基于统计分析与随机森林的环境条件对生菜生长的影响研究

1.项目背景

随着现代农业的发展，对植物生长过程中环境因素的影响有了越来越多的关注，基于2023年8月3日至2023年9月19日期间记录的70个不同生菜样本的生长数据进行分析，可以更好地理解温度、湿度、pH值和总溶解固体（TDS）等环境条件如何影响生菜的生长动态。

2.数据说明

字段说明
Plant_ID植物编号
Date日期
Temperature (°C)温度（摄氏度）
Humidity (%)湿度（百分比）
TDS Value (ppm)TDS值（ppm）
pH LevelpH值
Growth Days生长天数
Temperature (F)温度（华氏度）
Humidity湿度

3.Python库导入及数据读取

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.metrics import silhouette_score
from scipy.stats import spearmanr,mannwhitneyu
from imblearn.over_sampling import SMOTE
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report,confusion_matrix,roc_curve, auc

data = pd.read_csv("/home/mw/input/12228739/lettuce_dataset_updated.csv")

直接执行这个代码的话，会报错：

Image Name
文件的编码格式与默认的 UTF-8 编码不兼容。为了正确加载数据，需要尝试不同的格式，一般常见的编码格式有：UTF-8、UTF-16、ISO-8859-1、GB2312 / GBK / GB18030、BIG5、ASCII。

data = pd.read_csv("/home/mw/input/12228739/lettuce_dataset_updated.csv", encoding='ISO-8859-1')

4.数据预览及预处理

print('查看数据信息:')
data.info()

查看数据信息:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3169 entries, 0 to 3168
Data columns (total 9 columns):
 #   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  
 0   Plant_ID          3169 non-null   int64  
 1   Date              3169 non-null   object 
 2   Temperature (°C)  3169 non-null   float64
 3   Humidity (%)      3169 non-null   int64  
 4   TDS Value (ppm)   3169 non-null   int64  
 5   pH Level          3169 non-null   float64
 6   Growth Days       3169 non-null   int64  
 7   Temperature (F)   3169 non-null   float64
 8   Humidity          3169 non-null   float64
dtypes: float64(4), int64(4), object(1)
memory usage: 222.9+ KB

print(f'查看重复值:{data.duplicated().sum()}')

查看重复值:0

由于温度和湿度均有两列数据，只需要保留其中一列即可，这里选择保留百分比的湿度和摄氏度情况。

data['Date'] = pd.to_datetime(data['Date'])

data = data.drop(columns=['Temperature (F)','Humidity'])

feature_map = {
    'Temperature (°C)': '温度（摄氏度）',
    'Humidity (%)': '湿度（百分比）',
    'TDS Value (ppm)': 'TDS值（ppm）',
    'pH Level': 'pH值',
    'Growth Days': '生长天数'
}
plt.figure(figsize=(15, 10))
for i, (col, col_name) in enumerate(feature_map.items(), 1):
    plt.subplot(2, 3, i)
    sns.boxplot(y=data[col])
    plt.title(f'{col_name}的箱线图', fontsize=14)
    plt.ylabel('数值', fontsize=12)
    plt.grid(axis='y', linestyle='--', alpha=0.7)

plt.tight_layout()
plt.show()

数据干净，不存在异常值，由于原数据中并不能很好的体现不同环境下生菜生长需要的天数，所以需要通过对Plant_ID进行分组来研究。

# 按 Plant_ID 分组，计算所需统计指标
plant_stats = data.groupby('Plant_ID').agg({
    'Temperature (°C)': ['min', 'max', 'mean'],
    'Humidity (%)': ['min', 'max', 'mean'],
    'TDS Value (ppm)': ['min', 'max', 'mean'],
    'pH Level': ['min', 'max', 'mean'],
    'Growth Days': 'max'
})

# 重命名列，便于理解
plant_stats.columns = [
    '最低温度 (°C)', '最高温度 (°C)', '平均温度 (°C)',
    '最低湿度 (%)', '最高湿度 (%)', '平均湿度 (%)',
    '最低TDS值 (ppm)', '最高TDS值 (ppm)', '平均TDS值 (ppm)',
    '最低pH值', '最高pH值', '平均pH值',
    '最高生长天数'
]

plant_stats.reset_index(inplace=True)
plant_stats = plant_stats.round({'平均温度 (°C)': 1, '平均湿度 (%)': 0, '平均TDS值 (ppm)': 0, '平均pH值': 1})
plant_stats.head()
Plant_ID最低温度 (°C)最高温度 (°C)平均温度 (°C)最低湿度 (%)最高湿度 (%)平均湿度 (%)最低TDS值 (ppm)最高TDS值 (ppm)平均TDS值 (ppm)最低pH值最高pH值平均pH值最高生长天数
0120.133.530.6507964.0416789615.06.06.86.445
1220.133.530.6507965.0413797597.06.06.86.445
2320.133.530.6508069.0403799620.06.06.86.447
3420.133.530.6507863.0402794598.06.06.86.448
4520.133.530.6508065.0410778577.06.06.86.445

5.描述性统计

data.describe()
Plant_IDDateTemperature (°C)Humidity (%)TDS Value (ppm)pH LevelGrowth Days
count3169.00000031693169.0000003169.0000003169.0000003169.0000003169.000000
mean35.4417802023-08-25 03:23:07.06216448028.14222264.873462598.0454406.39921123.141054
min1.0000002023-08-03 00:00:0018.00000050.000000400.0000006.0000001.000000
25%18.0000002023-08-14 00:00:0023.60000057.000000498.0000006.20000012.000000
50%35.0000002023-08-25 00:00:0030.20000065.000000593.0000006.40000023.000000
75%53.0000002023-09-05 00:00:0031.50000073.000000699.0000006.60000034.000000
max70.0000002023-09-19 00:00:0033.50000080.000000800.0000006.80000048.000000
std20.243433NaN4.6705218.988985115.7130470.23441813.077107
  1. 样本量与时间范围：共 3169 条记录，时间跨度为 2023年8月3日至2023年9月19日，涵盖48天的生长记录。
  2. 温度 (°C)：范围 18.0°C 至 33.5°C，平均值 28.14°C，标准差 4.67°C，总体处于生菜适宜生长的范围内。
  3. 湿度 (%)：范围 50% 至 80%，平均值 64.87%，标准差 8.99%，湿度波动较大，可能与灌溉或环境调控有关。
  4. TDS 值 (ppm)：范围 400 至 800 ppm，平均值 598.05 ppm，标准差 115.71 ppm，可能受施肥或水质影响。
  5. pH 值：范围 6.0 至 6.8，平均值 6.40，标准差 0.23，整体稳定，均处于生菜适宜的弱酸性范围。
  6. 生长天数：范围 1 天至 48 天，平均值 23.14 天，标准差 13.08 天，反映不同生菜生长阶段的差异。
plant_stats.describe()
Plant_ID最低温度 (°C)最高温度 (°C)平均温度 (°C)最低湿度 (%)最高湿度 (%)平均湿度 (%)最低TDS值 (ppm)最高TDS值 (ppm)平均TDS值 (ppm)最低pH值最高pH值平均pH值最高生长天数
count70.00000070.00000070.00000070.00000070.00000070.00000070.00000070.00000070.00000070.00000070.00000070.00000070.00000070.000000
mean35.50000019.56142931.25142928.12285750.18571479.61428664.885714408.957143791.885714597.9857146.0014296.7885716.39714345.271429
std20.3510850.8905783.7941504.0911420.3916840.6872091.4500669.9832268.40038416.0556030.0119520.0320460.0239050.700340
min1.00000018.00000024.60000021.00000050.00000077.00000063.000000400.000000765.000000567.0000006.0000006.7000006.30000045.000000
25%18.25000018.32500026.65000021.95000050.00000079.00000064.000000402.000000789.000000584.2500006.0000006.8000006.40000045.000000
50%35.50000020.10000033.50000030.60000050.00000080.00000065.000000405.000000795.000000598.0000006.0000006.8000006.40000045.000000
75%52.75000020.10000033.50000030.60000050.00000080.00000066.000000412.000000798.000000611.7500006.0000006.8000006.40000045.000000
max70.00000020.10000033.50000030.70000051.00000080.00000069.000000449.000000800.000000628.0000006.1000006.8000006.50000048.000000

  1. 样本量与数据描述：共 70 条记录，涵盖不同生菜种植样本的生长数据。

  2. 温度 (°C)：

    • 最低温度：范围 18.0°C 至 20.1°C，平均值 19.56°C，标准差 0.89°C。
    • 最高温度：范围 24.6°C 至 33.5°C，平均值 31.25°C，标准差 3.79°C。
    • 平均温度：范围 21.0°C 至 30.7°C，平均值 28.12°C，标准差 4.09°C。

  3. 湿度 (%)：

    • 最低湿度：范围 50% 至 51%，平均值 50.19%，标准差 0.39%。
    • 最高湿度：范围 77% 至 80%，平均值 79.61%，标准差 0.69%。
    • 平均湿度：范围 63% 至 69%，平均值 64.89%，标准差 1.45%。

  4. TDS 值 (ppm)：

    • 最低TDS值：范围 400 至 449 ppm，平均值 408.96 ppm，标准差 9.98 ppm。
    • 最高TDS值：范围 765 至 800 ppm，平均值 791.89 ppm，标准差 8.40 ppm。
    • 平均TDS值：范围 567 至 628 ppm，平均值 597.99 ppm，标准差 16.06 ppm。

  5. pH 值：

    • 最低pH值：范围 6.0 至 6.1，平均值 6.00，标准差 0.01。
    • 最高pH值：范围 6.7 至 6.8，平均值 6.79，标准差 0.03。
    • 平均pH值：范围 6.3 至 6.5，平均值 6.40，标准差 0.02。

  6. 生长天数：范围 45 天至 48 天，平均值 45.27 天，标准差 0.70 天，样本间差异较小。

6.斯皮尔曼相关性分析

def plot_spearmanr(data,features,title,wide,height):
    # 计算斯皮尔曼相关性矩阵和p值矩阵
    spearman_corr_matrix = data[features].corr(method='spearman')
    pvals = data[features].corr(method=lambda x, y: spearmanr(x, y)[1]) - np.eye(len(data[features].columns))

    # 转换 p 值为星号
    def convert_pvalue_to_asterisks(pvalue):
        if pvalue <= 0.001:
            return "***"
        elif pvalue <= 0.01:
            return "**"
        elif pvalue <= 0.05:
            return "*"
        return ""

    # 应用转换函数
    pval_star = pvals.applymap(lambda x: convert_pvalue_to_asterisks(x))

    # 转换成 numpy 类型
    corr_star_annot = pval_star.to_numpy()

    # 定制 labels
    corr_labels = spearman_corr_matrix.to_numpy()
    p_labels = corr_star_annot
    shape = corr_labels.shape

    # 合并 labels
    labels = (np.asarray(["{0:.2f}\n{1}".format(data, p) for data, p in zip(corr_labels.flatten(), p_labels.flatten())])).reshape(shape)

    # 绘制热力图
    fig, ax = plt.subplots(figsize=(height, wide), dpi=100, facecolor="w")
    sns.heatmap(spearman_corr_matrix, annot=labels, fmt='', cmap='coolwarm',
                vmin=-1, vmax=1, annot_kws={"size":10, "fontweight":"bold"},
                linecolor="k", linewidths=.2, cbar_kws={"aspect":13}, ax=ax)

    ax.tick_params(bottom=False, labelbottom=True, labeltop=False,
                left=False, pad=1, labelsize=12)
    ax.yaxis.set_tick_params(labelrotation=0)

    # 自定义 colorbar 标签格式
    cbar = ax.collections[0].colorbar
    cbar.ax.tick_params(direction="in", width=.5, labelsize=10)
    cbar.set_ticks([-1, -0.5, 0, 0.5, 1])
    cbar.set_ticklabels(["-1.00", "-0.50", "0.00", "0.50", "1.00"])
    cbar.outline.set_visible(True)
    cbar.outline.set_linewidth(.5)

    plt.title(title)
    plt.show()

features = plant_stats.drop(['Plant_ID'],axis=1).columns.tolist()
plot_spearmanr(plant_stats,features,'各变量之间的斯皮尔曼相关系数热力图',12,15)

生长天数与温度、湿度、TDS值、pH值均无显著的相关关系。

7.Mann-Whitney U检验

通过之前的分析发现，生长天数大多是在45天，如果超过45天，视为异常样本。

plant_stats['异常样本'] = (plant_stats['最高生长天数'] > 45).astype(int)

def mann_whitney_u_test(df, features, target_column):
    results = []

    # 遍历每一个特征，进行Mann-Whitney U检验
    for feature in features:
        # 获取目标变量为 0 和 1 的数据
        group0 = df[df[target_column] == 0][feature]
        group1 = df[df[target_column] == 1][feature]
        
        # 进行 Mann-Whitney U 检验
        u_stat, p_val = mannwhitneyu(group0, group1)
        
        # 将结果保存
        results.append([feature, u_stat, p_val])
    
    # 将结果转换为 DataFrame
    results_df = pd.DataFrame(results, columns=['Feature', 'U Statistic', 'P Value'])
    
    return results_df

# 获取 Mann-Whitney U 检验的结果
results_df = mann_whitney_u_test(plant_stats, features[:-1], '异常样本')
results_df
FeatureU StatisticP Value
0最低温度 (°C)322.50.975307
1最高温度 (°C)320.50.942425
2平均温度 (°C)275.00.336614
3最低湿度 (%)326.00.980887
4最高湿度 (%)256.00.165906
5平均湿度 (%)354.50.626596
6最低TDS值 (ppm)324.51.000000
7最高TDS值 (ppm)263.00.323278
8平均TDS值 (ppm)278.00.457655
9最低pH值330.00.694663
10最高pH值315.50.803445
11平均pH值313.50.673545

所有特征的p值均大于0.05，认为温度、湿度、TDS值、pH值对生菜的影响均不显著。

8.随机森林模型

x = plant_stats[features[:-1]]
y = plant_stats['异常样本']
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.3,random_state=15) #37分

smote = SMOTE(sampling_strategy='auto', random_state=15)
x_train_res, y_train_res = smote.fit_resample(x_train, y_train)

rf_molde = RandomForestClassifier(random_state=15)
rf_molde.fit(x_train_res, y_train_res)

y_pred_rf = rf_molde.predict(x_test)
class_report_rf = classification_report(y_test, y_pred_rf)
print('随机森林模型评估如下：')
print(class_report_rf)

随机森林模型评估如下：
              precision    recall  f1-score   support

           0       0.89      0.89      0.89        18
           1       0.33      0.33      0.33         3

    accuracy                           0.81        21
   macro avg       0.61      0.61      0.61        21
weighted avg       0.81      0.81      0.81        21

cm = confusion_matrix(y_test,y_pred_rf)

plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='g', cmap='Blues', 
            xticklabels=['预测值 0', '预测值 1'], 
            yticklabels=['真实值 0', '真实值 1'])
plt.title('随机森林模型预测的混淆矩阵')
plt.show()

#绘制ROC曲线
fpr, tpr, _ = roc_curve(y_test, y_pred_rf)
roc_auc = auc(fpr, tpr)

plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC曲线(面积 = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlabel('假阳率')
plt.ylabel('真阳率')
plt.title('随机森林的ROC曲线')
plt.legend(loc="lower right")
plt.show()

模型预测效果一般，不算特别好，尤其在识别生长天数大于45天的样本。

feature_importances = rf_molde.feature_importances_
features_rf = pd.DataFrame({'特征': x.columns, '重要度': feature_importances})
features_rf.sort_values(by='重要度', ascending=False, inplace=True)
plt.figure(figsize=(10, 8))
sns.barplot(x='重要度', y='特征', data=features_rf)
plt.xlabel('重要度')
plt.ylabel('特征')
plt.title('随机森林特征图')
plt.show()

TDS是模型分类中最重要的特征，至于为啥之前的斯皮尔曼相关性分析、Mann-Whitney U检验没有捕捉到这个信息，是因为随机森林可以捕捉非线性关系，而斯皮尔曼相关性和 U 检验是基于单调关系或单变量的显著性分析。

9.总结

针对2023年8月3日至2023年9月19日期间70个不同生菜样本的研究分析得出以下结论：
通过斯皮尔曼相关性分析和 Mann-Whitney U 检验发现，温度、湿度、TDS值及pH值均未对生菜生长天数产生显著影响，然而，在对数据进行 SMOTE 过采样以平衡样本后，随机森林模型在识别异常样本（生长天数大于45天）方面表现仍较差，但整体 AUC 达到 0.61，模型表现尚可，并且分析显示 TDS 值在随机森林模型中起到了较为重要的作用。

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/944358.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

Bitmap(BMP)图像信息分析主要说明带压缩的形式

Bitmap(BMP)图像信息分析主要说明带压缩的形式

文章目录 参考资料Bitmap图片结构Bitmap图片组成实例说明 参考资料 微软官方-位图存储 Bitmap图片结构 序号名称说明1Bitmap File HeaderBitmap文件头2Bitmap Info HeaderBitmap信息头3Color Palette Data调色板数据4Bitmap Image Data图像数据 说明 Bitmap文件头的大小为…
阅读更多...
百度热力图数据日期如何选择

百度热力图数据日期如何选择

目录 1、看日历2、看天气 根据研究内容定&#xff0c;一般如果研究城市活力的话&#xff0c;通常会写“非重大节假日&#xff0c;非重大活动&#xff0c;非极端天气等”。南方晴天不多&#xff0c;有小雨或者中雨都可认为没有影响&#xff0c;要不然在南方很难找到完全一周没有…
阅读更多...
基于ArcGIS Pro的SWAT模型在流域水循环、水生态模拟中的应用及案例分析；SWAT模型安装、运行到结果读取全流程指导

基于ArcGIS Pro的SWAT模型在流域水循环、水生态模拟中的应用及案例分析；SWAT模型安装、运行到结果读取全流程指导

目前&#xff0c;流域水资源和水生态问题逐渐成为制约社会经济和环境可持续发展的重要因素。SWAT模型是一种基于物理机制的分布式流域水文与生态模拟模型&#xff0c;能够对流域的水循环过程、污染物迁移等过程进行精细模拟和量化分析。SWAT模型目前广泛应用于流域水文过程研究…
阅读更多...
【机器学习(九)】分类和回归任务-多层感知机(Multilayer Perceptron,MLP)算法-Sentosa_DSML社区版 (1)111

【机器学习(九)】分类和回归任务-多层感知机(Multilayer Perceptron,MLP)算法-Sentosa_DSML社区版 (1)111

文章目录 一、算法概念111二、算法原理&#xff08;一&#xff09;感知机&#xff08;二&#xff09;多层感知机1、隐藏层2、激活函数sigma函数tanh函数ReLU函数 3、反向传播算法 三、算法优缺点&#xff08;一&#xff09;优点&#xff08;二&#xff09;缺点 四、MLP分类任务…
阅读更多...
tryhackme-Cyber Security 101-Cryptography-Cryptography Basics（加密基础）

tryhackme-Cyber Security 101-Cryptography-Cryptography Basics（加密基础）

目的&#xff1a;了解加密和对称加密的基础知识。 任务1&#xff1a;介绍 你有没有想过如何防止第三方阅读你的消息&#xff1f;您的应用程序 或 Web 浏览器如何与远程服务器建立安全通道&#xff1f;安全是指没有人可以读取或更改交换的数据;此外&#xff0c;我们可以确信我们…
阅读更多...
螺杆支撑座在运用中会出现哪些问题？

螺杆支撑座在运用中会出现哪些问题？

螺杆支撑座是一种用于支撑滚珠螺杆的零件&#xff0c;通常用于机床、数控机床、自动化生产线等高精度机械设备中。在运用中可能会出现多种问题&#xff0c;这些问题源于多个方面&#xff0c;以下是对可能出现的问题简单了解下&#xff1a; 1、安装不当&#xff1a;安装过程中没…
阅读更多...
基于SpringBoot的在线文档管理系统的设计与实现

基于SpringBoot的在线文档管理系统的设计与实现

一、项目背景 随着社会的快速发展&#xff0c;计算机的影响是全面且深入的。员工生活水平的不断提高&#xff0c;日常生活中员工对在线文档方面的要求也在不断提高&#xff0c;在线文档管理受到广大员工的关注&#xff0c;使得在线文档管理系统的开发成为必需而且紧迫的事情。…
阅读更多...
UE5 崩溃问题汇总！！！

UE5 崩溃问题汇总！！！

Using bundled DotNet SDK version: 6.0.302 ERROR: UnrealBuildTool.dll not found in "..\..\Engine\Binaries\DotNET\UnrealBuildTool\UnrealBuildTool.dll" 在你遇到这种极奇崩溃的BUG &#xff0c;难以解决的时候。 尝试了N种方法&#xff0c;都不行的解决方法。…
阅读更多...
QML学习(五) 做出第一个简单的应用程序

QML学习(五) 做出第一个简单的应用程序

通过前面四篇对QML已经有了基本的了解&#xff0c;今天先尝试做出第一个单页面的桌面应用程序。 1.首先打开Qt,创建项目&#xff0c;选择“QtQuick Application - Empty” 空工程。 2.设置项目名称和项目代码存储路径 3.这里要注意选择你的编译器类型&#xff0c;以及输出的程…
阅读更多...
Dockerfile基础指令

Dockerfile基础指令

1.FROM 基于基准镜像&#xff08;建议使用官方提供的镜像作为基准镜像&#xff0c;相对安全一些&#xff09; 举例&#xff1a; 制作基准镜像&#xff08;基于centos:lastest&#xff09; FROM cenots 不依赖于任何基准镜像 FROM scratch 依赖于9.0.22版本的tomcat镜像 FROM…
阅读更多...
光谱相机的工作原理

光谱相机的工作原理

光谱相机的工作原理主要基于不同物质对不同波长光的吸收、反射和透射特性存在差异&#xff0c;以下是其具体工作过程&#xff1a; 一、光的收集 目标物体在光源照射下&#xff0c;其表面会对光产生吸收、反射和透射等相互作用。光谱相机的光学系统&#xff08;如透镜、反射镜…
阅读更多...
Windows Subsystem for Linux (WSL)

Windows Subsystem for Linux (WSL)

目录 定义与功能 版本与特点 应用场景 启用 WSL 功能 更新WSL及其内核 下载Linux发行版本 WSL&#xff08;Windows Subsystem for Linux&#xff09;是微软在Windows 10和Windows 11中引入的一项功能&#xff0c;使用户能够在Windows上原生运行Linux的命令行工具和应用程…
阅读更多...
基于springboot的汽车租赁系统丨源码+数据库+万字文档+PPT

基于springboot的汽车租赁系统丨源码+数据库+万字文档+PPT

作者简介&#xff1a; 作者&#xff1a;学姐 开发技术&#xff1a;SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、Python、小程序等 文末获取“源码数据库万字文档PPT”&#xff0c;支持远程部署调试、运行安装。 技术框架 开发语言&#xff1a;Java 框架&#xff1a;spring…
阅读更多...
ECharts仪表盘-GaugeCar，附视频讲解与代码下载

ECharts仪表盘-GaugeCar，附视频讲解与代码下载

引言&#xff1a; ECharts仪表盘&#xff08;Gauge Chart&#xff09;是一种类似于速度表的数据可视化图表类型&#xff0c;用于展示单个或多个变量的指标和状态&#xff0c;特别适用于展示指标的实时变化和状态。本文将详细介绍如何使用ECharts库实现一个仪表盘&#xff0c;…
阅读更多...
Debian安装配置RocketMQ

Debian安装配置RocketMQ

安装配置 本次安装在/tools/rocket目录下 下载 wget https://dist.apache.org/repos/dist/release/rocketmq/5.3.1/rocketmq-all-5.3.1-bin-release.zip 解压缩 unzip rocketmq-all-5.3.1-bin-release.zip 如果出现以下报错 -bash: unzip: command not found可安装unzip工具后执…
阅读更多...
单纯从配色看：飞书B端界面超出大多数B端界面的窠臼。

单纯从配色看：飞书B端界面超出大多数B端界面的窠臼。

提及管理系统界面的配色&#xff0c;大家的第一印象就是蓝色&#xff0c;导航栏居左&#xff0c;深蓝色。不是说这种配色和布局不好&#xff0c;而是说看多了就腻歪了&#xff0c;本次分享一些飞书的后台界面&#xff0c;虽说也是左右布局&#xff0c;布局上没有啥突破。 但是…
阅读更多...
Jupyter在运行上出现错误：ModuleNotFoundError: No module named ‘wordcloud‘

Jupyter在运行上出现错误：ModuleNotFoundError: No module named ‘wordcloud‘

问题分析&#xff1a;显示Jupyter未安装这个模板 解决办法&#xff1a;在单元格内输入&#xff1a;!pip install wordcloud
阅读更多...
《Vue3 二》Vue 的模板语法

《Vue3 二》Vue 的模板语法

在 React 中&#xff0c;想要编写 HTML&#xff0c;是使用 JSX&#xff0c;之后通过 Babel 将 JSX 编译成 React.createElement 函数调用&#xff1b;在 Vue 中&#xff0c;也支持 JSX 的开发模式&#xff0c;但大多数情况下都是使用基于 HTML 的模板语法&#xff0c;在模板中允…
阅读更多...
idea 安装插件(在线安装、离线安装)

idea 安装插件(在线安装、离线安装)

目录 在线安装 离线安装 在线安装 1、打开IntelliJ IDEA 2024.x软件&#xff0c; 点击file-Settings 2、点击搜索框&#xff0c;输入plugins&#xff0c;找到plugins列&#xff0c;输入xxx软件--点击install 安装 3、重启idea 离线安装 1、在官网上下载插件包 &#xff08;1&…
阅读更多...
FPGA三模冗余TMR工具（二）

FPGA三模冗余TMR工具（二）

学术和商业领域有许多自动化的三模冗余TMR工具&#xff0c;本文介绍当前主流的基于寄存器传输级的三模冗余工具&#xff08;Register-Transfer Level&#xff0c;RTL&#xff09;&#xff0c;基于重要软核资源的三模冗余工具&#xff0c;以及新兴的基于高层次综合的三模冗余工具…
阅读更多...
最新文章

Copyright @ 2022~2023