包含属性定义和主外键关系：此设计覆盖了保险核心业务流程，并可通过ETL支持数据分析（如赔付率、代理人绩效）。1.核心业务对象及属性1.1客户（Customer）主键：CustomerID(UUID或自增整数)属性：FirstName(String)LastName(String)SSN(加密字段,String)DateOfBirth(
  • 强化学习在连续动作空间的应用：DDPG与TD3 AI天才研究院 计算AI大模型应用入门实战与进阶大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA计算AI大模型应用
    1.背景介绍1.1强化学习简介强化学习（ReinforcementLearning，简称RL）是一种机器学习方法，它通过让智能体（Agent）在环境（Environment）中与环境进行交互，学习如何根据观察到的状态（State）选择动作（Action），以最大化某种长期累积奖励（Reward）的方法。强化学习的核心问题是学习一个策略（Policy），即在给定状态下选择动作的映射关系。1.2连续动
  • 书籍-《机器学习的秘密：它是如何工作的以及它对你的意义》 机器学习深度学习人工智能
    书籍：SecretsOfMachineLearning:HowItWorksAndWhatItMeansForYou作者：TomKohn出版：WorldScientificPublishingCoPteLtd编辑：陈萍萍的公主@一点人工一点智能下载：书籍下载-《机器学习的秘密：它是如何工作的以及它对你的意义》01书籍介绍在众多关于机器学习和人工智能的技术文献及充满恐慌的书籍中，《机器学习的秘密》犹
  • 如何提升爬虫获取数据的准确性？ 小爬虫程序猿 爬虫
    提升爬虫获取数据的准确性是确保数据分析和后续应用有效性的关键。以下是一些经过验证的方法和最佳实践，可以帮助提高爬虫数据的准确性：1.数据清洗数据清洗是提升数据准确性的重要步骤，主要包括去除重复数据、处理缺失值和异常值。去除重复数据：重复数据会影响分析结果的准确性，可以通过pandas库的drop_duplicates()方法删除重复数据。importpandasaspddf=pd.DataFram
  • python 学习曲线函数_如何使用学习曲线来诊断你的LSTM模型的行为？（附代码）... weixin_39576066 python学习曲线函数
    LSTM是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。在自然语言处理、语言识别等一系列的应用上都取得了很好的效果。《LongShortTermMemoryNetworkswithPython》是澳大利亚机器学习专家JasonBrownlee的著作，里面详细介绍了LSTM模型的原理和使用。该书总共分为十四个章节，具体如下：第一章：什么是LSTMs？第二章：怎么样训练
  • 揭秘！考 BDA 所需强度指南 东总学长同济预备研0 数据分析信息可视化python求职招聘
    宝子们，初级BDA我已顺利拿下～迫不及待来和大家分享热乎乎的备考历程，希望能给正在备考或打算考的小伙伴一些参考。我选择BDA数据分析师证书，是因为它由中国信息协会市场研究业分会&中经数（北京）数据应用技术研究院联合认证，对想进入数据分析行业、提升专业水平的人超有帮助！下面给大家分享我的学习攻略：业务知识（1周左右）深入了解业务知识，能为数据分析提供更深层次支持。推荐书籍《深入浅出数据分析》《精益数
  • 【漫话机器学习系列】041.信息丢失（dropout） IT古董 漫话机器学习系列专辑机器学习人工智能深度学习
    信息丢失（Dropout）Dropout是一种广泛应用于神经网络训练中的正则化技术，旨在减少过拟合（overfitting），提高模型的泛化能力。虽然"信息丢失"（dropout）这个术语在某些情况下可能引起误解，指的并非是数据的丢失，而是训练过程中故意“丢弃”神经网络中的部分神经元。这种做法可以避免模型过于依赖于某些特定的神经元，从而提高模型在新数据上的表现。Dropout的工作原理在神经网络的
  • 第二章：12.3 建立表现基准 望云山190 基准性能水平人工智能机器学习
    背景介绍语音识别是一种常见的机器学习应用，用户通过语音输入代替键盘输入，系统需要将语音转换为文本。在这个过程中，算法的性能可以通过训练误差和交叉验证误差来评估。误差定义训练误差（Jtrain）：指算法在训练数据集上无法正确转录的音频片段的百分比。在这个例子中，训练误差是10.8%，意味着算法在训练数据上犯了10.8%的错误。交叉验证误差（Jcv）：指算法在未见过的数据（交叉验证集）上无法正确转录的
  • 【python】将word文档内容转换为excel表格 师兄师兄怎么办 pythonwordexcelpython
    在日常工作中，我们经常需要将Word文档中的内容提取并转换为Excel表格，以便进行数据分析和处理。本文将介绍如何使用Python编写一个简单的程序，将Word文档中的内容转换为Excel表格。一.实例使用以下word文档作为例子：工具界面如下：第一个弹窗选择对应的文档后选择打开：第二个弹窗选择保存路径以及excel表格的名字：生成后的效果如下：二.环境准备我们将使用tkinter库创建一个图形用
  • 第二章：12.4 学习曲线 望云山190 深度学习机器学习人工智能
    学习曲线的基本概念学习曲线是展示机器学习模型性能如何随着训练数据量增加而变化的图表。它们可以帮助我们理解模型在不同数据量下的表现，以及模型是否过拟合或欠拟合。二阶模型的学习曲线交叉验证错误（Jcv）：这条绿色曲线表示模型在未见过的数据上的表现。它反映了模型的泛化能力，即模型对新数据的预测能力。训练错误（Jtrain）：这条红色曲线表示模型在训练数据上的表现。它反映了模型对训练数据的拟合程度。学习曲
  • 机器学习相关基础 星辰瑞云 机器学习
    1.预备知识人工智能:用人工的方法在机器(计算机)上实现的智能;或者说是人们使机器具有类似于人的智能。人工智能学科:人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。2.日常生活中的机器学习:①称为RGB(由红色，绿色，蓝色组成)，这种是欠拟合欠拟合和过拟合区别:•欠拟合（Underfitting）：模型在训练数据上表现不佳，无法很好地捕捉数据中的规律。通
  • FastAPI：解锁高性能API开发的密钥，轻松构建现代Web服务 醉心编码 人工智能基础fastapi前端
    FastAPI：解锁高性能API开发的密钥，轻松构建现代Web服务一、核心特点二、应用场景三、技术优势四、安装与基本用法五、社区与文档FastAPI是一个基于Python的现代、快速（高性能）的Web框架，专门用于构建APIs，特别是基于Python的RESTfulAPIs。它以其高性能、易用性和可扩展性而闻名，适合开发者、数据科学家和机器学习工程师等多种岗位使用。以下是对FastAPI的详细介绍
  • 使用DeepSeek+本地知识库，尝试从0到1搭建高度定制化工作流（数据分析篇） 代码轨迹 Python数据分析人工智能deepseek
    7.3.数据监控与生成本地知识库目的：监控新生成的小红书文案，记录每一次生成的小红书文案风格。后续根据输入topic，检索与某一topic有关的文案，可以根据先前的文案风格，生成类似风格的文案。实现思路：1.要实现文件监控功能，需要使用watchdog库。watchdog是一个Python库，用于监控文件系统的变化。它提供了多种事件类型，如文件创建、修改、删除等，可以用来监控文件的变化。启动一个线
  • AIGC开启人工智能新时代 靖节先生 人工智能
    AIGC：开启智能生成内容的全新时代在数字化技术飞速发展的当下，AIGC（ArtificialIntelligence-GeneratedContent）横空出世，宛如一颗璀璨的新星照亮了内容创作领域的天空。它正以不可阻挡之势重塑着我们的生活、工作与娱乐方式，成为众多行业创新发展的重要驱动力。一、AIGC的概念AIGC，即人工智能生成内容，是指利用人工智能技术自动生成各类内容的过程。它依托机器学习
  • 推荐学习图像处理的入门书：《Python图像处理实战》 天飓 学习感悟学习图像处理python
    《Python图像处理实战》是一本全面介绍Python图像处理技术的实用指南，是由人民邮电出版社于2020年12月出版。这本书的作者桑迪潘·戴伊是一位兴趣广泛的数据科学家，主要研究机器学习、深度学习、图像处理和计算机视觉。在《Python图像处理实战》一书中，作者主要介绍了如何用Python图像处理库（如PIL、python-opencv、Scipy等），机器学习库（scikit-learn）和深
  • 用vue3写一个好看的wiki前端页面 云浩舟 前端vue.jsjavascript
    以下是一个使用Vue3+ElementPlus实现的Wiki风格前端页面示例，包含现代设计、响应式布局和常用功能：TechWiki开发文档快速开始API参考部署指南数据分析数据规范可视化指南{{currentDoc.title}}草稿import{ref,reactive,computed}from'vue'import{marked}from'marked'importDOMPurifyfrom
  • 使用 OpenCV 和 Python 对图像进行卡通化 无水先生 AI原理和python实现人工智能综合opencvpython人工智能
    关键词：OpenCVlibrarytoconvertimagestocartoons目录一、说明二、OpenCV2.1要求支持库2.2方法2.3实施和执行三、定义卡通化函数3.1添加按钮3.2保存图像四、结论一、说明在本文中，我们将构建一个有趣的应用程序，将提供给它的图像卡通化。为了构建这个卡通化应用程序，我们将使用python和OpenCV。这是机器学习令人兴奋和激动的应用程序之一。在构建此应用
  • 机器学习:朴素贝叶斯 小源学AI 人工智能机器学习人工智能朴素贝叶斯
    概率1.1定义概率表示随机事件发生可能性大小的一个数值,随机事件指在相同条件下,可能出现也可能不出现的事件。例如:抛硬币:当我们抛硬币时,可以正面朝上也可以反面朝上,正面或反面朝上的可能性被称为概率。理想状态下正反概率都是0.5。掷骰子:掷一个六面的骰子,每个点出现的概率是1/6,因为每个面出现的机会是均等的。抽取商品:一批商品包含良品和次品,随机抽取一件,抽取良品或次品是一个随机事件,经过大量实
  • 京东详情 API 接口有什么应用与价值？ 前端后端运维数据挖掘api
    在电商行业蓬勃发展的今天，数据成为了驱动业务增长和创新的核心要素。京东作为国内知名的电商巨头，拥有海量的商品资源和丰富的业务数据。京东详情API接口就像是一把钥匙，为开发者、商家以及数据分析师打开了通往这些宝贵数据的大门。通过该接口，我们能够获取到京东平台上商品的详细信息，包括商品描述、价格、库存、评价等，这些数据在电商业务的各个环节都具有不可估量的应用价值。本文将深入探讨京东详情API接口的应用
  • jQuery 跨域访问的三种方式 No 'Access-Control-Allow-Origin' header is present on the reque qiaolevip 每天进步一点点学习永无止境跨域众观千象
    XMLHttpRequest cannot load http://v.xxx.com. No 'Access-Control-Allow-Origin' header is present on the requested resource. Origin 'http://localhost:63342' is therefore not allowed access. test.html:1
  • mysql 分区查询优化 annan211 java分区优化mysql
    分区查询优化 引入分区可以给查询带来一定的优势，但同时也会引入一些bug. 分区最大的优点就是优化器可以根据分区函数来过滤掉一些分区，通过分区过滤可以让查询扫描更少的数据。 所以，对于访问分区表来说，很重要的一点是要在where 条件中带入分区，让优化器过滤掉无需访问的分区。 可以通过查看explain执行计划，是否携带 partitions
  • MYSQL存储过程中使用游标 chicony Mysql存储过程
    DELIMITER $$ DROP PROCEDURE IF EXISTS getUserInfo $$ CREATE PROCEDURE getUserInfo(in date_day datetime)-- -- 实例-- 存储过程名为：getUserInfo-- 参数为：date_day日期格式:2008-03-08--    BEGINdecla
  • mysql 和 sqlite 区别 Array_06 sqlite
    转载： http://www.cnblogs.com/ygm900/p/3460663.html mysql 和 sqlite 区别 SQLITE是单机数据库。功能简约，小型化，追求最大磁盘效率 MYSQL是完善的服务器数据库。功能全面，综合化，追求最大并发效率 MYSQL、Sybase、Oracle等这些都是试用于服务器数据量大功能多需要安装，例如网站访问量比较大的。而sq
  • pinyin4j使用 oloz pinyin4j
    首先需要pinyin4j的jar包支持；jar包已上传至附件内 方法一:把汉字转换为拼音；例如：编程转换后则为biancheng      /** * 将汉字转换为全拼 * @param src 你的需要转换的汉字 * @param isUPPERCASE 是否转换为大写的拼音； true:转换为大写；fal
  • 微博发送私信 随意而生 微博
    在前面文章中说了如和获取登陆时候所需要的cookie，现在只要拿到最后登陆所需要的cookie，然后抓包分析一下微博私信发送界面 http://weibo.com/message/history?uid=****&name=**** 可以发现其发送提交的Post请求和其中的数据， 让后用程序模拟发送POST请求中的数据，带着cookie发送到私信的接入口，就可以实现发私信的功能了。
  • jsp 香水浓 jsp
    JSP初始化     容器载入JSP文件后，它会在为请求提供任何服务前调用jspInit()方法。如果您需要执行自定义的JSP初始化任务，复写jspInit()方法就行了 JSP执行     这一阶段描述了JSP生命周期中一切与请求相关的交互行为，直到被销毁。     当JSP网页完成初始化后
  • 在 Windows 上安装 SVN Subversion 服务端 AdyZhang SVN
    在 Windows 上安装 SVN Subversion 服务端2009-09-16高宏伟哈尔滨市道里区通达街291号   最佳阅读效果请访问原地址：http://blog.donews.com/dukejoe/archive/2009/09/16/1560917.aspx   现在的Subversion已经足够稳定，而且已经进入了它的黄金时段。我们看到大量的项目都在使
  • android开发中如何使用 alertDialog从listView中删除数据？ aijuans android
    我现在使用listView展示了很多的配置信息，我现在想在点击其中一条的时候填出 alertDialog,点击确认后就删除该条数据，（ ArrayAdapter ，ArrayList，listView 全部删除），我知道在 下面的onItemLongClick 方法中 参数 arg2  是选中的序号，但是我不知道如何继续处理下去 1 2 3
  • jdk-6u26-linux-x64.bin 安装 baalwolf linux
    1.上传安装文件(jdk-6u26-linux-x64.bin) 2.修改权限 [root@localhost ~]# ls -l /usr/local/jdk-6u26-linux-x64.bin 3.执行安装文件 [root@localhost ~]# cd /usr/local [root@localhost local]# ./jdk-6u26-linux-x64.bin&nbs
  • MongoDB经典面试题集锦 BigBird2012 mongodb
    1.什么是NoSQL数据库？NoSQL和RDBMS有什么区别？在哪些情况下使用和不使用NoSQL数据库？ NoSQL是非关系型数据库，NoSQL = Not Only SQL。 关系型数据库采用的结构化的数据，NoSQL采用的是键值对的方式存储数据。 在处理非结构化/半结构化的大数据时；在水平方向上进行扩展时；随时应对动态增加的数据项时可以优先考虑使用NoSQL数据库。 在考虑数据库的成熟
  • JavaScript异步编程Promise模式的6个特性 bijian1013 JavaScriptPromise
            Promise是一个非常有价值的构造器，能够帮助你避免使用镶套匿名方法，而使用更具有可读性的方式组装异步代码。这里我们将介绍6个最简单的特性。         在我们开始正式介绍之前，我们想看看Javascript Promise的样子： var p = new Promise(function(r
  • [Zookeeper学习笔记之八]Zookeeper源代码分析之Zookeeper.ZKWatchManager bit1129 zookeeper
    ClientWatchManager接口 //接口的唯一方法materialize用于确定那些Watcher需要被通知 //确定Watcher需要三方面的因素1.事件状态 2.事件类型 3.znode的path public interface ClientWatchManager { /** * Return a set of watchers that should
  • 【Scala十五】Scala核心九：隐式转换之二 bit1129 scala
    隐式转换存在的必要性，   在Java Swing中，按钮点击事件的处理，转换为Scala的的写法如下：   val button = new JButton button.addActionListener( new ActionListener { def actionPerformed(event: ActionEvent) {
  • Android JSON数据的解析与封装小Demo ronin47
    转自：http://www.open-open.com/lib/view/open1420529336406.html package com.example.jsondemo; import org.json.JSONArray; import org.json.JSONException; import org.json.JSONObject;    impor
  • [设计]字体创意设计方法谈 brotherlamp UIui自学ui视频ui教程ui资料
      从古至今，文字在我们的生活中是必不可少的事物，我们不能想象没有文字的世界将会是怎样。在平面设计中，UI设计师在文字上所花的心思和功夫最多，因为文字能直观地表达UI设计师所的意念。在文字上的创造设计，直接反映出平面作品的主题。 如设计一幅戴尔笔记本电脑的广告海报，假设海报上没有出现“戴尔”两个文字，即使放上所有戴尔笔记本电脑的图片都不能让人们得知这些电脑是什么品牌。只要写上“戴尔笔
  • 单调队列-用一个长度为k的窗在整数数列上移动，求窗里面所包含的数的最大值 bylijinnan java算法面试题
    import java.util.LinkedList; /* 单调队列 滑动窗口 单调队列是这样的一个队列：队列里面的元素是有序的，是递增或者递减 题目：给定一个长度为N的整数数列a(i),i=0,1,...,N-1和窗长度k. 要求：f(i) = max{a(i-k+1),a(i-k+2),..., a(i)},i = 0,1,...,N-1 问题的另一种描述就
  • struts2处理一个form多个submit chiangfai struts2
    web应用中，为完成不同工作，一个jsp的form标签可能有多个submit。如下代码： <s:form action="submit" method="post" namespace="/my"> <s:textfield name="msg" label="叙述：">
  • shell查找上个月，陷阱及野路子 chenchao051 shell
    date -d "-1 month" +%F     以上这段代码，假如在2012/10/31执行，结果并不会出现你预计的9月份，而是会出现八月份，原因是10月份有31天，9月份30天，所以-1 month在10月份看来要减去31天，所以直接到了8月31日这天，这不靠谱。     野路子解决：假设当天日期大于15号
  • mysql导出数据中文乱码问题 daizj mysql中文乱码导数据
    解决mysql导入导出数据乱码问题方法： １、进入mysql，通过如下命令查看数据库编码方式： mysql>  show variables like 'character_set_%'; +--------------------------+----------------------------------------+ | Variable_name&nbs
  • SAE部署Smarty出现：Uncaught exception 'SmartyException' with message 'unable to write dcj3sjt126com PHPsmartysae
      对于SAE出现的问题：Uncaught exception 'SmartyException' with message 'unable to write file...。 官方给出了详细的FAQ：http://sae.sina.com.cn/?m=faqs&catId=11#show_213 解决方案为：   01 $path 
  • 《教父》系列台词 dcj3sjt126com
    Your love is also your weak point. 你的所爱同时也是你的弱点。   If anything in this life is certain, if history has taught us anything, it is that you can kill anyone.   不顾家的人永远不可能成为一个真正的男人。 &
  • mongodb安装与使用 dyy_gusi mongo
    一.MongoDB安装和启动,widndows和linux基本相同 1.下载数据库,     linux:mongodb-linux-x86_64-ubuntu1404-3.0.3.tgz 2.解压文件,并且放置到合适的位置     tar -vxf mongodb-linux-x86_64-ubun
  • Git排除目录 geeksun git
    在Git的版本控制中，可能有些文件是不需要加入控制的，那我们在提交代码时就需要忽略这些文件，下面讲讲应该怎么给Git配置一些忽略规则。   有三种方法可以忽略掉这些文件，这三种方法都能达到目的，只不过适用情景不一样。 1.  针对单一工程排除文件 这种方式会让这个工程的所有修改者在克隆代码的同时，也能克隆到过滤规则，而不用自己再写一份，这就能保证所有修改者应用的都是同一
  • Ubuntu 创建开机自启动脚本的方法 hongtoushizi ubuntu
    转载自： http://rongjih.blog.163.com/blog/static/33574461201111504843245/ Ubuntu 创建开机自启动脚本的步骤如下： 1) 将你的启动脚本复制到 /etc/init.d目录下 以下假设你的脚本文件名为 test。   2) 设置脚本文件的权限 $ sudo chmod 755
  • 第八章 流量复制/AB测试/协程 jinnianshilongnian nginxluacoroutine
    流量复制 在实际开发中经常涉及到项目的升级，而该升级不能简单的上线就完事了，需要验证该升级是否兼容老的上线，因此可能需要并行运行两个项目一段时间进行数据比对和校验，待没问题后再进行上线。这其实就需要进行流量复制，把流量复制到其他服务器上，一种方式是使用如tcpcopy引流；另外我们还可以使用nginx的HttpLuaModule模块中的ngx.location.capture_multi进行并发
  • 电商系统商品表设计 lkl
    DROP TABLE IF EXISTS `category`; -- 类目表 /*!40101 SET @saved_cs_client = @@character_set_client */; /*!40101 SET character_set_client = utf8 */; CREATE TABLE `category` ( `id` int(11) NOT NUL
  • 修改phpMyAdmin导入SQL文件的大小限制 pda158 sqlmysql
    　用phpMyAdmin导入mysql数据库时，我的10M的 数据库不能导入，提示mysql数据库最大只能导入2M。 　　 phpMyAdmin数据库导入出错： 　　You probably tried to upload too large file. Please refer to documentation for ways to workaround this limit.
  • Tomcat性能调优方案 Sobfist apachejvmtomcat应用服务器
    一、操作系统调优 对于操作系统优化来说，是尽可能的增大可使用的内存容量、提高CPU的频率，保证文件系统的读写速率等。经过压力测试验证，在并发连接很多的情况下，CPU的处理能力越强，系统运行速度越快。。 【适用场景】 任何项目。 二、Java虚拟机调优 应该选择SUN的JVM，在满足项目需要的前提下，尽量选用版本较高的JVM，一般来说高版本产品在速度和效率上比低版本会有改进。 J
  • SQLServer学习笔记 vipbooks 数据结构xml
    1、create database school 创建数据库school 2、drop database school 删除数据库school 3、use school 连接到school数据库，使其成为当前数据库 4、create table class(classID int primary key identity not null) 创建一个名为class的表，其有一
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他