当前位置：首页 > news >正文

深度学习项目--基于LSTM的糖尿病预测探究(pytorch实现)

news 来源：原创 2025/5/20 14:37:48

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊

前言

LSTM模型一直是一个很经典的模型，一般用于序列数据预测，这个可以很好的挖掘数据上下文信息，本文将使用LSTM进行糖尿病预测(二分类问题)，采用LSTM+Linear解决分类问题；
📖 糖尿病预测之前我用随机森林做过：机器学习/数据分析案例—糖尿病预测;
👀 后面打算用机器学习(随机森林、SVM等)结合深度学习LSTM做一个比较完整的项目，大家可以关注一下哈;
LSTM讲解：深度学习基础–LSTM学习笔记(李沐《动手学习深度学习》)
欢迎收藏 + 关注，本人将会持续更新

文章目录

1、数据导入和数据预处理
1、数据导入
2、数据统计
3、数据分布分析
4、相关性分析

2、数据标准化和划分
3、创建模型
4、模型训练
1、创建训练集
2、创建测试集函数
3、设置超参数

5、模型训练
6、模型结果展示
7、预测

1、数据导入和数据预处理

1、数据导入

import torch  
import torch.nn as nn 
from torch.utils.data import DataLoader, TensorDataset
import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 
import seaborn as sns 
from sklearn.preprocessing import StandardScaler 
from sklearn.model_selection import train_test_split
#设置字体
from pylab import mpl
mpl.rcParams["font.sans-serif"] = ["SimHei"]  # 显示中文
plt.rcParams['axes.unicode_minus'] = False		# 显示负号# 数据不大，用CPU即可
device = 'cpu'data_df = pd.read_excel('./dia.xls')data_df.head()

	卡号	年龄	高密度脂蛋白胆固醇	低密度脂蛋白胆固醇	极低密度脂蛋白胆固醇	甘油三酯	总胆固醇	脉搏	舒张压	尿素氮	尿酸	肌酐	体重检查结果
0	18054421	38	1.25	2.99	1.07	0.64	5.31	83	83	4.99	243.3	50	1
1	18054422	31	1.15	1.99	0.84	0.50	3.98	85	63	4.72	391.0	47	1
2	18054423	27	1.29	2.21	0.69	0.60	4.19	73	61	5.87	325.7	51	1
3	18054424	33	0.93	2.01	0.66	0.84	3.60	83	60	2.40	203.2	40	2
4	18054425	36	1.17	2.83	0.83	0.73	4.83	85	67	4.09	236.8	43	0

2、数据统计

data_df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1006 entries, 0 to 1005
Data columns (total 16 columns):#   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  0   卡号          1006 non-null   int64  1   性别          1006 non-null   int64  2   年龄          1006 non-null   int64  3   高密度脂蛋白胆固醇   1006 non-null   float644   低密度脂蛋白胆固醇   1006 non-null   float645   极低密度脂蛋白胆固醇  1006 non-null   float646   甘油三酯        1006 non-null   float647   总胆固醇        1006 non-null   float648   脉搏          1006 non-null   int64  9   舒张压         1006 non-null   int64  10  高血压史        1006 non-null   int64  11  尿素氮         1006 non-null   float6412  尿酸          1006 non-null   float6413  肌酐          1006 non-null   int64  14  体重检查结果      1006 non-null   int64  15  是否糖尿病       1006 non-null   int64  
dtypes: float64(7), int64(9)
memory usage: 125.9 KB

data_df.describe()

	卡号	性别	年龄	高密度脂蛋白胆固醇	低密度脂蛋白胆固醇	极低密度脂蛋白胆固醇	甘油三酯	总胆固醇	脉搏	舒张压	高血压史	尿素氮	尿酸	肌酐	体重检查结果	是否糖尿病
count	1.006000e+03	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000	1006.000000
mean	1.838279e+07	0.598410	50.288270	1.152201	2.707475	0.998311	1.896720	4.857624	80.819085	76.886680	0.173956	5.562684	339.345427	64.106362	1.609344	0.444334
std	6.745088e+05	0.490464	16.921487	0.313426	0.848070	0.715891	2.421403	1.029973	12.542270	12.763173	0.379260	1.646342	84.569846	29.338437	0.772327	0.497139
min	1.805442e+07	0.000000	20.000000	0.420000	0.840000	0.140000	0.350000	2.410000	41.000000	45.000000	0.000000	2.210000	140.800000	30.000000	0.000000	0.000000
25%	1.807007e+07	0.000000	37.250000	0.920000	2.100000	0.680000	0.880000	4.200000	72.000000	67.000000	0.000000	4.450000	280.850000	51.250000	1.000000	0.000000
50%	1.807036e+07	1.000000	50.000000	1.120000	2.680000	0.850000	1.335000	4.785000	79.000000	76.000000	0.000000	5.340000	333.000000	62.000000	2.000000	0.000000
75%	1.809726e+07	1.000000	60.000000	1.320000	3.220000	1.090000	2.087500	5.380000	88.000000	85.000000	0.000000	6.367500	394.000000	72.000000	2.000000	1.000000
max	2.026124e+07	1.000000	93.000000	2.500000	7.980000	11.260000	45.840000	12.610000	135.000000	119.000000	1.000000	18.640000	679.000000	799.000000	3.000000	1.000000

3、数据分布分析

# 缺失值统计
data_df.isnull().sum()

卡号            0
性别            0
年龄            0
高密度脂蛋白胆固醇     0
低密度脂蛋白胆固醇     0
极低密度脂蛋白胆固醇    0
甘油三酯          0
总胆固醇          0
脉搏            0
舒张压           0
高血压史          0
尿素氮           0
尿酸            0
肌酐            0
体重检查结果        0
是否糖尿病         0
dtype: int64

# 数据分布、异常值分析
feature_name = {'性别': '性别','年龄': '年龄','高密度脂蛋白胆固醇': '高密度脂蛋白胆固醇','低密度脂蛋白胆固醇': '低密度脂蛋白胆固醇','极低密度脂蛋白胆固醇': '极低密度脂蛋白胆固醇','甘油三酯': '甘油三酯','总胆固醇': '总胆固醇','脉搏': '脉搏','舒张压': '舒张压','高血压史': '高血压史','尿素氮': '尿素氮','肌酐': '肌酐','体重检查结果': '体重检查结果','是否糖尿病': '是否糖尿病'
}# 子箱图 展示
plt.figure(figsize=(20, 20))for i, (col, col_name) in enumerate(feature_name.items(), 1):plt.subplot(4, 4, i)# 绘制子箱图sns.boxplot(x=data_df["是否糖尿病"],y=data_df[col])# 设置标题plt.title(f'{col_name}的纸箱图', fontsize=10)plt.ylabel('数值', fontsize=12)plt.grid(axis='y', linestyle='--', alpha=0.7)plt.show()

在这里插入图片描述

异常值分析(查阅资料后发现)：

总数据较少；
特征参数受很多因素的影响，故这里假设没有异常值(数据多的时候可以进一步分析)

患糖尿病和不患糖尿病数据分布分析：

发现患病和不患病在：年龄、高密度蛋白固醇、低密度蛋白固醇、低密度蛋白固醇、甘油三肪、舒张压、高血压、尿素的相关因素等数据因素有关

4、相关性分析

plt.figure(figsize=(15, 10))
sns.heatmap(data_df.corr(), annot=True, fmt=".2f")
plt.show()

在这里插入图片描述

高密度蛋白胆固醇存在负相关，故删除该特征

2、数据标准化和划分

时间步长为1

# 特征选择
x = data_df.drop(['卡号', '高密度脂蛋白胆固醇', '是否糖尿病'], axis=1)
y = data_df['是否糖尿病']# 数据标准化(数据之间差别大), 二分类问题，y不需要做标准化
sc = StandardScaler()
x = sc.fit_transform(x)# 转换为tensors数据
x = torch.tensor(np.array(x), dtype=torch.float32)
y = torch.tensor(np.array(y), dtype=torch.int64)# 数据划分, 训练：测试 = 8: 2
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2 ,random_state=42)# 维度设置, [batch_size, seq, features], 当然不设置也没事，因为这样默认** 设置 seq 为 1**
x_train = x_train.unsqueeze(1)
x_test = x_test.unsqueeze(1)# 查看维度
x_train.shape, y_train.shape

(torch.Size([804, 1, 13]), torch.Size([804]))

# 构建数据集
batch_size = 16train_dl = DataLoader(TensorDataset(x_train, y_train),batch_size=batch_size,shuffle=True)test_dl = DataLoader(TensorDataset(x_test, y_test),batch_size=batch_size,shuffle=False)

for X, Y in train_dl:print(X.shape)print(Y.shape)break

torch.Size([16, 1, 13])
torch.Size([16])

3、创建模型

class Model_lstm(nn.Module):def __init__(self):super().__init__()'''模型结构:1、两层lstm2、一层linear '''self.lstm1 = nn.LSTM(input_size=13, hidden_size=200,num_layers=1, batch_first=True)self.lstm2 = nn.LSTM(input_size=200, hidden_size=200,num_layers=1, batch_first=True)# 展开，分类self.lc1 = nn.Linear(200, 2)def forward(self, x):out, hidden1 = self.lstm1(x)out, _ = self.lstm2(out, hidden1)  # 将上一个层的最后隐藏层状态，作为lstm2的这一层的隐藏层状态out = self.lc1(out)return outmodel = Model_lstm().to(device)model

Model_lstm((lstm1): LSTM(13, 200, batch_first=True)(lstm2): LSTM(200, 200, batch_first=True)(lc1): Linear(in_features=200, out_features=2, bias=True)
)

model(torch.randn(8, 1, 13)).shape

torch.Size([8, 1, 2])

4、模型训练

1、创建训练集

def train(dataloader, model, loss_fn, opt):size = len(dataloader.dataset)num_batch = len(dataloader)train_acc, train_loss = 0.0, 0.0 for X, y in dataloader:X, y = X.to(device), y.to(device)pred = model(X).view(-1, 2)loss = loss_fn(pred, y)# 梯度设置opt.zero_grad()loss.backward()opt.step()train_loss += loss.item()# 求最大概率配对train_acc += (pred.argmax(1) == y).type(torch.float).sum().item()train_acc /= size train_loss /= num_batchreturn train_acc, train_loss

2、创建测试集函数

def test(dataloader, model, loss_fn):size = len(dataloader.dataset)num_batch = len(dataloader)test_acc, test_loss = 0.0, 0.0 with torch.no_grad():for X, y in dataloader:X, y = X.to(device), y.to(device)pred = model(X).view(-1, 2)loss = loss_fn(pred, y)test_loss += loss.item()# 求最大概率配对test_acc += (pred.argmax(1) == y).type(torch.float).sum().item()test_acc /= size test_loss /= num_batch return test_acc, test_loss

3、设置超参数

learn_rate = 1e-4
opt = torch.optim.Adam(model.parameters(), lr=learn_rate)
loss_fn = nn.CrossEntropyLoss()

5、模型训练

epochs = 50train_acc, train_loss, test_acc, test_loss = [], [], [], []for i in range(epochs):model.train()epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)model.eval()epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)# 输出template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}')print(template.format(i + 1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))print("---------------Done---------------")

Epoch: 1, Train_acc:58.5%, Train_loss:0.677, Test_acc:75.7%, Test_loss:0.655
Epoch: 2, Train_acc:71.0%, Train_loss:0.643, Test_acc:77.2%, Test_loss:0.606
Epoch: 3, Train_acc:75.2%, Train_loss:0.590, Test_acc:79.7%, Test_loss:0.533
Epoch: 4, Train_acc:76.9%, Train_loss:0.524, Test_acc:80.2%, Test_loss:0.469
Epoch: 5, Train_acc:77.5%, Train_loss:0.481, Test_acc:79.7%, Test_loss:0.436
Epoch: 6, Train_acc:78.4%, Train_loss:0.470, Test_acc:79.7%, Test_loss:0.419
Epoch: 7, Train_acc:78.6%, Train_loss:0.452, Test_acc:80.7%, Test_loss:0.412
Epoch: 8, Train_acc:78.5%, Train_loss:0.449, Test_acc:80.7%, Test_loss:0.406
Epoch: 9, Train_acc:78.7%, Train_loss:0.444, Test_acc:80.7%, Test_loss:0.400
Epoch:10, Train_acc:79.0%, Train_loss:0.435, Test_acc:81.2%, Test_loss:0.395
Epoch:11, Train_acc:78.4%, Train_loss:0.428, Test_acc:81.2%, Test_loss:0.391
Epoch:12, Train_acc:79.1%, Train_loss:0.428, Test_acc:81.2%, Test_loss:0.388
Epoch:13, Train_acc:79.0%, Train_loss:0.421, Test_acc:80.7%, Test_loss:0.385
Epoch:14, Train_acc:79.2%, Train_loss:0.415, Test_acc:81.7%, Test_loss:0.382
Epoch:15, Train_acc:79.1%, Train_loss:0.415, Test_acc:81.7%, Test_loss:0.379
Epoch:16, Train_acc:79.7%, Train_loss:0.422, Test_acc:81.7%, Test_loss:0.377
Epoch:17, Train_acc:79.5%, Train_loss:0.410, Test_acc:81.7%, Test_loss:0.375
Epoch:18, Train_acc:79.2%, Train_loss:0.406, Test_acc:81.7%, Test_loss:0.374
Epoch:19, Train_acc:80.3%, Train_loss:0.407, Test_acc:82.2%, Test_loss:0.372
Epoch:20, Train_acc:80.1%, Train_loss:0.409, Test_acc:81.2%, Test_loss:0.370
Epoch:21, Train_acc:80.2%, Train_loss:0.397, Test_acc:80.7%, Test_loss:0.368
Epoch:22, Train_acc:81.0%, Train_loss:0.399, Test_acc:81.7%, Test_loss:0.367
Epoch:23, Train_acc:80.7%, Train_loss:0.396, Test_acc:81.2%, Test_loss:0.365
Epoch:24, Train_acc:81.0%, Train_loss:0.401, Test_acc:81.7%, Test_loss:0.363
Epoch:25, Train_acc:81.1%, Train_loss:0.392, Test_acc:82.2%, Test_loss:0.363
Epoch:26, Train_acc:81.2%, Train_loss:0.385, Test_acc:82.2%, Test_loss:0.362
Epoch:27, Train_acc:80.6%, Train_loss:0.392, Test_acc:82.2%, Test_loss:0.361
Epoch:28, Train_acc:80.5%, Train_loss:0.382, Test_acc:81.2%, Test_loss:0.358
Epoch:29, Train_acc:81.1%, Train_loss:0.386, Test_acc:81.7%, Test_loss:0.358
Epoch:30, Train_acc:80.7%, Train_loss:0.380, Test_acc:82.2%, Test_loss:0.358
Epoch:31, Train_acc:81.5%, Train_loss:0.378, Test_acc:81.7%, Test_loss:0.357
Epoch:32, Train_acc:80.6%, Train_loss:0.373, Test_acc:81.2%, Test_loss:0.356
Epoch:33, Train_acc:81.3%, Train_loss:0.373, Test_acc:81.7%, Test_loss:0.357
Epoch:34, Train_acc:80.8%, Train_loss:0.378, Test_acc:81.7%, Test_loss:0.354
Epoch:35, Train_acc:81.5%, Train_loss:0.372, Test_acc:81.2%, Test_loss:0.355
Epoch:36, Train_acc:81.5%, Train_loss:0.368, Test_acc:81.2%, Test_loss:0.354
Epoch:37, Train_acc:81.2%, Train_loss:0.368, Test_acc:80.7%, Test_loss:0.354
Epoch:38, Train_acc:81.2%, Train_loss:0.369, Test_acc:81.2%, Test_loss:0.353
Epoch:39, Train_acc:81.7%, Train_loss:0.365, Test_acc:81.2%, Test_loss:0.354
Epoch:40, Train_acc:81.5%, Train_loss:0.363, Test_acc:81.2%, Test_loss:0.355
Epoch:41, Train_acc:81.7%, Train_loss:0.358, Test_acc:81.2%, Test_loss:0.354
Epoch:42, Train_acc:81.7%, Train_loss:0.355, Test_acc:81.2%, Test_loss:0.353
Epoch:43, Train_acc:81.3%, Train_loss:0.353, Test_acc:80.7%, Test_loss:0.354
Epoch:44, Train_acc:82.0%, Train_loss:0.355, Test_acc:80.7%, Test_loss:0.354
Epoch:45, Train_acc:81.7%, Train_loss:0.353, Test_acc:79.7%, Test_loss:0.354
Epoch:46, Train_acc:82.1%, Train_loss:0.354, Test_acc:80.2%, Test_loss:0.354
Epoch:47, Train_acc:82.0%, Train_loss:0.349, Test_acc:80.2%, Test_loss:0.356
Epoch:48, Train_acc:82.1%, Train_loss:0.350, Test_acc:80.2%, Test_loss:0.356
Epoch:49, Train_acc:82.0%, Train_loss:0.345, Test_acc:80.7%, Test_loss:0.355
Epoch:50, Train_acc:81.8%, Train_loss:0.344, Test_acc:80.7%, Test_loss:0.355
---------------Done---------------

6、模型结果展示

from datetime import datetime
current_time = datetime.now()epochs_range = range(epochs)plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training Accuracy')
plt.xlabel(current_time) plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training Loss')
plt.show()

在这里插入图片描述

7、预测

test_x = x_test[0].reshape(1, 1, 13)pred = model(test_x.to(device)).reshape(-1, 2)
res = pred.argmax(1).item()print(f"预测结果: {res}, (1: 患病; 0: 不患病)")

预测结果: 1, (1: 患病; 0: 不患病)

深度学习项目--基于LSTM的糖尿病预测探究(pytorch实现)

🍨 本文为🔗365天深度学习训练营中的学习记录博客🍖 原作者：K同学啊前言 LSTM模型一直是一个很经典的模型，一般用于序列数据预测，这个可以很好的挖掘数据上下文信息，本文将使用LSTM进行糖尿病…...

编程日记 2025/5/20 14:37:48

Java Swing 基础组件详解 [论文投稿-第四届智能系统、通信与计算机网络]

大会官网：www.icisccn.net Java Swing 是一个功能强大的 GUI 工具包，提供了丰富的组件库用于构建跨平台的桌面应用程序。本文将详细讲解 Swing 的基础组件，包括其作用、使用方法以及示例代码，帮助你快速掌握 Swing 的核心知识。一…...

编程日记 2025/5/20 12:51:38

深圳大学-智能网络与计算-实验三：网络容量优化分析实验

实验目的与要求了解什么是凸优化问题；学会使用 Matlab CVX 工具箱解决最优功率分配问题，使得信道容量最大化；了解注水算法； 方法，步骤深入理解最优功率分配问题。使用 CVX 找出最优的功率分配。使用凸优化数学分析…...

编程日记 2025/5/20 14:32:47

嵌入式基础 -- PCIe 控制器中断管理之MSI与MSI-X简介

PCIe 控制器中断管理技术文档 1. 背景在现代计算机系统中，中断是设备与 CPU 通信的重要机制，PCIe 控制器提供了从传统线中断到基于消息的中断（MSI/MSI-X）的演进，以提升中断处理效率和可扩展性。x86 和 ARM 架构虽然…...

编程日记 2025/5/20 12:57:18

Android-okhttp详解

目录一，介绍二，简单使用三，流程分析四，分发器五，拦截器 5.1 重试及重定向拦截器 5.1.1 重试 5.1.2 重定向 5.2 桥接拦截器 5.3 缓存拦截器 5.4 连接拦截器 5.5 请求服务器拦截器一，介绍 OkHttp是当下…...

编程日记 2025/5/20 12:44:57

CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据）

CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据） 目录 CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据）预测效果基本介绍 CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测一…...

编程日记 2025/5/20 13:23:16

数字图像处理：实验七

uu们！这是我们目前数字图像系列的最后一张，之后有关人工智能结合的数字图像处理咸鱼哥正在学习和创作中，所以还请大家给咸鱼哥点时间，同时也提前预祝大家2025年新春快乐！（咸鱼哥真诚的祝愿每一个人&#xf…...

编程日记 2025/5/20 13:52:49

Excel分区间统计分析（等步长、不等步长、多维度）

在数据分析过程中，可能会需要统计不同数据区间的人数、某个数据区间的平均值或者进行分组区间统计，本文从excel函数到数据透视表的方法，从简单需求到复杂需求，采用不同的方法进行讲解，尤其是通过数据透视表的强大功能大…...

编程日记 2025/5/20 13:00:51

QWindow类使用介绍与代码演示

深入浅出C++ Qt开发技术专栏 https://blog.csdn.net/yao_hou/category_9276099.html?spm=1001.2014.3001.5482 文章目录 QWindow主要功能和特性常用的函数示例代码适用场景QWindow父类QSurface`QSurface` 类概述主要功能和特性常用的函数相关的子类示例代码`QSurface` 的实际应…...

编程日记 2025/5/17 11:26:08

OpenCV图像显示imshow()函数——详解

OpenCV图像显示imshow()函数——详解本文目录： 零、时光宝盒一、OpenCV 图像显示使用imshow()函数语法二、imshow()显示图片时发生图片显示不全的解决方法解决办法（1） 解决办法（2） 总结三、imshow()图像显…...

编程日记 2025/5/20 13:15:21

Oracle 12c 中的 CDB和PDB的启动和关闭

一、简介 Oracle 12c引入了多租户架构，允许一个容器数据库（Container Database, CDB）托管多个独立的可插拔数据库（Pluggable Database, PDB）。本文档旨在详细描述如何启动和关闭CDB及PDB。二、容器数据库 (CDB) 2.1…...

编程日记 2025/5/20 13:23:16

二次封装的方法

二次封装我们开发中经常需要封装一些第三方组件，那么父组件应该怎么传值，怎么调用封装好的组件原有的属性、插槽、方法，一个个调用虽然可行，但十分麻烦，我们一起来看更简便的方法。二次封装组件，属性怎…...

编程日记 2025/5/20 14:34:27

【BQ3568HM开发板】如何在OpenHarmony上通过校园网的上网认证

引言前面已经对BQ3568HM开发板进行了初步测试，后面我要实现MQTT的工作，但是遇到一个问题，就是开发板无法通过校园网的认证操作。未认证的话会，学校使用的深澜软件系统会屏蔽所有除了认证用的流量。好在我们学校使用的认证系统和…...

编程日记 2025/5/16 11:46:42

安装Ubuntu22.04

1.引用教程如何安装Ubuntu Server 22.04 LTS_ubuntu22.04 server-CSDN博客 2.空间分配要使用 docker 比较多所以分别的 docker 空间大...

编程日记 2025/5/20 13:21:32

Charles 4.6.7 浏览器网络调试指南：流量过滤与分析（六）

1. 概述在网络调试和优化过程中，Charles 不仅可以实现简单的网络抓包操作，还支持更高级的抓包技巧和流量分析功能。这些功能能够帮助开发者深入挖掘网络请求的细节，为复杂问题提供有效的解决方案。本文将重点讲解 Charles 的过滤规则、自定…...

编程日记 2025/5/20 13:44:31

浅拷贝（Shallow Copy）和深拷贝（Deep Copy）

浅拷贝（Shallow Copy）和深拷贝（Deep Copy）是对象复制的两种方式，它们在处理对象内部引用类型成员时有不同的行为。下面我将详细解释这两种拷贝的区别，并提供具体的 Java 示例代码。浅拷贝（Shal…...

编程日记 2025/5/20 1:52:24

解决双系统引导问题：Ubuntu 启动时不显示 Windows 选项的处理方法

方法 1：检查 GRUB 引导菜单是否隐藏启动进入 Ubuntu 系统。打开终端，输入以下命令编辑 GRUB 配置文件：sudo nano /etc/default/grub检查以下配置项： GRUB_TIMEOUT0：如果是 0，将其改为一个较大的值&#x…...

编程日记 2025/5/20 14:22:15

宏_wps_宏修改word中所有excel表格的格式_设置字体对齐格式_删除空行等

需求： 将word中所有excel表格的格式进行统一化，修改其中的数字类型为“宋体， 五号，右对齐， 不加粗，不倾斜”，其中的中文为“宋体， 五号， 不加粗，不倾斜” 数…...

编程日记 2025/5/20 8:15:32

行政办公管理系统的需求设计和实现

前言： 总裁办/综合部，作为综合行政管理部门服务于整个公司，工作职责包含从最基础的行政综合到协调督办、对外政务、品牌建设等等，工作量繁多而且琐碎。如何通过信息化来实现标准化和常态化的管理手段，确保总裁办的各项…...

编程日记 2025/5/20 12:51:38

996引擎 - NPC-动态创建NPC

996引擎 - NPC-动态创建NPC 创建脚本服务端脚本客户端脚本参考资料有个小问题，创建NPC时没有控制朝向的参数。所以。。。自己考虑怎么找补吧。创建脚本服务端脚本 Mir200\Envir\Market_Def\test\test001-3.lua -- NPC入口函数 function main(player)-- 获取玩家的用户名…...

编程日记 2025/5/20 12:41:45

HTML＜hgroup＞标签

例子： 使用hgroup元素标记标题和段落是相关的： <hgroup> <h2>Norway</h2> <p>The land with the midnight sun.</p> </hgroup> 定义和用法： 标签<hgroup>用于包围标题和一个或多个<p&g…...

编程日记 2025/5/20 12:43:28

GIS 中的 SQLAlchemy：空间数据与数据库之间的桥梁

利用 SQLAlchemy 在现代应用程序中无缝集成地理空间数据导言地理信息系统（GIS）在管理城市规划、环境监测和导航系统等各种应用的空间数据方面发挥着至关重要的作用。虽然 PostGIS 或 SpatiaLite 等专业地理空间数据库在处理空间数据方面非常出色&#…...

编程日记 2025/5/20 12:53:51

机试题——最小矩阵宽度

题目描述给定一个矩阵，包含 N * M 个整数，和一个包含 K 个整数的数组。现在要求在这个矩阵中找一个宽度最小的子矩阵，要求子矩阵包含数组中所有的整数。输入描述第一行输入两个正整数 N，M，表示矩阵大小。接下…...

编程日记 2025/5/19 6:45:51

【C++图论】1761. 一个图中连通三元组的最小度数|2005

本文涉及知识点 C图论 LeetCode1761. 一个图中连通三元组的最小度数给你一个无向图，整数 n 表示图中节点的数目，edges 数组表示图中的边，其中 edges[i] [ui, vi] ，表示 ui 和 vi 之间有一条无向边。一个连通三元组指的是 …...

编程日记 2025/5/18 9:20:39

【力扣：新动计划，编程入门 —— 题解 ③】

—— 25.1.26 231. 2 的幂给你一个整数 n，请你判断该整数是否是 2 的幂次方。如果是，返回 true ；否则，返回 false 。如果存在一个整数 x 使得 n 2x ，则认为 n 是 2 的幂次方。示例 1： 输入：…...

编程日记 2025/5/16 21:50:28

「全网最细 + 实战源码案例」设计模式——工厂方法模式

核心思想简单工厂模式是一种创建者模式，它通过一个工厂类负责创建不同类型的对象，根据传入的参数决定实例化的具体类，也被称为“静态工厂方法”模式，因为工厂方法通常是静态的。结构 1. 工厂类： 提供一个静态方法…...

编程日记 2025/5/20 7:18:13

SpringBoot使用MockMVC通过http请求controller控制器调用测试

说明在Spring Boot中编写测试控制器调用是一个常见的需求，通常使用Spring的测试框架来完成。Spring Boot提供了多种方式来测试控制器，包括使用MockMvc进行模拟HTTP请求和响应的测试。基本示例 1. 创建Spring Boot项目首先，确保你已经创建了一个Spring Boot项目。如果…...

编程日记 2025/5/3 17:03:29

电子应用设计方案105：智能家庭AI拖把系统设计

智能家庭 AI 拖把系统设计一、引言智能家庭 AI 拖把系统旨在为用户提供更高效、便捷和智能化的地面清洁解决方案，减轻家务劳动负担。二、系统概述 1. 系统目标 - 自动清洁地面，包括吸尘、拖地和擦干功能。 - 智能识别地面材质和污渍程度&#xff0c…...

编程日记 2025/5/20 7:46:54

Android13源码下载和编译过程详解

前言作为Android开发者人人都应该有一份自己Android源码,这样我们就可以随时对自己有疑惑的地方通过亲手调试来加强理解一源码下载 1.1 配置要求官方推荐配置请参考：AOSP使用入门文档，重点有如下几项： 1.1.1 硬件配置要求至少需要…...

编程日记 2025/5/20 13:13:33

Greenplum临时表未清除导致库龄过高处理

1.问题 Greenplum集群segment后台日志报错 2.回收库龄 master上执行 vacuumdb -F -d cxy vacuumdb -F -d template1 vacuumdb -F -d rptdb 3.回收完成后检查仍然发现segment还是有库龄报警警告信息发出 4.检查 4.1 在master上检查库年龄 SELECT datname, datfrozen…...

编程日记 2025/5/13 17:43:27

SD-WAN站点和客户端的区别

很多用户在使用比扬云SD-WAN的时候不清楚站点和员工客户端的区别，尤其是很多从ZeroTier迁移过来的用户，这篇文章我们会详细介绍比扬云SD-WAN的站点和客户端使用场景。 ZeroTier只有客户端，没有站点，但是有路由配置，允…...

编程日记 2025/5/19 16:32:18

Arduino大师练成手册 -- 控制 MH-SD 卡模块

要在 Arduino 上控制 MH-SD 卡模块，你可以按照以下步骤进行： 硬件连接 VCC：连接到 Arduino 的 3.3V 或 5V 引脚（根据模块的要求）。 GND：连接到 Arduino 的 GND 引脚。 CS：连接到 Arduino 的…...

编程日记 2025/5/18 6:32:23

【MQ】RabbitMq的可靠性保证

消息队列中的可靠性主要是分为三部分： 消息不丢失：确保消息从生产者发送到消费者消息不丢失消息不重复：确保消息不被重复消费消息顺序性：确保消费的顺序性解决方案主要有以下几部分： 消息不丢失生产者确认机制持久…...

编程日记 2025/5/18 22:21:16

自签证书的dockerfile中from命令无法拉取镜像而docker的pull命令能拉取镜像

问题现象： docker pull images拉取镜像正常 dockerfile中的from命令拉取镜像就会报出证书错误。报错信息如下： [bjxtbwj-kvm-test-jenkins-6-243 ceshi_dockerfile]$ docker build . [] Building 0.4s (3/3) FINISHED …...

编程日记 2025/5/20 5:44:07

LAPD协议

实现LAPD（Link Access Procedure on the D-channel）协议的具体步骤和代码示例会比较复杂，通常涉及到底层网络编程和对ISDN协议的深入理解。以下是一个更详细的实现指导，主要集中在C/C环境中。环境准备确保你有一个支持ISDN的开发…...

编程日记 2025/5/18 10:34:54

jupyter版本所引起的扩展插件问题

文章目录如何永久切换python安装源为https://mirrors.aliyun.com/pypi/simple方法一：通过配置文件永久设置（推荐）步骤 1：创建或修改 pip 配置文件步骤 2：验证配置是否生效方法二：通过命令行直接配置效果验…...

编程日记 2025/5/19 21:12:55

连接 OpenAI 模型：基础操作

在这一部分中，我们将介绍如何连接 OpenAI 模型，设置 API 密钥，并使用 Spring AI 的 ChatClient 与 OpenAI 模型进行简单的对话。Spring AI 为集成 OpenAI 模型提供了方便的工具，使得开发者能够更轻松地与 GPT 系列模型进行交互。 …...

编程日记 2025/5/17 0:42:20

Vue.js组件开发-实现对视频预览

在 Vue 中实现视频文件预览实现步骤创建 Vue 组件：构建一个 Vue 组件用于处理视频文件的选择和预览。文件选择：添加一个文件输入框，允许用户选择视频文件。读取文件：监听文件选择事件，使用 FileReader API 读取所选…...

编程日记 2025/5/19 20:39:22

基于 Arduino Uno 和 RFID-RC522 的 RFID 卡号读取技术详解

引言射频识别（RFID）技术因其非接触式、高效性和低成本的特点，广泛应用于门禁系统、物流管理和智能设备等领域。本文将通过 Arduino Uno 和 MFRC522 RFID 模块，手把手教你实现 RFID 卡号的读取，并提供完整的代码解析和…...

编程日记 2025/5/16 17:41:15

AI Agent的测试与监控：保障稳定性的实战经验

在前面的文章中，我们讨论了 AI Agent 的各个核心模块。今天，我想聊聊如何保障 AI Agent 的稳定性。说实话，这个话题我一直很关注，因为在生产环境中，稳定性往往比功能更重要。从一次线上事故说起还记得去年一个深夜…...

编程日记 2025/5/19 9:05:19

Servlet项目依赖管理

一、Servlet 相关技术选型思路: 先选择 Servlet 容器，再找支持当前 JDK 版本的 Servlet 容器版本。已知Servlet容器有两种市场占用率较高，Tomcat&Jetty。接下来分别按照上述思路进行选择容器版本。 Tomcat 官网: https://tomcat.apache.org/ 版本…...

编程日记 2025/5/15 17:38:16

戴尔电脑设置u盘启动_戴尔电脑设置u盘启动多种方法

最近有很多网友问，戴尔台式机怎么设置u盘启动，特别是近两年的戴尔台式机比较复杂，有些网友不知道怎么设置，其实设置u盘启动有两种方法，下面小编教大家戴尔电脑设置u盘启动方法。戴尔电脑设置u盘启动方法一、戴尔进入b…...

编程日记 2025/5/14 23:56:56

大数据治理实战指南：数据质量、合规与治理架构

📝个人主页🌹：一ge科研小菜鸡-CSDN博客 🌹🌹期待您的关注 🌹🌹 引言随着企业数字化转型的加速，大数据已成为驱动业务决策的核心资产。然而，数据治理的缺失或不完善&…...

编程日记 2025/5/9 3:38:10

2025年01月26日Github流行趋势

项目名称：onlook 项目地址url：https://github.com/onlook-dev/onlook项目语言：TypeScript历史star数：4871今日star数：207项目维护者：Kitenite, drfarrell, iNerdStack, abhiroopc84, apps/dependabot项目简…...

编程日记 2025/5/14 12:23:34

03-画P封装(制作2D+添加3D)

画P封装的方法2D制作3D添加使用P封装自己画0603格式的电阻的P封装1. 看规格书,找参数2. 创建一个新的P封装3. 灯泡两侧放焊盘4.设置焊盘大小和形状5.根据坐标定义中间间隔: L/2原则6. 画最外层丝印(丝印层直接围住即可)7.在平面的P封装上,添加3D立体封装库立创商城下载P封装向…...

编程日记 2025/5/17 12:56:17

WPF5-x名称空间

1. x名称空间2. x名称空间内容3. x名称空间内容分类 3.1. x:Name3.2. x:Key3.3. x:Class3.4. x:TypeArguments 4. 总结 1. x名称空间 “x名称空间”的x是映射XAML名称空间时给它取的名字（取XAML的首字母），里面的成员（如x:Class、…...

编程日记 2025/5/19 7:07:36

UDP 广播组播点播的区别及联系

1、网络IP地址的分类组播地址是分类编址的IPv4地址中的D类地址，又叫多播地址，他的前四位必须是1110，所以网络地址的二进制取值范围是11100000~11101111对应的十进制为 224~~239。所以以224~239开头的网络地址都是组播地址。组播地址的功能…...

编程日记 2025/5/20 2:59:52

SSM开发(二) MyBatis两种SQL配置方式及其对比

目录一、MyBatis两种SQL配置方式二、使用XML映射文件配置SQL语句三、使用注解配置SQL语句四、两种方式对比总结 1、注解 2、XML配置五、MyBatis多数据源的两种配置方式参考一、MyBatis两种SQL配置方式 MyBatis 提供了两种方式来配置SQL语句：注解（如 @Select…...

编程日记 2025/5/17 5:26:05

leetcode——删除链表的倒数第N个节点（java）

给你一个链表，删除链表的倒数第 n 个结点，并且返回链表的头结点。示例 1： 输入：head [1,2,3,4,5], n 2 输出：[1,2,3,5] 示例 2： 输入：head [1], n 1 输出：[] 示例 3&#xf…...

编程日记 2025/5/18 16:33:56

SpringBoot支持动态更新配置文件参数

前言博主介绍：✌目前全网粉丝3W，csdn博客专家、Java领域优质创作者，博客之星、阿里云平台优质作者、专注于Java后端技术领域。涵盖技术内容：Java后端、大数据、算法、分布式微服务、中间件、前端、运维等。博主所有博客文件…...

编程日记 2025/5/17 8:03:22

文章目录

1、数据导入和数据预处理

1、数据导入

2、数据统计

3、数据分布分析

4、相关性分析

2、数据标准化和划分

3、创建模型

4、模型训练

1、创建训练集

2、创建测试集函数

3、设置超参数

5、模型训练

6、模型结果展示

7、预测

相关文章：