睡眠健康数据分析

项目背景

背景描述

本数据集涵盖了与睡眠和日常习惯有关的诸多变量。如性别、年龄、职业、睡眠时间、睡眠质量、身体活动水平、压力水平、BMI类别、血压、心率、每日步数、以及是否有睡眠障碍等细节。

  • 数据集的主要特征： 综合睡眠指标：

  • 探索睡眠持续时间、质量和影响睡眠模式的因素。

  • 生活方式因素：分析身体活动水平、压力水平和 BMI 类别。

  • 心血管健康：检查血压和心率测量值。

  • 睡眠障碍分析：确定失眠和睡眠呼吸暂停等睡眠障碍的发生。

  • 数据集列：人员 ID：

  • 每个人的标识符。

  • 性别：人员的性别（男性/女性）。

  • 年龄：人员的年龄（以年为单位）。

  • 职业：人的职业或职业。

  • 睡眠持续时间（小时）：该人每天睡眠的小时数。

  • 睡眠质量（量表：1-10）：对睡眠质量的主观评分，范围从1到10。

  • 身体活动水平（分钟/天）：该人每天进行身体活动的分钟数。

  • 压力水平（等级：1-10）：对人所经历的压力水平的主观评级，范围从1到10。

  • BMI 类别：人的 BMI 类别（例如，体重不足、正常、超重）。

  • 血压（收缩压/舒张压）：人的血压测量值，表示收缩压超过舒张压。

  • 心率 （bpm）：人的静息心率（以每分钟心跳数为单位）。

  • 每日步数：此人每天的步数。

  • 睡眠障碍：人体内是否存在睡眠障碍（无、失眠、睡眠呼吸暂停）。

有关睡眠障碍专栏的详细信息：

类型说明
无个体没有表现出任何特定的睡眠障碍。
失眠个人难以入睡或保持睡眠状态，导致睡眠不足或质量差。
睡眠呼吸暂停个人在睡眠期间呼吸暂停，导致睡眠模式中断和潜在的健康风险。

睡眠健康和生活方式数据集包括400行和13列，涵盖了与睡眠和日常习惯相关的广泛变量。它包括性别、年龄、职业、睡眠持续时间、睡眠质量、身体活动水平、压力水平、身体质量指数分类、血压、心率、每日步数以及是否存在睡眠障碍等详细信息。
在这里，我们将使用已经可供使用的“Sleep _ health _ and _ life style _ dataset . CSV”数据库，下面您将看到数据的分析、数据的处理以及使用机器模型的学习分类来实现我们的目标。

导入库

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
from yellowbrick.classifier import ConfusionMatrix
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import r2_score
from sklearn.metrics import mean_absolute_error, mean_squared_error
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import RandomizedSearchCV
from sklearn.preprocessing import LabelEncoder

导入数据

df = pd.read_csv('/kaggle/input/sleep-health-and-lifestyle-dataset/Sleep_health_and_lifestyle_dataset.csv', sep = ',')

这里我们可以看到，我们有分类和连续变量，我们也可以看到，我们没有空值。
在这里插入图片描述

  • Person ID（个人ID）:每个人的标识符。
  • Gender（性别）:人的性别(男/女)。
  • Age（年龄）:以年为单位的人的年龄。
  • Occupation（职业）:人的职业或专业。
  • Sleep Duration (hours)（睡眠持续时间(小时)）:人每天睡眠的小时数。
  • Quality of Sleep (scale: 1-10)（睡眠质量(等级:1-10):对睡眠质量的主观评价，范围从1到10。
  • Physical Activity Level (minutes/day)（身体活动水平(分钟/天)）:个人每天从事身体活动的分钟数。
  • Stress Level (scale: 1-10)（压力水平(等级:1-10)）:对人所经历的压力水平的主观评级，范围从1到10。
  • BMI Category（身体质量指数类别）:个人的身体质量指数类别(例如，体重不足、正常、超重)。
  • Blood Pressure (systolic/diastolic)（血压(收缩压/舒张压)）:个人的血压测量值，表示为收缩压/舒张压。
  • Heart Rate (bpm)（心率(bpm)）:人的静息心率，单位为每分钟心跳数。
  • Daily Steps（每日步数）:此人每天走的步数。
  • Sleep Disorder（睡眠障碍）:人是否存在睡眠障碍(无、失眠、睡眠呼吸暂停)。

在这里插入图片描述
在这里插入图片描述

数据分析

corr = df.corr().round(2)
plt.figure(figsize = (25,20))
sns.heatmap(corr, annot = True, cmap = 'YlOrBr')

在这里插入图片描述
分类变量。
在这里，当我们查看分类变量时，我们可以看到我们的数据在男性和女性之间分布良好，查看身体质量指数，我们可以看到大多数人在正常和超重之间，当我们查看我们的目标变量时，我们可以看到大多数人没有睡眠问题，那些有睡眠问题的人在失眠和睡眠呼吸暂停之间分布良好。

plt.figure(figsize = (20, 10))

plt.subplot(2, 2, 1)
plt.gca().set_title('Variable Gender')
sns.countplot(x = 'Gender', palette = 'Set2', data = df)

plt.subplot(2, 2, 2)
plt.gca().set_title('Variable BMI Category')
sns.countplot(x = 'BMI Category', palette = 'Set2', data = df)

plt.subplot(2, 2, 3)
plt.gca().set_title('Variable Sleep Disorder')
sns.countplot(x = 'Sleep Disorder', palette = 'Set2', data = df)

在这里插入图片描述
看看职业一栏，我们可以看到我们有一些优势职业。
在这里插入图片描述
连续变量。
当我们看我们的分类变量时，我们可以看到，我们在大多数变量中没有一个模式，几乎所有的变量在一些数据中显示平衡，而在另一些数据中不显示平衡。

plt.figure(figsize = (15, 18))

plt.subplot(4, 2, 1)
sns.histplot(x = df['Age'], kde = False)

plt.subplot(4, 2, 2)
sns.histplot(x = df['Sleep Duration'], kde = False)

plt.subplot(4, 2, 3)
sns.histplot(x = df['Quality of Sleep'], kde = False)

plt.subplot(4, 2, 4)
sns.histplot(x = df['Physical Activity Level'], kde = False)

plt.subplot(4, 2, 5)
sns.histplot(x = df['Stress Level'], kde = False)

plt.subplot(4, 2, 6)
sns.histplot(x = df['Heart Rate'], kde = False)

plt.subplot(4, 2, 7)
sns.histplot(x = df['Daily Steps'], kde = False)

在这里插入图片描述
查看箱线图，我们可以确认我们没有需要处理的异常值

plt.title("Boxplot Age", fontdict = {'fontsize': 20})
sns.boxplot(x=df["Age"])

在这里插入图片描述

plt.title("Boxplot Sleep Duration", fontdict = {'fontsize': 20})
sns.boxplot(x=df["Sleep Duration"])

在这里插入图片描述

plt.title("Boxplot Quality of Sleep", fontdict = {'fontsize': 20})
sns.boxplot(x=df["Quality of Sleep"])

在这里插入图片描述

plt.title("Boxplot Physical Activity Level", fontdict = {'fontsize': 20})
sns.boxplot(x=df["Physical Activity Level"])

在这里插入图片描述

plt.title("Boxplot Stress Level", fontdict = {'fontsize': 20})
sns.boxplot(x=df["Stress Level"])

在这里插入图片描述

plt.title("Boxplot Heart Rate", fontdict = {'fontsize': 20})
sns.boxplot(x=df["Heart Rate"])

在这里插入图片描述

plt.title("Boxplot Daily Steps", fontdict = {'fontsize': 20})
sns.boxplot(x=df["Daily Steps"])

在这里插入图片描述
双变量分析。
当我们比较我们的目标变量和分类变量时，我们可以看到有趣的模式，例如女性比男性有更多的睡眠问题，同样的，当我们看身体质量指数变量时，超重的人更有可能有睡眠问题，正常体重的人通常没有任何问题。
当我们看病人的职业时，我们可以看到一个非常有趣的事情，教授，护士和售货员更有可能有睡眠问题，当我们看律师，医生和工程师时，我们可以看到他们一般没有任何问题。

plt.figure(figsize = (20, 10))
plt.suptitle("Analysis Of Variable Sleep Disorder",fontweight="bold", fontsize=20)

plt.subplot(2, 1, 1)
plt.gca().set_title('Variable Gender')
sns.countplot(x = 'Gender', hue = 'Sleep Disorder', palette = 'Set2', data = df)

plt.subplot(2, 1, 2)
plt.gca().set_title('Variable BMI Category')
sns.countplot(x = 'BMI Category', hue = 'Sleep Disorder', palette = 'Set2', data = df)

在这里插入图片描述

plt.figure(figsize = (20, 10))

plt.subplot(2, 1, 1)
plt.gca().set_title('Variable Occupation')
sns.countplot(x = 'Occupation', hue = 'Sleep Disorder', palette = 'Set2', data = df)

plt.subplot(2, 1, 2)
plt.gca().set_title('Variable Blood Pressure')
sns.countplot(x = 'Blood Pressure', hue = 'Sleep Disorder', palette = 'Set2', data = df)

在这里插入图片描述

plt.figure(figsize = (25, 20))
plt.suptitle("Analysis Of Variable Sleep Disorder",fontweight="bold", fontsize=20)

plt.subplot(4,2,1)
sns.boxplot(x="Sleep Disorder", y="Age", data=df)

plt.subplot(4,2,2)
sns.boxplot(x="Sleep Disorder", y="Sleep Duration", data=df)

plt.subplot(4,2,3)
sns.boxplot(x="Sleep Disorder", y="Quality of Sleep", data=df)

plt.subplot(4,2,4)
sns.boxplot(x="Sleep Disorder", y="Physical Activity Level", data=df)

plt.subplot(4,2,5)
sns.boxplot(x="Sleep Disorder", y="Stress Level", data=df)

plt.subplot(4,2,6)
sns.boxplot(x="Sleep Disorder", y="Heart Rate", data=df)

plt.subplot(4,2,7)
sns.boxplot(x="Sleep Disorder", y="Daily Steps", data=df)

在这里插入图片描述

模型构建。

这里，我们将删除不会在模型中使用的Person ID变量。

df = df.drop('Person ID', axis = 1)

hot = pd.get_dummies(df[['Gender', 'Occupation', 'BMI Category', 'Blood Pressure']])
df = pd.concat([df, hot], axis = 1)
df = df.drop(['Gender', 'Occupation', 'BMI Category', 'Blood Pressure'], axis = 1)

X = df.drop('Sleep Disorder', axis = 1)
X = X.values
y = df['Sleep Disorder']

标准缩放器
在这里，我们将使用StandardScaler将我们的数据放在相同的比例中

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_standard = scaler.fit_transform(X)

将数据转换为训练e测试，这里我们将使用30%的数据来测试机器学习模型。

from sklearn.model_selection import train_test_split
X_train,X_test, y_train, y_test = train_test_split(X_standard, y, test_size = 0.3, random_state = 0)

朴素贝叶斯
运行高斯模型。
这里我们将使用朴素贝叶斯模型，我们将使用我们的正态数据测试高斯模型。
在我们的第一个模型中，我们有一个非常差的结果，只有53%的准确率，虽然它只能很好地预测有问题的人，但它在预测没有问题的人时结果很差。

from sklearn.naive_bayes import GaussianNB
naive_bayes = GaussianNB()
naive_bayes.fit(X_train, y_train)
previsoes = naive_bayes.predict(X_test)

cm = ConfusionMatrix(naive_bayes)
cm.fit(X_train, y_train)
cm.score(X_test, y_test)

在这里插入图片描述
在这里插入图片描述

score_naive_gaussian = 0.530973451327433

决策图表
这里我们将使用决策树模型，我们将测试熵和基尼系数的计算。
在这里，我们应用GridSearch来检查哪些是可以使用的最佳指标。

parameters = {'max_depth': [3, 4, 5, 6, 7, 9, 11],
              'min_samples_split': [2, 3, 4, 5, 6, 7],
              'criterion': ['entropy', 'gini']
             }

model = DecisionTreeClassifier()
gridDecisionTree = RandomizedSearchCV(model, parameters, cv = 3, n_jobs = -1)
gridDecisionTree.fit(X_train, y_train)

print('Mín Split: ', gridDecisionTree.best_estimator_.min_samples_split)
print('Max Nvl: ', gridDecisionTree.best_estimator_.max_depth)
print('Algorithm: ', gridDecisionTree.best_estimator_.criterion)
print('Score: ', gridDecisionTree.best_score_)

在这里插入图片描述
运行决策树。
现在，在我们的决策树模型中，与朴素贝叶斯相比，我们有了非常大的改进，我们有89.38%的准确性，该模型能够很好地预测3个类别。
在这里插入图片描述
在这里插入图片描述

score_tree = 0.8938053097345132

columns = df.drop('Sleep Disorder', axis = 1).columns
feature_imp = pd.Series(decision_tree.feature_importances_, index = columns).sort_values(ascending = False)
feature_imp

BMI Category_Normal 0.450011
Physical Activity Level 0.227875
Age 0.109282
BMI Category_Normal Weight 0.090082
Sleep Duration 0.041911
Stress Level 0.038346
Blood Pressure_142/92 0.017656
Occupation_Teacher 0.013466
Occupation_Lawyer 0.005720
Occupation_Engineer 0.002862
Quality of Sleep 0.002789
Gender_Female 0.000000
Blood Pressure_130/85 0.000000
Blood Pressure_122/80 0.000000
Blood Pressure_125/80 0.000000
Blood Pressure_125/82 0.000000
Blood Pressure_126/83 0.000000
Blood Pressure_128/84 0.000000
Blood Pressure_128/85 0.000000
Blood Pressure_129/84 0.000000
Blood Pressure_130/86 0.000000
Blood Pressure_120/80 0.000000
Blood Pressure_131/86 0.000000
Blood Pressure_132/87 0.000000
Blood Pressure_135/88 0.000000
Blood Pressure_135/90 0.000000
Blood Pressure_139/91 0.000000
Blood Pressure_140/90 0.000000
Blood Pressure_140/95 0.000000
Blood Pressure_121/79 0.000000
Blood Pressure_118/76 0.000000
Blood Pressure_119/77 0.000000
Gender_Male 0.000000
Occupation_Accountant 0.000000
Occupation_Doctor 0.000000
Occupation_Manager 0.000000
Occupation_Nurse 0.000000
Occupation_Sales Representative 0.000000
Occupation_Salesperson 0.000000
Occupation_Scientist 0.000000
Occupation_Software Engineer 0.000000
Daily Steps 0.000000
Heart Rate 0.000000
BMI Category_Obese 0.000000
BMI Category_Overweight 0.000000
Blood Pressure_115/78 0.000000
Blood Pressure_117/76 0.000000
Blood Pressure_118/75 0.000000
Blood Pressure_115/75 0.000000
dtype: float64
随机森林
这里我们将使用随机森林模型，我们将测试熵和基尼系数的计算。
应用网格搜索

from sklearn.ensemble import RandomForestClassifier

parameters = {'max_depth': [3, 4, 5, 6, 7, 9, 11],
              'min_samples_split': [2, 3, 4, 5, 6, 7],
              'criterion': ['entropy', 'gini']
             }

model = RandomForestClassifier()
gridRandomForest = RandomizedSearchCV(model, parameters, cv = 5, n_jobs = -1)
gridRandomForest.fit(X_train, y_train)

print('Algorithm: ', gridRandomForest.best_estimator_.criterion)
print('Score: ', gridRandomForest.best_score_)
print('Mín Split: ', gridRandomForest.best_estimator_.min_samples_split)
print('Max Nvl: ', gridRandomForest.best_estimator_.max_depth)

在这里插入图片描述
运行随机森林。
在这里，在随机森林模型中，我们设法提高了更多，我们获得了90.26%的准确性。

random_forest = RandomForestClassifier(n_estimators = 100, min_samples_split = 5, max_depth= 5,  criterion = 'gini', random_state = 0)
random_forest.fit(X_train, y_train)
previsoes = random_forest.predict(X_test)

cm = ConfusionMatrix(random_forest)
cm.fit(X_train, y_train)
cm.score(X_test, y_test)

在这里插入图片描述
在这里插入图片描述

score_random = 0.9026548672566371

检查模型中最重要的变量

feature_imp_random = pd.Series(random_forest.feature_importances_, index = columns).sort_values(ascending = False)
feature_imp_random

MI Category_Normal 0.131351
BMI Category_Overweight 0.130821
Blood Pressure_140/95 0.092496
Age 0.086894
Sleep Duration 0.073755
Occupation_Nurse 0.060407
Physical Activity Level 0.055393
Heart Rate 0.049097
Daily Steps 0.048757
Stress Level 0.041599
Quality of Sleep 0.030586
Occupation_Salesperson 0.026217
Blood Pressure_135/90 0.025475
Blood Pressure_130/85 0.020394
Gender_Male 0.015391
Blood Pressure_125/80 0.014591
Occupation_Doctor 0.013854
Occupation_Engineer 0.012983
Occupation_Teacher 0.012427
Gender_Female 0.011748
BMI Category_Normal Weight 0.008467
BMI Category_Obese 0.006766
Blood Pressure_120/80 0.005265
Occupation_Accountant 0.003363
Occupation_Lawyer 0.002648
Blood Pressure_132/87 0.002587
Occupation_Sales Representative 0.002245
Blood Pressure_130/86 0.001697
Blood Pressure_128/85 0.001614
Blood Pressure_128/84 0.001585
Blood Pressure_142/92 0.001332
Blood Pressure_131/86 0.001149
Blood Pressure_139/91 0.000985
Blood Pressure_129/84 0.000805
Blood Pressure_140/90 0.000802
Blood Pressure_135/88 0.000744
Blood Pressure_126/83 0.000704
Blood Pressure_118/75 0.000622
Occupation_Software Engineer 0.000531
Blood Pressure_115/75 0.000520
Occupation_Scientist 0.000515
Blood Pressure_121/79 0.000504
Blood Pressure_117/76 0.000260
Blood Pressure_115/78 0.000051
Blood Pressure_119/77 0.000001
Blood Pressure_122/80 0.000000
Blood Pressure_118/76 0.000000
Blood Pressure_125/82 0.000000
Occupation_Manager 0.000000
dtype: float64

额外的树
这里我们将使用额外的树模型，我们将测试熵和基尼系数的计算。
应用网格搜索

from sklearn.ensemble import ExtraTreesClassifier

parameters = {'max_depth': [3, 4, 5, 6, 7, 9, 11],
              'min_samples_split': [2, 3, 4, 5, 6, 7],
              'criterion': ['entropy', 'gini']
             }

model = ExtraTreesClassifier()
gridExtraTrees = RandomizedSearchCV(model, parameters, cv = 3, n_jobs = -1)
gridExtraTrees.fit(X_train, y_train)

print('Algorithm: ', gridExtraTrees.best_estimator_.criterion)
print('Score: ', gridExtraTrees.best_score_)
print('Mín Split: ', gridExtraTrees.best_estimator_.min_samples_split)
print('Max Nvl: ', gridExtraTrees.best_estimator_.max_depth)

在这里插入图片描述
在这里插入图片描述

score_extra = 0.8849557522123894

kNN
这里我们将使用K-Neighbors模型，我们将使用GridSearch模型来找出在该模型中使用的最佳指标。
在这里，我们将使用GridSearch来找出在该模型中使用的最佳指标。

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier()

k_list = list(range(1,10))
k_values = dict(n_neighbors = k_list)
grid = GridSearchCV(knn, k_values, cv = 2, scoring = 'accuracy', n_jobs = -1)
grid.fit(X_train, y_train)


grid.best_params_, grid.best_score_

运行K-Neighbors。
虽然我们的结果稍差，但它仍然是一个很好的模型，准确率为88.49%。

knn = KNeighborsClassifier(n_neighbors = 5, metric = 'minkowski', p = 2)
knn.fit(X_train, y_train)
previsoes = knn.predict(X_test)

cm = ConfusionMatrix(knn)
cm.fit(X_train, y_train)
cm.score(X_test, y_test)

在这里插入图片描述
在这里插入图片描述

score_knn = 0.8849557522123894

逻辑回归
这里我们将使用线性回归模型。
我们设法得到了一个更好的结果，在逻辑回归模型中，我们有91.11%的准确率。

from sklearn.linear_model import LogisticRegression
logistic = LogisticRegression(random_state = 1, max_iter=10000)
logistic.fit(X_train, y_train)
previsoes = logistic.predict(X_test)

cm = ConfusionMatrix(logistic)
cm.fit(X_train, y_train)
cm.score(X_test, y_test)

在这里插入图片描述
在这里插入图片描述

logistic_normal = 0.911504424778761

adaboost算法
这里我们将使用AdaBoost模型，我们将使用GridSearch模型来找出在该模型中使用的最佳指标。
应用网格搜索

from sklearn.ensemble import AdaBoostClassifier

parameters = {'learning_rate': [0.01, 0.02, 0.05, 0.07, 0.09, 0.1, 0.3, 0.001, 0.005],
              'n_estimators': [300, 500]
             }

model = AdaBoostClassifier()
gridAdaBoost = RandomizedSearchCV(model, parameters, cv = 2, n_jobs = -1)
gridAdaBoost.fit(X_train, y_train)

print('Learning Rate: ', gridAdaBoost.best_estimator_.learning_rate)
print('Score: ', gridAdaBoost.best_score_)

在这里插入图片描述
运行Ada Boost。
这里，在AdaBoost模型中，我们设法保持与模型相同的质量，准确率为91.15%。

ada_boost = AdaBoostClassifier(n_estimators = 500, learning_rate =  0.02, random_state = 0)
ada_boost.fit(X_train, y_train)
previsoes = ada_boost.predict(X_test)

cm = ConfusionMatrix(ada_boost)
cm.fit(X_train, y_train)
cm.score(X_test, y_test)

在这里插入图片描述
在这里插入图片描述

score_ada_scaler = 0.911504424778761

结论

我们的数据不是很多，，我们的样本总共只有13列374个数据，另一件使我们的工作更容易的事情是，我们没有空值，所以我们不需要执行处理。
当进行数据分析时，我们可以看到我们的数据之间有很多相关性，但由于我们几乎没有可用的数据，所以没有删除这些数据，当我们具体查看我们的分类变量时，我们可以看到我们的数据在性别变量方面很平衡， 当我们查看我们的目标变量时，我们可以看到我们的大部分数据没有睡眠问题，那些有睡眠问题的数据在两个类别之间很好地平衡(睡眠呼吸暂停和失眠)，当我们查看连续变量时，我们没有发现它们之间的模式，查看箱线图时，我发现没有必要处理异常值，数据分布良好。
当我们观察双变量分析比较我们的目标变量和我们的解释数据时，我们已经得出了一些结论，女性更有可能有睡眠问题，当我们看身体质量指数变量时，我们可以看到正常体重的人通常没有问题，超重的人通常更有可能有睡眠问题。 当我们看可变职业时，有趣的是看到一些职业比其他职业更容易有睡眠问题，另一个引起我注意的变量是年龄变量，老年人更容易有睡眠问题。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/52563.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

UNISOT让食品欺诈无处遁形

UNISOT让食品欺诈无处遁形

​​发表时间：2023年5月11日 全世界的消费者开始越来越关注食物的来源和采购方式。这是因为人们渴望吃得更健康、更用心，同时人们也认识到了购买可持续且合乎伦理道德的产品的必要性。 近年来，人们对食品溯源的渴望进一步加速，原…
阅读更多...
Python读取csv、Excel文件生成图表

Python读取csv、Excel文件生成图表

简介 本文章介绍了通过读取 csv 或 Excel 文件内容，将其转换为折线图或柱状图的方法，并写入 html 文件中。 目录 1. 读取CSV文件 1.1. 生成折线图 1.1.1. 简单生成图表 1.1.2. 设置折线图格式 1.2. 生成柱状图 1.2.1. 简单生成图表 1.2.2. 设置柱…
阅读更多...
文章详情页 - 评论功能的实现

文章详情页 - 评论功能的实现

目录 1. 准备工作 1.1 创建评论表 1.2 创建评论实体类 1.3 创建 mapper 层评论接口和对应的 xml 实现 1.4 准备评论的 service 层 1.5 准备评论的 controller 层 2. 总的初始化详情页 2.1 加载评论列表 2.1.1 实现前端代码 2.1.2 实现后端代码 2.2 查询当前登录用户的…
阅读更多...
Docker安装es以及ik分词器

Docker安装es以及ik分词器

1、拉取镜像 docker pull elasticsearch:7.10.12、下载对应版本的ik分词、并将它们解压到ik文件夹下，如图 https://github.com/medcl/elasticsearch-analysis-ik/releases 3、在服务器上创建文件夹 mkdir /usr/elklog/elk/es mkdir /usr/elklog/elk/es/data mkdi…
阅读更多...
【C进阶】回调函数(指针进阶2，详解，小白必看)

【C进阶】回调函数(指针进阶2，详解，小白必看)

目录 6. 函数指针数组 6.1简单计算器 6.2函数指针数组实现计算器 7. 指向函数指针数组的指针(仅作了解即可) 8.回调函数 8.1关于回调函数的理解​编辑 8.1.1用回调函数改良简单计算器 8.2qsort库函数的使用 8.2.1冒泡排序 8.2.2qsort的概念 8.3冒泡排序思想实现qsor…
阅读更多...
docker存储空间报错解决（谨慎操作，会影响原来的容易镜像，不熟练切勿操作）

docker存储空间报错解决（谨慎操作，会影响原来的容易镜像，不熟练切勿操作）

报错内容 [rootDream package]# docker build -t imapp . [] Building 21.0s (6/19)> [internal] load build definition from Dockerfile 0.1s> > transferring …
阅读更多...
TCP 三次握手四次挥手浅析

TCP 三次握手四次挥手浅析

大家都知道传输层中的TCP协议是面向连接的，提供可靠的连接服务，其中最出名的就是三次握手和四次挥手。 一、三次握手 三次握手的交互过程如下 喜欢钻牛角尖的我在学习三次握手的时候就想到了几个问题：为什么三次握手是三次？不是…
阅读更多...
AnimateDiff论文解读-基于Stable Diffusion文生图模型生成动画

AnimateDiff论文解读-基于Stable Diffusion文生图模型生成动画

文章目录 1. 摘要2. 引言3. 算法3.1 Preliminaries3.2. Personalized Animation3.3 Motion Modeling Module 4. 实验5.限制6. 结论 论文： 《AnimateDiff: Animate Your Personalized Text-to-Image Diffusion Models without Specific Tuning》 github: https://g…
阅读更多...
销售易和管易云接口打通对接实战

销售易和管易云接口打通对接实战

销售易和管易云接口打通对接实战 来源系统:销售易 销售易CRM支持企业从营销、销售到服务的全流程自动化业务场景，创新性地利用AI、大数据、物联网等新型互联网技术打造双中台型CRM；既能帮助B2B企业连接外部经销商、服务商、产品以及最终用户，…
阅读更多...
支持多种通信方式和协议方便接入第三方服务器或云平台

支持多种通信方式和协议方便接入第三方服务器或云平台

2路RS485串口是一种常用的通信接口，可以支持Modbus Slave协议，并可接入SCADA、HMI、DSC、PLC等上位机。它还支持Modbus RTU Master协议，可用于扩展多达48个Modbus Slave设备，如Modbus RTU远程数据采集模块、电表、水表、柴油发电机…
阅读更多...
【Rust学习 | 基础系列3 | Hello, Rust】编写并运行第一个Rust程序

【Rust学习 | 基础系列3 | Hello, Rust】编写并运行第一个Rust程序

文章目录 前言一，创建项目二，两种编译方式1. 使用rustc编译器编译2. 使用Cargo编译 总结 前言 在开始学习任何一门新的编程语言时，都会从编写一个简单的 “Hello, World!” 程序开始。在这一章节中，将会介绍如何在Rust中编写并运…
阅读更多...
强推！大语言模型『百宝书』，一文缕清所有大模型！

强推！大语言模型『百宝书』，一文缕清所有大模型！

夕小瑶科技说 原创 作者 | 王思若 最近，大型语言模型无疑是AI社区关注的焦点，各大科技公司和研究机构发布的大模型如同过江之鲫，层出不穷又眼花缭乱。 让笔者恍惚间似乎又回到了2020年国内大模型“军备竞赛”的元年，不过那时候…
阅读更多...
DSA之图（4）：图的应用

DSA之图（4）：图的应用

文章目录 0 图的应用1 生成树1.1 无向图的生成树1.2 最小生成树1.2.1 构造最小生成树1.2.2 Prim算法构造最小生成树1.2.3 Kruskal算法构造最小生成树1.2.4 两种算法的比较 1.3 最短路径1.3.1 两点间最短路径1.3.2 某源点到其他各点最短路径1.3.3 Dijkstra1.3.4 Floyd 1.4 拓扑排…
阅读更多...
【前端知识】React 基础巩固(三十六)——RTK中的异步操作

【前端知识】React 基础巩固(三十六)——RTK中的异步操作

React 基础巩固(三十六)——RTK中的异步操作 一、RTK中使用异步操作 引入RTK中的createAsyncThunk，在extraReducers中监听执行状态 import { createSlice, createAsyncThunk } from "reduxjs/toolkit"; import axios from "axios";export cons…
阅读更多...
第七篇：k8s集群使用helm3安装Prometheus Operator

第七篇：k8s集群使用helm3安装Prometheus Operator

安装Prometheus Operator 目前网上主要有两种安装方式，分别为：1. 使用kubectl基于manifest进行安装 2. 基于helm3进行安装。第一种方式比较繁琐，需要手动配置yaml文件，特别是需要配置pvc相关内容时，涉及到的yaml文件太…
阅读更多...
程序员做项目必用的工具【更新中...】

程序员做项目必用的工具【更新中...】

每个程序员多多少少都会有自己简化项目的小工具，我采访了我们公司所有的工程师总结了程序员必备工具篇。 一.unisms 官网：https://unisms.apistd.com/ 不会有人这年头写注册登录还是自己写验证码模块吧？ 你该得拥有一个短信验证码平台了&…
阅读更多...
【GUI】基于开关李雅普诺夫函数的非线性系统稳定(Matlab代码实现）

【GUI】基于开关李雅普诺夫函数的非线性系统稳定(Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥 🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。 ⛳️座右铭&a…
阅读更多...
pytest 入门

pytest 入门

1，安装pytest 打开终端或命令提示符窗口，在终端中运行以下命令来安装pytest： pip install pytestpip install -i https://pypi.tuna.tsinghua.edu.cn/simple pytest 确保您的系统上已经安装了Python。您可以在终端中运行以下命令来检查Python的安装情况： pytest --version…
阅读更多...
汽车分析，随时间变化的燃油效率

汽车分析，随时间变化的燃油效率

简述 今天我们来分析一个汽车数据。 数据集由以下列组成： 名称：每辆汽车的唯一标识符。MPG：燃油效率，以英里/加仑为单位。气缸数：发动机中的气缸数。排量：发动机排量，表示其大小或容量。马力&…
阅读更多...
伦敦金在非农双向挂单

伦敦金在非农双向挂单

对伦敦金投资有一定经验的投资者都知道，在非农时期，伦敦金市场会出现很大的波动，那么我们如何才能抓住这些波动呢？答案是很难的。但是，有些投资者在多年实践中发明了一种双向挂单的方法，这里和大家一切分享…
阅读更多...
最新文章

Copyright @ 2022~2023