【人工智能】—基于成都市各区（市）县租房价格预测建模研究

引言

随着城市化进程的加速，人口流动日益频繁，租房市场作为城市生活的重要组成部分，其价格波动对居民生活质量和城市经济发展具有显著影响。成都市，作为中国西部地区的经济、文化、交通和科技中心，近年来吸引了大量人才和企业，租房需求持续增长。然而，租房价格的不确定性给租户和房东带来了诸多不便。为了更好地理解租房市场的动态，预测租房价格成为一项重要的研究课题。

研究方法

本文将采用多种数据分析方法，包括统计分析、机器学习等，以确保模型的准确性和可靠性。

研究目标

本文旨在通过构建基于成都市各区（市）县的租房价格预测模型，分析影响租房价格的关键因素。

数据信息

数据源自某租房平台网站，数据为公开数据，通过整合形成表格，本数据需要进行清洗，没有国外数据好用。

过程……

读入数据：

import matplotlib.pylab as plt
import re
import numpy as np
import seaborn as sns
import pandas as pd
plt.rcParams['font.sans-serif'] = ['SimHei'] #解决中文显示
plt.rcParams['axes.unicode_minus'] = False   #解决符号无法显示
import warnings
warnings.filterwarnings('ignore')
# 导入plotly库，这是一个基于Web的交互式图表库，允许创建丰富的、交互式的数据可视化图表。  
import plotly as py    
# 导入cufflinks库，这是一个用于Pandas DataFrame的Plotly绘图接口，可以让Pandas DataFrame直接通过cufflinks的API绘制Plotly图表。  
import plotly.express as px
import plotly.graph_objects as go  


df = pd.read_csv('成都.csv')
df.tail()

原始数据长下面这样，显示后5行：
在这里插入图片描述
我们先看下数据信息、重复值、缺失值情况：
在这里插入图片。描述有4列存在缺失值情况，181行数据重复。

# 删除缺失值
df.dropna(inplace=True)
# 删除重复值
df.drop_duplicates(inplace=True)
df.shape

删完剩余2786行, 8列。

数据清洗：

# 定义一个函数，用于从字符串中提取括号前的中文部分  
def extract_chinese_before_brackets(s):  
    # 检查传入的参数s是否为字符串类型  
    if isinstance(s, str):  
        # 使用正则表达式搜索字符串s，查找从开头到第一个全角左括号（之前的所有内容  
        match = re.search(r'^(.*?)（', s)  
        # 如果找到了匹配项  
        if match:  
            # 返回匹配到的内容（即括号前的所有字符）  
            return match.group(1)  
        else:  
            # 如果没有找到匹配项（即没有括号或括号前没有内容），返回空字符串  
            return ''  
    else:  
        # 如果传入的参数s不是字符串类型，直接返回空字符串  
        return ''  
  
# 应用上面定义的函数到DataFrame的'楼层'列  
# 使用apply方法，将函数应用于'楼层'列的每一个元素  
# 并将函数的返回值（即每个元素括号前的中文部分）存储在新的列'楼层类型'中  
df['楼层类型'] = df['楼层'].apply(extract_chinese_before_brackets)  

df.tail()

上面定义一个函数，用于提取“楼层”列最左边的中文文字，存储于新建列“楼层类型”列并显示后5行，详见下图：
在这里插入图片描述

# 使用str.extract方法从'楼层'列的每个字符串中提取括号内的数字（\d+）  
# 这里的正则表达式'（(\d+)层）'用于匹配全角左括号'（'后跟着一个或多个数字'\d+'，然后是全角右括号和'层'字  
# 提取的数字（即括号内的内容）将被存储在新的列'楼房层数'中  
df['楼房层数'] = df['楼层'].str.extract(r'（(\d+)层）')    
# 使用drop方法删除原始的'楼层'列  
# 参数columns='楼层'指定了要删除的列名  
# inplace=True表示在原地修改DataFrame，而不是返回一个新的DataFrame  
df.drop(columns='楼层', inplace=True)    
# 使用head方法查看修改后的DataFrame的前几行（默认是前5行）  
# 这有助于验证'楼房层数'列是否已正确添加，并且'楼层'列是否已被删除  
df.head()

再利用正则表达式，提取出括号内的数字，也就是楼层并存储于新列，显示前5行数据，详见下图：
在这里插入图片描述

# 提取的结果将被分配到新的列'卧室间数'、'客厅间数'和'卫生间数'
df[['卧室间数', '客厅间数', '卫生间数']] = df['户型'].str.extract(r'(\d+)室(\d+)厅(\d+)卫', expand=True)  
df.drop(columns='户型', inplace=True)
df.head()

新建三列’卧室间数’, ‘客厅间数’, '卫生间数’用于存储户型内的如“3室1厅2卫 ”便于后续的机器学习，还是利用正则表达式提取，详见下图：
在这里插入图片描述

df[['区（市）县', '地域', '楼盘名称']] = df['位置'].str.split('-', expand=True, n=2)
df.drop(columns='位置', inplace=True)
df.head()

新建’区（市）县’, ‘地域’, '楼盘名称’三列，用于存储“位置”列如“青羊-外光华-凯德风尚 ”用于后续的数据分析，详见下图：
在这里插入图片描述
现在我们来看看“朝向”列有哪些不重复的唯一值：
在这里插入图片描述可以看到国内的数据很乱，现在要做的是有“东”或“西”字眼的我们统一把他替换为“东西”，有“南”或“北”字眼的我们统一把他替换为“南北”。继续写个函数来处理数据。

# 定义转换函数  
def transform_direction(direction):  
    if pd.isna(direction):  # 检查是否为 NaN  
        return np.nan  # 或者你可以选择返回其他默认值，如 '未知'  
    if isinstance(direction, str):  # 确保是字符串类型  
        if '东' in direction or '西' in direction:  
            return '东西'  
        elif '南' in direction or '北' in direction:  
            return '南北'  
        else:  
            return direction  # 返回原始字符串（这里可能包含'未知'等）  
    else:  
        return np.nan  # 如果不是字符串类型，返回 NaN（或其他默认值）  
  
# 将 '朝向' 列转换为字符串类型，并处理 NaN 值  
df['朝向'] = df['朝向'].astype(str)    
# 应用转换函数到 Series 的每个元素  
df['朝向'] = df['朝向'].apply(transform_direction)  
df.tail()

处理完成，显示后5行，详见下图：

在这里插入图片描述再看下其他列有没有问题：
在这里插入图片描述没啥问题，现在将数字类型的列转为相对应的类型：

df = df.astype({
          '金额': 'int',
          '楼房层数': 'int',
          '卧室间数': 'int',
          '客厅间数': 'int',
          '卫生间数': 'int'
          }) # 指定字段转指定类型
df.info()

在这里插入图片描述
搞定，进入下一阶段内容。

探索性分析（EDA）

# 使用Plotly绘制箱型图  
fig = go.Figure(data=[go.Box(  
    y=df['金额'],  # 这里y轴对应你的租金数据  
    name='房屋租金'    # 图例名称  
)])  
  
# 自定义图表标题和轴标签  
fig.update_layout(title='房屋租金——箱型图',  
                   yaxis_title='租金',  
                   xaxis_title='')  # 箱型图通常不需要x轴标题，除非你有多个箱型图并列  
  
# 显示图表  
fig.show()

在这里插入图片描述
从上图可以看出，大部分房屋月租金都比较集中，成都市最高的租金为45000元/月，最小的为500元/月，中位数为2500元/月，还有四分位距、决策边界等内容。

# 对DataFrame按'区（市）县'进行分组，并获取每个组的'房屋租金'数据  
grouped = df.groupby('区（市）县')['金额']  
  
# 创建一个空的图表对象  
fig = go.Figure()  
  
# 遍历每个组，为每个组添加一个箱型图轨迹  
for name, group in grouped:  
    fig.add_trace(go.Box(  
        y=group,  
        name=name,  
        boxpoints='all',  # 显示所有点  
        jitter=0.3,       # 点的抖动量，以防重叠  
        pointpos=-1.8      # 点的位置  
    ))  
  
# 自定义图表布局  
fig.update_layout(  
    title='按区（市）县分组的房屋租金——箱型图',  
    yaxis_title='租金',  
    xaxis_title='',  
    xaxis=dict(  
        type='category',  # 设置x轴为类别轴  
        categoryorder='array',  # 自定义类别顺序  
        categoryarray=list(grouped.groups.keys())  # 将dict_keys转换为列表  
    )  
)  
  
# 显示图表  
fig.show()

在这里插入图片描述分区县绘制的箱型图，我们重点关注一下“三遗”之城都江堰，最高的房租为6000元/月。

from scipy.stats import gaussian_kde  
  
# 假设df是你的DataFrame，且包含'房屋面积'列  
  
# 提取房屋面积数据  
x = df['房子大小'].values  
  
# 计算KDE  
kde = gaussian_kde(x)  
# 生成KDE曲线的x轴数据点（这里假设你想要覆盖的范围是x的最小值到最大值，步长为0.1）  
x_kde = np.linspace(x.min(), x.max(), 300)  
# 计算KDE曲线在这些点上的y值  
y_kde = kde(x_kde)  
  
# 绘制直方图  
fig = go.Figure()  
fig.add_trace(go.Histogram(  
    x=x,  
    histnorm='probability density',  # 使得直方图的面积等于1，与KDE曲线可比较  
    name='直方图'  
))  
  
# 绘制KDE曲线  
fig.add_trace(go.Scatter(  
    x=x_kde,  
    y=y_kde,  
    mode='lines',  
    name='KDE曲线'  
))  
  
# 自定义图表布局  
fig.update_layout(  
    title='房屋面积分布（直方图+KDE）',  
    xaxis_title='房屋面积',  
    yaxis_title='概率密度'  
)  
  
# 显示图表  
fig.show()

在这里插入图片描述要解读这种图表，需要观察直方图中条形的高度和KDE曲线的形状。如果直方图的条形较高，表示在相应的面积区间内房屋较多；KDE曲线的峰值则表示最可能的房屋面积。通过比较直方图和KDE曲线，可以分析房屋面积的分布模式，例如是否存在一个或多个常见的面积区间，或者面积分布是否均匀。

# 创建一个散点图  
fig = go.Figure(data=go.Scatter(  
    x=df['房子大小'],  
    y=df['金额'],  
    mode='markers',  # 设置为散点图  
    marker=dict(  
        size=10,     # 散点大小  
        color='blue',# 散点颜色  
        opacity=0.8  # 散点透明度  
    )  
))  
  
# 自定义图表布局  
fig.update_layout(  
    title='房屋面积与租金——散点图',  
    xaxis_title='房屋面积',  
    yaxis_title='房屋租金'  
)  
  
# 显示图表  
fig.show()

在这里插入图片描述
散点图主要是解释相关性的图表，不懂的可以点击链接转到我的博客详细查看。蓝色框框内左边的数字是面积，右边是房租。
上图实际就是一个坐标轴，分x和y轴，每个点代表每个数值，单个数据叫标量，一组数据叫向量，坐标轴内可以视作向量空间。

# 计算每个出租方式的计数  
value_counts = df['类型'].value_counts()  
  
# 创建饼图数据  
labels = value_counts.index.tolist()  # 获取标签（出租方式）  
values = value_counts.values.tolist()  # 获取计数  
  
# 绘制饼图  
fig = go.Figure(data=[go.Pie(labels=labels, values=values, hole=0.3, textinfo='label+percent', insidetextorientation='radial')])  
  
# 自定义图表布局  
fig.update_layout(  
    title='出租方式分布——饼图',  
    font_size=12,  # 你可以根据需要调整字体大小  
    legend_title_text='出租方式'  # 如果你需要图例（对于饼图通常不需要，但这里作为示例）  
)  
  
# 注意：饼图通常不需要图例，因为每个切片都直接标记了标签和百分比  
# 如果你确实需要图例（尽管这在饼图中不常见），你可能需要以一种不同的方式来实现它  
  
# 显示图表  
fig.show()

在这里插入图片描述从上图可以看出，整租占比达到80.7%。

# 创建箱形图数据  
fig = go.Figure()  
  
# 遍历'出租方式'的唯一值，为每个类别绘制一个箱形图  
for category in df['类型'].unique():  
    subset = df[df['类型'] == category]  
    fig.add_trace(go.Box(  
        y=subset['金额'],  
        name=category,  
        marker=dict(  
            color='rgb(0, 0, 0)',  # 箱体的颜色  
            outliercolor='rgba(219, 64, 82, 0.6)',  # 异常值的颜色  
            line=dict(  
                color='rgb(0,0,0)',  
                width=1.5  
            )  
        ),  
        boxmean='sd'  # 'sd'表示使用标准差标记平均值，你也可以设置为'mean'来直接使用平均值  
    ))  
  
# 自定义图表布局  
fig.update_layout(  
    title='按出租方式分组的房屋租金——箱形图',  
    yaxis_title='房屋租金',  
    xaxis_title='出租方式',  
    boxmode='group'  # 箱形图的显示模式，'group'表示每个类别的箱形图并排显示  
)  
  
# 显示图表  
fig.show()

在这里插入图片描述从上图可以看出，整租的租金浮动较大，而合租的租金区间很小。合租的租金价格在2100元/月以下区间，仅有1个房屋租金是2100元/月，其余都往下在走。

sns.barplot(data=df,x='朝向',y='金额')
plt.show()

在这里插入图片描述南北朝向的房子明显租金更高。

# 计算每个楼层的计数  
floor_counts = df['楼层类型'].value_counts()  
  
# 创建饼图数据  
fig = go.Figure(data=[go.Pie(  
    labels=floor_counts.index,  # 标签是楼层的唯一值  
    values=floor_counts.values,  # 值是每个楼层的计数  
    hole=0.3,  # 设置饼图的中心空洞大小  
    textinfo='label+percent',  # 在饼图上显示标签和百分比  
    insidetextorientation='radial'  # 文本方向为径向  
)])  
  
# 更新图表的布局  
fig.update_layout(  
    title='楼层分布——饼图',  # 设置图表的标题  
    annotations=[dict(text=str(round(value, 2))+'%', x=0.5, y=0.5,  
                      xref='paper', yref='paper',  
                      showarrow=False, font=dict(size=10),  
                      textangle=0 if i == 0 else i*360/len(floor_counts))  
                 for i, value in enumerate(floor_counts.values)],  
    # 注释文本的位置需要手动调整，这里使用了一种简单的方法，但可能需要根据实际情况调整  
)  
  
# 显示图表  
fig.show()

在这里插入图片描述
上图展示了成都市楼层分布情况。

sns.barplot(data=df,x='楼层类型',y='金额')
plt.show()

在这里插入图片描述低楼层租金略微高于中楼层，中楼层租金略微高于高楼层。

# 相关性分析
numeric_columns_simplified = df.select_dtypes(include='number')
sns.heatmap(numeric_columns_simplified.corr(),vmax=1,annot=True,linewidths=0.5,cbar=False,cmap='YlGnBu',annot_kws={'fontsize':12})
plt.xticks(fontsize=10)
plt.yticks(fontsize=10)
plt.title('房屋特征皮尔逊相关系数矩阵——热力图',fontsize=17)
plt.show()

在这里插入图片描述跟房租最相关的是他自己，1也就是100%相关，第二相关的是房子大小68%，需要注意的是楼房层数是负相关，也就是楼层越高房屋租金越低。

from wordcloud import WordCloud  
# 将'楼层信息'列中的所有文本合并成一个长字符串  
text = ' '.join(df['楼盘名称'].astype(str))  
  
font_path = '/Library/Fonts/Arial Unicode.ttf'  # macOS上的示例路径  
 
  
# 创建词云对象，并指定中文字体  
wordcloud = WordCloud(width=800, height=400, background_color='black', font_path=font_path).generate(text)  
  
# 使用matplotlib显示词云  
plt.figure(figsize=(10, 5))  
plt.imshow(wordcloud, interpolation='bilinear')  
plt.axis('off')  # 不显示坐标轴  
plt.show()

在这里插入图片描述
根据楼盘名称绘制的词云图，可以看出，“保利天悦”出现的频率很高。

机器学习

特征工程：

# 特征筛选
new_df = df[['金额', '区（市）县', '类型', '朝向', '楼层类型', '房子大小',  '楼房层数', '卧室间数', '客厅间数', '卫生间数']]
new_df = new_df.astype('str')
new_df

选取以下内容作为特征：

在这里插入图片描述很多中文，我们需要把他转为数字，变成计算机熟悉的分类数据：

from sklearn.preprocessing import LabelEncoder  
  
# 定义一个函数，用于对pandas Series进行标签编码  
def label_encode(series):  
    # 创建一个LabelEncoder实例  
    le = LabelEncoder()  
    # 使用LabelEncoder的fit_transform方法对Series进行拟合和转换  
    # 这将Series中的类别（通常是字符串）转换为从0到n_classes-1的整数  
    transformed_series = le.fit_transform(series)  
    # 返回转换后的Series  
    return transformed_series  
  
# 假设new_df是一个已经存在的DataFrame  
# 使用apply函数将label_encode函数应用到DataFrame的每一列上  
# axis=0表示函数沿着列（垂直方向）应用，即每一列被视为一个Series进行处理  
# 注意：这里直接使用apply可能会导致一些问题，特别是如果DataFrame包含非对象类型的列  
# 因为LabelEncoder只能用于对象类型（如字符串）的列  
# 但为了注释的目的，我们假设所有列都是对象类型  
new_df = new_df.apply(label_encode, axis=0)
new_df

在这里插入图片描述

上图已经全部为了数字。

划分训练集和测试集：

from sklearn.model_selection import train_test_split
# 准备数据
X = new_df.drop('金额',axis=1)
y = new_df['金额']
# 划分数据集
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=42)
print('训练集大小:',X_train.shape[0])
print('测试集大小:',X_test.shape[0])

在这里插入图片描述

定义模型评估函数：

from sklearn.metrics import r2_score, mean_absolute_error, mean_squared_error  
# 导入sklearn库中用于评估模型性能的三个指标：R^2分数、平均绝对误差(MAE)、均方误差(MSE)  
  
# 定义一个训练模型并输出模型的评估指标的函数  
def train_model(ml_model):  
    # 打印传入的模型类型或实例  
    print("模型名称: ", ml_model)        
    # 使用训练数据拟合模型。这里假设X_train和y_train是全局变量或已在此函数外部定义  
    model = ml_model.fit(X_train, y_train)        
    # 在训练数据上评估模型的性能（这一步主要用于调试或查看过拟合情况，通常不用训练集评估模型最终性能）  
    print("模型预测准确率: ", model.score(X_train, y_train))        
    # 使用训练好的模型对测试集进行预测  
    predictions = model.predict(X_test)        
    # 计算并打印R^2分数，评估模型的预测性能  
    r2score = r2_score(y_test, predictions)  
    print("R方: ", r2score)        
    # 计算并打印平均绝对误差(MAE)，衡量预测值与真实值之间差异的平均绝对值  
    print('平均绝对误差（MAE）:', mean_absolute_error(y_test,predictions))        
    # 计算并打印均方误差(MSE)，衡量预测值与真实值之间差异的平方的平均值  
    print('均方误差（MSE）:', mean_squared_error(y_test,predictions))        
    # 计算并打印均方根误差(RMSE)，是MSE的平方根，与预测值的尺度相同，便于理解  
    print('均方根误差（RMSE）:', np.sqrt(mean_squared_error(y_test,predictions)))  
    # 真实值和预测值的差值(绘制残差分布图)
    sns.distplot(y_test - predictions)

构建线性回归模型：

# 导入LinearRegression类  
from sklearn.linear_model import LinearRegression    
# 创建LinearRegression的实例  
lg = LinearRegression()    
# 调用train_model函数，传入LinearRegression实例作为参数  
train_model(lg)

在这里插入图片描述

构建决策树模型：

# 构建决策树回归
from sklearn.tree import DecisionTreeRegressor
# 初始化DecisionTreeRegressor并设置防止过拟合的参数  
tree = DecisionTreeRegressor()  
train_model(tree)

在这里插入图片描述

构建xgboost模型：

# 构建xgboost回归模型
from xgboost import XGBRegressor
xgb = XGBRegressor(learning_rate=1.4, n_estimators=1000) 
train_model(xgb)

在这里插入图片描述

计算各特征重要程度：

# 首先，定义特征标签列表，这里假设X_train是一个DataFrame，其列名即为特征名  
feat_labels = X_train.columns[0:]  # 获取X_train的所有列名作为特征标签    
# 注意：这里假设xgb是一个已经训练好的XGBoost模型实例，该模型具有feature_importances_属性  
# feature_importances_属性包含了模型中每个特征的重要性评分  
# importances = xgb.feature_importances_  
importances = tree.feature_importances_  
# 使用argsort函数对重要性评分进行排序，并通过[::-1]反转数组，以得到重要性从高到低的索引  
# 这样，indices数组中的第一个索引对应最重要的特征  
indices = np.argsort(importances)[::-1]  
  
# 初始化两个列表，用于存储特征和它们对应的重要性评分  
index_list = []  
value_list = []  
  
# 遍历排序后的索引和特征数量（X_train.shape[1]），将特征和重要性评分添加到列表中  
# 注意：range(X_train.shape[1])实际上生成的是从0到特征数-1的索引，但在这里我们将其与indices结合使用  
# 并在打印时添加了1，以便特征编号从1开始显示（如果偏好从0开始，则可以去掉f+1）  
for f, j in zip(range(X_train.shape[1]), indices):  
    index_list.append(feat_labels[j])  # 将特征名添加到index_list  
    value_list.append(importances[j])  # 将重要性评分添加到value_list  
    print(f + 1, feat_labels[j], importances[j])  # 打印特征编号、名称和重要性评分  
  
# 使用matplotlib的pyplot模块创建一个图形  
plt.figure(figsize=(10,6))  # 设置图形的大小为10x6英寸  
  
# 绘制水平条形图，展示特征的重要性评分  
# 注意：这里使用了[::-1]来反转列表，因为matplotlib默认是从下到上绘制条形图  
# 但我们想要从最重要的特征开始，即从图形顶部开始绘制  
plt.barh(index_list[::-1], value_list[::-1])  
  
# 设置y轴刻度标签的字体大小  
plt.yticks(fontsize=12)  
  
# 设置图形的标题和字体大小  
plt.title('各特征重要程度排序', fontsize=14)  
  
# 显示图形  
plt.show()

从下图可以看出，影响房屋租金特征排序最高的是房子大小，接着是楼房层数，详见下图：

在这里插入图片描述

# 模型预测
y_pred = tree.predict(X_test)
result_df = pd.DataFrame()
result_df['真实值'] = y_test
result_df['预测值'] = y_pred
result_df.sample(2)

随机选择两个真实值和预测值对比，对了1个，感觉模型有些过拟合了，想要再准点，还需要对模型调超参数，由于比较复杂，今天就不展示了。

还有一个知识点需要给大家讲，下面其实是一个错误示范，之前中文转数字对数据进行了标准化，但在预测时未对y_pred进行相应的逆变换，预测值看起来比原始数据（房屋租金）小了很多，所以下面的数值是标准化后的数值，并不是原始数据。
在这里插入图片描述

数据可视化（真实值和预测值对比）：

# 创建一个新的图形，并设置其大小为10x6英寸  
plt.figure(figsize=(10,6))      
# 绘制预测值。这里只取前200个预测值（y_pred[:200]）和对应的索引（range(len(y_test))[:200]）  
# 使用蓝色('b')线条表示预测值，并设置图例标签为'predict'  
plt.plot(range(len(y_test))[:200], y_pred[:200], 'b', label='预测值')    
# 绘制测试集的真实值。同样只取前200个真实值（y_test[:200]）和对应的索引  
# 使用红色('r')线条表示真实值，并设置图例标签为'test'  
plt.plot(range(len(y_test))[:200], y_test[:200], 'r', label='真实值')    
# 添加图例，并设置其位置在图形的右上角，字体大小为15  
plt.legend(loc='upper right', fontsize=15)    
# 设置x轴的标签为'the number of house'，并通过fontdict字典设置其字体权重和大小  
plt.xlabel('the number of house', fontdict={'weight': 'normal', 'size': 15})    
# 设置y轴的标签为'value of Price'，同样通过fontdict字典设置其字体权重和大小  
plt.ylabel('value of Price', fontdict={'weight': 'normal', 'size': 15})    
# 显示图形  
plt.show()

在这里插入图片描述
本文数据集可以点击本文上方下载，创作不易，点赞、评论、收藏是我创作的动力！

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：http://www.mfbz.cn/a/784781.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

5.Python学习：面向对象

5.Python学习：面向对象

1.面向对象和面向过程的区别 以下五子棋为例： 2.类和实例 （1）类是抽象的模板，实例是根据模板创建出来的具体的对象 （2）比如人类就是一个类，刘亦菲就是人类的一个实例 2.1 新建类和类的实例…
阅读更多...
王老师 linux c++ 通信架构 笔记（三）安装 xftp、

王老师 linux c++ 通信架构 笔记（三）安装 xftp、

（11）调整 xshell 终端的字体大小，默认字体大小是 9 ： （12） 共享文件夹 hgfs 的含义： （13）安装 xftp ， 傻瓜式安装，出了修改下默认安装位置。 操作…
阅读更多...
上位机图像处理和嵌入式模块部署（mcu项目2：串口日志记录器）

上位机图像处理和嵌入式模块部署（mcu项目2：串口日志记录器）

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing 163.com】 淘宝上面有一个商品蛮好玩的，那就是日志记录器。说是记录器，其实就是一个模块，这个模块的输入是一个ttl串口&am…
阅读更多...
18.动态规划之斐波那契数列模型1

18.动态规划之斐波那契数列模型1

1.第N个斐波那契数 1137. 第 N 个泰波那契数 - 力扣（LeetCode） 做题流程 1. 状态表示： 这道题可以【根据题目的要求】直接定义出状态表示： dp[i] 表示：第 i 个泰波那契数的值。 2. 状态转移方程： …
阅读更多...
Social to Sales全链路，数说故事专享会开启出海新视角

Social to Sales全链路，数说故事专享会开启出海新视角

————瞎出海，必出局 TikTok，这个充满活力的短视频平台，已经成为全球范围内不可忽视的电商巨头。就在6月8日，TikTok美区带货直播诞生了首个“百万大场”。在此之前，百万GMV被视为一道难以逾越的高墙。以TikTok为首的…
阅读更多...
Zabbix分布式监控

Zabbix分布式监控

目录 分布式监控架构 实现分布式监控的步骤 优点和应用场景 安装Zabbix_Proxy Server端Web页面配置 测试 Zabbix 的分布式监控架构允许在大规模和地理上分散的环境中进行高效的监控。通过分布式监控，Zabbix 可以扩展其监控能力，支持大量主机和设备…
阅读更多...
Android - 云游戏本地悬浮输入框实现

Android - 云游戏本地悬浮输入框实现

一、简述 云游戏输入法分两种情况，以云化原神为例，分为 云端输入法 和 本地输入法，运行效果如下： 云端输入法本地输入法云端输入法 就是运行在云端设备上的输入法，对于不同客户端来说（Android、iPhone），运行效果一致。 本地输入法 则是运行在用户侧设备上的输入法，对…
阅读更多...
WordPress开发进群V2主题源码，多种引流方法，引私域二次变现

WordPress开发进群V2主题源码，多种引流方法，引私域二次变现

WordPress开发进群V2主题源码，多种引流方法，引私域二次变现 全新前端UI界面，多种前端交互特效让页面不再单调，进群页面群成员数，群成员头像名称，每次刷新页面随机更新不重复，最下面评论和点赞也…
阅读更多...
C语言编程3：运算符，运算符的基本用法

C语言编程3：运算符，运算符的基本用法

C语言3🔥：运算符，运算符的基本用法 一、运算符🌿 🎇1.1 定义 运算符是指进行运算的动作，比如加法运算符"“，减法运算符”-" 算子是指参与运算的值，这个值可能是常数&a…
阅读更多...
4.动态SQL(if,choose,where,set,trim,foreach遍历)的使用+$和#的区别

4.动态SQL(if,choose,where,set,trim,foreach遍历)的使用+$和#的区别

文章目录 动态sql一、动态sql1.if条件判断2、choose、when、otherwise3、where标签4、set标签5、trim标签1)替代where标签效果2) 生成set标签效果 6、foreach迭代遍历1)属性 7.SQL标签-提取重用的SQL代码片段8、bind标签9.MyBatis中${}和#{}的区别: 动态sql 一、动态sql 常见…
阅读更多...
React -- useState状态更新异步特性——导致获取值为旧值的问题

React -- useState状态更新异步特性——导致获取值为旧值的问题

useState状态异步更新 问题导致的原因解决办法进一步分析后续遇到的新问题 问题 const [isSelecting, setIsSelecting] useState(false);useEffect(() > {const handleKeyDown (event) > {if (event.key Escape) {if(isSelectingRef){//.......setIsSelecting(!isSele…
阅读更多...
js使用proxy代理监听控制事件

js使用proxy代理监听控制事件

本文为proxy代理的实例应用，有关代理的内容可以参考： js语法---理解反射Reflect对象和代理Proxy对象 监听事件 要监听dom元素的事件，我们会采用回调触发的方式来执行操作， 而触发事件的过程很明显是一个异步操作，异…
阅读更多...
Oracle中EXIT Statement用于终止循环语句的关键字

Oracle中EXIT Statement用于终止循环语句的关键字

Oracle的EXIT Statement是PL/SQL编程语言中用于终止循环语句的关键字。它有两种主要形式：无条件EXIT和条件EXIT WHEN。以下是对Oracle EXIT Statement的详细解释： 1. 无条件EXIT 语法：EXIT; 作用：无条件地终止当前循环。当程序执…
阅读更多...
【咨询】企业数字档案馆(室)建设方案-模版范例

【咨询】企业数字档案馆(室)建设方案-模版范例

导读：本模版来源某国有大型医药行业集团企业数字档案馆（室）建设方案（一期300W、二期250W），本人作为方案的主要参与者，总结其中要点给大家参考。 目录 1、一级提纲总览 2、项目概述 3、总体规…
阅读更多...
办公必备——ONLYOFFICE8.1版本桌面编辑器

办公必备——ONLYOFFICE8.1版本桌面编辑器

一、介绍ONLYOFFICE ONLYOFFICE是一款免费的开源办公软件，它可以让你创建、编辑和分享文档、表格和演示文稿。就像微软的Office一样，但它是完全免费的，而且可以在多种设备上使用，包括电脑和手机。它还支持多人同时在线编辑文档&am…
阅读更多...
SpringCloud 负载均衡

SpringCloud 负载均衡

目录 一、负载均衡 1、问题 2、什么是负载均衡 服务端负载均衡 客户端负载均衡 二、Spring Cloud LoadBalance 1、使用 Spring Cloud LoadBalance 2、负载均衡策略 3、LoadBalancer 原理 一、负载均衡 1、问题 我们来看一下前面写的代码&#xff1a; List<Serv…
阅读更多...
抖音矩阵云剪系统saas源码 短视频矩阵获客管理系统

抖音矩阵云剪系统saas源码 短视频矩阵获客管理系统

2024抖音矩阵云混剪系统是一款专业的短视频营销管理工具。该系统支持多平台多账号的集中式管理&#xff0c;并实现一键式作品发布功能。它配备了智能标题生成和关键词优化工具&#xff0c;以及排名查询机制&#xff0c;帮助用户提升内容在平台上更好的矩阵管理. 智能剪辑 托管发…
阅读更多...
java中 使用数组实现需求小案例

java中 使用数组实现需求小案例

Date: 2024.04.08 18:32:57 author: lijianzhan 需求实现&#xff1a; 设计一个java类&#xff0c;java方法&#xff0c;根据用户手动输入的绩点&#xff0c;从而获取到绩点最高的成绩。 实现业务逻辑的代码块 import java.util.Scanner;public class PointDemo {/*** 需求&…
阅读更多...
Python 如何实现数据驱动的接口自动化测试

Python 如何实现数据驱动的接口自动化测试

&#x1f345; 视频学习&#xff1a;文末有免费的配套视频可观看 &#x1f345; 点击文末小卡片&#xff0c;免费获取软件测试全套资料&#xff0c;资料在手&#xff0c;涨薪更快 大家在接口测试的过程中&#xff0c;很多时候会用到对CSV的读取操作&#xff0c;本文主要说明Pyt…
阅读更多...
【Java]认识泛型

【Java]认识泛型

包装类 在Java中&#xff0c;由于基本类型不是继承自Object&#xff0c;为了在泛型代码中可以支持基本类型&#xff0c;Java给每个基本类型都对应了一个包装类型。 除了 Integer 和 Character&#xff0c; 其余基本类型的包装类都是首字母大写。 泛型 泛型是在JDK1.5引入的…
阅读更多...
最新文章

Copyright @ 2022~2023