热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

开发笔记:共享单车数据分析

篇首语:本文由编程笔记#小编为大家整理,主要介绍了共享单车数据分析相关的知识,希望对你有一定的参考价值。共享单车数据分析和共享单车用户行为分析PPT从数据分

篇首语:本文由编程笔记#小编为大家整理,主要介绍了共享单车数据分析相关的知识,希望对你有一定的参考价值。


共享单车数据分析和共享单车用户行为分析PPT

从数据分析,到数据展示,完成一个完整数据分析项目的全部过程


共享单车由于其符合低碳出行理念,政府对这一新鲜事物也处于善意的观察期。

2017年12月,共享单车入选2017年民生热词榜。

2017年12月,ofo率先取消了免费月卡,月卡价格也已调整为20元
/月。

2019年4月8日,哈罗单车宣布涨价,这是继小蓝单车、摩拜单车后第三家宣布涨价的共享单车。

2019年年底前,北京共享单车未接入监管平台将被视为违规投放。


项目来自Kaggle链接


1、机器学习步骤

技术图片


提出问题(Business Understanding )
理解数据(Data Understanding)
采集数据
导入数据
查看数据集信息
数据清洗(Data Preparation )
数据预处理
特征工程(Feature Engineering)
构建模型(Modeling)
模型评估(Evaluation)
方案实施 (Deployment)
提交结果到Kaggle
报告撰写


二、提出问题

影响骑车人数的因素有哪些?


 三、理解数据

3.1导入数据源


import warnings
warnings.filterwarnings(
ignore)
#导入处理数据包
import numpy as np
import pandas as pd
#导入数据
#
训练数据集
train = pd.read_csv("train_bike.csv")
#测试数据集
test = pd.read_csv("test_bike.csv")
#这里要记住训练数据集有891条数据,方便后面从中拆分出测试数据集用于提交Kaggle结果
print (训练数据集:,train.shape,测试数据集:,test.shape)
技术图片

3.2.查看各字段数据类型、缺失值


print(训练数据集:,train.info(),测试数据集:,test.info())

技术图片技术图片

 

 

 训练集和测试集没有缺失值

3.3 查看数据集信息

 train.head()

技术图片

 

 

 test.head()

技术图片

 

 

 数据说明:


分析:
1.训练数据集:
总共10886行,12列,各字段均无缺失值

除时间列数据为字符串外其余都为数值型数据:时间的数据格式需要转换为时间序列,进一步处理得到日期和星期的时间数据

count
=casual+registered,要探求影响租车量的因素,因而这两列可删去

2.测试数据集:
总共6493行,9列,各字段均无缺失值
测试数据集完整无需预处理
字段说明
Data Fields
datetime时间
- 年月日小时
season季节
- 1 = spring春天, 2 = summer夏天, 3 = fall秋天, 4 = winter冬天
holiday节假日
- 0:否,1:是
workingday工作日
- 该天既不是周末也不是假日(0:否,1:是)
weather天气
- 1:晴天,2:阴天 ,3:小雨或小雪 ,4:恶劣天气(大雨、冰雹、暴风雨或者大雪)
temp实际温度
- 摄氏度
atemp体感温度
- 摄氏度
humidity湿度
- 相对湿度
windspeed风速
- 风速
casual
- 未注册用户租借数量
registered
- 注册用户租借数量
count
- 总租借数量

将训练集和测试集放一起处理


full =train.append(test,ignore_index=True)
full.head()

技术图片

 

 

 full.info()

技术图片

 

 


 四、清洗数据

技术图片

 

 

 选择子集、列表重命名本例不需要

4.1删除重复值


print(删除重复值前大小,full.shape)
# 删除重复销售记录
full = full.drop_duplicates()
print(删除重复值后大小,full.shape)
技术图片

合并后出现缺失值:主要是casual - 未注册用户租借数量、 registered - 注册用户租借数量
考虑到目前都是注册用户才能使用共享单车,我们删除casual和registered

 

4.2 处理缺失值
没有缺失值


#先备份测试数据集
bikeDf=full

我们删除casual和registered


bikeDf.drop(casual,axis=1,inplace=True)
bikeDf.drop(
registered,axis=1,inplace=True)
bikeDf.head()
技术图片

bikeDf.info()

技术图片

 

 

 (count)这里一列是我们的标签,用来做机器学习预测的,不需要处理这一列

4.3 特征提取(一致化处理)

4.3.1数据分类


‘‘‘
1.数值类型:

temp实际温度 - 摄氏度
atemp体感温度 - 摄氏度
humidity湿度 - 相对湿度
windspeed风速 - 风速
count - 总租借数量

2.时间序列:
datetime时间 - 年月日小时

3.分类数据:
1)有直接类别的

season季节 - 1 = spring春天, 2 = summer夏天, 3 = fall秋天, 4 = winter冬天
holiday节假日 - 0:否,1:是
workingday工作日 - 该天既不是周末也不是假日(0:否,1:是)
weather天气 - 1:晴天,2:阴天 ,3:小雨或小雪 ,4:恶劣天气(大雨、冰雹、暴风雨或者大雪)


2)字符串类型:可能从这里面提取出特征来,也归到分类数据中

onehot编码的优点可以总结如下:


1、能够处理非连续型数值特征。
2、在一定程度上也扩充了特征。比如性别本身是一个特征,经过one hot编码以后,就变成了男或女两个特征。

对于sex这样 处理后 只两个的特征的 暂时不作  onehot编码处理

4.3.2 数值类型数据不用处理

4.3.3 处理时间序列


from datetime import datetime
#1、日月年拆解
bikeDf[year]=bikeDf[datetime].map(lambda s:s.split(-)[0]).astype(int)
bikeDf[
month]=bikeDf[datetime].map(lambda s:s.split(-)[1]).astype(int)
bikeDf[
day]=bikeDf[datetime].map(lambda s:s.split(-)[2].split()[0]).astype(int)
bikeDf[
hour]=bikeDf[datetime].map(lambda s:s.split()[1].split(:)[0]).astype(int)
bikeDf[
weekday]=bikeDf[datetime].map(lambda s:datetime.strptime(s.split()[0],%Y-%m-%d).weekday()).astype(int)

bikeDf.info()

技术图片

 

 

 4.3.4 处理分类数据

我们这里只处理:季节和天气

 bikeDf[‘season‘].head()

技术图片

 

 

 


#存放提取后的特征
seasOnDf= pd.DataFrame()
print(seasonDf )
‘‘‘
使用get_dummies进行one-hot编码,产生虚拟变量(dummy variables),列名前缀是prefix=Embarked
‘‘‘
seasonDf
= pd.get_dummies( bikeDf[season] , prefix=season )
seasonDf.head()
技术图片


seasonDf .rename(columns={season_1:seaon_spring,season_2:season_summer,season_3:season_autumn,season_4:season_winter},inplace=True)

 


seasonDf.head()

技术图片

 

 

 


#添加one-hot编码产生的虚拟变量(dummy variables)到数据集 bikeDf

bikeDf
= pd.concat([bikeDf,seasonDf],axis=1)
‘‘‘
所以这里把season删掉
‘‘‘
bikeDf.drop(
season,axis=1,inplace=True)
bikeDf.head()
技术图片

天气


#存放提取后的特征
weatherDf = pd.DataFrame()
print(weatherDf)
‘‘‘
使用get_dummies进行one-hot编码,产生虚拟变量(dummy variables),列名前缀是prefix=Embarked
‘‘‘
weatherDf
= pd.get_dummies( bikeDf[weather] , prefix=weather )
weatherDf.head()
技术图片


weatherDf.rename(columns={weather_1:weather_best,weather_2:weather_good,weather_3:weather_bad,weather_4:weather_terrible},inplace=True)


#添加one-hot编码产生的虚拟变量(dummy variables)到数据集 bikeDf

bikeDf
= pd.concat([bikeDf,weatherDf],axis=1)
‘‘‘
所以这里把season删掉
‘‘‘
bikeDf.drop(
weather,axis=1,inplace=True)
bikeDf.head()
技术图片

4.4异常值处理


bikeDf.describe()
#描述指标:查看出“”值不能小于0

技术图片

 

 

 无异常值


五、构建模型

5.1 特征选择

相关系数法:计算各个特征的相关系数


#相关性矩阵
corrDf = bikeDf.corr()
corrDf
技术图片

 


‘‘‘
查看各个特征与生成情况(Survived)的相关系数,
ascending=False表示按降序排列
‘‘‘
corrDf[
count].sort_values(ascending =False)
技术图片

特征值选择


根据各个特征与(count)的相关系数大小,我们选择了这几个特征作为模型的输入:
hour
temp
atemp
year
month
seasonDf
weatherDf
humidity
windspeed

 


#特征选择
full_X = pd.concat([bikeDf[hour],
bikeDf[
temp],
bikeDf[
atemp],
bikeDf[
year],
bikeDf[
month],
seasonDf,
weatherDf,
bikeDf[
humidity],
bikeDf[
windspeed],
],axis
=1 )
full_X.head()
技术图片


六、数据可视化

6.1使用热力图分析特征值与


import matplotlib.pyplot as plt
import seaborn as sns
#数据相关系数的一半
mask = np.array(bikeDf_corr)
mask[np.tril_indices_from(mask)]
= False
#建立画板
fig=plt.figure(figsize=(12,12))
#建立画纸
ax1=fig.add_subplot(1,1,1)
#使用heatmap
sns.heatmap(bikeDf_corr, mask=mask, ax=ax1,square=False,annot=True)
plt.show()
plt.savefig(
hot_photo.png)
技术图片

分析得出:


总租借数量(count)成正相关的有:
hour
temp(实际温度)
atemp(体感温度)
year
month
seasonDf
总租借数量(count)负相关的有:
weatherDf
humidity(湿度)
windspeed(风速)

6.1租车人数在各特征值下的箱线图


# 季节变量离散化
full_X_1 = pd.concat([full_X,bikeDf[count]],axis=1)
seasonDict
={1:Spring,2:Summer,3:autumn,4:Winter}
full_X_1[
season_word]=full[season].map(seasonDict)
full_X_1.head(
2)
技术图片

 


#天气变量离散化
weatherDict={1:weather_best,2:weather_good,3:weather_bad,4:weather_terrible}
full_X_1[
weather_word]=full[weather].map(weatherDict)
full_X_1.head(
2)
技术图片

 


fig, axes = plt.subplots(3, 2)
fig.suptitle(
"ShareBike Analysis",fOntsize=20,fOntweight="bold")
sns.set(style
=darkgrid)
fig.set_size_inches(
15, 20)
ax1
=sns.boxplot(data=full_X_1,y=count,orient=v,ax=axes[0][0])#count箱线图
ax2=sns.boxplot(data=full_X_1,x=hour,y=count,orient=v,ax=axes[0][1])
ax3
=sns.boxplot(data=full_X_1,x=year,y=count,orient=v,ax=axes[1][0])
ax4
=sns.boxplot(data=full_X_1,x=month,y=count,orient=v,ax=axes[1][1])
ax5
=sns.boxplot(data=full_X_1,x=season_word,y=count,orient=v,ax=axes[2][0])
ax6
=sns.boxplot(data=full_X_1,x=weather_word,y=count,orient=v,ax=axes[2][1])

axes[0][0].set(ylabel
=Count,title="Box Plot On Count ")
axes[0][
1].set(xlabel=hour, ylabel=Count,title="Box Plot On Count Across hour")
axes[
1][0].set(xlabel=year, ylabel=Count,title="Box Plot On Count Across year")
axes[
1][1].set(xlabel=month, ylabel=Count,title="Box Plot On Count Across month")
axes[
2][0].set(xlabel=season_word, ylabel=Count,title="Box Plot On Count Across season_word")
axes[
2][1].set(xlabel=weather_word, ylabel=Count,title="Box Plot On Count Across weather_word")
plt.savefig(
subplots_photo1.png)
技术图片

 

 


分析得出:
1、租车人数在150左右
2、一天中,出现两个用车高峰,一个是上午8点、一个是下午17点。分析原因可能是早晚高峰出行,导致用车人数增多。
3、秋季与夏季天气温暖租车量较高,春天最少
4、2012年相比2011年,租车人数中位数上升,共享单车出行方式市场越好
5、天气好时的用车中位数明显高于坏天气的中位数

 


# 由于
temp(实际温度)
atemp(体感温度)
humidity(湿度)
windspeed(风速)
参数较多,不方便用箱型图

6.2查看温度、体感温度、湿度与风速的分布情况


fig, axes = plt.subplots(2, 2)
fig.set_size_inches(
12,10)
sns.distplot(full_X_1[
temp],ax=axes[0,0])
sns.distplot(full_X_1[
atemp],ax=axes[0,1])
sns.distplot(full_X_1[
humidity],ax=axes[1,0])
sns.distplot(full_X_1[
windspeed],ax=axes[1,1])
axes[0,0].set(xlabel
=temp,title=Distribution of temp,)
axes[0,
1].set(xlabel=atemp,title=Distribution of atemp)
axes[
1,0].set(xlabel=humidity,title=Distribution of humidity)
axes[
1,1].set(xlabel=windspeed,title=Distribution of windspeed)
plt.savefig(
distplot_1.png)
技术图片


通过这个分布可以发现一些问题,比如风速为什么0的数据很多,而观察统计描述发现空缺值在1--6之间,
从这里似乎可以推测,数据本身或许是有缺失值的,但是用0来填充了,
但这些风速为0的数据会对预测产生干扰,希望使用随机森林根据相同的年份,月份,季节,温度,湿度等几个特征来填充一下风速的缺失值。
填充之前看一下非零数据的描述统计。

full_X_1[full_X_1["windspeed"]!=0]["windspeed"].describe()

技术图片

 

 

 


from sklearn.ensemble import RandomForestRegressor
full_X_1[
"windspeed_rfr"]=full_X_1["windspeed"]
# 将数据分成风速等于0和不等于两部分
dataWind0 = full_X_1[full_X_1["windspeed_rfr"]==0]
dataWindNot0
= full_X_1[full_X_1["windspeed_rfr"]!=0]
#选定模型
rfModel_wind = RandomForestRegressor(n_estimators=1000,random_state=42)
# 选定特征值

windColumns
= [seaon_spring,season_summer,season_autumn,weather_best,weather_good,weather_bad,weather_terrible,season_winter,"humidity","month","temp","year","atemp"]
# 将风速不等于0的数据作为训练集,fit到RandomForestRegressor之中
rfModel_wind.fit(dataWindNot0[windColumns], dataWindNot0["windspeed_rfr"])
#通过训练好的模型预测风速
wind0Values = rfModel_wind.predict(X= dataWind0[windColumns])
#将预测的风速填充到风速为零的数据中
dataWind0.loc[:,"windspeed_rfr"] = wind0Values
#连接两部分数据
full_X_1 = dataWindNot0.append(dataWind0)
full_X_1.reset_index(inplace
=True)
full_X_1.drop(
index,inplace=True,axis=1)

 


fig, axes = plt.subplots(2, 2)
fig.set_size_inches(
12,10)
sns.distplot(full_X_1[
temp],ax=axes[0,0])
sns.distplot(full_X_1[
atemp],ax=axes[0,1])
sns.distplot(full_X_1[
humidity],ax=axes[1,0])
sns.distplot(full_X_1[
windspeed_rfr],ax=axes[1,1])
axes[0,0].set(xlabel
=temp,title=Distribution of temp,)
axes[0,
1].set(xlabel=atemp,title=Distribution of atemp)
axes[
1,0].set(xlabel=humidity,title=Distribution of humidity)
axes[
1,1].set(xlabel=windspeed,title=Distribution of windspeed)
plt.savefig(
distplot_2.png)
技术图片

temp(实际温度)  主要分布在10到20
atemp(体感温度) 主要分布在20-30
humidity(湿度)主要分布在40-80
windspeed_rfr(风速)主要分布在5-10


full_X_1[[windspeed,windspeed_rfr]].describe()
技术图片


可视化并观察数据

6.3整体观察


sns.pairplot(full_X_1 ,x_vars=[hour,year,month,season_word,weather_word,windspeed_rfr,humidity,temp,atemp] ,
y_vars
=[count] , plot_kws={alpha: 0.5})
plt.savefig(
pairplot.png)
技术图片

 

 


时间hour 出现两个峰值
时间year 租车数量逐年提升
月份month 租车数量集中在5-10月
季节season 租车重数在秋天
天气wheather 天气好坏直接影响租车数量
风速windspeed 与count成负相关
湿度humidity 租车数量集中在50
温度temp 租车数量集中在20-30
体表温度atemp 猪车数量集中在20-30

6.4逐项分析 折线图

6.4.1时间和count关系


#设置画框尺寸
fig = plt.figure(figsize=(18,6))
day_df
= full_X_1.groupby([hour], as_index=True).agg({count:mean})
day_df.plot(figsize
=(15,5),title = The average number of rentals initiated per hour in the working day)
技术图片

分析:

每天上下班时间是两个用车高峰,而中午也会有一个小高峰,猜测可能是外出午餐的人

6.4.2 温度对租赁数量的影响
先观察温度的走势


#设置画框尺寸
fig = plt.figure(figsize=(18,6))
day_df
= full_X_1.groupby([month], as_index=True).agg({count:mean})
day_df.plot(figsize
=(15,5),title = The average number of rentals initiated per month)
技术图片

分析:

2-4月租车人数逐月提升

6-10达到峰值并趋于平缓

10月后租车人数出现下降

6.4.3 天气


#设置画框尺寸
fig = plt.figure(figsize=(18,6))
day_df
= full_X_1.groupby([weather_word], as_index=True).agg({count:mean})
day_df.plot(figsize
=(15,5),title = The average number of rentals initiated per weather_word)
技术图片

分析:

租车人数受天气好坏影响很大

6.4.4 风速


风速对出行情况的影响
先来看下两年时间风速的变化趋势


#设置画框尺寸
fig = plt.figure(figsize=(18,6))
day_df
= full_X_1.groupby([count], as_index=True).agg({windspeed_rfr:mean})
day_df.plot(figsize
=(15,5),title = The average number of rentals initiated per windspeed)
技术图片

观察一下租赁人数随风速变化趋势,考虑到风速特别大的时候很少,如果取平均值会出现异常,所以按风速对租赁数量取最大值。


fig = plt.figure(figsize=(18,6))
windspeed_rentals
= full_X_1.groupby([windspeed], as_index=True).agg({count:max})
windspeed_rentals .plot(figsize
=(15,5),title = Max number of rentals initiated per hour in different windspeed)
技术图片

分析:

大于20租车数量降低,小于20租车人数始终保持在较高数量

 

6.4.5湿度humidity 


fig = plt.figure(figsize=(18,6))
windspeed_rentals
= full_X_1.groupby([humidity], as_index=True).agg({count:mean})
windspeed_rentals .plot(figsize
=(15,5),title = Max number of rentals initiated per hour in different humidity)
技术图片

分析:

湿度为20租车人数出现峰值,大于20之后随之降低

 

6.4.6温度temp


fig = plt.figure(figsize=(18,6))
windspeed_rentals
= full_X_1.groupby([temp], as_index=True).agg({count:mean})
windspeed_rentals .plot(figsize
=(15,5),title = Max number of rentals initiated per hour in different temp )
技术图片

分析:

0-35度租车数量随着温度的升高而增加

35度后租车人数随温度的升高而减少

 

6.4.6体表温度atemp 


fig = plt.figure(figsize=(18,6))
windspeed_rentals
= full_X_1.groupby([atemp], as_index=True).agg({count:mean})
windspeed_rentals .plot(figsize
=(15,5),title = Max number of rentals initiated per hour in different atemp )
技术图片

分析:

0-40度租车数量随着体表温度的升高而增加

40度后租车人数随体表温度的升高而减少


7、构建模型


#原始数据集有891行
sourceRow=10886

 


#原始数据集:特征
source_X = full_X.loc[0:sourceRow-1,:]
#原始数据集:标签
source_y = full.loc[0:sourceRow-1,count]
#预测数据集:特征
pred_X = full_X.loc[sourceRow:,:]


 


‘‘‘
确保这里原始数据集取的是前891行的数据,不然后面模型会有错误
‘‘‘
#原始数据集有多少行
print(原始数据集有多少行:,source_X.shape[0])
#预测数据集大小
print(原始数据集有多少行:,pred_X.shape[0])
技术图片

7.1 建立训练数据集和测试数据集


from sklearn.model_selection import train_test_split
#建立模型用的训练数据集和测试数据集
train_X, test_X, train_y, test_y = train_test_split(source_X ,
source_y,
train_size
=0.8)
#输出数据集大小
print (原始数据集特征:,source_X.shape,
训练数据集特征:,train_X.shape,
测试数据集特征:,test_X.shape)
print (原始数据集标签:,source_y.shape,
训练数据集标签:,train_y.shape,
测试数据集标签:,test_y.shape)
技术图片

7.2 训练模型

随机森林回归


#第1步:导入算法
from sklearn.ensemble import RandomForestRegressor
#第2步:创建模型:逻辑回归(logisic regression)
model = RandomForestRegressor()
#第3步:训练模型
model.fit( train_X , train_y )
技术图片

7.3评估模型


model.score(test_X , test_y )
技术图片


7.4方案实施(Deployment)


 


pred_Y = model.predict(pred_X)
‘‘‘
生成的预测值是浮点数(0.0,1,0)
但是Kaggle要求提交的结果是整型(0,1)
所以要对数据类型进行转换
‘‘‘
pred_Y
=pred_Y.astype(int)
#乘客id
# data = full_X.loc[sourceRow:,[‘hour‘,‘temp‘,‘atemp‘,‘year‘,‘month‘,‘seaon_spring‘,‘season_summer‘,‘season_autumn‘,‘season_winter‘
#
,‘weather_best‘,‘weather_good‘,‘weather_bad‘,‘weather_terrible‘,‘humidity‘,‘windspeed‘]]
# frame2 = pd.DataFrame(data,index=[‘one‘,‘two‘,‘three‘,‘four‘,‘five‘],columns=[‘year‘,‘state‘,‘pop‘,‘debt‘])
datatime = bikeDf.loc[sourceRow:,[datetime]]
li
= []
for i in range(10886,17379):
li.append(i)

#数据框:乘客id,预测生存情况的值
pred = pd.DataFrame(
{
count: pred_Y},index=li)
#10886

predDf
= pd.concat([datatime,pred],axis=1)
predDf.shape
predDf.head()
#保存结果
predDf.to_csv( bike_pred.csv , index = False )
技术图片

 


上传预测结果到kaggle,得到分数


八、总结和建议


总结:

对于相关性高的特征值

1、时间hour :每天上下班时间是两个用车高峰,而中午也会有一个小高峰,一个是上午8点、一个是下午17点
2、时间year :租车数量逐年提升
3、月份month 、季节season 租车数量集中在5-10月,租车重数在夏天和秋天

4、天气wheather :天气好坏直接影响租车数量
5、风速windspeed :大于20租车数量降低,小于20租车人数始终保持在较高数量
6、湿度humidity :湿度为20租车人数出现峰值,大于20之后随之降低
7、温度temp :

0-35度租车数量随着温度的升高而增加

35度后租车人数随温度的升高而减少


8、体表温度atemp: 

0-40度租车数量随着体表温度的升高而增加

40度后租车人数随体表温度的升高而减少

建议:

一、对于租车公司:

重点运营集中在:

1、上下班高峰期

2、重点季节是夏季和秋季、重点月份5-10月

对于淡季:

1、要重点营销,采取优惠,月卡等优惠手段促进租车数量

2、做好共享单车的保养等后勤工作

二、对于个人

明确单车使用高峰期,提前做好准备,以免耽误正常出行

 

(●‘?‘●)如果对您有用,别忘了点个赞鼓励一下~


推荐阅读
  • Ihavetwomethodsofgeneratingmdistinctrandomnumbersintherange[0..n-1]我有两种方法在范围[0.n-1]中生 ... [详细]
  • 本报告对2018年湘潭大学程序设计竞赛在牛客网上的时间数据进行了详细分析。通过统计参赛者在各个时间段的活跃情况,揭示了比赛期间的编程频率和时间分布特点。此外,报告还探讨了选手在准备过程中面临的挑战,如保持编程手感、学习逆向工程和PWN技术,以及熟悉Linux环境等。这些发现为未来的竞赛组织和培训提供了 valuable 的参考。 ... [详细]
  • 如何将Python与Excel高效结合:常用操作技巧解析
    本文深入探讨了如何将Python与Excel高效结合,涵盖了一系列实用的操作技巧。文章内容详尽,步骤清晰,注重细节处理,旨在帮助读者掌握Python与Excel之间的无缝对接方法,提升数据处理效率。 ... [详细]
  • 本指南从零开始介绍Scala编程语言的基础知识,重点讲解了Scala解释器REPL(读取-求值-打印-循环)的使用方法。REPL是Scala开发中的重要工具,能够帮助初学者快速理解和实践Scala的基本语法和特性。通过详细的示例和练习,读者将能够熟练掌握Scala的基础概念和编程技巧。 ... [详细]
  • com.sun.javadoc.PackageDoc.exceptions()方法的使用及代码示例 ... [详细]
  • 深入解析 Lifecycle 的实现原理
    本文将详细介绍 Android Jetpack 中 Lifecycle 组件的实现原理,帮助开发者更好地理解和使用 Lifecycle,避免常见的内存泄漏问题。 ... [详细]
  • 解决Bootstrap DataTable Ajax请求重复问题
    在最近的一个项目中,我们使用了JQuery DataTable进行数据展示,虽然使用起来非常方便,但在测试过程中发现了一个问题:当查询条件改变时,有时查询结果的数据不正确。通过FireBug调试发现,点击搜索按钮时,会发送两次Ajax请求,一次是原条件的请求,一次是新条件的请求。 ... [详细]
  • poj 3352 Road Construction ... [详细]
  • 在2019中国国际智能产业博览会上,百度董事长兼CEO李彦宏强调,人工智能应务实推进其在各行业的应用。随后,在“ABC SUMMIT 2019百度云智峰会”上,百度展示了通过“云+AI”推动AI工业化和产业智能化的最新成果。 ... [详细]
  • 题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=4277。作者:Bob Lee,日期:2012年9月15日。题目描述:给定n个木棍,求可以组成的不同三角形的数量,最多15根木棍。 ... [详细]
  • 本文提出了一种基于栈结构的高效四则运算表达式求值方法。该方法能够处理包含加、减、乘、除运算符以及十进制整数和小括号的算术表达式。通过定义和实现栈的基本操作,如入栈、出栈和判空等,算法能够准确地解析并计算输入的表达式,最终输出其计算结果。此方法不仅提高了计算效率,还增强了对复杂表达式的处理能力。 ... [详细]
  • Python内置模块详解:正则表达式re模块的应用与解析
    正则表达式是一种强大的文本处理工具,通过特定的字符序列来定义搜索模式。本文详细介绍了Python内置的`re`模块,探讨了其在字符串匹配、验证和提取中的应用。例如,可以通过正则表达式验证电子邮件地址、电话号码、QQ号、密码、URL和IP地址等。此外,文章还深入解析了`re`模块的各种函数和方法,提供了丰富的示例代码,帮助读者更好地理解和使用这一工具。 ... [详细]
  • 计算机视觉领域介绍 | 自然语言驱动的跨模态行人重识别前沿技术综述(上篇)
    本文介绍了计算机视觉领域的最新进展,特别是自然语言驱动的跨模态行人重识别技术。上篇内容详细探讨了该领域的基础理论、关键技术及当前的研究热点,为读者提供了全面的概述。 ... [详细]
  • 本文探讨了如何利用 jQuery 的 JSONP 技术实现跨域调用外部 Web 服务。通过详细解析 JSONP 的工作原理及其在 jQuery 中的应用,本文提供了实用的代码示例和最佳实践,帮助开发者解决跨域请求中的常见问题。 ... [详细]
  • 今天我开始学习Flutter,并在Android Studio 3.5.3中创建了一个新的Flutter项目。然而,在首次尝试运行时遇到了问题,Gradle任务 `assembleDebug` 执行失败,退出状态码为1。经过初步排查,发现可能是由于依赖项配置不当或Gradle版本不兼容导致的。为了解决这个问题,我计划检查项目的 `build.gradle` 文件,确保所有依赖项和插件版本都符合要求,并尝试更新Gradle版本。此外,还将验证环境变量配置是否正确,以确保开发环境的稳定性。 ... [详细]
author-avatar
buddha覀mito_438
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有