时间序列预测:探索性数据分析和特征工程的实用指南

时间序列分析是数据科学和机器学习领域最广泛的主题之一:无论是预测金融事件、能源消耗、产品销售还是股票市场趋势,这一领域一直是企业非常感兴趣的领域。

随着机器学习模型的不断进步,使除了传统的统计预测方法(如回归模型、ARIMA模型、指数平滑)外,与机器学习(如基于树的模型)和深度学习(如LSTM网络、cnn、基于Transformer的模型)相关的技术已经出现了一段时间。

尽管这些技术之间存在巨大差异,但无论模型是什么,都必须完成一个初步步骤:探索性数据分析。

在统计学中,探索性数据分析(Exploratory Data Analysis, EDA)是对数据进行分析和可视化,以总结数据的主要特征并从中获得相关信息的一门学科。这在数据科学领域非常重要,因为它可以为另一个重要步骤奠定基础:特征工程。

所以我们今天这篇文章将总结一个时间序列数据的分析模板,可以总结和突出数据集的最重要特征。我们将使用一些常见的Python库,如Pandas、Seaborn和Statsmodel。

为了方便演示,将使用Kaggle的小时能耗数据。该数据集与PJM小时能源消耗数据有关,PJM是美国的一个区域输电组织,为几个州提供电力。每小时的电力消耗数据来自PJM的网站,单位是兆瓦。

我在本文中我们将EDA总结为六个步骤:描述性统计、时间图、季节图、箱形图、时间序列分解、滞后分析。

描述性统计

描述性统计是一种汇总统计,用于定量地描述或总结结构化数据集合中的特征。

一些通常用于描述数据集的度量是:集中趋势度量(例如平均值,中位数),分散度量(例如范围,标准差)和位置度量(例如百分位数,四分位数)。所有这些都可以用所谓的五数总结来概括,即分布的最小值、第一四分位数(Q1)、中位数或第二四分位数(Q2)、第三四分位数(Q3)和最大值。

在Python中,这些信息可以使用Pandas中众所周知的describe方法轻松检索:

 import pandas as pd# Loading and preprocessing stepsdf = pd.read_csv('../input/hourly-energy-consumption/PJME_hourly.csv')df = df.set_index('Datetime')df.index = pd.to_datetime(df.index)df.describe()

时间曲线图

最明显且直观的图表是时间图。观测结果是根据观测时间绘制的,连续的观测结果用线条连接起来。

在Python中,我们可以使用Pandas和Matplotlib:

 import matplotlib.pyplot as plt# Set pyplot styleplt.style.use("seaborn")# Plotdf['PJME_MW'].plot(title='PJME - Time Plot', figsize=(10,6))plt.ylabel('Consumption [MW]')plt.xlabel('Date')

这张图可以为我们提供一下的信息:

  • 模式显示出每年的季节性。
  • 如果只关注一年,似乎会发现更多的规律。由于用电量较大,冬季和夏季的用电量可能会出现高峰。
  • 这个数据多年来没有明显的增加/减少趋势,平均消费量保持平稳。
  • 2013年前后有一个异常值,可以进行特殊的分析

季节性

季节性图基本上是一个时间图,其中数据是根据它们所属的系列的各个“季节”绘制的。

关于能源消耗,我们通常有每小时可用的数据,因此可以有几个季节性:每年,每周,每天。在深入研究这些图之前,让我们首先在Pandas中设置一些变量:

 # Defining required fieldsdf['year'] = [x for x in df.index.year]df['month'] = [x for x in df.index.month]df = df.reset_index()df['week'] = df['Datetime'].apply(lambda x:x.week)df = df.set_index('Datetime')df['hour'] = [x for x in df.index.hour]df['day'] = [x for x in df.index.day_of_week]df['day_str'] = [x.strftime('%a') for x in df.index]df['year_month'] = [str(x.year) + '_' + str(x.month) for x in df.index]

1、年消耗量

一个非常有趣的图是按年按月分组的能源消耗,这突出了年度季节性,可以告诉我们多年来的上升/下降趋势。

 import numpy as np# Defining colors palettenp.random.seed(42)df_plot = df[['month', 'year', 'PJME_MW']].dropna().groupby(['month', 'year']).mean()[['PJME_MW']].reset_index()years = df_plot['year'].unique()colors = np.random.choice(list(mpl.colors.XKCD_COLORS.keys()), len(years), replace=False)# Plotplt.figure(figsize=(16,12))for i, y in enumerate(years):if i > 0:        plt.plot('month', 'PJME_MW', data=df_plot[df_plot['year'] == y], color=colors[i], label=y)if y == 2018:plt.text(df_plot.loc[df_plot.year==y, :].shape[0]+0.3, df_plot.loc[df_plot.year==y, 'PJME_MW'][-1:].values[0], y, fontsize=12, color=colors[i])else:plt.text(df_plot.loc[df_plot.year==y, :].shape[0]+0.1, df_plot.loc[df_plot.year==y, 'PJME_MW'][-1:].values[0], y, fontsize=12, color=colors[i])# Setting labelsplt.gca().set(ylabel= 'PJME_MW', xlabel = 'Month')plt.yticks(fontsize=12, alpha=.7)plt.title("Seasonal Plot - Monthly Consumption", fontsize=20)plt.ylabel('Consumption [MW]')plt.xlabel('Month')plt.show()

这张图显示,每年都有一个预定义的模式:冬季消耗显著增加,夏季达到峰值(由于供暖/制冷系统),而春季和秋季通常不需要供暖或制冷时消耗最小。这张图还告诉我们,在多年的总消费量中,并没有明显的增加/减少模式。

2、周消耗量

另一个有用的图表是每周图表,它描述了几个月来每周的消费情况,还可以表明每周在一年内是否以及如何变化。

 # Defining colors palettenp.random.seed(42)df_plot = df[['month', 'day_str', 'PJME_MW', 'day']].dropna().groupby(['day_str', 'month', 'day']).mean()[['PJME_MW']].reset_index()df_plot = df_plot.sort_values(by='day', ascending=True)months = df_plot['month'].unique()colors = np.random.choice(list(mpl.colors.XKCD_COLORS.keys()), len(months), replace=False)# Plotplt.figure(figsize=(16,12))for i, y in enumerate(months):if i > 0:        plt.plot('day_str', 'PJME_MW', data=df_plot[df_plot['month'] == y], color=colors[i], label=y)if y == 2018:plt.text(df_plot.loc[df_plot.month==y, :].shape[0]-.9, df_plot.loc[df_plot.month==y, 'PJME_MW'][-1:].values[0], y, fontsize=12, color=colors[i])else:plt.text(df_plot.loc[df_plot.month==y, :].shape[0]-.9, df_plot.loc[df_plot.month==y, 'PJME_MW'][-1:].values[0], y, fontsize=12, color=colors[i])# Setting Labelsplt.gca().set(ylabel= 'PJME_MW', xlabel = 'Month')plt.yticks(fontsize=12, alpha=.7)plt.title("Seasonal Plot - Weekly Consumption", fontsize=20)plt.ylabel('Consumption [MW]')plt.xlabel('Month')plt.show()

3、每日消费量

最后,我们看看每日消费量。它代表了一天中消费的变化。数据首先按星期进行分组,然后按平均值进行汇总。

 import seaborn as sns# Defining the dataframedf_plot = df[['hour', 'day_str', 'PJME_MW']].dropna().groupby(['hour', 'day_str']).mean()[['PJME_MW']].reset_index()# Plot using Seabornplt.figure(figsize=(10,8))sns.lineplot(data = df_plot, x='hour', y='PJME_MW', hue='day_str', legend=True)plt.locator_params(axis='x', nbins=24)plt.title("Seasonal Plot - Daily Consumption", fontsize=20)plt.ylabel('Consumption [MW]')plt.xlabel('Hour')plt.legend()

这张图显示了一个非常典型的模式,有人称之为“M轮廓”,因为日消耗似乎描绘了一个“M”。有时这种模式是清晰的

这些图通常在一天的中间(从上午10点到下午2点)显示一个相对峰值,然后是一个相对最小值(从下午2点到下午6点)和另一个峰值(从下午6点到晚上8点)。它还显示了周末和其他日期的消费差异。

4、特征工程

我们如何将这些信息用于特征工程呢?假设我们正在使用一些需要高质量特征的ML模型(例如ARIMA模型或基于树的模型)。

  • 年消费量多年来变化不大这表明如果可能的话,可以使用来自滞后或外生变量的年季节性特征。
  • 每周消费在几个月内遵循相同的模式,可以使用来自滞后或外生变量的每周特征。
  • 每天的消费可以使用工作日和周末的分类特征来进行编码

箱线图

箱线图是识别数据分布的有效方法。箱线图描绘了百分位数,它代表了分布的第一个(Q1)、第二个(Q2/中位数)和第三个(Q3)四分位数,而箱须则代表了数据的范围。超过须的每一个值都可以被认为是一个离群值,更深入地说,须通常被计算为:

让我们首先计算总消耗的箱线图,这可以很容易地在Seaborn中完成:

 plt.figure(figsize=(8,5))sns.boxplot(data=df, x='PJME_MW')plt.xlabel('Consumption [MW]')plt.title(f'Boxplot - Consumption Distribution');

这个图看起来没有多少信息,但是它能告诉我们数据是一个类似高斯分布的分布,尾巴更向右突出。

下面是日/月箱形图。它是通过创建一个“日/月”变量并根据它对消费进行分组而获得的。以下是2017年以后的代码

 df['year'] = [x for x in df.index.year]df['month'] = [x for x in df.index.month]df['year_month'] = [str(x.year) + '_' + str(x.month) for x in df.index]df_plot = df[df['year'] >= 2017].reset_index().sort_values(by='Datetime').set_index('Datetime')plt.title(f'Boxplot Year Month Distribution');plt.xticks(rotation=90)plt.xlabel('Year Month')plt.ylabel('MW')sns.boxplot(x='year_month', y='PJME_MW', data=df_plot)plt.ylabel('Consumption [MW]')plt.xlabel('Year Month')

可以看到,在夏季/冬季(即当我们有高峰时)的不确定性较小,而在春季/秋季(即当温度变化较大时)则更加分散。2018年夏季的消费量高于2017年,这可能是由于夏季更温暖。当进行特征工程时,记得包括(如果可用的话)温度曲线,可能它可以用作外生变量。

另一个有用的图是一周内的分布,这类似于每周消费季节性图。

 df_plot = df[['day_str', 'day', 'PJME_MW']].sort_values(by='day')plt.title(f'Boxplot Day Distribution')plt.xlabel('Day of week')plt.ylabel('MW')sns.boxplot(x='day_str', y='PJME_MW', data=df_plot)plt.ylabel('Consumption [MW]')plt.xlabel('Day of week')

如前所述,周末的消费明显较低。有几个异常值能够看到,像“星期几”这样的日历特征肯定是有用的,但又不能完全解释。

最后我们来看小时图。它类似于日消费季节性图,因为它提供了一天中消费的分布情况。代码如下:

 plt.title(f'Boxplot Hour Distribution');plt.xlabel('Hour')plt.ylabel('MW')sns.boxplot(x='hour', y='PJME_MW', data=df)plt.ylabel('Consumption [MW]')plt.xlabel('Hour')

之前看到的“M”形现在更碎了。此外,还有很多异常值,这告诉我们数据不仅依赖于日常季节性(例如,今天12点的消费量与昨天12点的消费量相似),还依赖于其他一些东西,可能是一些外生气候特征,如温度或湿度。

时间序列分解

时间序列数据可以显示各种模式。将时间序列分成几个组件是有帮助的,每个组件表示一个潜在的模式类别。

我们可以认为一个时间序列由三个部分组成:趋势部分,季节部分和剩余(偏差)部分(包含时间序列中的任何其他部分)。对于某些时间序列(例如,能源消耗序列),可以有多个季节分量,对应于不同的季节周期(日、周、月、年)。

分解有两种主要类型:加性分解和乘法分解。

对于加性分解,我们将一个序列(整数)表示为季节分量(𝑆)、趋势分量(𝑇)和余数(𝑅)的和:

类似地,乘法分解可以写成:

一般来说,加性分解最适合方差恒定的序列,而乘法分解最适合方差非平稳的时间序列。

在Python中,时间序列分解可以通过Statsmodel库轻松实现:

 df_plot = df[df['year'] == 2017].reset_index()df_plot = df_plot.drop_duplicates(subset=['Datetime']).sort_values(by='Datetime')df_plot = df_plot.set_index('Datetime')df_plot['PJME_MW - Multiplicative Decompose'] = df_plot['PJME_MW']df_plot['PJME_MW - Additive Decompose'] = df_plot['PJME_MW']# Additive Decompositionresult_add = seasonal_decompose(df_plot['PJME_MW - Additive Decompose'], model='additive', period=24*7)# Multiplicative Decomposition result_mul = seasonal_decompose(df_plot['PJME_MW - Multiplicative Decompose'], model='multiplicative', period=24*7)# Plotresult_add.plot().suptitle('', fontsize=22)plt.xticks(rotation=45)result_mul.plot().suptitle('', fontsize=22)plt.xticks(rotation=45)plt.show()

以上图为2017年的数据。我们看到趋势有几个局部峰值,夏季的值更高。从季节成分来看,可以看到实际上有几个周期性,该图更突出了周周期性,但如果我们关注同年的一个特定月份(1月),也会出现日季节性:

 df_plot = df[(df['year'] == 2017)].reset_index()df_plot = df_plot[df_plot['month'] == 1]df_plot['PJME_MW - Multiplicative Decompose'] = df_plot['PJME_MW']df_plot['PJME_MW - Additive Decompose'] = df_plot['PJME_MW']df_plot = df_plot.drop_duplicates(subset=['Datetime']).sort_values(by='Datetime')df_plot = df_plot.set_index('Datetime')# Additive Decompositionresult_add = seasonal_decompose(df_plot['PJME_MW - Additive Decompose'], model='additive', period=24*7)# Multiplicative Decomposition result_mul = seasonal_decompose(df_plot['PJME_MW - Multiplicative Decompose'], model='multiplicative', period=24*7)# Plotresult_add.plot().suptitle('', fontsize=22)plt.xticks(rotation=45)result_mul.plot().suptitle('', fontsize=22)plt.xticks(rotation=45)plt.show()


滞后分析

在时间序列预测中,滞后仅仅是序列的过去值。例如,对于每日序列,第一个滞后是指该序列前一天的值,第二个滞后是指再前一天的值,以此类推。

滞后分析是基于计算序列和序列本身的滞后版本之间的相关性,这也称为自相关。对于一个序列的k滞后版本,我们定义自相关系数为:

其中y 表示序列的平均值,k表示滞后值。

自相关系数构成了序列的自相关函数(ACF),描绘了自相关系数与考虑的滞后数的关系。

当数据具有趋势时,小滞后的自相关通常很大且为正,因为时间上接近的观测值在值上也相近。当数据显示季节性时,季节性滞后(及其季节周期的倍数)的自相关值会比其他滞后的大。具有趋势和季节性的数据将显示这些效应的组合。

在实践中,更有用的函数是偏自相关函数(PACF)。它类似于ACF但是它只显示两个滞后之间的直接自相关。例如,滞后3的偏自相关指的是滞后1和2无法解释的唯一相关性。或者说偏相关指的是某个滞后对当前时间值的直接影响。

如果序列是平稳的,则自相关系数会更清晰地显现,因此通常最好先对序列进行差分以稳定信号。

下面是绘制一天中不同时段PACF的代码:

 from statsmodels.graphics.tsaplots import plot_pacfactual = df['PJME_MW']hours = range(0, 24, 4)for hour in hours:plot_pacf(actual[actual.index.hour == hour].diff().dropna(), lags=30, alpha=0.01)plt.title(f'PACF - h = {hour}')plt.ylabel('Correlation')plt.xlabel('Lags')plt.show()






PACF只是绘制不同滞后的Pearson偏自相关系数。非滞后序列显示出与自身完美的自相关,因此滞后0将始终为1。蓝色带表示置信区间:如果滞后超过该带,则它具有统计显著性,我们可以断言它具有非常重要的意义。

工程特性

滞后分析是时间序列特征工程中最具影响力的研究之一。具有高相关性的滞后是序列中重要的特征,因此应该考虑在内。

一个广泛使用的特征工程技术是对数据集进行按小时划分。将数据分成24个子集,每个子集对应一天中的一个小时。这样做可以规范和平滑信号,使预测变得更简单。

然后应对每个子集进行特征工程、训练和微调。最终的预测将通过结合这24个模型的结果来实现。每个小时模型都有其特点,大多数将涉及重要的滞后。

我们简单介绍在进行滞后分析时可以处理的两种类型的滞后:

  1. 自回归滞后:接近滞后0的滞后,我们预期这些滞后值较高(最近的滞后更有可能预测当前值)。它们是序列显示趋势的表现。
  2. 季节性滞后:指季节周期的滞后。在按小时分割数据时,它们通常代表周度季节性。

自回归滞后1也可以被认为是序列的日度季节性滞后。

以我们看到的上图为例:

夜间时间(0,4)的消耗更多地依赖于自回归,而不是每周滞后,因为最相关的都在前五个小时。像7、14、21、28这样的季节似乎并不太重要,所以特征工程师时特别注意滞后1到滞后5。

白天时间(8,12,16,20)的消耗表现出自回归和季节性滞后。这在8小时和12小时尤其如此,因为这两个小时的消耗量特别高,而随着夜幕降临,季节性滞后变得不那么重要了。对于这些子集,我们还应该包括季节性滞后和自回归。

最后还有一些特征工程滞后的提示:

不要考虑太多的滞后,因为这可能会导致过度拟合。一般自回归滞后为1 ~ 7,周滞后为7、14、21、28。但并不是必须把它们都当作特征。

考虑非自回归或季节性的滞后通常是一个坏主意,因为它们也可能导致过拟合。

对滞后进行一些简单的转换通常可以产生更强大的特征。例如,季节性滞后可以使用加权平均值进行汇总,以创建代表该系列季节性的单个特征。

总结

本文的目的是为时间序列预测提供一个全面的探索性数据分析模板。

EDA是任何类型的数据科学研究的基本步骤,它允许理解数据的性质和特性,并为特征工程奠定基础,而特征工程反过来又可以显着提高模型性能。

我们描述了一些最常用的时间序列EDA分析,这些分析可以是统计/数学和图形。这项工作的目的只是提供一个实用的框架来开始,后续的调查需要根据所检查的历史系列的类型和业务背景进行。

数据集地址:

https://avoid.overfit.cn/post/a29fb376d9f145fcad2e9c82cea7ea51

作者:Maicol Nicolini

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.mzph.cn/bicheng/13039.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Benedict Evans:Ways to think about AGI思考 AGI 的方法:

​Benedict Evans本文发布于2024 年 5 月 4 日 How do we think about a fundamentally unknown and unknowable risk, when the experts agree only that they have no idea? 当专家们一致认为他们一无所知时,我们如何看待根本上未知和不可知的风险? T…

程序验证之Dafny--证明霍尔逻辑的半自动化利器

一、What is Dafny?【来自官网介绍 Dafny 】 1)介绍 Dafny 是一种支持验证的编程语言,配备了一个静态程序验证器。 通过将复杂的自动推理与熟悉的编程习语和工具相结合,使开发者能够编写可证明正确的代码(相对于 {P}S{Q} 这种…

表白成功率百分百的向女朋友表白网页源代码,向女友表白HTML源代码

表白成功率百分百的向女朋友表白网页源代码&#xff0c;向女友表白HTML源代码 效果&#xff1a; 完整代码下载地址&#xff1a;向女友表白HTML源代码 <!DOCTYPE html> <!--STATUS OK--> <html><head><meta http-equiv"Content-Type" c…

玩转Matlab-Simscape(初级)-01-从一个简单模型开始学习之旅

** 玩转Matlab-Simscape&#xff08;初级&#xff09;- 01 - 从一个简单模型开始学习之旅 ** 目录 玩转Matlab-Simscape&#xff08;初级&#xff09;- 01 - 从一个简单模型开始学习之旅 前言一、从模板开始建模二、建模一个简单的连杆2.1 建模2.2 生成子系统 总结 前言 在产…

23.HashMap的put方法流程

一、put方法的流程图 二、put方法的执行步骤 首先&#xff0c;根据key值计算哈希值。然后判断table数组是否为空或者数组长度是否为0&#xff0c;是的话则要扩容&#xff0c;resize&#xff08;&#xff09;。接着&#xff0c;根据哈希值计算数组下标。如果这个下标位置为空&a…

第 397 场 LeetCode 周赛题解

A 两个字符串的排列差 模拟&#xff1a;遍历 s s s 记录各字符出现的位置&#xff0c;然后遍历 t t t 计算排列差 class Solution {public:int findPermutationDifference(string s, string t) {int n s.size();vector<int> loc(26);for (int i 0; i < n; i)loc[s…

合并K个升序链表

题目 解法一 优先级队列 思想 将每个链表中的一个节点存放到优先级队列中&#xff0c;本题采用小根堆&#xff0c;将小根堆中的根节点取出&#xff0c;插入到最终的链表中&#xff0c;并且将该节点在原链表中的下一个节点插入小根堆中&#xff08;需要向下调整&#xff09;&a…

【019】基于SSM+JSP实现的进销存管理系统

项目介绍 进销存管理系统是对企业生产经营中物料流、资金流进行条码全程跟踪管理&#xff0c;从接获订单合同开始&#xff0c;进入物料采购、入库、领用到产品完工入库、交货、回收货款、支付原材料款等&#xff0c;每一步都为您提供详尽准确的数据。有效辅助企业解决业务管理…

【机器学习】:基于决策树与随机森林对数据分类

机器学习实验报告&#xff1a;决策树与随机森林数据分类 实验背景与目的 在机器学习领域&#xff0c;决策树和随机森林是两种常用的分类算法。决策树以其直观的树形结构和易于理解的特点被广泛应用于分类问题。随机森林则是一种集成学习算法&#xff0c;通过构建多个决策树并…

kafka用java收发消息

用java客户端代码来对kafka收发消息 具体代码如下 package com.cool.interesting.kafka;import org.apache.kafka.clients.consumer.ConsumerConfig; import org.apache.kafka.clients.consumer.ConsumerRecord; import org.apache.kafka.clients.consumer.ConsumerRecords; i…

商品服务:SPUSKU规格参数销售属性

1.Object划分 1.PO&#xff08;Persistant Object&#xff09;持久对象 PO就是对应数据库中某个表中的一条记录&#xff0c;多个记录可以用PO的集合。PO中应该不报含任何对数据库的操作 2.DO(Domain Object) 领域对象 就是从现实世界中抽象出来的有形或无形的业务实体。 3…

SPI通信(使用SPI读写W25Q64)

SPI通信协议 • SPI&#xff08;Serial Peripheral Interface&#xff09;是由Motorola公司开发的一种通用数据总线 • 四根通信线&#xff1a; SCLK:串行时钟线&#xff0c;用来提供时钟信号的。 MOSI:主机输出&#xff0c;从机输入 MISO:从机输出&#xff0c;主机输入 SS:…

Java中的数据类型与变量

引言&#xff1a; 哈喽&#xff0c;各位读者老爷们大家好呀,long time no see!这里是小堇Java小课堂&#xff0c;在本课堂中我们将继续分享Java中的数据类型与变量&#xff0c;标识符&#xff0c;关键字等知识&#xff0c;那我们启程咯&#xff01; 数据类型与变量 1.字面变量…

红蓝对抗 网络安全 网络安全红蓝对抗演练

什么是红蓝对抗 在军事领域&#xff0c;演习是专指军队进行大规模的实兵演习&#xff0c;演习中通常分为红军、蓝军&#xff0c;演习多以红军守、蓝军进攻为主。类似于军事领域的红蓝军对抗&#xff0c;网络安全中&#xff0c;红蓝军对抗则是一方扮演黑客&#xff08;蓝军&…

pytest教程-46-钩子函数-pytest_sessionstart

领取资料&#xff0c;咨询答疑&#xff0c;请➕wei: June__Go 上一小节我们学习了pytest_report_testitemFinished钩子函数的使用方法&#xff0c;本小节我们讲解一下pytest_sessionstart钩子函数的使用方法。 pytest_sessionstart 是 Pytest 提供的一个钩子函数&#xff0c…

Anaconda下载安装

看到这篇文章的同学们&#xff0c;说明你们是要下载Anaconda&#xff0c;这篇文章讲的就是下载安装教程。 Anaconda下载网址&#xff1a; Download Now | Anaconda 根据我们需要的系统版本下载&#xff0c;我的电脑是window&#xff0c;所以选择第一个&#xff0c;如下图&am…

javaEE进阶——SpringBoot与SpringMVC第一讲

文章目录 什么是springMVCSpringMVC什么是模型、视图、控制器MVC和SpringMVC的关系SpringMVC的使用第一个SpringMVC程序RestController什么是注解 那么RestController到底是干嘛的呢&#xff1f;RequestMapping 如何接收来自请求中的querystryingRequestParamRequestMapping(&q…

运用MongoDB Atlas释放开发者潜能同时把控成本

在当下的商业环境中&#xff0c;不可预测性已经成为常态&#xff0c;工程团队负责人必须在把控不可预测性和优化IT成本的双重挑战下谋求平衡。 咨询公司德勤2024 MarginPLUS调查收集了300多位企业负责人的见解&#xff0c;报告中重点介绍了面对动荡的全球经济环境&#xff0c;…

电子邮箱是什么?付费电子邮箱和免费电子邮箱有什么区别?

注册电子邮箱前&#xff0c;有付费电子邮箱和免费电子邮箱两类选择。付费的电子邮箱和免费的电子邮箱有什么区别呢&#xff1f;区别主要在于存储空间、功能丰富度和售后服务等方面&#xff0c;本文将为您详细介绍。 一、电子邮箱是什么&#xff1f; 电子邮箱就是线上的邮局&a…

labelimg删除用不到的标签(yolo格式)以及 下载使用

问题&#xff1a;当我们标注完成新的类别后后直接删除classes.txt中不需要的类别之后再次打开labelimg会闪退&#xff0c;如何删除不需要的标签并且能够正确运行呢&#xff1f;&#xff08;yolo格式&#xff09; 原因&#xff1a;当我们打开labelimg进行标注的时候&#xff0c…