R进阶使用技巧

Introduction

分享一些R进阶使用的技巧，相当于是之前写的R语言学习的实践和总结了。

  • Online slide: https://asa-blog.netlify.app/R_tips_for_advanced_use_byAsa/R_tips.html

  • 下载slide和相关的各种test文件: https://asa-blog.netlify.app/R_tips_for_advanced_use_byAsa/R_tips_for_advanced_use_byAsa.zip

  • 视频教程: https://www.bilibili.com/video/BV1eg4y1w7AL/

  • *才疏学浅，仅代表本人学习经验，R是一个宝库，此处只是冰山一角

Use R

R语言简介

R语言是S语言的一个变种。S语言由Rick Becker等人在贝尔实验室开发（著名的C语言、Unix系统开发实验室）。

R是一个自由源代码软件，GPL授权，于1997年发布，实现了与S语言基本相同的功能和统计功能。 现在由R核心团队开发，但全世界的用户都可以贡献软件包。

R的网站: http://www.r-project.org/

特点：

  • 自由软件，免费、开放源代码，支持各个主要计算机系统；
  • 具有完善的数据类型，代码简洁、可读；
  • 强调交互式数据分析，支持复杂算法描述，图形功能强；
  • 统计科研工作者广泛使用R进行计算和发表算法。R有上万扩展包(截止2023年7月5日在R包网站CRAN上有19784个)。

S语言作者，R语言专家J. M. Chambers指出R的.red[本质特征]：

  • R中所有的存在都是对象（object）；
  • R中发生的动作都是函数调用（function call）。

详细地说R有如下技术特点：

  • 函数编程（functional programming）。
  • 支持对象类和类方法，面向对象的程序设计。
  • 动态类型语言，解释执行，速度较慢。
  • 数据框（data.frame）是基本数据类型，类似于数据库的表。
  • 可以用作C和C++、FORTRAN语言编写的算法库的接口。
  • 内部数值算法采用已广泛测试和采纳的算法实现，如排序、线性代数等。

R & Rstudio

  • R是一种统计学编程语言
  • Rstudio是R语言最好的IDE（Integrated development environment）

2022年RStudio公司正式改名Posit，拥抱大数据科学生态：R、Python、Julia…

RStudio使用方法概要PDF下载：rstudio-ide.pdf

Rstuido的魔法：按住Ctrl（Command）单击某个变量名或函数名，如果是data.frame就可以进入预览窗格，
如果是函数就可以进入函数内部看具体的代码。

其实是调用了View()函数，对于不是以上类型的对象我们可以手动调用。

学习资料

  • 全面教程
    小白上手首推北大李老师的课程讲义《R语言教程》，中文讲义，简单易读，甚至整本书就是用Rbookdown编写的，电子书也比较好复制代码进行学习。

    《R语言实战》，也有中文版，介绍地更加全面且有不少进阶知识，值得一看！

    然后是著名的英文书和参考手册：

    • 《An Introduction to R》
    • 《R Cookbook》

  • 数据处理

    tidyverse全家桶，其中包含ggplot2，tibble，dplyr，readr，stringr等常用的全面的数据处理包，能够很好的满足我们下游数据处理需求：

    • 读取数据
    • 清洗数据
    • 转换数据
    • 合并数据
    • 筛选数据
    • 可视化

    官方教程：《R for Data Science》，非常建议熟读并使用

  • 可视化

    ggplot官方教程：《ggplot2: Elegant Graphics for Data Analysis》

    为可视化而建的网站：From data to Viz | Find the graphic you need

基本使用

很多人使用 R，只为用其中的某个包的某个功能，只需学会以下几步即可：

1. 装好R & Rstudio ✅
2. 认识基本数据类型，结构
  • 数值型常量 1,1e2,5L,Inf,-Inf;
  • 字符型常量 "str",'str';
  • 逻辑型常量 TRUE,FALSE,T,F;
  • 缺失值 NaN,NA, 空值 NULL;
  • 复数常量 2.2 + 3.5i;
  • 变量，区分大小写的字母、数字、下划线和句点组成变量名，支持但不建议中文;
  • 向量(vector)：用c()函数把多个元素或向量组合成一个向量。如果元素基本类型不同，将统一转换成最复杂的一个，复杂程度从简单到复杂依次为： logical<integer<double<character。此外还可以有Date和factor类型的元素
  • 列表(list)：包装保存不同类型的数据。单个列表元素必须用两重方括号格式访问,单重方括号结果还是列表而不是列表元素。普通有names属性的列表可以用$访问元素，S4对象可以用@访问元素。
  • 矩阵，数组(matrix, array)：矩阵用matrix函数定义，实际存储成一个向量，根据保存的行数和列数对应到矩阵的元素， 存储次序为按列存储。
  • 数据框(data.frame)：数据框类似于一个矩阵，有多个横行、多个纵列，各列允许有不同类型：数值型、因子、字符、日期时间，但同一列的数据类型相同。取子集应注意drop 。
  • 改进数据框(tibble)：tibble类型是一种改进的数据框，tidyverse全家桶推荐使用，确实有不少好处：
    不会随意改变我们的数据名称，类型。打印优美。
3. 装好需要的包

包是R函数、数据、预编译代码以一种定义完善的格式组成的集合。

  • 找到包，主要平台：
    • CRAN 官方存储库，多个镜像
    • BioConductor 用于生物信息学的开源软件专题库
    • Github 开发版本，无限惊喜，但也可能缺少维护
    • Bitbucket、SVN…
  • 装在哪，本机位置：

计算机上存储包的目录称为库（library）。
函数.libPaths()能够显示库所在的位置，函数library()可以显示库中有哪些包。

.libPaths()

这个地址很重要，有时候会有多个（如Windows分区），我们要搞清楚装在哪里。

  • 怎么装，例子：大部分情况下CRAN用 install.packages("pkg")，BioConductor用BiocManager::install("pkg")，Github用devtools::install_github("repos")即可。
    但有时候会有依赖包相关的报错，我们可以手动下载特定版本包文件后安装。

  • source， 源码，一堆R脚本和文本文件，我们直接在github上看的就是这个。
  • bundle， 捆绑态，其实就是打包过的source，一般.tar.gz结尾。
  • binary， 二进制版本，架构不一样，.zip(Windows)或.tgz(macOS)结尾。

所谓安装包就是把source变成binary在放在我们的.libPaths()文件夹下。

还有问题，谷歌大法，或github问包作者。
带C++的R包出问题会麻烦一些，需要考察自己本机的C语言编译器。

  • 怎么用包

首先可以用library(pkg)或require(pkg)将包导入内存，这样便可以调用其中的函数。
search()函数可以查看我们已经library的包。

library(pcutils)
search()

if(!require("pcutils")) install.packages("pcutils")

使用pkg::加上tab键可以列出某个包里所有导出的函数，多用help(pkg::func)或?pkg::func查看某个函数的用法。

如果不想用某个包了，可以用detach从当前环境移除（不是删除包）

detach("package:pcutils")
4. 正确数据/图像读入和写出

各种表格读取：read.table(), read.csv(), read.delim()

read.table("test.txt") #无法读取

当我们的表格含有 ", ', # 或者列名中含有任何非变量名字符时都要小心

read.table("test.txt",header = T,sep = "\t",comment.char = "",quote = "",check.names = F)

建议在readr包的支持下用read_csv(), read_table2(), read_delim()等函数读入。

保存为tibble类型，快得多，也不自动将字符型列转换成因子，不自动修改变量名为合法变量名。

readr::read_delim("test.txt",delim = "\t")

excel用readxl包，剪切板可用datapasta包或clipr::read_clip()。表格写出用write_*()，与读入一致。

任意文件访问，跟python很像，使用file()打开文件，close()关闭。

  • r—文本型只读;
    w—文本型只写;
    a—文本型末尾添加;
  • rb—二进制只读;
    wb—二进制只写;
    ab—二进制末尾添加;
  • r+或r+b—读写;
    w+或w+b—读写，清空文件;
    a+或a+b—读和末尾添加。

或者可以用cat()直接输出任意文本到文件。

clipr::write_clip()可以把R数据框或向量写入剪切板，可以直接粘贴他处。

图片保存：

pdf("new.pdf") #png(),jpg(),tiff(),bmp()
#画一些图
dev.off() #要记得关闭设备

ggplot2::ggsave("new.pdf",plot = p,device = "pdf") 
#p是一个ggplot对象，device可选各种文件格式

R变量储存：

R的save()命令可以将一个或者多个R变量保存到文件(.rda或.RData)中，保存结果是经过压缩的，在不同的R运行环境中兼容。
使用load()可以恢复保存的变量。

强烈建议传递数据时用这种文件，避免了数据写入和读取时引起的差异。

使用save.image()可以把整个环境的所有变量保存，方便结果复现。

保存单变量时推荐使用saveRDS()，用readRDS()载入并返回变量，这样可以将某个变量赋值给某个拟定的变量名，避免某个变量值变了我们还不知道， 如

saveRDS(old,file = "tmp.RDS")
new=readRDS("tmp.RDS")
5. 关闭R走人 ✅

R programming

程序控制结构

分支结构
x=1
if(x>0) {print("x > 0")
} else {print("x <= 0")
}#或者用switch函数
switch (x>0,T = {print("x > 0")},F = {print("x <= 0")}
)#或者用ifelse函数，向量式
x <- c(-2, 0, 1)
ifelse(x >=0, 1, 0)
循环结构
for (i in 1:3) {print(i)
}
#或者用while函数
i=1
while (i<4) {print(i)i=i+1
}
#或者用repeat函数
i=1
repeat{print(i)i=i+1if(i>3)break
}

注意用到的判断条件必须是逻辑标量值，不能为NA或零长度。
这是R编程时比较容易出错的地方。

循环结构进阶，apply()家族

上述显式循环是R运行速度较慢的部分，有循环的程序也比较冗长，建议使用apply, sapply, lapply, vapply, tapply等函数替代。

func=function(i)print(i)
a=lapply(1:3, func)

另外，建议循环过程不要制作副本：

类似于x <- c(x, y)这样的累积结果每次运行都会制作一个x的副本， 在x存储量较大或者重复修改次数很多时会减慢程序。

而是应该在循环前设置好用来保存结果的数据结构：

x=numeric(100)
x[[i]]={i循环100次产生的结果}
管道

原生管道，R从4.1.0版本开始提供了一个|>运算符实现管道，如计算 e 2 e^{\sqrt{2}} e2 ​：

2 |> sqrt() |> exp()

但是我还是更喜欢用magrittr提供的%>%，支持更复杂的应用，比如用.代表产生的中间变量放到合适的参数位置：

library(magrittr)
"hhh"%>%paste0("prefix_",.)

还有%<>%等方便的变体:

a="hhh"; a%<>%paste0("prefix_",.)
a
函数

使用自定义函数， 优点是代码复用、模块化设计。

函数名 <- function(形式参数表) 函数体

特殊形参：...

my_mean=function(...)sum(...)/length(c(...))
my_mean(1,2,3,4)

无名函数: 不定义函数名也可以调用

a=lapply(1:3, \(i)print(i))

变量作用域：全局变量 vs 局部变量

x=100
func=function(x){print(x+1)
}
func(0)
  • R中所有的存在都是对象（object）
    对象其实就是一种封装的概念，它把事物封装成一个类(class)，然后提供类的方法(method)，而具体的过程人们看不到。
class(mean)
  • R中发生的动作都是函数调用（function call）???

函数调用有四种方式：

1 前缀形式。
这也是一般的格式

mean(1:2)

2 中缀形式。二元运算符实际上都是函数

1+1
`+`(1,1)`%love%`=function(a,b)paste0(a," loves ",b)
"Romeo"%love%"Juliet"

3 替换形式。

x <- 1:2
names(x) <- c("a", "b")
xprint(`names<-`)

4 特殊形式。x[1], x[[1]]这些取子集或元素等

x <- 1:5
x[1]
`[`(x, 1)

确实，R中发生的动作都是函数调用（function call），知晓函数调用的形式，可以让我们在用某些包的函数时明确问题来源，查找源码等。

Debug

某个函数突然失灵了

  1. 工作环境变化

环境是R语言比较困难的概念，一般不需要深入了解也能用。

但我们要知道，大多数时候我们处于Global Environment，我们敲出来的每一个变量名(函数名)都是优先在全局环境找，找不到的话就search()里面按顺序去每个环境找。
所以要注意环境优先级以及变量名冲突，极端情况如下：

1+1 #正常当然等于2
#定义了`+`,或者新导入的包包含一个`+`的函数名，覆盖了base的加法
`+`=`-`
1+1 #结果会变成0

常使用pkg::func的形式调用函数是个好习惯，可以防止不同包的同名函数冲突。

  1. 断点，traceback()，debug()， browser()

反向追踪(traceback)将错误定位到某一函数调用。

可以用debug(func)命令对函数func开启跟踪运行。

用undebug(func)取消对func的这种操作。

  1. 我要debug的函数在哪？

一般来说我们可以找到报错的代码行以及具体的函数，便可以使用debug()。

但有时候会发现一些函数无法被正确定位，具体代码也只能看到UseMethod()：其实是我们碰到了泛型函数。下面同样一个summary函数，为啥对women和fit做出了完全不同的处理？

summary(women)
fit <- lm(weight ~ height, data=women)
summary(fit)

summary(women)
fit <- lm(weight ~ height, data=women)
summary(fit)

class(women); class(fit)

原来他们是不同的类（class），泛型函数会更具对象的类选择运行什么样的代码（即见人说人话，见鬼说鬼话）：
调用func.class()函数，上述就是分别调用了summary.data.frame()，summary.lm()。print和plot也是非常常见的泛型函数。

或者我们可能发现某些报错函数not found（但我们又确定有这样一个函数）：
其实是我们碰到了非导出函数（R包开发者不想用户看到所有的函数，只把有用的导出）。

library(reshape2)
class(mtcars)
#melt是泛型函数，那应该调用melt.data.frame
melt.data.frame(mtcars,id.vars = "cyl")
## Error in melt.data.frame(mtcars, id.vars = "cyl") : 
##  could not find function "melt.data.frame"

找到这些函数的方法也很简单（毕竟R包需要都开源）：pkg:::func即可

reshape2:::melt.data.frame(mtcars,id.vars = "cyl")

有时候我们通过debug可以发现一些有用的内部函数（比如从那种一步/很久完成XX分析的函数中找到我们需要的功能），
这样我们便可以使用pkg:::func做想做的部分。

代码整理

我们在做数据分析时会产生大量代码，做好整理非常重要。

  • 最开始，每一个独立的R脚本进行分析 （代码冗余度太高，后期很难快速看懂）

  • 学会编写函数，复制函数到不同的R脚本使用（n个地方的函数需要修改n次）

  • 将常用的函数放在一个R脚本下，要用的时候source()整个脚本（全局环境中出现大量函数名，可能还会引起冲突）

  • 将常用函数整理成R包，写好注释和帮助文档，方便调用和分享 （嘎嘎香)

接下来的3,4部分非必需，但我觉得学习后便会有惊喜：

R markdown (to everything)

R Markdown是一种文本格式，用于创建具有代码、文本、图形和输出结果的可重复性报告。
是“文学式编程”(literate programming, (Knuth 1984))思想的实践。

它是在R语言环境中开发的，也可以与其他编程语言（如Python，shell）结合使用。

优点：

  • 可重复性：代码和结果都是可重复的，有助于确保研究结果的可靠性和透明度。
  • 效率：使用R Markdown在单个文件中组织和记录所有内容，节省时间和精力。
  • 灵活性：R Markdown支持多种格式和输出选项，根据需要自定义样式布局。

总之，比word好用，比Latex好学😂

Yihui Xie大佬的官方文档：R Markdown: The Definitive Guide (bookdown.org)

以及参考书：R Markdown Cookbook (bookdown.org)

To Documents

Rmd文档头部是YAML元数据，可指定各种输出参数

  1. HTML

  2. PDF

  3. Word

优点：

  1. 公式，化学分子式非常好写

  2. 文献插入也不错（配合Zotero）

  3. 图表自动编号和引用、链接（我觉得比word好用点）

  4. 支持交互式图形（HTML）

To Presentation

R Markdown支持生成各种幻灯片文件（此幻灯片也是由Rmd生成的😂）

  1. PowerPoint

    常用，易分享

  2. ioslide/Slidy

    网页格式的幻灯片，支持交互 (拜托，PPT可交互真的很酷)

  3. Beamer

    PDF幻灯片，模版众多，大学课堂热衷使用

To Research Papers

rticle包，包含一套自定义 R Markdown 格式和模板，用于创作期刊文章和会议提交。

例子：

  • Frontiers

  • Bioinformatics

To Website

Rmarkdown可以帮助我们搭建简易网站：

  • index.Rmd是主页内容， 可以在此处人工加入其它页面链接。

  • _site.yml是一个YAML文件， 其中包含站点的设定和输出设定。

例子：

File -> New Project -> New directory -> Simple R Markdown Website ->

Create Project (click Open in new session) -> Build -> Build Website

To Blog

R扩展包blogdown可以与Hugo软件配合制作简单的静态博客网站。

网站的所有文件都在一个目录中，只要上传到任意的网站服务器就可以发布，没有任何限制。

我的博客：Asa’s blog

参考书：blogdown: Creating Websites with R Markdown (bookdown.org)

To Book

R的bookdown扩展包

在bookdown的管理下：一本书的内容可以分解成多个Rmd文件， 其中可以有可执行的R代码， R代码生成的文字结果、表格、图形可以自动插入到生成的内容中， 表格和图形可以是浮动排版的。 输出格式主要支持gitbook格式的网页图书。

我也稍微尝试写了一下：MetaNet Tutorial

参考书：bookdown: Authoring Books and Technical Documents with R Markdown

R package/shiny

写R包

包是可重现 R 代码的基本单元，包括可重用的 R 函数、描述如何使用它们的文档和示例数据。
一个包将代码、数据、文档和测试捆绑在一起，并且很容易与他人共享。

简单例子（需要下载roxygen2包）：

File -> New Project -> New directory -> R package ->

Create Project (click Open in new session)-> Package name -> Build -> Install

最简单的包只需要这些目录和文件即可，

  • R目录下放在我们编写的R函数脚本
  • man目录放着所有函数的帮助文档（roxygenise()函数生成，不要自己写）
  • DECRIPTION定义了包的各种元数据，包名/版本/依赖包等等，非常重要
  • NAMESPACE控制函数的可视性（roxygenise()函数生成，不要修改！）

参考书：R Packages (2e) (r-pkgs.org)

如果真的有意开发R包，建议走devtools的流程，要比前面的简单例子好用。

library(devtools)
#创建R包
create_package("testpkg")
#配置git用于版本控制
use_git()
#创建一个R脚本，开始写函数
use_r("first")
#生成man文件和NAMESPACE
document("./")
#使所有函数可用（没有install但R包已在内存）
load_all("./")
#检查R包语法，建议每次重要修改后运行一次，解决完所有的Error，Warning，Note再进一步修改，不要积累较多错误
check("./")
#打包为bundle包，.tar.gz
build("./")
#install我们写好的R包
install("./")
#定义一些测试例子
use_testthat()

循环后面几步：function -> document -> load_all -> check ->install，直到功能完善，check无误。

  • 函数应该功能明确，不能使用library，而应该用pkg::func调用，并且这里的pkg一定要在DESCRIPTION中声明。
  • 函数不应该产生不良副作用，比如修改用户环境变量，谨慎使用option, par, setwd等函数。
  • 函数的头文件很重要，包含了帮助文档以及决定函数性质的参数：
  • 使用Shift+option+command+R可以帮助生成头文件

发布包:

  • CRAN submission 请仔细阅读CRAN Repository Policy，然后必须让代码通过R CMD check再提交，不然会直接拒收。我们提交的包是bundle包，.tar.gz格式。过了机检后就会有“审包人”联系（一般是志愿者，我们应当态度好些），
    再积极沟通修改代码就好，最后通过审核一天就能在CRAN上看到了。

  • BioConductor submission 用于生物信息学的开源软件专题库，上传前仔细阅读Guidelines，
    明确包的主题要跟生物有相关性（ Software, Experiment Data, Annotation and Workflow.），发布包的流程是Github issues，
    审核过程全公开透明，你现在就能点进去看有哪些包正在提交。

  • Github 这里就最自由了，你可以随意上传在自己的仓库，也可以邀请别人直接从github安装。

制作Shiny APP

Shiny 是一个 R 包，可轻松地直接从 R 构建交互式 Web 应用程序。

可以在网页上托管独立应用程序或将它们嵌入 R Markdown 文档。还可以使用 CSS 主题、html 小部件和 JavaScript 操作扩展Shiny 应用程序。

例子：

File -> New Project -> New directory -> Shiny Application ->

Create Project (click Open in new session) -> Run App

shiny::runApp("test_shiny/app.R")

官方教程：Shiny Learning Resources

参考书：Mastering Shiny

关注公众号，获取最新推送

关注公众号 ‘bio llbug’,获取最新推送。

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/28425.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

GTK tutorial 十三

GTK tutorial 十三

Spin Buttons Spin Button用于让用户在一个范围内的数值中选择一个数字。它包含一个text entry box,并且在entry box旁边有用于上下翻的箭头按钮。entry box也能够直接被编辑。 下面举例说明其用法。 程序运行结果&#xff1a; /**spinbutton.c/ #include<stdio.h> #i…
阅读更多...
Java并发自测题

Java并发自测题

文章目录 一、什么是线程和进程?线程与进程的关系,区别及优缺点&#xff1f;二、为什么要使用多线程呢?三、说说线程的生命周期和状态?四、什么是线程死锁?如何预防和避免线程死锁?五、synchronized 关键字六、并发编程的三个重要特性七、JMM &#xff08;Java Memory Mod…
阅读更多...
上海计算机考研避雷，25考研慎报

上海计算机考研避雷，25考研慎报

上大计算机一直很热 408考研er重来没有让我失望过&#xff0c;现在上大的专业课是11408&#xff0c;按理说&#xff0c;这个专业课的难度是很高的&#xff0c;但是408er给卷出了新高度&#xff0c;大家可以去上大官网看看今年最新的数据&#xff0c;我也帮大家统计了24年最新的…
阅读更多...
灾备建设中虚拟机细粒度恢复的含义及技术使用

灾备建设中虚拟机细粒度恢复的含义及技术使用

灾备建设中为了考虑虚拟机恢复的效率与实际的用途&#xff0c;在恢复上出了普通的恢复虚拟机&#xff0c;也有其余的恢复功能&#xff0c;比如瞬时恢复&#xff0c;细粒度恢复等。这里谈的就是细粒度恢复。 首先细粒度恢复是什么&#xff0c;这个恢复可以恢复单个备份下来的文…
阅读更多...
Git学习记录v1.0

Git学习记录v1.0

1、常用操作 git clonegit configgit branchgitt checkoutgit statusgit addgit commitgit pushgit pullgit loggit tag 1.1 git clone 从git服务器拉取代码 git clone https://gitee.com/xxx/studyJava.git1.2 git config 配置开发者用户名和邮箱 git config user.name …
阅读更多...
堆的基本概念

堆的基本概念

堆 堆是一个完全二叉树 完全二叉树的要求&#xff0c;除了最后一层&#xff0c;其他层的节点个数都是满的&#xff0c;最后一层的节点都靠左排列 堆中每一个节点的值都必须大于等于(或小于等于)其子树中每个节点的值 堆中每个节点的值都大于等于(或者小于等于)其左右子节点的值…
阅读更多...
不同高速协议接口之间共享时钟

不同高速协议接口之间共享时钟

文章目录 前言1、万兆网给8B10B PHY共享2、8B10B PHY给万兆网共享3、综合实现4、总结4.1、上板验证4.1.1、第一路数据&#xff1a;万兆网4.1.2、第二路数据&#xff1a;8B10B PHY 前言 一个GT BANK有四个GT channel&#xff0c;他们之间是可以共享同一个QPLL输出参考时钟&…
阅读更多...
【深度学习量化交易1】一个金融小白尝试量化交易的设想、畅享和遐想

【深度学习量化交易1】一个金融小白尝试量化交易的设想、畅享和遐想

关注我的朋友们可能知道&#xff0c;我经常在信号处理的领域出没&#xff0c;时不时会发一些信号处理、深度学习科普向的文章。 不过算法研究久了&#xff0c;总想做一些更有趣的事情。 比如用深度学习算法赚大钱。。毕竟有什么事情能比暴富更有意思呢。 一、神经网络与彩票…
阅读更多...
【linux】Linux分析cpu问题

【linux】Linux分析cpu问题

CPU使用率高怎么分析&#xff1a; 首先先看哪些线程占用资源高看每个线程在干啥&#xff08;类似windows系统的任务管理器&#xff09; 步骤&#xff1a; 定位应用进程 pid jps -l # 查看进程找到线程 tid top -Hp {pid}将 tid 转换成十六进制 printf "%x\n" {…
阅读更多...
【loguru】【notifiers】配置ERROR级别邮件发送通知

【loguru】【notifiers】配置ERROR级别邮件发送通知

完整代码 from loguru import logger from notifiers import get_notifier# 获取电子邮件通知器 notifier get_notifier("email")# 配置电子邮件通知参数 email_params {"username": "xxxxx163.com", # 发送邮件的用户名&#xff0c;我这里用…
阅读更多...
数字孪生技术如何赋能智慧工厂

数字孪生技术如何赋能智慧工厂

数字孪生技术为什么能在智慧工厂中发挥作用&#xff1f;随着工业4.0的推进和智能制造的普及&#xff0c;数字孪生技术成为智慧工厂的重要推动力。数字孪生是指在虚拟空间中创建一个与现实物理实体相对应的数字模型&#xff0c;通过实时数据交互和分析&#xff0c;实现对物理实体…
阅读更多...
Kafka高频面试题整理

Kafka高频面试题整理

文章目录 1、什么是Kafka?2、kafka基本概念3、工作流程4、Kafka的数据模型与消息存储机制1)索引文件2)数据文件 5、ACKS 机制6、生产者重试机制:7、kafka是pull还是push8、kafka高性能高吞吐的原因1&#xff09;磁盘顺序读写&#xff1a;保证了消息的堆积2&#xff09;零拷贝机…
阅读更多...
【java分布式计算】控制反转和依赖注入（DI IOC AOP）

【java分布式计算】控制反转和依赖注入（DI IOC AOP）

考试要求&#xff1a;了解控制反转的基本模式&#xff0c;用依赖注入编写程序 目录 控制反转&#xff08;Inversion of Control, IOC&#xff09;&#xff1a; 依赖注入&#xff08;Dependency Injection, DI&#xff09;&#xff1a; 依赖注入的三种实现方式 具体的例子 …
阅读更多...
LoadBalance客户端负载均衡

LoadBalance客户端负载均衡

1. 前言Ribbon Spring Cloud Ribbon是基于Netflix Ribbon实现的一套客户端 负载均衡的工具。简单的说&#xff0c;Ribbon是Netflix发布的开源项目&#xff0c;主要功能是提供客户端的软件负载均衡算法和服务调用。Ribbon客户端组件提供一系列完善的配置项如连接超时&#xff0…
阅读更多...
Intel平台，13600KF+3060Ti，虚拟机安装macOS 14(2024年6月)

Intel平台，13600KF+3060Ti，虚拟机安装macOS 14(2024年6月)

距离上次装macOS虚拟机已经有一段时间了&#xff0c;macOS系统现在大版本升级的速度也是越来越快了&#xff0c;由于Office只支持最新三个版本的macOS&#xff0c;所以现在保底也得安装macOS 12了&#xff0c;我这次是用macOS 14做实验&#xff0c;13和12的安装方式和macOS 14一…
阅读更多...
QuickLook最强大的C#开源文件预览神器

QuickLook最强大的C#开源文件预览神器

功能特点&#xff1a; 快速预览&#xff1a;用户只需选中文件并按下空格键&#xff0c;即可立即查看文件内容&#xff0c;无需打开特定应用程序或软件。 多格式支持&#xff1a;QuickLook支持预览几乎所有常见的文件类型&#xff0c;包括但不限于&#xff1a; 图像&#xff1…
阅读更多...
Flink作业执行之 2.算子 StreamOperator

Flink作业执行之 2.算子 StreamOperator

Flink作业执行之 2.算子 StreamOperator 前文介绍了Transformation创建过程&#xff0c;大多数情况下通过UDF完成DataStream转换中&#xff0c;生成的Transformation实例中&#xff0c;核心逻辑是封装了SimpleOperatorFactory实例。 UDF场景下&#xff0c;DataStream到Transf…
阅读更多...
转让中字头控股集团公司步骤和条件

转让中字头控股集团公司步骤和条件

随着中国经济的不断发展&#xff0c;越来越多的企业开始积极寻求并购和收购机会。其中&#xff0c;国家总局中字头控股集团公司也是一个备受关注的对象。本篇文章将为您详细介绍国家总局中字头控股集团公司的收购流程及要求。详情致电咨询我或者来公司面谈。 中字头公司转让需满…
阅读更多...
CSS实现前端小组件随笔

CSS实现前端小组件随笔

一.CSSJS实现打字机效果 1.1实现效果 1.2HTML部分 <span class"bottom-text"></span> 1.3CSS部分 .bottom-text {font-fanmily: "fangsong";display:inline-block;position:relative;font-size:20px;height:20px;inline-height:20px;color…
阅读更多...
定个小目标之刷LeetCode热题（21）

定个小目标之刷LeetCode热题（21）

这是道技巧题&#xff0c;利用了 &#xff08;num - 1&#xff09;% n 计算下标的形式来将数组元素与数组索引产生映射关系&#xff0c;代码如下&#xff0c;可以看下注释 class Solution {public List<Integer> findDisappearedNumbers(int[] nums) {int n nums.lengt…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023