当前位置：首页 > news >正文

数据挖掘实训：天气数据分析与机器学习模型构建

news 来源：原创 2025/6/10 15:27:01

随着气候变化对各行各业的影响日益加剧，精准的天气预测已经变得尤为重要。降雨预测在日常生活中尤其关键，例如农业、交通和灾害预警等领域。本文将通过机器学习方法，利用历史天气数据预测明天是否会下雨，具体内容包括数据预处理、模型训练、调参、评估与优化等多个环节。

1. 项目背景与目标

本项目的核心任务是通过分析天气数据来预测明天是否降雨。数据集包含了多个天气特征（如温度、湿度、风速、气压等），我们使用这些特征作为输入，构建机器学习模型预测目标变量（是否下雨）。具体目标如下：

使用历史天气数据来预测明天是否降雨。
使用多种机器学习算法进行模型训练和评估。
处理数据中的缺失值、类别不平衡等问题，提高模型的预测准确性。

2. 数据集介绍

我们使用一个典型的天气数据集，它包含了如下几个主要特征：

Location：表示获取该信息的气象站的名称。
MinTemp：以摄氏度为单位的最低温度。
MaxTemp：以摄氏度为单位的最高温度。
Rainfall：当天记录的降雨量，单位为毫米（mm）。
Evaporation：到早上9点之前的24小时内的A级蒸发量，单位为毫米（mm）。
Sunshine：白天日照的完整小时数，表示当天白昼时段阳光的强度。
WindGustDir：表示在午夜12点前24小时内，最强风的风向。
WindGustSpeed：表示在午夜12点前24小时内，最强风的风速，单位为千米每小时（km/h）。
WindDir9am：上午9点时的风向。
WindDir3pm：下午3点时的风向。
WindSpeed9am：上午9点之前每个十分钟的风速平均值，单位为千米每小时（km/h）。
WindSpeed3pm：下午3点之前每个十分钟的风速平均值，单位为千米每小时（km/h）。
Humidity9am：上午9点的湿度，单位为百分比。
Humidity3pm：下午3点的湿度，单位为百分比。
Pressure9am：上午9点的平均海平面气压，单位为百帕（hpa）。
Pressure3pm：下午3点的平均海平面气压，单位为百帕（hpa）。
Cloud9am：上午9点时的天空云层遮蔽程度，以“oktas”单位衡量。0表示完全晴朗，8表示完全阴天。
Cloud3pm：下午3点时的天空云层遮蔽程度，单位同上午9点。
Temp9am：上午9点的温度，单位为摄氏度。
Temp3pm：下午3点的温度，单位为摄氏度。
RainTomorrow：目标变量，表示明天是否会下雨。1表示下雨，0表示不下雨。

目标是基于这些特征来预测RainTomorrow，即明天是否会下雨。

3. 数据预处理

机器学习模型的效果很大程度上取决于数据的质量，因此数据预处理是一个至关重要的步骤。

3.1 读取数据

我们从CSV文件中加载数据并进行抽样：

import pandas as pd# 读取数据
data = pd.read_csv("weather.csv", encoding='gbk', index_col=0)
weather = data.sample(n=5000, random_state=0)
weather.index = range(weather.shape[0])

3.2 特征与目标变量分离

我们将数据集分为特征（X）和目标变量（Y）：

X = weather.iloc[:, :-1]  # 所有列，除了最后一列
Y = weather.iloc[:, -1]   # 目标变量，即是否下雨

3.3 处理缺失值

数据中可能存在缺失值，特别是对于天气数据，缺失值可能较为常见。我们可以使用适当的策略填充这些缺失值。对于分类特征，我们使用众数（最频繁的值）填充；对于数值型特征，我们使用均值填充：

from sklearn.impute import SimpleImputer# 对分类变量使用众数填充
categorical_columns = X.select_dtypes(include=['object']).columns
si = SimpleImputer(strategy="most_frequent")
X[categorical_columns] = si.fit_transform(X[categorical_columns])# 对连续变量使用均值填充
continuous_columns = X.select_dtypes(include=['float64', 'int64']).columns
impmean = SimpleImputer(strategy="mean")
X[continuous_columns] = impmean.fit_transform(X[continuous_columns])

3.4 特征工程

特征工程旨在通过从现有数据中提取更有用的特征来提升模型性能。例如，我们可以通过分析降水量来生成一个新特征，表示当天是否有降水：

X['RainToday'] = X['Rainfall'].apply(lambda x: "Yes" if x >= 1 else "No")

此外，我们还可以从日期中提取月份信息，因为不同季节的天气差异较大：

X['Month'] = pd.to_datetime(X['Date']).dt.month

3.5 类别特征编码

机器学习模型通常无法直接处理非数值型数据，因此我们需要对类别特征进行编码。我们可以使用OrdinalEncoder将类别变量转换为数字值：

from sklearn.preprocessing import OrdinalEncoderencoder = OrdinalEncoder()
categorical_columns = ['Location', 'WindGustDir']  
X[categorical_columns] = encoder.fit_transform(X[categorical_columns])

3.6 特征标准化

标准化步骤有助于加速梯度下降优化算法的收敛，并提高模型性能。我们可以使用StandardScaler对数值特征进行标准化，使得数据具有零均值和单位方差：

from sklearn.preprocessing import StandardScalerscaler = StandardScaler()
X[continuous_columns] = scaler.fit_transform(X[continuous_columns])

3.7 处理类别不平衡

由于“下雨”的频率较低，目标变量RainTomorrow的类别可能不平衡。我们使用SMOTE（合成少数类过采样技术）来生成新的少数类样本，以平衡数据集：

from imblearn.over_sampling import SMOTEsmote = SMOTE(random_state=42)
X_resampled, y_resampled = smote.fit_resample(X, Y)

4. 模型训练与评估

在数据预处理完成后，我们开始使用不同的分类模型进行训练，并评估它们的表现。常见的分类模型包括：

逻辑回归（Logistic Regression）
支持向量机（SVM）
随机森林（Random Forest）
XGBoost（XGBoost）
AdaBoost（AdaBoost）
Gradient Boosting（Gradient Boosting）

4.1 数据集划分

首先，我们将数据划分为训练集和验证集。一般来说，80%的数据用于训练，20%的数据用于验证：

from sklearn.model_selection import train_test_splitX_train, X_val, y_train, y_val = train_test_split(X_resampled, y_resampled, test_size=0.2, random_state=42)

4.2 训练模型

接下来，我们训练多种分类模型，并评估它们的性能：

from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier, GradientBoostingClassifier
from sklearn.svm import SVC
import xgboost as xgb
from sklearn.metrics import classification_report# 定义模型
models = {"Logistic Regression": LogisticRegression(),"Random Forest": RandomForestClassifier(),"SVM": SVC(),"XGBoost": xgb.XGBClassifier(),"AdaBoost": AdaBoostClassifier(),"Gradient Boosting": GradientBoostingClassifier()
}# 训练并评估每个模型
for name, model in models.items():model.fit(X_train, y_train)y_pred = model.predict(X_val)print(f"{name} Performance:")print(classification_report(y_val, y_pred))

4.3 投票分类器（集成方法）

为了提升预测效果，我们使用投票分类器（Voting Classifier）。投票分类器通过结合多个分类器的预测结果，达到提升预测准确率的效果。我们选择几个表现较好的分类器进行组合：

from sklearn.ensemble import VotingClassifiervoting_classifier = VotingClassifier(estimators=[('rf', RandomForestClassifier()),('ada', AdaBoostClassifier()),('gb', GradientBoostingClassifier()),('xgb', xgb.XGBClassifier())],voting='hard'
)voting_classifier.fit(X_train, y_train)
y_pred = voting_classifier.predict(X_val)
print("Voting Classifier Performance:")
print(classification_report(y_val, y_pred))

5. 结果分析与模型评估

通过模型训练与评估，我们可以比较各个模型的表现。通常，随机森林和XGBoost模型会表现较好，因为它们能够处理复杂的非线性关系并具有较强的抗过拟合能力。

模型评估结果通常包含如下指标：

Accuracy（准确率）：模型正确预测的样本数占总样本数的比例。
Precision（精确度）：预测为“降雨”时，实际降雨的比例。
Recall（召回率）：实际降雨时，模型正确预测为“降雨”的比例。
F1-Score：精确度与召回率的调和平均值，是分类模型中较为综合的评估指标。

6. 结论与未来方向

本文展示了如何利用机器学习方法预测明天是否会下雨。通过合理的数据预处理、特征工程以及使用多种机器学习模型进行训练与评估，我们成功地建立了一个天气预测模型。

未来的工作包括：

深度学习方法：可以考虑使用LSTM（长短时记忆网络）等深度学习方法

来建模天气的时间序列特性。

集成学习优化：进一步优化集成学习方法，如Stacking、Boosting等。
更多的特征：增加更多天气相关的特征，如气象卫星数据等，来提高模型的准确性。

通过不断优化模型与特征，天气预测的准确性可以得到显著提高，为农业、物流等领域提供更加精确的预报。

参考资料

XGBoost Documentation
Random Forest Documentation
SMOTE - imbalanced-learn

这篇博客详细介绍了使用机器学习方法进行天气预测的步骤，包括数据预处理、特征工程、模型训练与评估等多个环节。希望能帮助大家在实际项目中更好地应用这些技术。如果有任何问题或建议，欢迎在评论区留言。

篇幅有限，需要完整的代码的私信我

数据挖掘实训：天气数据分析与机器学习模型构建

随着气候变化对各行各业的影响日益加剧，精准的天气预测已经变得尤为重要。降雨预测在日常生活中尤其关键，例如农业、交通和灾害预警等领域。本文将通过机器学习方法，利用历史天气数据预测明天是否会下雨，具体内容包括数据预处理、…...

编程日记 2025/6/4 3:15:39

RAG 带来的一些问题

RAG (Retrieval-Augmented Generation) 提高了查询的准确性，但也引入了一些新的问题。主要问题集中在信息检索和生成模型的结合方式上，这些问题影响了系统的性能、效率和输出质量。以下是 RAG 带来的主要问题以及相应的解决方法。 1. 依赖外部检索系统的…...

编程日记 2025/6/4 3:18:03

大疆上云API基于源码部署

文章目录大疆上云API基于源码部署注意事项1、学习官网2、环境准备注意事项3、注册成为DJI开发者4、下载前后端运行所需要的包/依赖前端依赖下载后端所需要的Maven依赖包用到的软件可以在这里下载5、MySQL数据库安装安装MySQL启动MySQL服务在IDEA中配置MySQL的连接信息 6、Red…...

编程日记 2025/6/4 3:16:44

【Python系列】Python 中使用 pymysql 连接 MySQL 数据库进行数据查询

💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。推荐:kwan 的首页,持续学…...

编程日记 2025/6/3 16:49:21

【数据结构学习笔记】19：跳表（Skip List）

介绍跳表是一个能在 O ( n l o g n ) O(nlogn) O(nlogn)时间完成查找、插入、删除的数据结构，相比于树形结构优点就是很好写（所以也用于实现Redis ZSet）。其核心思想就是维护一个元素有序的，能随机提升索引层数的链表。最下面一…...

编程日记 2025/6/4 3:17:47

《计算机网络》课后探研题书面报告_网际校验和算法

网际校验和算法摘要本文旨在研究和实现网际校验和（Internet Checksum）算法。通过阅读《RFC 1071》文档理解该算法的工作原理，并使用编程语言实现网际校验和的计算过程。本项目将对不同类型的网络报文（包括ICMP、TCP、UDP等&a…...

编程日记 2025/6/4 3:16:12

【论文阅读+复现】High-fidelity Person-centric Subject-to-Image Synthesis

以人物为中心的主体到图像的高保真合成，CVPR2024 code：CodeGoat24/Face-diffuser: [CVPR2024] Official implementation of High-fidelity Person-centric Subject-to-Image Synthesis. paper：2311.10329 背景研究问题：这篇文…...

编程日记 2025/6/4 3:17:16

Flink集成TDEngine来批处理或流式读取数据进行流批一体化计算（Flink SQL)拿来即用的案例

Flink 以其流批一体化的编程模型而备受青睐。它支持高吞吐、低延迟的实时流计算，同时在批处理方面也表现出色。Flink 提供了丰富的 API，如 DataStream API 和 DataSet API，方便开发者进行数据处理操作，包括转换、聚合、连接等，使得开发者能够轻松构建复杂的数据处理逻辑。…...

编程日记 2025/6/4 3:15:55

Zookeeper特性与节点数据类型详解

1、 Zookeeper介绍 ZooKeeper 是一个开源的分布式协调框架，是Apache Hadoop 的一个子项目，主要用来解决分布式集群中应用系统的一致性问题。Zookeeper 的设计目标是将那些复杂且容易出错的分布式一致性服务封装起来，构成一个高效可靠的原语集…...

编程日记 2025/6/4 3:16:27

C# HslCommunication库

C# HslCommunication库是一个用于建立TCP连接并进行Modbus通讯的库。下面将详细介绍如何使用该库进行TCP通讯。首先，需要在C#项目中引用HslCommunication库。创建一个TCP连接对象，可以使用HslCommunication.ModBus.ModbusTcpNet类，例如&am…...

编程日记 2025/5/31 18:26:45

springMVC实现文件上传

目录一、创建项目二、引入依赖三、web.xml 四、编写上传文件的jsp页面五、spring-mvc.xml 六、controller 七、运行一、创建项目二、引入依赖 <?xml version"1.0" encoding"UTF-8"?> <project xmlns"http://maven.apache.o…...

编程日记 2025/6/1 15:43:18

【深度学习】Windows系统Anaconda + CUDA + cuDNN + Pytorch环境配置

在做深度学习内容之前，为GPU配置anaconda CUDA cuDNN pytorch环境，在网络上参考了很多帖子，但pytorch的安装部分都有些问题或者比较复杂繁琐，这里总结了相对简单快速的配置方式文章目录 AnacondaCUDAcuDNNpytorchtorchtorchau…...

编程日记 2025/6/3 13:40:38

springboot整合rabbitmq

1. 添加依赖首先，在你的 pom.xml 文件中添加 RabbitMQ 的依赖： <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-amqp</artifactId> </dependency> 2. 配置 RabbitMQ …...

编程日记 2025/6/2 23:00:50

【React】脚手架进阶

目录暴露webpack配置package.json的变化修改webpack.config.js配置less修改域名、端口号浏览器兼容处理处理跨域暴露webpack配置 react-scripts对脚手架中的打包命令进行封装，如何暴露这些打包配置呢？上篇写到在package.json中的scripts配置项中有eje…...

编程日记 2025/6/4 4:14:16

Unreal Engine 5 (UE5) Metahuman 的头部材质

在图中，你展示了 Unreal Engine 5 (UE5) Metahuman 的头部材质部分，列出了头部材质的多个元素。以下是对每个部分的解释： 材质解释 Element 0 - MI_HeadSynthesized_Baked 作用： 这是 Metahuman 的主要头部材质，控制整…...

编程日记 2025/6/4 1:36:02

当自动包布机遇上Profinet转ModbusTCP网关，“妙啊”，工业智能“前景无限

在自动化控制技术日新月异的当下，Profinet与ModbusTCP这两种协议在工业通信领域占据着举足轻重的地位。ModbusTCP是基于以太网的串行通信协议，而Profinet则是依托工业以太网的现场总线协议。它们在数据传输速度、实时性表现以及兼容性等方面各具特色。不…...

编程日记 2025/6/2 23:00:19

Elasticsearch 批量导入数据（_bluk方法）

官方API：https://www.elastic.co/guide/en/elasticsearch/reference/current/docs-bulk.html 建议先看API POST /<索引名>/_bulk 格式要求： POST _bulk { "index" : { "_index" : "test", "_id" : &q…...

编程日记 2025/6/3 20:25:47

lammps应用于热电材料

文章目录 1.热传导理论1.热导率2.晶格振动3.晶体热容4.声子平均自由程5.傅里叶定律 2.lammps计算Ar热导率3.lammps模拟SiGe热电材料4.平衡分子动力学(EMD) 1.热传导理论 1.热导率热传递机制随介质材料相的不同而改变：固体(热传导)、液体(热对流)、气体(对流和辐射…...

编程日记 2025/6/3 5:06:40

SAP资产盘盈盘亏的过账处理、入账价值错误调整、资产减值准备

文章目录一、SAP资产盘盈盘亏处理1、ABNAN盘盈 （往年资产） ABZON (当年资产）2、ABAVN盘亏二、资产价值入账错了（价值多了或少了），怎么调账1、价值少了2、价值多了三、资产减值准备1、启用重估2、指定间隔…...

编程日记 2025/6/2 23:00:34

Adobe与MIT推出自回归实时视频生成技术CausVid。AI可以边生成视频边实时播放！

传统的双向扩散模型（顶部）可提供高质量的输出，但存在显著的延迟，需要 219 秒才能生成 128 帧的视频。用户必须等待整个序列完成才能查看任何结果。相比之下CausVid将双向扩散模型提炼为几步自回归生成器（底部&#xff…...

编程日记 2025/6/4 4:40:06

MYSQL学习笔记(一)：准备数据和数据库的最基本命令

前言： 学习和使用数据库可以说是程序员必须具备能力，这里将更新关于MYSQL的使用讲解，大概应该会更新30篇，涵盖入门、进阶、高级(一些原理分析);这一篇是入门准备数据和一些关于数据库的操作命令；虽然MYSQL命令很多&…...

编程日记 2025/6/4 4:39:50

求矩阵不靠边元素之和（PTA）C语言

求矩阵的所有不靠边元素之和，矩阵行的值m从键盘读入(2<m<10)，调用自定义函数Input实现矩阵元素从键盘输入，调用Sum函数实现求和。(只考虑float型，且不需考虑求和的结果可能超出float型能表示的范围)。函数接口定义&#x…...

编程日记 2025/6/4 4:41:57

仿infobip模板功能-可通过占位符配置模板内容

模仿infobip制作的模板功能，正文可在任意位置加参数的功能。如下图所示：在正文中通过{{\d}}进行占位，在使用模板时，可在此位置自定制内容，并预览效果。代码： <template><div class"templa…...

编程日记 2025/6/4 4:41:10

STM32第6章、WWDG

一、简介 WWDG：全称Window watchdog，即窗口看门狗，本质上是一个能产生系统复位信号和提前唤醒中断的计数器。特性： 是一个递减计数器。看门狗被激活后， 当递减计数器值从 0x40减到0x3F时会产生复位（即T6位…...

编程日记 2025/6/4 4:41:41

没有正确使用HTTP Range Request，导致访问Azure Blob存储的视频没有实现流式播放

引文： 组里的小伙伴在修改视频播放相关的代码，修改之前的方案使用CDN转发，可以实现流式播放，修改之后的代码因为没有正确的使用Http Range Request, 导致画面访问Azure Blob存储的视频没有实现流式播放，整理下线索在这…...

编程日记 2025/6/3 10:15:15

React中Fiber树构建过程详解——react中render一个App组件(包含子组件)的流程详解

在 React 中，渲染一个包含子组件的组件涉及一系列底层流程，包括构建虚拟 DOM（React Element）、协调（Reconciliation）、Fiber 树管理和最终的 DOM 操作。以下是一个从底层解析的详细流程： 1. 初始…...

编程日记 2025/6/4 14:28:14

机器学习赋能的智能光子学器件系统研究与应用

在人工智能与光子学设计融合的背景下，科研的边界持续扩展，创新成果不断涌现。从理论模型的整合到光学现象的复杂模拟，从数据驱动的探索到光场的智能分析，机器学习正以前所未有的动力推动光子学领域的革新。据调查，目前…...

编程日记 2025/6/4 3:55:46

晨辉面试抽签和评分管理系统之七：面试成绩核算的三种方式

晨辉面试抽签和评分管理系统（下载地址:www.chenhuisoft.cn）是公务员招录面试、教师资格考试面试、企业招录面试等各类面试通用的考生编排、考生入场抽签、候考室倒计时管理、面试考官抽签、面试评分记录和成绩核算的面试全流程信息化管理软件。提供了考生…...

编程日记 2025/6/4 4:40:38

语音合成的预训练模型

语音合成的预训练模型与 ASR（语音识别）和音频分类任务相比，语音合成的预训练模型检查点明显较少。在 Hugging Hub 上，可以找到近 300 个适合的检查点。在这些预训练模型中，重点关注两种在 Huggingface Transformers 库中开箱即用的架构——SpeechT5 和 Massive Multili…...

编程日记 2025/6/4 4:40:54

Windows怎么搭建rust环境?

在Windows上搭建Rust开发环境相对简单，主要步骤如下： ### 1. 安装Rust 最简单的方法是使用官方提供的安装脚本。打开命令提示符（Command Prompt）或PowerShell，然后运行以下命令来下载并安装Rust： bash cu…...

编程日记 2025/6/2 23:35:52

【Flink】Flink内存管理

Flink内存整体结构图： JobManager内存管理 JVM 进程总内存(Total Process Memory)Flink总内存(Total Flink Memory)：JVM进程总内存减去JVM Metaspace(元空间)和JVM Overhead(运行时开销)上图解释： JVM进程总内存为2G;JVM运行时开销(JVM Overh…...

编程日记 2025/6/2 8:47:34

1、通过原生JS获取Dom去操作通过document.querySelector(#title)原生js的方式去拿到dom节点，然后去进行操作。 import {Component} from "react";class App extends Component {//定义获取Dom的函数handleGetDom(){let title document.querySelector(#t…...

编程日记 2025/6/2 23:37:45

K8s数据存储之详解（Detailed Explanation of K8s Data Storage）

K8s数据存储相关概念详解（临时存储，节点存储，网络存储，PV/PVC） 本篇文章分享一下存储卷和数据持久化的相关概念： 存储卷概述临时存储卷（Ephemeral Volumes） 节点存储卷&#xff…...

编程日记 2025/6/2 22:19:59

PyTorch 中的 Dropout 解析

文章目录一、Dropout 的核心作用数值示例：置零与缩放**训练阶段****推理阶段** 二、Dropout 的最佳使用位置与具体实例解析1. 放在全连接层后2. 卷积层后的使用考量3. BatchNorm 层与 Dropout 的关系4. Transformer 中的 Dropout 应用三、如何确定 Dropout 的位置…...

编程日记 2025/6/2 8:26:06

计算机网络（41）文件传送协议

前言一、文件传送协议（FTP） 概述： FTP（File Transfer Protocol）是互联网上使用得最广泛的文件传送协议。FTP提供交互式的访问，允许客户指明文件的类型与格式（如指明是否使用ASCII码&#xff0…...

编程日记 2025/6/4 6:55:23

AOSP 14及以上userdebug无法调试的问题

参考链接：原文...

编程日记 2025/6/2 23:36:23

【Vue】点击侧边导航栏，右侧main对应显示

需求：点击侧边导航栏，右侧main对应显示通过v-if或v-show等指令来控制不同内容的显示隐藏来实现注意： 使用v-if时候进行导航栏切换，右侧显示区域可能会出现样式错乱；使用v-show则不会出现此错误 <template>&…...

编程日记 2025/6/2 23:37:12

Python Selenium 库学习指南

Python Selenium 库学习指南目录 Selenium 基础介绍 Selenium 是什么安装 SeleniumSelenium 的工作原理 Selenium 基本用法启动浏览器定位元素常见操作：点击、输入、滚动高级用法切换窗口与标签页模拟鼠标操作与键盘输入动态加载的网页处理等待机制显式等待…...

编程日记 2025/6/1 10:25:56

如何解决Webview和H5缓存问题，确保每次加载最新版本的资源

WebView 用于加载 H5 页面是常见的做法，它能够加载远程的 HTML、CSS、JavaScript 资源，并且让 Web 应用嵌入到原生 App 中。然而，WebView 的缓存机制有时会导致用户看到的是旧版本的页面或资源，尤其是在 H5 发版后，iOS…...

编程日记 2025/6/2 23:36:40

costmap 中点与多边形的相对位置关系

一、背景近期在阅读move_base源码costmap部分(感觉想玩转movebase导航，costmap必须理解呀)。读到两处点与多边形的相对位置关系。在此总结一下，分别是: intersects: 利用待测点向右引出的射线与多边形的交点数来确定相对位置。有的称射线交叉算法&am…...

编程日记 2025/5/31 0:06:21

C#与Vue2上传下载Excel文件

1、上传文件流程：先上传文件，上传成功，返回文件名与url，然后再次发起请求保存文件名和url到数据库前端Vue2代码： 使用element的el-upload组件，action值为后端接收文件接口，headers携带session信…...

编程日记 2025/6/2 3:26:52

.NetCore 使用 NPOI 读取带有图片的excel数据

在.NetCore使用NPOI插件进行批量导入时，获取Excel中的所有的图片数据，存到集合中。 1.定义类PictureData 代码如下： public class PictureData { public byte[] Data { get; set; } } 2.数据集引用 using NPOI.XSSF.UserModel; usin…...

编程日记 2025/6/4 4:27:46

鸿蒙打包发布

HarmonyOS应用/元服务发布（打包发布） https://developer.huawei.com/consumer/cn/doc/harmonyos-guides-V13/ide-publish-app-V13?catalogVersionV13 密钥：包含非对称加密中使用的公钥和私钥，存储在密钥库文件中，格式…...

编程日记 2025/6/2 23:29:22

C++并发编程之跨应用程序与驱动程序的单生产者单消费者队列

设计一个单生产者单消费者队列（SPSC队列），不使用C STL库或操作系统原子操作函数，并且将其放入跨进程共享内存中以便在Ring3（用户模式）和Ring0（内核模式）之间传递数据，是一…...

编程日记 2025/6/2 23:29:57

22、PyTorch nn.Conv2d卷积网络使用教程

文章目录 1. 卷积2. python 代码3. notes 1. 卷积输入A张量为： A [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 ] \begin{equation} A\begin{bmatrix} 0&1&2&3\\\\ 4&5&6&7\\\\ 8&9&10&11\\\\ 12&13&14&15 \end{b…...

编程日记 2025/6/4 4:13:18