深入理解 Scikit-learn：機器學習實戰的科學之道與避坑指南

掌握工具易，領悟其道難——本文帶你穿透API表面，直擊工業級機器學習實踐的核心邏輯。

作為一名長期耕耘在機器學習研究與工業應用一線的從業者，我見過太多因誤用?sklearn?而導致的模型失效案例。從數據泄露到評估失真，從特征處理失誤到超參調優陷阱。本文將結合真實項目經驗，系統闡述如何科學、嚴謹地使用這一強大工具庫。

一、數據預處理：模型效果的基石與常見陷阱

核心原則：?預處理必須在訓練集上擬合轉換器，在測試集/新數據上僅應用轉換。避免任何形式的數據泄露。

1.1 標準化/歸一化：不只是調用?StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler# 錯誤示范：在整個數據集上擬合轉換器
scaler = StandardScaler().fit(X)  # 泄露測試集信息！
X_scaled = scaler.transform(X)# 正確方法：嚴格隔離訓練集與測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)scaler = StandardScaler().fit(X_train)  # 僅在訓練集擬合
X_train_scaled = scaler.transform(X_train)
X_test_scaled = scaler.transform(X_test)  # 測試集使用訓練集的參數轉換

深入解析：?標準化器（如?StandardScaler）在?fit?時計算訓練集的均值（mean_）和標準差（scale_）。在測試集上使用這些參數轉換，模擬模型部署時遇到新數據的情景。若在整個數據集上擬合，測試集信息會“污染”轉換參數，導致評估過于樂觀，模型上線后性能驟降。

1.2 缺失值處理：選擇與模型兼容的策略
from sklearn.impute import SimpleImputer
from sklearn.ensemble import RandomForestRegressor# 數值型特征：中位數填充 (對異常值穩健)
num_imputer = SimpleImputer(strategy='median')# 分類特征：眾數填充
cat_imputer = SimpleImputer(strategy='most_frequent')# 高級技巧：模型驅動的填充 (如KNNImputer)
from sklearn.impute import KNNImputer
knn_imputer = KNNImputer(n_neighbors=5)

經驗之談：?樹模型（如?RandomForest）本身能處理缺失值（sklearn?中需顯式設置），但多數模型（如?SVM, 線性模型）不能。KNN填充效果通常優于簡單統計量，但計算開銷大。關鍵點：?任何填充策略的擬合（如計算中位數/眾數/KNN模型）必須僅基于訓練集。

1.3 分類特征編碼：OneHotEncoder?vs?OrdinalEncoder

  • OneHotEncoder?(獨熱編碼):?適用于無內在順序的類別（如城市：北京、上海、深圳）。產生稀疏矩陣。

  • OrdinalEncoder?(序數編碼):?適用于有內在順序的類別（如學歷：高中<本科<碩士<博士）。轉換為有序整數。

from sklearn.preprocessing import OneHotEncoder, OrdinalEncoder# 獨熱編碼 (注意handle_unknown='ignore'防止新類別報錯)
ohe = OneHotEncoder(handle_unknown='ignore', sparse_output=False).fit(X_train_cat)
X_train_ohe = ohe.transform(X_train_cat)# 序數編碼 (需指定categories順序)
education_order = [['高中', '本科', '碩士', '博士']]
ord_enc = OrdinalEncoder(categories=education_order).fit(X_train_edu)
X_train_ord = ord_enc.transform(X_train_edu)

避坑指南：?獨熱編碼可能導致高維災難（維度爆炸）。對于高基數類別，考慮：

  • 目標編碼 (TargetEncoder):?用目標變量的統計量（如均值）編碼類別。極易導致目標泄露！?必須在交叉驗證循環內部謹慎使用或使用平滑技術。

  • 嵌入編碼 (Embedding):?深度學習常用，將類別映射到低維連續向量（需神經網絡模型配合）。

  • 頻率編碼：?用類別出現頻率代替類別本身。

二、模型選擇：理解算法本質，匹配問題特性

2.1 沒有免費的午餐定理：算法選擇取決于數據

2.2 線性模型：正則化是防止過擬合的關鍵

  • Ridge?(L2正則化)：所有系數收縮但不歸零，適用于特征間可能存在共線性的情況。

  • Lasso?(L1正則化)：傾向于將不重要特征的系數壓縮為零，實現特征選擇。

  • ElasticNet：結合L1和L2正則化。

from sklearn.linear_model import Ridge, Lasso, ElasticNet# Ridge回歸：調整alpha控制正則化強度
ridge = Ridge(alpha=1.0).fit(X_train_scaled, y_train)# Lasso回歸：同樣調整alpha，特征選擇更明顯
lasso = Lasso(alpha=0.01, max_iter=10000).fit(X_train_scaled, y_train)  # 常需增加max_iter# ElasticNet：平衡L1和L2，調整alpha和l1_ratio
en = ElasticNet(alpha=0.1, l1_ratio=0.5).fit(X_train_scaled, y_train)

核心提示：?線性模型通常要求輸入特征進行標準化處理。?正則化強度?alpha?需要通過交叉驗證仔細調優。

2.3 支持向量機：核函數與參數?C?的選擇

  • 線性核 (kernel='linear'):?高效，適用于特征多、樣本多或樣本量遠大于特征數的情況。可解釋性較好。

  • 徑向基核 (kernel='rbf'):?最常用，適用于非線性問題。關鍵參數?gamma?(控制單個樣本影響范圍) 和?C?(控制錯誤分類懲罰)。

    • gamma?小：決策邊界平滑，模型簡單，可能欠擬合。

    • gamma?大：決策邊界復雜，模型可能過擬合。

    • C?小：允許更多誤分類，決策邊界平滑，模型簡單。

    • C?大：嚴格懲罰誤分類，決策邊界復雜，模型可能過擬合。

代碼如下：

from sklearn.svm import SVC# 線性SVM
svm_linear = SVC(kernel='linear', C=0.1).fit(X_train_scaled, y_train)# RBF核SVM (通常需要特征縮放)
svm_rbf = SVC(kernel='rbf', C=1.0, gamma=0.1).fit(X_train_scaled, y_train)

性能注意：?SVM 的訓練時間復雜度通常在 O(n2) 到 O(n3) 之間，不適合超大規模數據集。

2.4 樹與集成：RandomForest?和?Gradient Boosting?實踐

  • RandomForest?(隨機森林):

    • 并行訓練多棵決策樹，引入行采樣和列采樣增加多樣性。

    • 關鍵參數：n_estimators?(樹的數量，越大越好但計算開銷大),?max_depth?(樹的最大深度，控制復雜度),?max_features?(分裂時考慮的最大特征數，影響多樣性和強度)。

    • 優點：不易過擬合（相比單棵樹），對缺失值、異常值、不同量綱特征相對魯棒，提供特征重要性。通常作為優秀基線模型。

  • GradientBoosting?(梯度提升樹 - GBDT):

    • 串行訓練樹，每棵樹學習修正前一棵樹的殘差。

    • 代表庫：sklearn.ensemble.GradientBoostingClassifier/Regressor,?XGBoost,?LightGBM,?CatBoost。

    • 關鍵參數：n_estimators?(樹的數量),?learning_rate?(學習率，控制每棵樹的貢獻，小學習率需更多樹),?max_depth?(通常較小，如3-6，構建弱學習器)。

    • 優點：精度通常高于隨機森林。

    • 缺點：訓練更慢，參數調優更關鍵，對過擬合更敏感（需謹慎控制樹深和學習率）。

代碼如下：

from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier# 隨機森林
rf = RandomForestClassifier(n_estimators=100, max_depth=5, max_features='sqrt',random_state=42, n_jobs=-1).fit(X_train, y_train)# 梯度提升樹 (sklearn實現)
gb = GradientBoostingClassifier(n_estimators=100, learning_rate=0.1,max_depth=3, subsample=0.8,  # 行采樣random_state=42).fit(X_train, y_train)

工業級建議：?對于表格數據，LightGBM?或?XGBoost?通常是精度和效率的最佳平衡。CatBoost?在處理類別特征上有獨特優勢。

三、模型評估：超越簡單準確率，選擇正確的度量

核心原則：?評估指標必須與業務目標一致！盲目使用?accuracy?是常見錯誤。

3.1 分類任務：理解混淆矩陣及其衍生指標
from sklearn.metrics import confusion_matrix, classification_report, roc_auc_score# 預測測試集
y_pred = model.predict(X_test)
y_pred_proba = model.predict_proba(X_test)[:, 1]  # 獲取正類的概率# 混淆矩陣
cm = confusion_matrix(y_test, y_pred)
print(cm)# 詳細報告 (Precision, Recall, F1, Support)
print(classification_report(y_test, y_pred))# AUC-ROC (評估模型排序能力，對不平衡數據敏感度較低)
auc = roc_auc_score(y_test, y_pred_proba)
print(f"AUC-ROC: {auc:.4f}")

  • 準確率 (accuracy):?(TP + TN) / Total。僅在各類別樣本均衡時有效。

  • 精確率 (precision):?TP / (TP + FP)。關注預測為正的樣本中有多少是真正的正例。“寧可放過，不可錯殺”。?例如：垃圾郵件檢測（不想把正常郵件誤判為垃圾）。

  • 召回率 (recall?/?sensitivity):?TP / (TP + FN)。關注實際為正的樣本中有多少被正確找出。“寧可錯殺，不可放過”。?例如：疾病篩查（不想漏掉真正的病人）。

  • F1分數 (F1-score):?2 * (Precision * Recall) / (Precision + Recall)。精確率和召回率的調和平均，綜合兩者考量。

  • AUC-ROC:?繪制真正例率?TPR?(Recall) 隨假正例率?FPR?(FP / (FP + TN)) 變化的曲線下面積。衡量模型將正樣本排在負樣本前面的能力。值越接近1越好。對類別不平衡相對魯棒，常用于比較不同模型。

3.2 回歸任務：理解誤差的不同視角

  • 均方誤差 (mean_squared_error,?MSE):?Σ(y_true - y_pred)2 / n。平方項放大大誤差的影響。

  • 均方根誤差 (root_mean_squared_error,?RMSE):?sqrt(MSE)。與目標變量單位相同，更易解釋。

  • 平均絕對誤差 (mean_absolute_error,?MAE):?Σ|y_true - y_pred| / n。對異常值不如?MSE?敏感。

  • 決定系數 (R2 score):?1 - (Σ(y_true - y_pred)2 / Σ(y_true - mean(y_true))2)。模型解釋的方差比例。值越接近1越好，可為負數（表示模型比簡單均值預測還差）。

代碼如下：

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_scoremse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
mae = mean_absolute_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)print(f"RMSE: {rmse:.2f}, MAE: {mae:.2f}, R2: {r2:.4f}")

選擇依據：?如果大誤差的成本非常高（如金融預測），優先考慮?RMSE。如果所有誤差同等重要且數據可能有異常值，考慮?MAE。R2?用于衡量模型的整體解釋力。

四、泛化能力保障：交叉驗證與超參數調優

核心目標：?估計模型在未見數據上的性能，找到最優超參數組合，避免過擬合訓練數據。

4.1 交叉驗證：KFold?與?StratifiedKFold

  • KFold:?標準K折交叉驗證。將數據隨機分割成K個大小相似的互斥子集。依次用其中K-1個子集訓練，剩余1個子集驗證。重復K次，每次使用不同的驗證子集。最終性能取K次驗證的平均。

  • StratifiedKFold:?分類問題強烈推薦！?在分層K折中，每個子集內各類別樣本的比例盡量保持與原始數據集一致。這尤其在類別不平衡時至關重要，確保每折都能代表整體分布。

代碼如下：

from sklearn.model_selection import KFold, StratifiedKFold, cross_val_score# 標準5折交叉驗證 (回歸或不平衡不嚴重的分類)
kf = KFold(n_splits=5, shuffle=True, random_state=42)
scores = cross_val_score(model, X, y, cv=kf, scoring='accuracy')
print(f"CV Accuracy: {scores.mean():.4f} ± {scores.std():.4f}")# 分層5折交叉驗證 (分類，尤其推薦用于不平衡數據)
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
scores = cross_val_score(model, X, y, cv=skf, scoring='f1_macro')  # 使用F1宏平均
print(f"Stratified CV F1 Macro: {scores.mean():.4f} ± {scores.std():.4f}")

重要提示：?交叉驗證的?fit?過程發生在訓練折疊上，整個交叉驗證循環結束后，通常會在整個訓練集上重新訓練一個最終模型。cross_val_score?主要用于評估模型性能，返回的是驗證折疊上的分數。

4.2 超參數調優：GridSearchCV?與?RandomizedSearchCV

  • GridSearchCV?(網格搜索):?窮舉指定的所有參數組合。計算開銷大，適用于參數組合空間較小的情況。

  • RandomizedSearchCV?(隨機搜索):?從指定的參數分布中隨機采樣一定數量的組合進行嘗試。效率通常遠高于網格搜索，尤其在高維參數空間時，是更推薦的方法。

代碼如下：

from sklearn.model_selection import GridSearchCV, RandomizedSearchCV
from scipy.stats import randint, uniform# 定義參數網格/分布
param_grid = {'n_estimators': [50, 100, 200],'max_depth': [3, 5, 7, None],'max_features': ['sqrt', 'log2', 0.8]
}
param_dist = {'n_estimators': randint(50, 300),      # 均勻整數分布'max_depth': [3, 5, 7, 9, None],'learning_rate': uniform(0.01, 0.3),   # 連續均勻分布 [0.01, 0.31)'subsample': [0.6, 0.7, 0.8, 0.9, 1.0]
}# GridSearchCV
grid_search = GridSearchCV(estimator=GradientBoostingClassifier(random_state=42),param_grid=param_grid,cv=5,  # 內部交叉驗證折數scoring='neg_mean_squared_error',  # 回歸常用n_jobs=-1,verbose=1
)
grid_search.fit(X_train, y_train)
print(f"Best Params (Grid): {grid_search.best_params_}")
print(f"Best MSE: {-grid_search.best_score_:.4f}")  # 注意負號# RandomizedSearchCV (通常更高效)
random_search = RandomizedSearchCV(estimator=GradientBoostingClassifier(random_state=42),param_distributions=param_dist,n_iter=50,  # 隨機嘗試的組合數cv=5,scoring='accuracy',n_jobs=-1,random_state=42,verbose=1
)
random_search.fit(X_train, y_train)
print(f"Best Params (Random): {random_search.best_params_}")
print(f"Best Accuracy: {random_search.best_score_:.4f}")# 使用找到的最佳參數重新訓練最終模型 (或在search對象中best_estimator_已使用全部訓練數據訓練)
best_model = random_search.best_estimator_

關鍵點：

  1. GridSearchCV/RandomizedSearchCV?內部已經包含了交叉驗證。

  2. 傳入的?X_train/y_train?會被進一步分割用于內部的訓練和驗證折。

  3. 搜索結束后，best_estimator_?是用整個傳入的?X_train/y_train?使用找到的最佳參數重新訓練好的模型，可以直接用于在測試集?X_test?上進行最終評估或部署。

  4. 選擇?scoring?指標至關重要，它決定了什么是“最佳”參數組合。使用?sklearn.metrics.SCORERS.keys()?查看所有可用評分指標。

五、構建健壯流程：Pipeline 與 ColumnTransformer

核心價值：?將預處理步驟和模型訓練步驟封裝成一個單一對象 (Pipeline)，結合?ColumnTransformer?按列類型應用不同轉換，確保：

  1. 所有轉換僅基于訓練數據進行擬合。

  2. 避免測試集/新數據泄露。

  3. 代碼簡潔、可復用、不易出錯。

  4. 方便在交叉驗證/網格搜索中統一應用預處理。

5.1 構建復雜預處理流水線
from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.impute import SimpleImputer# 定義數值型和分類型特征列名
numeric_features = ['age', 'income', 'credit_score']
categorical_features = ['gender', 'education', 'city']# 為數值型特征創建管道：填充中位數 -> 標準化
numeric_transformer = Pipeline(steps=[('imputer', SimpleImputer(strategy='median')),('scaler', StandardScaler())
])# 為分類型特征創建管道：填充眾數 -> 獨熱編碼
categorical_transformer = Pipeline(steps=[('imputer', SimpleImputer(strategy='most_frequent')),('onehot', OneHotEncoder(handle_unknown='ignore', sparse_output=False))  # sparse_output=False 返回數組
])# 使用ColumnTransformer組合不同的轉換器，按特征類型應用
preprocessor = ColumnTransformer(transformers=[('num', numeric_transformer, numeric_features),('cat', categorical_transformer, categorical_features)],remainder='passthrough'  # 處理未被指定的列 (例如，保留ID列或手動處理的特征)# 或者 remainder='drop' 丟棄未指定的列
)# 創建包含預處理和最終模型的完整Pipeline
full_pipeline = Pipeline(steps=[('preprocessor', preprocessor),('classifier', RandomForestClassifier(n_estimators=100, random_state=42, n_jobs=-1))
])# 訓練整個流水線 (在preprocessor上自動調用fit_transform，在classifier上調用fit)
full_pipeline.fit(X_train, y_train)# 預測 (在preprocessor上自動調用transform，在classifier上調用predict)
y_pred = full_pipeline.predict(X_test)# 在GridSearchCV/RandomizedSearchCV中使用Pipeline
param_grid = {'classifier__n_estimators': [100, 200],'classifier__max_depth': [5, 10, None],'preprocessor__num__imputer__strategy': ['mean', 'median'],  # 訪問嵌套參數# ... 其他參數
}
search = GridSearchCV(full_pipeline, param_grid, cv=5, scoring='accuracy')
search.fit(X_train, y_train)

Pipeline 魔法：

  • 使用?fit?時，流水線依次對每個步驟調用?fit?或?fit_transform，并將輸出傳遞給下一步。

  • 使用?predict?時，流水線依次對每個步驟（除了最后一步）調用?transform，最后一步調用?predict。

  • 在?GridSearchCV/RandomizedSearchCV?中使用?Pipeline?是最佳實踐，能確保交叉驗證的每一折內部，預處理都只基于該折的訓練部分擬合，完全避免了數據泄露風險。

六、特征工程：提升模型性能的利器

雖然?sklearn?提供了強大的基礎轉換器，真正的特征工程往往需要結合領域知識和創造力。

6.1 交互特征與多項式特征
from sklearn.preprocessing import PolynomialFeatures# 創建多項式特征 (例如 degree=2: 1, a, b, a2, ab, b2)
# 通常只應用于數值特征
poly = PolynomialFeatures(degree=2, interaction_only=False, include_bias=False)
X_train_poly = poly.fit_transform(X_train_num)
X_test_poly = poly.transform(X_test_num)  # 注意僅在訓練集擬合！# 在Pipeline中集成
numeric_transformer = Pipeline(steps=[('imputer', ...),('scaler', ...),('poly', PolynomialFeatures(degree=2))
])

注意：?多項式特征會顯著增加維度，可能導致過擬合和計算負擔。通常結合正則化使用或進行特征選擇。

6.2 分箱 (KBinsDiscretizer) 與特征交叉
from sklearn.preprocessing import KBinsDiscretizer# 將連續年齡分箱成有序類別
age_binner = KBinsDiscretizer(n_bins=5, encode='ordinal', strategy='quantile').fit(X_train[['age']])
X_train['age_bin'] = age_binner.transform(X_train[['age']])
X_test['age_bin'] = age_binner.transform(X_test[['age']])# 特征交叉：結合年齡分箱和城市創建新類別特征
X_train['age_city'] = X_train['age_bin'].astype(str) + '_' + X_train['city']
# 測試集同樣操作 (注意處理訓練集未出現的新組合)
6.3 特征選擇

  • 基于模型的特征重要性：?使用?RandomForest,?GradientBoosting, 或帶L1正則化的線性模型訓練后查看?feature_importances_?或?coef_。

  • 單變量統計檢驗：?SelectKBest,?SelectPercentile?(例如?f_classif,?mutual_info_classif,?f_regression)。

  • 遞歸特征消除 (RFE?/?RFECV):?遞歸地移除最不重要的特征。

  • 方差閾值 (VarianceThreshold):?移除方差極低（幾乎恒定）的特征。

代碼如下：

from sklearn.feature_selection import SelectFromModel, RFECV# 使用RandomForest選擇特征
selector = SelectFromModel(estimator=RandomForestClassifier(n_estimators=100, random_state=42),threshold='median'  # 選擇重要性大于中位數的特征
).fit(X_train, y_train)
X_train_selected = selector.transform(X_train)
X_test_selected = selector.transform(X_test)# 遞歸特征消除 (帶交叉驗證)
rfecv = RFECV(estimator=LogisticRegression(max_iter=1000, solver='liblinear'),step=1,  # 每次迭代移除的特征數cv=5,scoring='accuracy'
).fit(X_train_scaled, y_train)
X_train_rfecv = rfecv.transform(X_train_scaled)
print(f"Optimal number of features: {rfecv.n_features_}")

重要提示：?特征選擇必須作為?Pipeline?中的一個步驟，或者在交叉驗證循環內部進行（例如使用?RFECV），以避免使用測試集信息來選擇特征而導致評估偏差。

七、高級主題與最佳實踐總結

  1. 類別特征與樹模型：?現代高效的GBDT實現（如?LightGBM,?CatBoost）可以直接處理類別特征（內部進行特殊編碼）。通常比手動做?OneHot?更好（避免維度爆炸，保留類別信息）。在?sklearn?的樹模型中，類別特征需要編碼（通常?OrdinalEncoder?或?OneHotEncoder）。

  2. 類別不平衡處理：

    • 數據層面：?過采樣 (SMOTE?- 需?imbalanced-learn?庫), 欠采樣。

    • 算法層面：?使用帶類別權重 (class_weight) 的模型（如?LogisticRegression,?SVC,?RandomForestClassifier?- 設置?class_weight='balanced'）。

    • 評估層面：?使用?precision,?recall,?F1,?AUC-ROC,?AUC-PR?等指標，而非?accuracy。

  3. 可重復性：?始終設置?random_state！?無論是在數據分割 (train_test_split)、模型 (RandomForest,?SVC(probability=True))、交叉驗證 (KFold)、還是搜索 (GridSearchCV) 中。這是保證結果可復現的關鍵。

  4. 增量學習：?對于無法一次性加載到內存的超大數據集，使用支持?partial_fit?的模型（如?SGDClassifier,?SGDRegressor,?PassiveAggressiveClassifier,?MiniBatchKMeans）。

  5. 模型持久化：?使用?joblib（通常比?pickle?更高效）保存訓練好的模型（特別是?Pipeline）和必要的轉換器（如?Scaler,?Encoder）。

代碼如下：

import joblib# 保存整個訓練好的Pipeline
joblib.dump(full_pipeline, 'trained_model_pipeline.joblib')# 加載模型進行預測
loaded_pipeline = joblib.load('trained_model_pipeline.joblib')
new_prediction = loaded_pipeline.predict(new_data)

  1. 理解計算成本：?不同模型和操作（如網格搜索、某些預處理）的計算開銷差異巨大。了解算法的時間/空間復雜度有助于在資源受限時做出選擇（例如，對于大數據集，線性模型或?SGD?可能比?SVM?或?RandomForest?更可行；RandomizedSearchCV?比?GridSearchCV?更高效）。

結語：

Scikit-learn 的強大不僅在于其豐富的算法實現，更在于其一致的 API 設計 (fit,?transform,?predict) 和構建復雜、健壯機器學習流程的能力 (Pipeline,?ColumnTransformer)。遵循本文強調的原則——嚴防數據泄露、科學評估模型、善用交叉驗證與流水線、理解算法本質與適用場景、根據業務目標選擇評估指標——將使你能夠更專業、更有效地應用?sklearn?解決實際問題。

記住，熟練使用工具只是起點，深刻理解其背后的原理和最佳實踐，才是通往構建可靠、高性能機器學習模型的關鍵。持續實踐，結合領域知識進行特征工程，并始終保持對模型泛化能力的關注，你將在機器學習的應用之路上走得更遠。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/bicheng/91074.shtml
繁體地址，請注明出處：http://hk.pswp.cn/bicheng/91074.shtml
英文地址，請注明出處：http://en.pswp.cn/bicheng/91074.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

Android 調試橋 (adb) 基礎知識點

Android 調試橋 (adb) 基礎知識點

Android 調試橋 (adb) 是一種功能多樣的命令行工具&#xff0c;可讓您與安卓手機進行通信。常用于輔助測試開發或定位問題。 一、adb的工作原理 &#x1f31f; 啟動服務器進程&#xff1a;檢查是否adb服務器進程正在運行&#xff0c;若沒有則啟動。 啟動或關閉adb服務&#xff…
閱讀更多...
AW2013 LED驅動芯片 工作方式介紹

AW2013 LED驅動芯片 工作方式介紹

根據您上傳的 AW2013 芯片手冊&#xff0c;我將為您分三個部分詳細解讀&#xff1a;一、芯片簡介&#xff08;AW2013 概述&#xff09; AW2013 是一款 3 通道的 IC 控制恒流 LED 驅動芯片&#xff0c;支持以下功能&#xff1a;單通道最大恒流輸出&#xff1a;15mA&#xff0c;支…
閱讀更多...
node.js中的fs與path模塊

node.js中的fs與path模塊

前言 什么是Node.js&#xff1f; Node.js 是一個開源和跨平臺的 JavaScript 運行時環境 Node.js 在瀏覽器之外運行 V8 JavaScript 引擎&#xff0c;即 Google Chrome 的核心。一、fs模塊基礎 1. 引入fs模塊 const fs require(fs);2. 同步與異步方法 fs模塊提供了同步和異步兩種…
閱讀更多...
C# 靜態類_靜態方法_靜態字段(static 聲明靜態的關鍵字 )

C# 靜態類_靜態方法_靜態字段(static 聲明靜態的關鍵字 )

靜態類里面的所有成員都必須得是靜態的&#xff0c;是不能被實例化的(不能用對象調用)&#xff0c;不能在靜態類中聲明實例&#xff08;非靜態&#xff09;字段 屬性 方法 靜態方法中也只能訪問靜態字段&#xff0c; 普通方法中不管數據是不是靜態都能使用1、定義一個靜態類 //…
閱讀更多...
MRDIMM對服務器總體擁有成本（TCO）影響的系統性分析

MRDIMM對服務器總體擁有成本（TCO）影響的系統性分析

以下是針對MRDIMM對服務器總體擁有成本&#xff08;TCO&#xff09;影響的系統性分析&#xff0c;結合技術特性與經濟性指標&#xff1a;一、MRDIMM降低TCO的核心機制帶寬效率提升 MRDIMM通過數據緩沖器實現雙Rank并行傳輸&#xff0c;單次數據傳輸量從標準RDIMM的64字節提升至…
閱讀更多...
c# openxml 打開加密 的word讀取內容

c# openxml 打開加密 的word讀取內容

using System; using System.IO; using System.Linq; using System.Text; using DocumentFormat.OpenXml; using DocumentFormat.OpenXml.Packaging; using DocumentFormat.OpenXml.Wordprocessing;/// <summary> /// 使用OpenXML獲取文檔內容&#xff0c;替代Aspose方式…
閱讀更多...
【SpringAI實戰】ChatPDF實現RAG知識庫

【SpringAI實戰】ChatPDF實現RAG知識庫

一、前言 二、實現效果 三、代碼實現 3.1 后端代碼 3.2 前端代碼 一、前言 Spring AI詳解&#xff1a;【Spring AI詳解】開啟Java生態的智能應用開發新時代(附不同功能的Spring AI實戰項目)-CSDN博客 二、實現效果 實現一個非常火爆的個人知識庫AI應用&#xff0c;ChatPDF…
閱讀更多...
Qt小組件 - 8 圖片瀏覽器

Qt小組件 - 8 圖片瀏覽器

一個自制的圖片瀏覽器&#xff0c;如果不想安裝qfluentwidgets&#xff0c; CommandBarView可以使用QWidgetQPushButton替代安裝 qfluentwidgets pip install PySide6-Fluent-Widgets[full]代碼示例 # coding: utf-8 from typing import Unionfrom PySide6.QtCore import Qt, Q…
閱讀更多...
R study notes[1]

R study notes[1]

文章目錄introducing to Rreferencesintroducing to R R is an integrated suite involved data handling,storage facility,calculations on arrays,tools for data analysis and so on.running the command R in the terminal of OS can start R software.in R terminal ,to…
閱讀更多...
由于主庫切換歸檔路徑導致的 Oracle DG 無法同步問題的解決過程

由于主庫切換歸檔路徑導致的 Oracle DG 無法同步問題的解決過程

由于主庫切換歸檔路徑導致的 Oracle DG 無法同步問題的解決過程 在上一篇文章中&#xff0c;由于 Oracle 數據庫的歸檔日志空間耗盡導致客戶端無法連接數據庫。在解決的過程中臨時修改了歸檔路徑。后來通過修改參數db_recovery_file_dest_size的值解決了問題。 但該操作導致DG無…
閱讀更多...
密碼學與加密貨幣：構建去中心化信任的技術基石與未來挑戰

密碼學與加密貨幣：構建去中心化信任的技術基石與未來挑戰

密碼學是加密貨幣的技術基石&#xff0c;兩者通過數學原理構建去中心化信任體系。以下從技術原理、應用場景及未來挑戰三方面展開分析&#xff1a;一、密碼學基礎&#xff1a;加密貨幣的安全基石非對稱加密體系公鑰與私鑰&#xff1a;基于橢圓曲線密碼學&#xff08;ECC&#x…
閱讀更多...
用于 Web 認證的 抗量子簽名——ML-DSA 草案

用于 Web 認證的 抗量子簽名——ML-DSA 草案

1. 引言 本文描述了在 Web Authentication (WebAuthn) 中實現無密碼認證&#xff08;Passwordless authentication&#xff09;的方法&#xff0c;該方法使用模塊格&#xff08;Module-Lattice&#xff09;為基礎的數字簽名標準&#xff08;ML-DSA&#xff09;&#xff0c;即 …
閱讀更多...
ubuntu18.04解壓大的tar.gz文件失敗

ubuntu18.04解壓大的tar.gz文件失敗

1. 問題描述 我在vmware的虛擬機裝有petalinux環境&#xff0c;需要解壓downloads_2020.2.tar.gz這個大的壓縮包文件&#xff0c;但是總是失敗&#xff0c;而且過程很漫長 tar: downloads/git2/github.com.vim.vim.git/objects/pack/pack-f7f2e2add0c8972a9141b557ef725c38069…
閱讀更多...
App拉起：喚醒即達，告別繁瑣操作

App拉起：喚醒即達，告別繁瑣操作

在移動互聯網進入存量競爭的今天&#xff0c;“讓用戶少點一次、少等一秒”往往意味著20%以上的轉化率差異。openinstall把這套體驗總結成一套可落地的App拉起方案&#xff1a;一套SDK一組鏈接跳轉規則一個可自定義的落地頁&#xff0c;就能把Web→App的整條動線縮成一次點擊。…
閱讀更多...
開發指南125-HTML DOM事件

開發指南125-HTML DOM事件

1、onload和onunload在頁面或某個元素加載完成后或離開后觸發事件。2、onchange用于在元素的值發生變化時觸發事件。一般用于<input>, <select>, <textarea>等元素3、onfocus 和 onblur激活或失去焦點時觸發4、onmouseover 和 onmouseout鼠標移入或移除時觸發…
閱讀更多...
使用redis 作為消息隊列時， 如何保證消息的可靠性

使用redis 作為消息隊列時， 如何保證消息的可靠性

使用Redis作為消息隊列時&#xff0c;如何保證消息的可靠性 在分布式系統中&#xff0c;消息隊列扮演著不可或缺的角色&#xff0c;它能夠有效地實現服務間的解耦和異步通信。Redis憑借其出色的性能&#xff0c;常常被用作輕量級的消息隊列。然而&#xff0c;Redis本質上是一個…
閱讀更多...
CentOS7 安裝和配置教程

CentOS7 安裝和配置教程

CentOS7 安裝和配置教程第一部分&#xff1a;安裝準備1. 下載CentOS 7鏡像2. 創建安裝介質第二部分&#xff1a;安裝步驟1. 在VMeare上安裝CentOS-7-x86_64-Minimal2. 安裝配置3. 安裝過程第三部分&#xff1a;初始配置1. 首次啟動設置2. 網絡配置3. 防火墻配置第四部分&#x…
閱讀更多...
clock_getres系統調用及示例

clock_getres系統調用及示例

39. clock_getres - 獲取時鐘精度 函數介紹 clock_getres系統調用用于獲取指定時鐘的精度&#xff08;分辨率&#xff09;。它返回時鐘能夠表示的最小時間間隔。 函數原型 #include <time.h>int clock_getres(clockid_t clk_id, struct timespec *res);功能 獲取指定時鐘…
閱讀更多...
MCU＋RTOS調試

MCU＋RTOS調試

1. 引言在做項目時&#xff0c;百分之三十的時間寫代碼&#xff0c;還有百分之70的時間用于調試。本期將以Keil為例進行調試章節的講解&#xff0c;目的在于做出一個標準化的調試步驟&#xff0c;方便大家學習如何調試代碼。內容分為基礎調試、中級調試及進階調試三部分&#x…
閱讀更多...
Redis的數據淘汰策略是什么？有哪些？

Redis的數據淘汰策略是什么？有哪些？

1.監測設置了TTL的數據volatile-lru&#xff1a;淘汰最近最少使用的數據volatile-lfu&#xff1a;淘汰最近使用次數最少的數據volatile-ttl&#xff1b;淘汰將要過期的數據volatile-random&#xff1a;隨機淘汰2.監測全庫數據allkeys-lru&#xff1a;淘汰最近最少使用的數據all…
閱讀更多...
最新文章

Copyright @ 2022~2023