粗糙集知识约简的python代码

看到不少人给我留言关于粗糙集的问题，
由于以前代码写的时间太长了，而且过于简化，我都忘了自己怎么写的了，我就没有每个人都回应。
现在更新新版的粗糙集代码

知识约简也相当简单，只要调用RoughSets.cores就可以看到哪些类别是可以约简的，RoughSets.KnowledgeReduction()函数输入相应参数就可以查看多个类别是否可以同时约简，其中将要检查的非核类别用list或者np.array包裹起来放入Cn参数即可，同时该函数也支持单独一个类别是否可以约简的检查，返回True就是可以约简，返回False就是不能约简。

import numpy as np
import pandas as pdclass RoughSets():def __init__(self,table):self.D_col = np.ravel(table.iloc[:,-1])self.D = np.array(self.D_col,dtype=np.str_)self.C = np.array(table.columns[1:-1],dtype=np.str_)self.R = np.array(table.columns,dtype=np.str_)self.U = np.matrix(table.iloc[:,:],dtype=np.str_)self.Uij = np.ravel(self.U[:,:1])self.V = np.unique(np.ravel(self.U[:,1:]))self.cores = self.Core(D=[self.R[-1]],U=self.U,R = self.R,C=self.C)def VaRange(self,U=None,R=None):"""查看变量值域VaRange(U,R)Args:U (_type_): _description_R (_type_): _description_Returns:_type_: _description_"""return_eq = {"变量名":[],"值域":[]}# 切分出值矩阵Vmatrix = U[:,1:]# 且分出列明Rs = R[1:]for R_name,Varray in zip(Rs,Vmatrix):# 先将列数据降维到行数据lower_dimensional = np.ravel(Varray)# 对数据去重得到 Va 也就是属性的值域Va = np.unique(lower_dimensional) return_eq["变量名"].append(R_name)return_eq["值域"].append(Va)return pd.DataFrame(return_eq)def f(self,x,a,U=None,R=None):"""信息函数f(U,R,a=['天气','气温'],x=["1","2"])Args:U (_type_): _description_R (_type_): _description_x (_type_): _description_a (_type_): _description_Returns:_type_: _description_"""a = np.array(a)x = np.array(x)# 切分出 U 的标签 e_{x}U_i = U[:,0]# 生成 U 轴的布尔值索引m,n = U_i.shapex_index = np.zeros(m)for x_i in x: x_index += np.ravel(U_i==x_i)# 将x所属U的位置数字变为bool值索引 x_index = x_index.astype(bool)# 生成 R 轴的布尔值索引m = R.sizea_index = np.zeros(m)for a_i in a:a_index += np.ravel(R == a_i)# 将a所属R的位置数字变为bool值索引 a_index = a_index.astype(bool)# 切分出当前信息fx = U[x_index].T[a_index].Treturn pd.DataFrame(data=fx,columns=a,index=x)def IND(self,A:iter,U=None,R=None,out_dataframe=None):"""给定属性名称，查询是否存在等价类print(IND(U,R,A=['气温','天气'],out_dataframe=True))print(IND(U,R,A=["湿度"],out_dataframe=True))Args:U (_type_): _description_R (_type_): _description_A (iter): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""# 切分出 U 的标签 e_{x}U_i = U[:,0]m = R.sizeA = np.sort(np.array(A,dtype=np.str_))a_index = np.zeros(m)for a_i in A:a_index += np.ravel(R == a_i)# 将a所属R的位置数字变为bool值索引 a_index = a_index.astype(bool)# 切出待比较的列U_ij = U.T[a_index].T# 去重相同属性de_duplicate_Uij = np.unique(U_ij,axis=0)A_length = len(A)return_eq = {"等价属性列":[],"等价属性":[],"等价类对象":[]}for de_ in de_duplicate_Uij:x_index = np.where(U_ij == de_,True,False).sum(axis=1)==len(A)return_eq["等价属性列"].append(A)return_eq["等价属性"].append(de_)return_eq["等价类对象"].append(np.ravel(U_i[x_index]))# print(de_,np.ravel(U_i[x_index]))if out_dataframe:return pd.DataFrame(return_eq)return return_eqdef isIND(self,A:iter,X:iter,U=None,R=None,out_dataframe=None):"""查询的是否存在等价关系isIND(U,R,A=["天气","气温"],X=["1","2"],out_dataframe=True)Args:U (_type_): _description_R (_type_): _description_A (iter): _description_X (iter): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""# U_i = U[:,0]# print(U_i)step_1 = self.IND(U=U,R=R,A=A)A = np.sort(np.array(A,dtype=np.str_))X = np.sort(np.array(X,dtype=np.str_))Equivalence_class_object = step_1["等价类对象"]Equivalence_attribute = step_1["等价属性"]Equivalencet_attribute_columns = step_1["等价属性列"]return_eq = {"X":[X],"A":[A],"等价属性列":[],"等价属性":[],"等价类对象":[]}for _,x in enumerate(Equivalence_class_object):# 求X对象名与等价类中的对象名的交集is_intersection = np.intersect1d(X ,x)# 如果存在交集，就存储if len(is_intersection) >= len(X):return_eq["等价类对象"].append(Equivalence_class_object[_])return_eq["等价属性"].append(Equivalence_attribute[_])return_eq["等价属性列"].append(Equivalencet_attribute_columns[_])return_condition = len(return_eq["等价属性列"])>0if out_dataframe:if return_condition:return pd.DataFrame(return_eq)return f"查询属性A:{A}，与查询对象X:{X}，没有等价类"else:if return_condition:return return_eqreturn f"查询属性A:{A}，与查询对象X:{X}，没有等价类"def lower_approximation(self,X,A,U=None,R=None,out_dataframe=None):"""下近似X_case = ['1', '2', '3', '4', '5', '6', '7', '8', '9', '10', '11', '12','13','14']print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}")lower_approximation(U=U,X=X_case,R=R,A=A,out_dataframe=True)Args:X (_type_): _description_Robj (_type_): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""Robj = self.IND(U=U,R=R,A=A)# A = np.sort(np.array(A,dtype=np.str_))X = np.sort(np.array(X,dtype=np.str_))Equivalence_class_object = Robj["等价类对象"]# Equivalence_attribute = Robj["等价属性"]# Equivalencet_attribute_columns = Robj["等价属性列"]return_eq =[]for eco in Equivalence_class_object:m = len(eco)### 如果eco是X的子集is_subsets = np.in1d(eco,X).sum()==mif is_subsets:for e in eco:return_eq.append(e)### 求所有是X子集的eco集合的并集return_eq = {"X":[X],"A":[A],"下近似":[np.unique(return_eq)]}if out_dataframe:return pd.DataFrame(return_eq)return return_eqdef upper_approximation(self,X,A,U=None,R=None,out_dataframe=None):"""上近似X_case =  ["1","2","3","4"]print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}")upper_approximation(U=U,X=X_case,R=R,A=A,out_dataframe=True)Args:X (_type_): _description_Robj (_type_): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""Robj = self.IND(U=U,R=R,A=A)X = np.sort(np.array(X,dtype=np.str_))Equivalence_class_object = Robj["等价类对象"]# Equivalence_attribute = Robj["等价属性"]# Equivalencet_attribute_columns = Robj["等价属性列"]return_eq =[]for eco in Equivalence_class_object:### 求eco与X的交集intersection_set = np.intersect1d(eco,X)if len(intersection_set)>0:### 将 eco与X的交集插入for e in eco:return_eq.append(e)### 求eco与X的交集的并集return_eq = {"X":[X],"A":[A],"上近似":[np.unique(return_eq)]}if out_dataframe:return pd.DataFrame(return_eq)return return_eqdef Pos_A(self,X,A,U=None,R=None,out_dataframe=None):"""正域X_case =  np.ravel(U[:,:1])print(f"X:\n{X_case}")A=["天气","气温","湿度"]print(f"A:\n{A}")Pos_A(U=U,X=X_case,R=R,A=A,out_dataframe=True)Args:U (_type_): _description_X (_type_): _description_R (_type_): _description_A (_type_): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""A_lower = self.lower_approximation(U=U,X=X,R=R,A=A)['下近似']return_eq = {"X":[X],"A":[A],"正域":A_lower}if out_dataframe:return pd.DataFrame(return_eq)return return_eqdef NEG_A(self,X,A,U=None,R=None,out_dataframe=None):"""负域X_case =  ["1","2","3","4"]print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}")NEG_A(U=U,X=X_case,R=R,A=A,out_dataframe=True)Args:U (_type_): _description_X (_type_): _description_R (_type_): _description_A (_type_): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""A_upper = self.upper_approximation(U=U,X=X,R=R,A=A)["上近似"]U_i = np.ravel(U[:,:1])# 求U-上近似A-(x)的差集NEGx = np.setdiff1d(U_i,A_upper)return_eq = {"X":[X],"A":[A],"负域":[NEGx]}if out_dataframe:return pd.DataFrame(return_eq)return return_eqdef BND_A(self,X,A,U=None,R=None,out_dataframe=None):"""边界X_case =  ["1","2","3","4"]print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}")BND_A(U=U,X=X_case,R=R,A=A,out_dataframe=True)Args:U (_type_): _description_X (_type_): _description_R (_type_): _description_A (_type_): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""A_upper = self.upper_approximation(U=U,X=X,R=R,A=A)["上近似"]A_lower = self.lower_approximation(U=U,X=X,R=R,A=A)['下近似']BNGx = np.setdiff1d(A_upper,A_lower)return_eq = {"X":[X],"A":[A],"边界":[BNGx]}if out_dataframe:return pd.DataFrame(return_eq)return return_eqdef isRoughSet(self,X,A,U=None,R=None,out_dataframe=None):"""是否是粗糙集X_case =  ['4', '10', '14']print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}") print(f"isRoughSet 返回 是否是粗糙集 ：{isRoughSet(U=U,X=X_case,R=R,A=A,out_dataframe=bool)}")print(f"isRoughSet 返回 字典数据 ：{isRoughSet(U=U,X=X_case,R=R,A=A,out_dataframe=False)}")isRoughSet(U=U,X=X_case,R=R,A=A,out_dataframe=True)Args:U (_type_): _description_X (_type_): _description_R (_type_): _description_A (_type_): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""A_upper = self.upper_approximation(U=U,X=X,R=R,A=A)["上近似"][0]A_lower = self.lower_approximation(U=U,X=X,R=R,A=A)['下近似'][0]is_equality = set(A_upper) == set(A_lower)BND_a = self.BND_A(U=U,X=X,R=R,A=A)["边界"]BNDisEmptySet = len(BND_a) == 0return_eq = {"X":[X],"A":[A],"粗糙/精确集":is_equality & BNDisEmptySet and  "X为A的精确集" or "X为A的粗糙集"}if out_dataframe and out_dataframe != bool:return pd.DataFrame(return_eq)elif out_dataframe == bool:return is_equality==Falsereturn return_eqdef Score(self,X,A,U=None,R=None,out_dataframe=True):"""分类数值标准X_case =  ["1","2","3","4"]print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}")Values(U=U,X=X_case,R=R,A=A,out_dataframe=True)Args:U (_type_): _description_X (_type_): _description_R (_type_): _description_A (_type_): _description_out_dataframe (bool, optional): _description_. Defaults to True.Returns:_type_: _description_"""upper_appr = self.upper_approximation(U=U,X=X,R=R,A=A)["上近似"][0]lower_appr = self.lower_approximation(U=U,X=X,R=R,A=A)["下近似"][0]alpha = len(lower_appr)/len(upper_appr)rho = 1-alphagamma = len(lower_appr)/U.shape[0]return_eq = {"X":[X],"A":[A],"近似分类精度":alpha,"粗糙度":rho,"近似分类质量":gamma}if out_dataframe:return pd.DataFrame(return_eq)return return_eqdef isRed(self,B:iter,A:iter,U=None,R=None,out_dataframe=None):"""B是否是A的约简A = ["天气"]B = ["天气"]isRed(U=U,R=R,B=B,A=A)Args:U (_type_): _description_R (_type_): _description_B (iter): _description_A (iter): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""# if U != True:#     U = self.U# if R != True:#     R = self.Rif set(B).issubset(set(A)):Abasic_set = self.IND(U=U,R=R,A=A)["等价类对象"]Bbasic_set = self.IND(U=U,R=R,A=B)["等价类对象"]if len(Abasic_set) == len(Bbasic_set):sorted_Abasic = sorted([sorted([e for e in ab]) for ab in Abasic_set])sorted_Bbasic = sorted([sorted([e for e in ab]) for ab in Bbasic_set])if sorted_Abasic == sorted_Bbasic:return Truereturn Falsereturn "集合B必须属于集合A的子集"def Pos_C(self,D=None,U=None,R=None,C=None,out_dataframe=None):""" 求核的用的正域函数D = ["类别"]  Pos_C(U=U,R=R,D=D,C=C)Args:U (_type_): _description_R (_type_): _description_D (_type_): _description_C (_type_): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""# if D != True:#     D = [self.R[-1]]# if U != True:#     U = self.U# if R != True:#     R = self.R# if C != True:#     C = self.CIND_D_ = self.IND(U=U,R=R,A=D)PosCn = {}IND_D = IND_D_["等价类对象"]Dclass = IND_D_['等价属性']IND_C = self.IND(U=U,R=R,A=C)["等价类对象"]    t = -1for indd in IND_D:t += 1for indc in IND_C:m = len(indc)is_subsets = np.in1d(indc,indd).sum()==mif is_subsets:for ui in indc:if t in PosCn:PosCn[t].append(ui)else:PosCn.update({t:[ui]})return_eq = {f"{Dclass[No][0]}正域":lower for No,lower in PosCn.items()}if out_dataframe:return pd.DataFrame(return_eq)return return_eqdef lower_app(self,set1,set2):"""求核用的下近似函数Args:set1 (_type_): _description_set2 (_type_): _description_Returns:_type_: _description_"""return_eq = {"下近似":[]}for s1 in set1:for s2 in set2:m = len(s2)is_subsets = np.in1d(s2,s1).sum()==mif is_subsets:for e in s2:return_eq["下近似"].append(e)return set(sorted(return_eq["下近似"]))def Core(self,D=None,U=None,R=None,C=None,out_dataframe=None):"""求核Args:U (_type_): _description_R (_type_): _description_C (_type_): _description_D (_type_): _description_out_dataframe (_type_, optional): _description_. Defaults to None.Returns:_type_: _description_"""# if D!=True:#     D = [self.R[-1]]# if U != True:#     U = self.U# if R != True:#     R = self.R# if C != True:#     C = self.CPoscD = [v for k,v in self.Pos_C(U=U,R=R,D=D,C=C).items()]return_eq = {"属性名":[],"是否可省略":[],"是否是核":[]}Uij = set(np.ravel(U[:,:1]))for a in C:Ca = list(C)Ca.remove(str(a)) INDCai = self.IND(U=U,R=R,A=Ca)["等价类对象"]lower_set = self.lower_app(set1=PoscD,set2=INDCai)isCore = lower_set != Uijreturn_eq["属性名"].append(a)return_eq["是否可省略"].append(isCore!=True)return_eq["是否是核"].append(isCore)if out_dataframe:return pd.DataFrame(return_eq)return return_eqdef KnowledgeReduction(self,D,Cn,U,R,C):"""是否可以同时删除Cn的属性D = ["类别"]     Cn = ["气温","湿度"]print(f"是否可以同时删除{Cn}:{KnowledgeReduction(U=U,R=R,C=C,D=D,Cn=Cn)}")Args:U (_type_): _description_R (_type_): _description_C (_type_): _description_D (_type_): _description_Cn (_type_): _description_Returns:_type_: bool如果回复True就是可以同时删除，如果回复是False就是不可以同时删除"""PoscD = [v for k,v in self.Pos_C(U=U,R=R,D=D,C=C).items()]Uij = set(np.ravel(U[:,:1]))Ca = list(C)for a in Cn:        Ca.remove(str(a)) INDCai = self.IND(U=U,R=R,A=Ca,out_dataframe=True)["等价类对象"]lower_set = self.lower_app(set1=PoscD,set2=INDCai)isCore = lower_set != Uijreturn isCore != Trueif __name__ == '__main__':table = pd.DataFrame(data = np.matrix([[1,"晴",	"热","高","无风","N"],[2, '晴', '热', '高', '有风', 'N'],[3, '多云', '热', '高', '无风', 'P'],[4, '雨', '适中', '高', '无风', 'P'],[5, '雨', '冷', '正常', '无风', 'P'],[6, '雨', '冷', '正常', '有风', 'N'],[7, '多云', '冷', '正常', '有风', 'P'],[8, '晴', '适中', '高', '无风', 'N'],[9, '晴', '冷', '正常', '无风', 'P'],[10, '雨', '适中', '正常', '无风', 'P'],[11, '晴', '适中', '正常', '有风', 'P'],[12, '多云', '适中', '高', '有风', 'P'],[13, '多云', '热', '正常', '无风', 'P'],[14, '雨', '适中', '高', '有风', 'N']]),columns = ["No.","天气","气温","湿度","风","类别"])RS = RoughSets(table)print(RS.Uij)print(RS.VaRange(RS.U,RS.R))print("U:",RS.U)print(RS.f(a=['天气','气温'],x=["1","2"],R=RS.R,U=RS.U))print(RS.IND(A=['气温','天气'],R=RS.R,U=RS.U,out_dataframe=True))print(RS.IND(A=["湿度"],R=RS.R,U=RS.U,out_dataframe=True))print(RS.isIND(A=["天气","气温"],X=["1","2"],R=RS.R,U=RS.U,out_dataframe=True))X_case = ['1', '2', '3', '4', '5', '6', '7', '8', '9', '10', '11', '12','13','14']print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}")print(RS.lower_approximation(U=RS.U,X=X_case,R=RS.R,A=A,out_dataframe=True))X_case =  ["1","2","3","4"]print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}")print(RS.upper_approximation(U=RS.U,X=X_case,R=RS.R,A=A,out_dataframe=True))X_case =  np.ravel(RS.U[:,:1])print(f"X:\n{X_case}")A=["天气","气温","湿度"]print(f"A:\n{A}")print(RS.Pos_A(U=RS.U,X=X_case,R=RS.R,A=A,out_dataframe=True))X_case =  ["1","2","3","4"]print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}")print(RS.NEG_A(U=RS.U,X=X_case,R=RS.R,A=A,out_dataframe=True))X_case =  ["1","2","3","4"]print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}")print(RS.BND_A(U=RS.U,X=X_case,R=RS.R,A=A,out_dataframe=True))X_case =  ['4', '10', '14']print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}") print(f"isRoughSet 返回 是否是粗糙集 ：{RS.isRoughSet(U=RS.U,X=X_case,R=RS.R,A=A,out_dataframe=bool)}")print(f"isRoughSet 返回 字典数据 ：{RS.isRoughSet(U=RS.U,X=X_case,R=RS.R,A=A,out_dataframe=False)}")print(RS.isRoughSet(U=RS.U,X=X_case,R=RS.R,A=A,out_dataframe=True))X_case =  ["1","2","3","4"]print(f"X:\n{X_case}")A=["天气","气温"]print(f"A:\n{A}")print(RS.Score(U=RS.U,X=X_case,R=RS.R,A=A,out_dataframe=True))A = ["天气"]B = ["天气"]print(RS.isRed(U=RS.U,R=RS.R,B=B,A=A))D = ["类别"]  print(RS.Pos_C(U=RS.U,R=RS.R,D=D,C=RS.C))D = ["类别"]        print(RS.Core(U=RS.U,R=RS.R,C=RS.C,D=D,out_dataframe=True))D = ["类别"]     Cn = ["气温","湿度"]print(f"是否可以同时删除{Cn}:{RS.KnowledgeReduction(U=RS.U,R=RS.R,C=RS.C,D=D,Cn=Cn)}")print(RS.cores)Cn = ["天气","湿度"]#np.array(RS.cores['属性名'])[np.array(RS.cores['是否可省略'])]D=[RS.R[-1]]print(RS.KnowledgeReduction(D=D,Cn=Cn,U=RS.U,R=RS.R,C=RS.C))

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/news/112971.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

【LeetCode】59. 螺旋矩阵 II

【LeetCode】59. 螺旋矩阵 II

1 问题 给你一个正整数 n ，生成一个包含 1 到 n2 所有元素，且元素按顺时针顺序螺旋排列的 n x n 正方形矩阵 matrix 。 示例 1： 输入：n 3 输出：[[1,2,3],[8,9,4],[7,6,5]] 示例 2： 输入：n…
阅读更多...
windows 11 安装PHP8.2

windows 11 安装PHP8.2

环境说明 windows:windows 11 x64apache: Apache/2.4.43php :php-8.2.11 一.php 1、PHP下载 PHP For Windows: Binaries and sources Releases 注意： 1.要下载Thread Safe，否则没有php8apache2_4.dll这个文件；如果使用Apache作为服务器…
阅读更多...
SpringSecurity+ Oauth2.0+JWT 0-1

SpringSecurity+ Oauth2.0+JWT 0-1

这里写目录标题 准备工作准备SQL添加用户添加依赖准备UserInfoUserMapperUserServiceUserServiceImpl配置SpringDataUserDetailsService 授权服务器：AuthorizationServer配置客户端详细信息管理令牌定义TokenConfig定义AuthorizationServerTokenServices 令牌访问端…
阅读更多...
k8s 实战 常见异常事件 event 及解决方案分享

k8s 实战 常见异常事件 event 及解决方案分享

k8s 实战 常见异常事件 event 及解决方案分享 集群相关 Coredns容器或local-dns容器 重启集群中的coredns组件发生重启(重新创建)，一般是由于coredns组件压力较大导致oom，请检查业务是否异常，是否存在应用容器无法解析域名的异常。如果是l…
阅读更多...
Python爬虫基础之Selenium详解

Python爬虫基础之Selenium详解

目录 1. Selenium简介2. 为什么使用Selenium？3. Selenium的安装4. Selenium的使用5. Selenium的元素定位6. Selenium的交互7. Chrome handless参考文献 原文地址：https://program-park.top/2023/10/16/reptile_3/ 本文章中所有内容仅供学习交流使用&…
阅读更多...
左连接一对多的情况

左连接一对多的情况

左连接一对多时候，应该以主表唯一数据为左表 GROUP_CONCAT（）
阅读更多...
Flutter之Widget生命周期

Flutter之Widget生命周期

目录 初始化构造函数initStatedidChangeDependencies 运行时builddidUpdateWidget 组件移除deactivatedisposereassemble 函数生命周期说明：实际场景App生命周期 前言：生命周期是一个组件加载到卸载的整个周期，熟悉生命周期可以让我们在合适的…
阅读更多...
父组件与子组件的属性透传

父组件与子组件的属性透传

透传是vue中一种特性，官方的解释是：“透传 attribute”指的是传递给一个组件，却没有被该组件声明为 props 或 emits 的 attribute 或者 v-on 事件监听器。最常见的例子就是 class、style 和 id。这句话解释过来就是一些不被prop定义的属性直接…
阅读更多...
django 支付宝支付

django 支付宝支付

支付宝支付 1.注册开发者账号 调试支付宝支付需要先在支付宝开放平台进行组测，入驻为“自助研发者”，链接为支付宝开放平台 2.进入开发者工具中的沙箱 里面有所需的id 域名 3.RSA 加密算法
阅读更多...
尚硅谷Flink（完）FlinkSQL

尚硅谷Flink（完）FlinkSQL

🧙FlinkSQL🏂🤺 Table API 和 SQL 是最上层的 API，在 Flink 中这两种 API 被集成在一起，SQL 执行的对象也是Flink 中的表（Table），所以我们一般会认为它们是一体的。 SQL API 是基于…
阅读更多...
短视频矩阵系统源头开发

短视频矩阵系统源头开发

一、智能剪辑、矩阵分发、无人直播、爆款文案于一体独立应用开发 抖去推----主要针对本地生活的----移动端(小程序软件系统，目前是全国源头独立开发)，开发功能大拆解分享，功能大拆解： 7大模型剪辑法（数学阶乘&#x…
阅读更多...
openHarmony UI开发

openHarmony UI开发

常用组件和布局方式 组件 ArkUI有丰富的内置组件，包括文本、按钮、图片、进度条、输入框、单选框、多选框等。和布局一样，我们也可以将基础组件组合起来，形成自定义组件。 按钮： Button(Ok, { type: ButtonType.Normal, stateEf…
阅读更多...
C# Onnx Yolov8 Detect 烟雾检测

C# Onnx Yolov8 Detect 烟雾检测

效果 项目 代码 using Microsoft.ML.OnnxRuntime; using Microsoft.ML.OnnxRuntime.Tensors; using OpenCvSharp; using System; using System.Collections.Generic; using System.Drawing; using System.Linq; using System.Text; using System.Windows.Forms;namespace Onnx…
阅读更多...
用Python解析HTML页面

用Python解析HTML页面

用Python解析HTML页面 文章目录 用Python解析HTML页面HTML 页面的结构XPath 解析CSS 选择器解析简单的总结 在前面的课程中，我们讲到了使用 request三方库获取网络资源，还介绍了一些前端的基础知识。接下来，我们继续探索如何解析 HTML 代码&…
阅读更多...
leetcode做题笔记191. 位1的个数

leetcode做题笔记191. 位1的个数

编写一个函数，输入是一个无符号整数（以二进制串的形式），返回其二进制表达式中数字位数为 1 的个数（也被称为汉明重量）。 提示： 请注意，在某些语言（如 Java）中…
阅读更多...
Python超入门（5）__迅速上手操作掌握Python

Python超入门（5）__迅速上手操作掌握Python

# 20.列表# 一维列表 names [Hash, Bob, Nick] print(names) # 全打印 print(names[:]) # 全打印 print(names[1:3]) # 打印1到2号索引 print(names[:2]) # 打印0到1号索引[Hash, Bob, Nick] [Hash, Bob, Nick] [Bob, Nick] [Hash, Bob]# 二维列表:一维列表中嵌套一维列表…
阅读更多...
Module not found: Error: Can‘t resolve ‘core-js/modules/es.promise.js‘

Module not found: Error: Can‘t resolve ‘core-js/modules/es.promise.js‘

1.遇到的问题 具体错误： ERROR in ./src/js/index.js 1:0-48 产环境配置15js兼容性处理srcjsERROR in ./src/js/index.js 2:0-39 Module not found: Error: Cant resolve core-js/modules/es.promise.js in D:DesktopMy FilesRecentlyStudyWebPackdemo3.webpack生…
阅读更多...
R语言：因子分析 factor analysis

R语言：因子分析 factor analysis

文章目录 因子分析数据集处理步骤主成分法做因子分析最大似然法做因子分析 因子分析 因子分析的用途与主成分分析类似，它也是一种降维方法。由于因子往往比主成分更易得到解释，故因子分析比主成分分析更容易成功，从而有更广泛的应用。 从方法…
阅读更多...
华为OD 区间交集（200分）【java】A卷+B卷

华为OD 区间交集（200分）【java】A卷+B卷

华为OD统一考试A卷+B卷 新题库说明 你收到的链接上面会标注A卷还是B卷。目前大部分收到的都是B卷。 B卷对应20022部分考题以及新出的题目，A卷对应的是新出的题目。 我将持续更新最新题目 获取更多免费题目可前往夸克网盘下载，请点击以下链接进入： 我用夸克网盘分享了「华为O…
阅读更多...
在 Python 中使用 Fsolve

在 Python 中使用 Fsolve

本文将探讨如何使用 fsolve 在 Python 中求解。 我们还将探索它的使用场景和一些示例代码，以更好地理解如何以及何时使用它来达到某种结果。 让我们首先了解 fsolve 是什么以及为什么使用它。 Python 中的 fsolve 函数 方程是数据科学的根源，它们帮助数…
阅读更多...
最新文章

Copyright @ 2022~2023