2. 程式人生 > >專案二：Kaggle房價預測（前篇）

專案二：Kaggle房價預測（前篇）

阿新 • • 發佈：2018-11-25

概述

Kaggle房價預測比賽(高階技能篇)

notebook的背景是kaggle房價預測比賽高階迴歸技能篇

背景搬運如下：

這個notebook主要是通過資料探索和資料視覺化來實現。

我們把這個過程叫做EDA（(Exploratory Data Analysis，探索性資料分析），它往往是比較枯燥乏味的工作。

但是你在理解、清洗和準備資料上花越多的時間，你的預測模型就會越加精準。

  1. 概述
  1. 匯入庫
  2. 匯入資料
  3. 變數識別
  4. 統計摘要描述
  5. 與目標變數的相關性
  1. 缺失值處理
  1. 找出含有缺失值的列
  2. 填充這些缺失值
  1. 資料視覺化
  1. 單變數分析
  2. 雙變數分析

匯入庫

import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
% matplotlib inline
import seaborn as sns
sns.set(style="whitegrid", color_codes=True)
sns.set(font_scale=1)
import warnings
warnings.filterwarnings('ignore')

UsageError: Line magic function `%` not found.

匯入訓練資料集、測試資料

houses=pd.read_csv("./train.csv")
houses.head()
Id MSSubClass MSZoning LotFrontage LotArea Street Alley LotShape LandContour Utilities ... PoolArea PoolQC Fence MiscFeature MiscVal MoSold YrSold SaleType SaleCondition SalePrice
0 1 60 RL 65.0 8450 Pave NaN Reg Lvl AllPub ... 0 NaN NaN NaN 0 2 2008 WD Normal 208500
1 2 20 RL 80.0 9600 Pave NaN Reg Lvl AllPub ... 0 NaN NaN NaN 0 5 2007 WD Normal 181500
2 3 60 RL 68.0 11250 Pave NaN IR1 Lvl AllPub ... 0 NaN NaN NaN 0 9 2008 WD Normal 223500
3 4 70 RL 60.0 9550 Pave NaN IR1 Lvl AllPub ... 0 NaN NaN NaN 0 2 2006 WD Abnorml 140000
4 5 60 RL 84.0 14260 Pave NaN IR1 Lvl AllPub ... 0 NaN NaN NaN 0 12 2008 WD Normal 250000

5 rows × 81 columns

houses_test = pd.read_csv("./test.csv")
houses_test.head()
#注意：這裡沒有“銷售價格”這列，而“銷售價格”是我們的目標變數
Id MSSubClass MSZoning LotFrontage LotArea Street Alley LotShape LandContour Utilities ... ScreenPorch PoolArea PoolQC Fence MiscFeature MiscVal MoSold YrSold SaleType SaleCondition
0 1461 20 RH 80.0 11622 Pave NaN Reg Lvl AllPub ... 120 0 NaN MnPrv NaN 0 6 2010 WD Normal
1 1462 20 RL 81.0 14267 Pave NaN IR1 Lvl AllPub ... 0 0 NaN NaN Gar2 12500 6 2010 WD Normal
2 1463 60 RL 74.0 13830 Pave NaN IR1 Lvl AllPub ... 0 0 NaN MnPrv NaN 0 3 2010 WD Normal
3 1464 60 RL 78.0 9978 Pave NaN IR1 Lvl AllPub ... 0 0 NaN NaN NaN 0 6 2010 WD Normal
4 1465 120 RL 43.0 5005 Pave NaN IR1 HLS AllPub ... 144 0 NaN NaN NaN 0 1 2010 WD Normal

5 rows × 80 columns

#模型命令：展示資料其特徵，包括行、樣本、例子的數量和列、特徵、預測的數量
#（行，列）
houses.shape

(1460, 81)

這裡一共有 1460個樣本 ，我們可以用這些樣本來訓練模型，共有 80個特徵 和 1個目標變數.

houses_test.shape
#缺少一列，因為目標變數並不在測試區間內

(1459, 80)

識別變數

#info命令，展示資料的相關資訊
#包含有每列的總和，空或非空，資料型別，記憶體佔用等
houses.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1460 entries, 0 to 1459
Data columns (total 81 columns):
Id               1460 non-null int64
MSSubClass       1460 non-null int64
MSZoning         1460 non-null object
LotFrontage      1201 non-null float64
LotArea          1460 non-null int64
Street           1460 non-null object
Alley            91 non-null object
LotShape         1460 non-null object
LandContour      1460 non-null object
Utilities        1460 non-null object
LotConfig        1460 non-null object
LandSlope        1460 non-null object
Neighborhood     1460 non-null object
Condition1       1460 non-null object
Condition2       1460 non-null object
BldgType         1460 non-null object
HouseStyle       1460 non-null object
OverallQual      1460 non-null int64
OverallCond      1460 non-null int64
YearBuilt        1460 non-null int64
YearRemodAdd     1460 non-null int64
RoofStyle        1460 non-null object
RoofMatl         1460 non-null object
Exterior1st      1460 non-null object
Exterior2nd      1460 non-null object
MasVnrType       1452 non-null object
MasVnrArea       1452 non-null float64
ExterQual        1460 non-null object
ExterCond        1460 non-null object
Foundation       1460 non-null object
BsmtQual         1423 non-null object
BsmtCond         1423 non-null object
BsmtExposure     1422 non-null object
BsmtFinType1     1423 non-null object
BsmtFinSF1       1460 non-null int64
BsmtFinType2     1422 non-null object
BsmtFinSF2       1460 non-null int64
BsmtUnfSF        1460 non-null int64
TotalBsmtSF      1460 non-null int64
Heating          1460 non-null object
HeatingQC        1460 non-null object
CentralAir       1460 non-null object
Electrical       1459 non-null object
1stFlrSF         1460 non-null int64
2ndFlrSF         1460 non-null int64
LowQualFinSF     1460 non-null int64
GrLivArea        1460 non-null int64
BsmtFullBath     1460 non-null int64
BsmtHalfBath     1460 non-null int64
FullBath         1460 non-null int64
HalfBath         1460 non-null int64
BedroomAbvGr     1460 non-null int64
KitchenAbvGr     1460 non-null int64
KitchenQual      1460 non-null object
TotRmsAbvGrd     1460 non-null int64
Functional       1460 non-null object
Fireplaces       1460 non-null int64
FireplaceQu      770 non-null object
GarageType       1379 non-null object
GarageYrBlt      1379 non-null float64
GarageFinish     1379 non-null object
GarageCars       1460 non-null int64
GarageArea       1460 non-null int64
GarageQual       1379 non-null object
GarageCond       1379 non-null object
PavedDrive       1460 non-null object
WoodDeckSF       1460 non-null int64
OpenPorchSF      1460 non-null int64
EnclosedPorch    1460 non-null int64
3SsnPorch        1460 non-null int64
ScreenPorch      1460 non-null int64
PoolArea         1460 non-null int64
PoolQC           7 non-null object
Fence            281 non-null object
MiscFeature      54 non-null object
MiscVal          1460 non-null int64
MoSold           1460 non-null int64
YrSold           1460 non-null int64
SaleType         1460 non-null object
SaleCondition    1460 non-null object
SalePrice        1460 non-null int64
dtypes: float64(3), int64(35), object(43)
memory usage: 924.0+ KB

#有多少列具有不同的資料型別？
houses.get_dtype_counts()

float64     3
int64      35
object     43
dtype: int64

##Describe命令，給出資料集中這些資料列的統計資訊
houses.describe()
Id MSSubClass LotFrontage LotArea OverallQual OverallCond YearBuilt YearRemodAdd MasVnrArea BsmtFinSF1 ... WoodDeckSF OpenPorchSF EnclosedPorch 3SsnPorch ScreenPorch PoolArea MiscVal MoSold YrSold SalePrice
count 1460.000000 1460.000000 1201.000000 1460.000000 1460.000000 1460.000000 1460.000000 1460.000000 1452.000000 1460.000000 ... 1460.000000 1460.000000 1460.000000 1460.000000 1460.000000 1460.000000 1460.000000 1460.000000 1460.000000 1460.000000
mean 730.500000 56.897260 70.049958 10516.828082 6.099315 5.575342 1971.267808 1984.865753 103.685262 443.639726 ... 94.244521 46.660274 21.954110 3.409589 15.060959 2.758904 43.489041 6.321918 2007.815753 180921.195890
std 421.610009 42.300571 24.284752 9981.264932 1.382997 1.112799 30.202904 20.645407 181.066207 456.098091 ... 125.338794 66.256028 61.119149 29.317331 55.757415 40.177307 496.123024 2.703626 1.328095 79442.502883
min 1.000000 20.000000 21.000000 1300.000000 1.000000 1.000000 1872.000000 1950.000000 0.000000 0.000000 ... 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 2006.000000 34900.000000
25% 365.750000 20.000000 59.000000 7553.500000 5.000000 5.000000 1954.000000 1967.000000 0.000000 0.000000 ... 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 5.000000 2007.000000 129975.000000
50% 730.500000 50.000000 69.000000 9478.500000 6.000000 5.000000 1973.000000 1994.000000 0.000000 383.500000 ... 0.000000 25.000000 0.000000 0.000000 0.000000 0.000000 0.000000 6.000000 2008.000000 163000.000000
75% 1095.250000 70.000000 80.000000 11601.500000 7.000000 6.000000 2000.000000 2004.000000 166.000000 712.250000 ... 168.000000 68.000000 0.000000 0.000000 0.000000 0.000000 0.000000 8.000000 2009.000000 214000.000000
max 1460.000000 190.000000 313.000000 215245.000000 10.000000 9.000000 2010.000000 2010.000000 1600.000000 5644.000000 ... 857.000000 547.000000 552.000000 508.000000 480.000000 738.000000 15500.000000 12.000000 2010.000000 755000.000000

8 rows × 38 columns

資料相關性

corr=houses.corr()["SalePrice"]
# print(np.argsort(corr, axis=0))
corr[np.argsort(corr, axis=0)[::-1]]  #np.argsort()表示返回其排序的索引

SalePrice        1.000000
OverallQual      0.790982
GrLivArea        0.708624
GarageCars       0.640409
GarageArea       0.623431
TotalBsmtSF      0.613581
1stFlrSF         0.605852
FullBath         0.560664
TotRmsAbvGrd     0.533723
YearBuilt        0.522897
YearRemodAdd     0.507101
GarageYrBlt      0.486362
MasVnrArea       0.477493
Fireplaces       0.466929
BsmtFinSF1       0.386420
LotFrontage      0.351799
WoodDeckSF       0.324413
2ndFlrSF         0.319334
OpenPorchSF      0.315856
HalfBath         0.284108
LotArea          0.263843
BsmtFullBath     0.227122
BsmtUnfSF        0.214479
BedroomAbvGr     0.168213
ScreenPorch      0.111447
PoolArea         0.092404
MoSold           0.046432
3SsnPorch        0.044584
BsmtFinSF2      -0.011378
BsmtHalfBath    -0.016844
MiscVal         -0.021190
Id              -0.021917
LowQualFinSF    -0.025606
YrSold          -0.028923
OverallCond     -0.077856
MSSubClass      -0.084284
EnclosedPorch   -0.128578
KitchenAbvGr    -0.135907
Name: SalePrice, dtype: float64

OverallQual ,GrLivArea ,GarageCars,GarageArea ,TotalBsmtSF, 1stFlrSF ,FullBath,TotRmsAbvGrd,YearBuilt, YearRemodAdd 這些變數與SalePrice銷售價格的相關性大於0.5

EnclosedPorch and KitchenAbvGr這些變數與SalePrice銷售價格的相關性呈現輕度負相關

這些變數是有助於預測房價的重要特徵。

#繪製相關性圖表
num_feat=houses.columns[houses.dtypes!=object]  #house.dtypes!=object表示輸出不是object的型別
num_feat=num_feat[1:-1]  #去掉第0項:ID
labels = []
values = []
for col in num_feat:
    labels.append(col)
    values.append(np.corrcoef(houses[col].values, houses.SalePrice.values)[0,1])
#np.corrcoef()計算皮爾遜相關係數，具體解釋可以看https://blog.csdn.net/u012162613/article/details/42213883
    
ind = np.arange(len(labels))
width = 0.9
fig, ax = plt.subplots(figsize=(9,18))
#fig,ax = plt.subplots()的意思是，同時在subplots裡建立一個fig物件，建立一個axis物件 
# 這樣就不用先plt.figure() 
# 再plt.add_subplot()了

rects = ax.barh(ind, np.array(values), color='red')  #ax.barh表示水平條狀圖
ax.set_yticks(ind+((width)/2.)) #設定y軸刻度寬度
ax.set_yticklabels(labels, rotation='horizontal')  #設定y軸標籤
ax.set_xlabel("Correlation coefficient")
ax.set_title("Correlation Coefficients w.r.t Sale Price");

在這裡插入圖片描述

correlations=houses.corr()
# print(correlations)
attrs = correlations.iloc[:-1,:-1] #目標變數除外的所有列

threshold = 0.5

#unstack()表示降維dataframe，轉換為行列形式，預設level=-1
important_corrs = (attrs[abs(attrs) > threshold][attrs != 1.0]) \
    .unstack().dropna().to_dict()


#將得到的資料進行重新排序,並生成相關性的dataframe
unique_important_corrs = pd.DataFrame(
    list(set([(tuple(sorted(key)),important_corrs[key]) for key in important_corrs])), 
        columns=['Attribute Pair', 'Correlation'])


#以絕對值進行分類排序
unique_important_corrs = unique_important_corrs.iloc[
    abs(unique_important_corrs['Correlation']).argsort()[::-1]]

unique_important_corrs
Attribute Pair Correlation
16 (GarageArea, GarageCars) 0.882475
17 (GarageYrBlt, YearBuilt) 0.825667
4 (GrLivArea, TotRmsAbvGrd) 0.825489
1 (1stFlrSF, TotalBsmtSF) 0.819530
26 (2ndFlrSF, GrLivArea) 0.687501
6 (BedroomAbvGr, TotRmsAbvGrd) 0.676620
2 (BsmtFinSF1, BsmtFullBath) 0.649212
25 (GarageYrBlt, YearRemodAdd) 0.642277
15 (FullBath, GrLivArea) 0.630012
14 (2ndFlrSF, TotRmsAbvGrd) 0.616423
20 (2ndFlrSF, HalfBath) 0.609707
23 (GarageCars, OverallQual) 0.600671
9 (GrLivArea, OverallQual) 0.593007
8 (YearBuilt, YearRemodAdd) 0.592855
10 (GarageCars, GarageYrBlt) 0.588920
7 (OverallQual, YearBuilt) 0.572323
12 (1stFlrSF, GrLivArea) 0.566024
5 (GarageArea, GarageYrBlt) 0.564567
21 (GarageArea, OverallQual) 0.562022
24 (FullBath, TotRmsAbvGrd) 0.554784
0 (OverallQual, YearRemodAdd) 0.550684
11 (FullBath, OverallQual) 0.550600
18 (GarageYrBlt, OverallQual) 0.547766
22 (GarageCars, YearBuilt) 0.537850
13 (OverallQual, TotalBsmtSF) 0.537808
27 (BsmtFinSF1, TotalBsmtSF) 0.522396
19 (BedroomAbvGr, GrLivArea) 0.521270
3 (2ndFlrSF, BedroomAbvGr) 0.502901

這顯示了多重共線性。
線上性迴歸模型中，多重共線性是指特徵與其他多個特徵相關。當你的模型包含有多個與目標變數相關的因素，而這些因素也相關影響時，即為多重共線性發生。

問題:

多重共線性會增加了這些係數的標準誤差。
這意味著，多重共線性會使一些本應該顯著的變數，變得沒有那麼顯著。

三種方式可避免這種情況:

  1. 完全刪除這些變數
  2. 通過新增或一些操作，增加新的特徵變數
  3. 通過PCA(Principal Component Analysis,主成分分析), 來減少特徵變數的多重共線性.

參考:http://blog.minitab.com/blog/understanding-statistics/handling-multicollinearity-in-regression-analysis

熱力圖

import seaborn as sns
corrMatrix=houses[["SalePrice","OverallQual","GrLivArea","GarageCars",
                  "GarageArea","GarageYrBlt","TotalBsmtSF","1stFlrSF","FullBath",
                  "TotRmsAbvGrd","YearBuilt","YearRemodAdd"]].corr()

sns.set(font_scale=1.10)  #font_scale表示影象與字型大小比例
plt.figure(figsize=(10, 10))

sns.heatmap(corrMatrix, vmax=.8, linewidths=0.01,
            square=True,annot=True,cmap='viridis',linecolor="white")
plt.title('Correlation between features');

在這裡插入圖片描述

如我們所見,熱力圖中只有少量特徵變量表現出顯著的多重共線性。讓我們聚焦到對角線的黃色方塊和線框出的少量黃色區域。

SalePrice and OverallQual

GarageArea and GarageCars

TotalBsmtSF and 1stFlrSF

GrLiveArea and TotRmsAbvGrd

YearBulit and GarageYrBlt

在我們用這些變數進行預測之前，我們不得不新建一個源於這些變數的單特徵變數

關鍵特徵

houses[['OverallQual','SalePrice']].groupby(['OverallQual'],
as_index=False).mean().sort_values(by='OverallQual', ascending=False)
OverallQual SalePrice
9 10 438588.388889
8 9 367513.023256
7 8 274735.535714
6 7 207716.423197
5 6 161603.034759
4 5 133523.347607
3 4 108420.655172
2 3 87473.750000
1 2 51770.333333
0 1 50150.000000 
houses[['GarageCars','SalePrice']].groupby(['GarageCars'],
as_index=False).mean().sort_values(by='GarageCars', ascending=False)
GarageCars SalePrice
4 4 192655.800000
3 3 309636.121547
2 2 183851.663835
1 1 128116.688347
0 0 103317.283951 
houses[['Fireplaces','SalePrice']].groupby(['Fireplaces'],
as_index=False).mean().sort_values(by='Fireplaces', ascending=False)
Fireplaces SalePrice
3 3 252000.000000
2 2 240588.539130
1 1 211843.909231
0 0 141331.482609

目標變數的視覺化

單變數分析

1個單變數是如何分佈在一個數值區間上。
它的統計特徵是什麼。
它是正偏分佈，還是負偏分佈。

sns.distplot(houses['SalePrice'], color="r", kde=False)
plt.title("Distribution of Sale Price")
plt.ylabel("Number of Occurences")
plt.xlabel("Sale Price");

在這裡插入圖片描述

售價為正偏分佈，圖表顯示了一些峰度。

#偏度,表示在請求的軸上返回無偏傾斜
# 具體參考https:https://blog.csdn.net/colorknight/article/details/9531437

houses['SalePrice'].skew()

1.8828757597682129

#峰度，表示使用費雪的峰度定義在請求的軸上返回無偏峰度

houses['SalePrice'].kurt()

6.536281860064529

#刪除異常值
#np.percentile()沿著指定的軸計算資料的第q百分位數
upperlimit = np.percentile(houses.SalePrice.values, 99.5)
print(upperlimit)
houses['SalePrice'].loc[houses['SalePrice']>upperlimit] = upperlimit

plt.scatter(range(houses.shape[0]), houses["SalePrice"].values,color='orange')
plt.title("Distribution of Sale Price")
plt.xlabel("Number of Occurences")
plt.ylabel("Sale Price");

514508.61012787104

在這裡插入圖片描述

缺失值處理

====================

訓練資料集中的缺失值可能會對模型的預測或分類產生負面影響。

有一些機器學習演算法對資料缺失敏感，例如支援向量機 SVM（Support Vector Machine）

但是使用平均數/中位數/眾數來填充缺失值或使用其他預測模型來預測缺失值也不可能實現100％準確預測，比較可取的方式是你可以使用決策樹和隨機森林等模型來處理缺失值。

# 檢視是否有有缺失值的列
null_columns=houses.columns[houses.isnull().any()]  #.any()表示是否所有元素為真
#得到null_columns為一個含空值的列的list
houses[null_columns].isnull().sum()

LotFrontage      259
Alley           1369
MasVnrType         8
MasVnrArea         8
BsmtQual          37
BsmtCond          37
BsmtExposure      38
BsmtFinType1      37
BsmtFinType2      38
Electrical         1
FireplaceQu      690
GarageType        81
GarageYrBlt       81
GarageFinish      81
GarageQual        81
GarageCond        81
PoolQC          1453
Fence           1179
MiscFeature     1406
dtype: int64

labels = []
values = []
for col in null_columns:
    labels.append(col)
    values.append(houses[col].isnull().sum())
ind = np.arange(len(labels))
width = 0.9
fig, ax = plt.subplots(figsize=(6,25))
rects = ax.barh(ind, np.array(values), color='violet')
ax.set_yticks(ind+((width)/2.))
ax.set_yticklabels(labels, rotation='horizontal')
ax.set_xlabel("Count of missing values")
ax.set_ylabel("Column Names")
ax.set_title("Variables with missing values");

在這裡插入圖片描述

多變數分析

當我們去理解3個及以上變數之間的相互影響。

臨街距離

我們可以看看佔地面積和臨街距離之間是否存在某種關聯。

houses['LotFrontage'].corr(houses['LotArea'])

0.42609501877180816

這看起來不好，我們可以試試一些多項式表示式，如平方根

houses['SqrtLotArea']=np.sqrt(houses['LotArea'])
houses['LotFrontage'].corr(houses['SqrtLotArea'])

0.6020022167939364

0.60看起來不錯

sns.jointplot(houses['LotFrontage'],houses['SqrtLotArea'],color='gold');

在這裡插入圖片描述

filter = houses['LotFrontage'].isnull()
houses.LotFrontage[filter]=houses.SqrtLotArea[filter]
houses.LotFrontage

C:\ProgramData\Anaconda3\lib\site-packages\ipykernel_launcher.py:2: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  





0        65.000000
1        80.000000
2        68.000000
3        60.000000
4        84.000000
5        85.000000
6        75.000000
7       101.892100
8        51.000000
9        50.000000
10       70.000000
11       85.000000
12      113.877127
13       91.000000
14      104.498804
15       51.000000
16      106.023582
17       72.000000
18       66.000000
19       70.000000
20      101.000000
21       57.000000
22       75.000000
23       44.000000
24       90.807489
25      110.000000
26       60.000000
27       98.000000
28       47.000000
29       60.000000
           ...    
1430     60.000000
1431     70.199715
1432     60.000000
1433     93.000000
1434     80.000000
1435     80.000000
1436     60.000000
1437     96.000000
1438     90.000000
1439     80.000000
1440     79.000000
1441     66.528190
1442     85.000000
1443     94.095696
1444     63.000000
1445     70.000000
1446    161.684879
1447     80.000000
1448     70.000000
1449     21.000000
1450     60.000000
1451     78.000000
1452     35.000000
1453     90.000000
1454     62.000000
1455     62.000000
1456     85.000000
1457     66.000000
1458     68.000000
1459     75.000000
Name: LotFrontage, Length: 1460, dtype: float64

砌體單板型別 and 砌體單板面積

plt.scatter(houses["MasVnrArea"],houses["SalePrice"])
plt.title("MasVnrArea Vs SalePrice ")
plt.ylabel("SalePrice")
plt.xlabel("Mas Vnr Area in sq feet");

在這裡插入圖片描述

sns.boxplot("MasVnrType","SalePrice",data=houses);

在這裡插入圖片描述

houses["MasVnrType"] = houses["MasVnrType"].fillna('None')
houses["MasVnrArea"] = houses[<

相關推薦

專案二：Kaggle房價預測（前篇）

概述 Kaggle房價預測比賽(高階技能篇) notebook的背景是kaggle房價預測比賽高階迴歸技能篇 背景搬運如下： 這個notebook主要是通過資料探索和資料視覺化來實現。 我們把這個過程叫做EDA（(Exploratory Data Analysi

機器學習入門之房價預測（線性迴歸）

#!/usr/bin/env python # coding: utf-8 # In[1]: # 1.定義問題 # 2.匯入資料 # 匯入類庫 import numpy as np import pandas as pd import matplotlib.pyplot as plt impo

【kafka】二、kafka框架介紹（消費者篇）：

本人菜雞，正在努力學習，記錄知識以備後患！ 該文章承接上文（kafka系列），暫有兩篇： 【kafka】一、kafka框架介紹（生產者篇）：https://blog.csdn.net/lsr40/article/details/84029034 【kafka】二、kafka框架介紹（消費

第三章：CSS樣式（前篇）

文章目錄 前言 第一節：層疊式樣式表 ==什麼是層疊式樣式表== ==樣式編寫位置== ==CSS 盒子模型(Box Model)== 標準盒子模型 盒子的屬性和

二叉樹遍歷（前序）（遞迴+非遞迴）

題目 Binary Tree Preorder Traversal Given a binary tree, return the preorder traversal of its nodes’ values. For example: Given binary

業務システムの開発ドキュメント標準化 第４回：詳細設計書（前半）

機能設計書のドキュメント體系    設計ドキュメント標準「DUNGEON」で定義されている設計工程のアウトプットは表1の通りです。「DUNGEON」では、基本設計書で骨組みを定義し、詳細設計書で肉付けを行います。つまり、基本設計書で作成したドキュメントはそのまま（必要

解決RxJava記憶體洩漏（前篇）：RxLifecycle詳解及原理分析

隨著RxJava及RxAndroid的逐漸推廣，使用者越來越多，但是有一個問題，RxJava的使用不當極有可能會導致記憶體洩漏。比如，使用RxJava釋出一個訂閱後，當Activity被finish，此時訂閱邏輯還未完成，如果沒有及時取消訂閱，就會導致Activity無法被回

專案案例：部署社交網站（svn伺服器）全面過程

案例需求：社交網站採用PHP語言開發，為了管理開發程式碼，搭建SVN伺服器進行版本控制，社交網站的第一個版本部署在LNMP平臺上，前端為nginx伺服器，通過fastcgi協議訪問後端的PHP伺服器。這裡實現動靜分離，動態頁面交給PHP伺服器來處理，靜態頁面交給nginx伺服

多執行緒技術模擬平行計算之二：陣列字首和（Prefix Sum）

一、字首和（Prefix Sum）定義： 給定一個數組A[1..n]，字首和陣列PrefixSum[1..n]定義為：PrefixSum[i] = A[0]+A[1]+...+A[i-1]； 例如：A[5,6,7,8] --> PrefixSum[5,11,18,26

java核心(十二）：多線程（第一篇）

實用 implement cti size timer類 離開 syn ace final 一、多線程的實現方式 Java多線程實現方式主要有三種：繼承Thread類、實現Runnable接口、實現Callable接口通過FutureTask包裝器來創建Thread線程。

XSS的原理分析與解剖：第三章（技巧篇）**************未看*****************

第二章 != chrom 插入 是把 調用 bject innerhtml ats ??0×01 前言: 關於前兩節url： 第一章：http://www.freebuf.com/articles/web/40520.html 第二章：http://www.free

文本分類需要CNN？No！fastText完美解決你的需求（前篇）

來講 text 關聯性 watermark 似的 review 自然 bag 進入 http://blog.csdn.net/weixin_36604953/article/details/78195462?locationNum=8&fps=1 文本分類需要CNN

“全棧2019”Java第二十八章：陣列詳解（上篇）

難度 初級 學習時間 10分鐘 適合人群 零基礎 開發語言 Java 開發環境 JDK v11 IntelliJ IDEA v2018.3 文章原文連結 “全棧2019”Java第二十八章：陣列詳解（上篇） 下一章 “全棧2019”Java第二十九章：陣列詳解（中篇）

MY-SQL-----資料庫（前篇）

資料庫 操作資料庫 建立資料庫：crate database 資料庫名稱 丟棄資料庫：drop database 資料庫名稱 顯示資料庫：show databases 使用資料庫：use 資料庫名稱 操作表 建立表：create table 表名稱(列名 列資料型別

小專案踩坑以及專案過程中的注意點（第一篇）

批量整合後臺頁面 1、修改批量檔案的字尾名，下面將字尾.html改為.php 方法：開啟命令提示符，切換到我們要操作的目錄，用ren *.html *.php   就可以將.html文件改成.php文件 2、sublime中ctrl+shift+F可以對文件中的內

Android應用程式程序啟動過程（前篇）

前言 在此前我講過Android系統的啟動流程，系統啟動後，我們就比較關心應用程式是如何啟動的，這一篇我們來一起學習Android7.0 應用程式程序啟動過程，需要注意的是“應用程式程序啟動過程”，而不是應用程式啟動過程。關於應用程式啟動過程，我會在後

OpenCV霍夫變換系列（前篇）-經典霍夫線變換

前言：最近新來的的我的大學室友（現在也是我的學弟）在研究霍夫線變換，我之前只是知道這玩意可以拿來做直線檢測，並沒有深入研究，那既然提到了，還是按照我們的老規矩，原理，示例以及OpenCV這一套流程走下來。 菜鳥一枚，好多寫的不好，有點囉嗦，見諒 主要參考部落格：

文字分類需要CNN？ No！fastText完美解決你的需求（前篇）

文字分類需要CNN？No！fastText完美解決你的需求（前篇） fastText是個啥？簡單一點說，就是一種可以得到和深度學習結果準確率相同，但是速度快出幾個世紀的文字分類演算法。這個演算法類似與CBOW，可愛的讀著是不是要問CBOW又是個什麼鬼？莫急，聽

前端開發----微信小程式入門級教程（前篇）

前言 前段時間，憑藉著出生牛犢不怕虎的勁頭，憑藉著一點Java基礎和前端入門的知識水平，買了域名和伺服器準備搭建自己的一個技術站點，初衷是旨在打造自己成為一個T形全站工程師。後經過各種百度，各種折騰終於大概在半個月左右的時間寫好了幾個基本介面，能上傳圖片，釋出

HTML常用標籤大全（前篇）

1.HTML簡介 什麼是HTML? HTML 是用來描述網頁的一種語言。 HTML 指的是超文字標記語言: HyperText Markup Language HTML 不是一種程式語言，而是一種標記語言 標記語言是一套標記標籤 (markup tag