支持向量机python代码实现
2024-06-16 17:57:31
训练数据
-0.214824 0.662756 -1.000000
-0.061569 -0.091875 1.000000
0.406933 0.648055 -1.000000
0.223650 0.130142 1.000000
0.231317 0.766906 -1.000000
-0.748800 -0.531637 -1.000000
-0.557789 0.375797 -1.000000
0.207123 -0.019463 1.000000
0.286462 0.719470 -1.000000
0.195300 -0.179039 1.000000
-0.152696 -0.153030 1.000000
0.384471 0.653336 -1.000000
-0.117280 -0.153217 1.000000
-0.238076 0.000583 1.000000
-0.413576 0.145681 1.000000
0.490767 -0.680029 -1.000000
0.199894 -0.199381 1.000000
-0.356048 0.537960 -1.000000
-0.392868 -0.125261 1.000000
0.353588 -0.070617 1.000000
0.020984 0.925720 -1.000000
-0.475167 -0.346247 -1.000000
0.074952 0.042783 1.000000
0.394164 -0.058217 1.000000
0.663418 0.436525 -1.000000
0.402158 0.577744 -1.000000
-0.449349 -0.038074 1.000000
0.619080 -0.088188 -1.000000
0.268066 -0.071621 1.000000
-0.015165 0.359326 1.000000
0.539368 -0.374972 -1.000000
-0.319153 0.629673 -1.000000
0.694424 0.641180 -1.000000
0.079522 0.193198 1.000000
0.253289 -0.285861 1.000000
-0.035558 -0.010086 1.000000
-0.403483 0.474466 -1.000000
-0.034312 0.995685 -1.000000
-0.590657 0.438051 -1.000000
-0.098871 -0.023953 1.000000
-0.250001 0.141621 1.000000
-0.012998 0.525985 -1.000000
0.153738 0.491531 -1.000000
0.388215 -0.656567 -1.000000
0.049008 0.013499 1.000000
0.068286 0.392741 1.000000
0.747800 -0.066630 -1.000000
0.004621 -0.042932 1.000000
-0.701600 0.190983 -1.000000
0.055413 -0.024380 1.000000
0.035398 -0.333682 1.000000
0.211795 0.024689 1.000000
-0.045677 0.172907 1.000000
0.595222 0.209570 -1.000000
0.229465 0.250409 1.000000
-0.089293 0.068198 1.000000
0.384300 -0.176570 1.000000
0.834912 -0.110321 -1.000000
-0.307768 0.503038 -1.000000
-0.777063 -0.348066 -1.000000
0.017390 0.152441 1.000000
-0.293382 -0.139778 1.000000
-0.203272 0.286855 1.000000
0.957812 -0.152444 -1.000000
0.004609 -0.070617 1.000000
-0.755431 0.096711 -1.000000
-0.526487 0.547282 -1.000000
-0.246873 0.833713 -1.000000
0.185639 -0.066162 1.000000
0.851934 0.456603 -1.000000
-0.827912 0.117122 -1.000000
0.233512 -0.106274 1.000000
0.583671 -0.709033 -1.000000
-0.487023 0.625140 -1.000000
-0.448939 0.176725 1.000000
0.155907 -0.166371 1.000000
0.334204 0.381237 -1.000000
0.081536 -0.106212 1.000000
0.227222 0.527437 -1.000000
0.759290 0.330720 -1.000000
0.204177 -0.023516 1.000000
0.577939 0.403784 -1.000000
-0.568534 0.442948 -1.000000
-0.011520 0.021165 1.000000
0.875720 0.422476 -1.000000
0.297885 -0.632874 -1.000000
-0.015821 0.031226 1.000000
0.541359 -0.205969 -1.000000
-0.689946 -0.508674 -1.000000
-0.343049 0.841653 -1.000000
0.523902 -0.436156 -1.000000
0.249281 -0.711840 -1.000000
0.193449 0.574598 -1.000000
-0.257542 -0.753885 -1.000000
-0.021605 0.158080 1.000000
0.601559 -0.727041 -1.000000
-0.791603 0.095651 -1.000000
-0.908298 -0.053376 -1.000000
0.122020 0.850966 -1.000000
-0.725568 -0.292022 -1.000000
测试数据
3.542485 1.977398 -1
3.018896 2.556416 -1
7.551510 -1.580030 1
2.114999 -0.004466 -1
8.127113 1.274372 1
7.108772 -0.986906 1
8.610639 2.046708 1
2.326297 0.265213 -1
3.634009 1.730537 -1
0.341367 -0.894998 -1
3.125951 0.293251 -1
2.123252 -0.783563 -1
0.887835 -2.797792 -1
7.139979 -2.329896 1
1.696414 -1.212496 -1
8.117032 0.623493 1
8.497162 -0.266649 1
4.658191 3.507396 -1
8.197181 1.545132 1
1.208047 0.213100 -1
1.928486 -0.321870 -1
2.175808 -0.014527 -1
7.886608 0.461755 1
3.223038 -0.552392 -1
3.628502 2.190585 -1
7.407860 -0.121961 1
7.286357 0.251077 1
2.301095 -0.533988 -1
-0.232542 -0.547690 -1
3.457096 -0.082216 -1
3.023938 -0.057392 -1
8.015003 0.885325 1
8.991748 0.923154 1
7.916831 -1.781735 1
7.616862 -0.217958 1
2.450939 0.744967 -1
7.270337 -2.507834 1
1.749721 -0.961902 -1
1.803111 -0.176349 -1
8.804461 3.044301 1
1.231257 -0.568573 -1
2.074915 1.410550 -1
-0.743036 -1.736103 -1
3.536555 3.964960 -1
8.410143 0.025606 1
7.382988 -0.478764 1
6.960661 -0.245353 1
8.234460 0.701868 1
8.168618 -0.903835 1
1.534187 -0.622492 -1
9.229518 2.066088 1
7.886242 0.191813 1
2.893743 -1.643468 -1
1.870457 -1.040420 -1
5.286862 -2.358286 1
6.080573 0.418886 1
2.544314 1.714165 -1
6.016004 -3.753712 1
0.926310 -0.564359 -1
0.870296 -0.109952 -1
2.369345 1.375695 -1
1.363782 -0.254082 -1
7.279460 -0.189572 1
1.896005 0.515080 -1
8.102154 -0.603875 1
2.529893 0.662657 -1
1.963874 -0.365233 -1
8.132048 0.785914 1
8.245938 0.372366 1
6.543888 0.433164 1
-0.236713 -5.766721 -1
8.112593 0.295839 1
9.803425 1.495167 1
1.497407 -0.552916 -1
1.336267 -1.632889 -1
9.205805 -0.586480 1
1.966279 -1.840439 -1
8.398012 1.584918 1
7.239953 -1.764292 1
7.556201 0.241185 1
9.015509 0.345019 1
8.266085 -0.230977 1
8.545620 2.788799 1
9.295969 1.346332 1
2.404234 0.570278 -1
2.037772 0.021919 -1
1.727631 -0.453143 -1
1.979395 -0.050773 -1
8.092288 -1.372433 1
1.667645 0.239204 -1
9.854303 1.365116 1
7.921057 -1.327587 1
8.500757 1.492372 1
1.339746 -0.291183 -1
3.107511 0.758367 -1
2.609525 0.902979 -1
3.263585 1.367898 -1
2.912122 -0.202359 -1
1.731786 0.589096 -1
2.387003 1.573131 -1原始测试数据# -*- coding: utf-8 -*-
"""
Created on Tue Sep 4 16:58:16 2018
支持向量机代码实现
SMO(Sequential Minimal Optimization)最小序列优化
@author: weixw
"""
import numpy as np
#核转换函数（一个特征空间映射到另一个特征空间，低维空间映射到高维空间）
#高维空间解决线性问题，低维空间解决非线性问题
#线性内核 = 原始数据矩阵（100*2）与原始数据第一行矩阵转秩乘积（2*1） =>（100*1）
#非线性内核公式：k(x,y) = exp(-||x - y||**2/2*(e**2))
#1.原始数据每一行与原始数据第一行作差，
#2.平方
def kernelTrans(dataMat, rowDataMat, kTup):m,n=np.shape(dataMat)#初始化核矩阵 m*1K = np.mat(np.zeros((m,1)))if kTup[0] == 'lin': #线性核K = dataMat*rowDataMat.Telif kTup[0] == 'rbf':#非线性核for j in range(m):#xi - xjdeltaRow = dataMat[j,:] - rowDataMatK[j] = deltaRow*deltaRow.T#1*m m*1 => 1*1K = np.exp(K/(-2*kTup[1]**2))else: raise NameError('Houston We Have a Problem -- That Kernel is not recognized')return K#定义数据结构体，用于缓存，提高运行速度
class optStruct:def __init__(self, dataSet, labelSet, C, toler, kTup):self.dataMat = np.mat(dataSet) #原始数据，转换成m*n矩阵self.labelMat = np.mat(labelSet).T #标签数据 m*1矩阵self.C = C #惩罚参数，C越大，容忍噪声度小，需要优化；反之，容忍噪声度高，不需要优化；#所有的拉格朗日乘子都被限制在了以C为边长的矩形里self.toler = toler #容忍度self.m = np.shape(self.dataMat)[0] #原始数据行长度self.alphas = np.mat(np.zeros((self.m,1))) # alpha系数，m*1矩阵self.b = 0 #偏置self.eCache = np.mat(np.zeros((self.m,2))) # 保存原始数据每行的预测值self.K = np.mat(np.zeros((self.m,self.m))) # 核转换矩阵 m*mfor i in range(self.m):self.K[:,i] = kernelTrans(self.dataMat, self.dataMat[i,:], kTup)#计算原始数据第k项对应的预测误差 1*m m*1 =>1*1
#oS：结构数据
#k： 原始数据行索引
def calEk(oS, k):#f(x) = w*x + b fXk = float(np.multiply(oS.alphas,oS.labelMat).T*oS.K[:,k] + oS.b)Ek = fXk - float(oS.labelMat[k])return Ek#在alpha有改变都要更新缓存
def updateEk(oS, k):Ek = calEk(oS, k)oS.eCache[k] = [1, Ek]#第一次通过selectJrand()随机选取j,之后选取与i对应预测误差最大的j（步长最大）
def selectJ(i, oS, Ei):#初始化maxK = -1 #误差最大时对应索引maxDeltaE = 0 #最大误差Ej = 0 # j索引对应预测误差#保存每一行的预测误差值 1相对于初始化为0的更改oS.eCache[i] = [1,Ei]#获取数据缓存结构中非0的索引列表(先将矩阵第0列转化为数组)validEcacheList = np.nonzero(oS.eCache[:,0].A)[0]#遍历索引列表，寻找最大误差对应索引if len(validEcacheList) > 1:for k in validEcacheList:if k == i:continueEk = calEk(oS, k)deltaE = abs(Ei - Ek)if(deltaE > maxDeltaE):maxK = kmaxDeltaE = deltaEEj = Ekreturn maxK, Ejelse:#随机选取一个不等于i的jj = selectJrand(i, oS.m)Ej = calEk(oS, j)return j,Ej#随机选取一个不等于i的索引
def selectJrand(i, m):j = iwhile (j == i):j = int(np.random.uniform(0, m))return j#alpha范围剪辑
def clipAlpha(aj, L, H):if aj > H:aj = Hif aj < L:aj = Lreturn aj#从文件获取特征数据，标签数据
def loadDataSet(fileName):dataSet = []; labelSet = []fr = open(fileName)for line in fr.readlines():#分割lineArr = line.strip().split('\t')dataSet.append([float(lineArr[0]), float(lineArr[1])])labelSet.append(float(lineArr[2]))return dataSet, labelSet#计算 w 权重系数
def calWs(alphas, dataSet, labelSet):dataMat = np.mat(dataSet)#1*100 => 100*1labelMat = np.mat(labelSet).Tm, n = np.shape(dataMat) w = np.zeros((n, 1)) for i in range(m):w += np.multiply(alphas[i]*labelMat[i], dataMat[i,:].T) return w
#计算原始数据每一行alpha,b，保存到数据结构中，有变化及时更新
def innerL(i, oS):#计算预测误差Ei = calEk(oS, i)#选择第一个alpha，违背KKT条件2#正间隔，负间隔if ((oS.labelMat[i] * Ei < -oS.toler) and (oS.alphas[i] < oS.C)) or ((oS.labelMat[i] * Ei > oS.toler) and (oS.alphas[i] > 0)):#第一次随机选取不等于i的数据项，其后根据误差最大选取数据项j, Ej = selectJ(i, oS, Ei)#初始化，开辟新的内存alphaIold = oS.alphas[i].copy()alphaJold = oS.alphas[j].copy()#通过 a1y1 + a2y2 = 常量# 0 <= a1,a2 <= C 求出L,Hif oS.labelMat[i] != oS.labelMat[j]:L = max(0, oS.alphas[j] - oS.alphas[i])H = min(oS.C, oS.C + oS.alphas[j] - oS.alphas[i])else:L = max(0, oS.alphas[j] + oS.alphas[i] - oS.C)H = min(oS.C, oS.alphas[j] + oS.alphas[i])if L == H : print ("L == H")return 0#内核分母 K11 + K22 - 2K12eta = oS.K[i, i] + oS.K[j, j] - 2.0*oS.K[i, j]if eta <= 0:print ("eta <= 0")return 0#计算第一个alpha joS.alphas[j] += oS.labelMat[j]*(Ei - Ej)/eta#修正alpha j的范围oS.alphas[j] = clipAlpha(oS.alphas[j], L, H)#alpha有改变，就需要更新缓存数据updateEk(oS, j)#如果优化后的alpha 与之前的alpha变化很小，则舍弃，并重新选择数据项的alphaif (abs(oS.alphas[j] - alphaJold) < 0.00001):print ("j not moving enough, abandon it.")return 0#计算alpha对的另一个alpha i# ai_new*yi + aj_new*yj = 常量# ai_old*yi + ai_old*yj = 常量 # 作差=> ai = ai_old + yi*yj*(aj_old - aj_new)oS.alphas[i] += oS.labelMat[j]*oS.labelMat[i]*(alphaJold - oS.alphas[j])#alpha有改变，就需要更新缓存数据updateEk(oS, i)#计算b1,b2# y(x) = w*x + b => b = y(x) - w*x# w = aiyixi(i= 1->N求和)#b1_new = y1_new - (a1_new*y1*k11 + a2_new*y2*k21 + ai*yi*ki1(i = 3 ->N求和 常量))#b1_old = y1_old - (a1_old*y1*k11 + a2_old*y2*k21 + ai*yi*ki1(i = 3 ->N求和 常量))#作差=> b1_new = b1_old + (y1_new - y1_old) - y1*k11*(a1_new - a1_old) - y2*k21*(a2_new - a2_old)# => b1_new = b1_old + Ei - yi*(ai_new - ai_old)*kii - yj*(aj_new - aj_old)*kij #同样可推得 b2_new = b2_old + Ej - yi*(ai_new - ai_old)*kij - yj*(aj_new - aj_old)*kjjbi = oS.b - Ei - oS.labelMat[i]*(oS.alphas[i] - alphaIold)*oS.K[i,i] - oS.labelMat[j]*(oS.alphas[j] - alphaJold)*oS.K[i,j]bj = oS.b - Ej - oS.labelMat[i]*(oS.alphas[i] - alphaIold)*oS.K[i,j] - oS.labelMat[j]*(oS.alphas[j] - alphaJold)*oS.K[j,j]#首选alpha i，相对alpha j 更准确if (0 < oS.alphas[i]) and (oS.alphas[i] < oS.C):oS.b = bielif (0 < oS.alphas[j]) and (oS.alphas[j] < oS.C):oS.b = bjelse:oS.b = (bi + bj)/2.0return 1else:return 0#完整SMO核心算法，包含线性核核非线性核，返回alpha,b
#dataSet 原始特征数据
#labelSet 标签数据
#C 凸二次规划参数
#toler 容忍度
#maxInter 循环次数
#kTup 指定核方式
#程序逻辑：
#第一次全部遍历，遍历后根据alpha对是否有修改判断，
#如果alpha对没有修改，外循环终止；如果alpha对有修改，则继续遍历属于支持向量的数据。
#直至外循环次数达到maxIter
#相比简单SMO算法，运行速度更快，原因是：
#1.不是每一次都全量遍历原始数据，第一次遍历原始数据，
#如果alpha有优化，就遍历支持向量数据，直至alpha没有优化，然后再转全量遍历，这是如果alpha没有优化，循环结束；
#2.外循环不需要达到maxInter次数就终止；
def smoP(dataSet, labelSet, C, toler, maxInter, kTup = ('lin', 0)):#初始化结构体类，获取实例oS = optStruct(dataSet, labelSet, C, toler, kTup)iter = 0#全量遍历标志entireSet = True#alpha对是否优化标志alphaPairsChanged = 0#外循环 终止条件：1.达到最大次数 或者 2.alpha对没有优化while (iter < maxInter) and ((alphaPairsChanged > 0) or (entireSet)):alphaPairsChanged = 0#全量遍历 ，遍历每一行数据 alpha对有修改，alphaPairsChanged累加if entireSet:for i in range(oS.m):alphaPairsChanged += innerL(i, oS)print ("fullSet, iter: %d i:%d, pairs changed %d" %(iter, i, alphaPairsChanged))iter += 1else:#获取(0，C)范围内数据索引列表，也就是只遍历属于支持向量的数据nonBounds = np.nonzero((oS.alphas.A > 0) * (oS.alphas.A < C))[0]for i in nonBounds:alphaPairsChanged += innerL(i, oS)print ("non-bound, iter: %d i:%d, pairs changed %d" %(iter, i, alphaPairsChanged))iter += 1#全量遍历->支持向量遍历if entireSet:entireSet = False#支持向量遍历->全量遍历elif alphaPairsChanged == 0:entireSet = Trueprint ("iteation number: %d"% iter)print ("entireSet :%s"% entireSet)print ("alphaPairsChanged :%d"% alphaPairsChanged)return oS.b,oS.alphas#绘制支持向量
def drawDataMap(dataArr,labelArr,b,alphas):import matplotlib.pyplot as plt#alphas.A>0 获取大于0的索引列表，只有>0的alpha才对分类起作用svInd=np.nonzero(alphas.A>0)[0] #分类数据点classified_pts = {'+1':[],'-1':[]}for point,label in zip(dataArr,labelArr):if label == 1.0:classified_pts['+1'].append(point)else:classified_pts['-1'].append(point)fig = plt.figure()ax = fig.add_subplot(111)#绘制数据点for label,pts in classified_pts.items():pts = np.array(pts)ax.scatter(pts[:, 0], pts[:, 1], label = label)#绘制分割线w = calWs(alphas, dataArr, labelArr)#函数形式：max( x ,key=lambda a : b ) # x可以是任何数值，可以有多个x值#先把x值带入lambda函数转换成b值，然后再将b值进行比较x1, _=max(dataArr, key=lambda x:x[0])x2, _=min(dataArr, key=lambda x:x[0]) a1, a2 = wy1, y2 = (-b - a1*x1)/a2, (-b - a1*x2)/a2#矩阵转化为数组.Aax.plot([x1, x2],[y1.A[0][0], y2.A[0][0]])#绘制支持向量for i in svInd:x, y= dataArr[i] ax.scatter([x], [y], s=150, c ='none', alpha=0.7, linewidth=1.5, edgecolor = '#AB3319')plt.show()#alpha>0对应的数据才是支持向量，过滤不是支持向量的数据sVs= np.mat(dataArr)[svInd] #get matrix of only support vectorsprint ("there are %d Support Vectors.\n" % np.shape(sVs)[0])#训练结果
def getTrainingDataResult(dataSet, labelSet, b, alphas, k1=1.3):datMat = np.mat(dataSet)#100*1labelMat = np.mat(labelSet).T#alphas.A>0 获取大于0的索引列表，只有>0的alpha才对分类起作用svInd=np.nonzero(alphas.A>0)[0]sVs=datMat[svInd]labelSV = labelMat[svInd];m,n = np.shape(datMat)errorCount = 0for i in range(m):kernelEval = kernelTrans(sVs,datMat[i,:],('rbf', k1))# y(x) = w*x + b => b = y(x) - w*x# w = aiyixi(i= 1->N求和)predict = kernelEval.T * np.multiply(labelSV, alphas[svInd]) + bif np.sign(predict)!=np.sign(labelSet[i]): errorCount += 1print ("the training error rate is: %f" % (float(errorCount)/m))def getTestDataResult(dataSet, labelSet, b, alphas, k1=1.3):datMat = np.mat(dataSet)#100*1labelMat = np.mat(labelSet).T#alphas.A>0 获取大于0的索引列表，只有>0的alpha才对分类起作用svInd=np.nonzero(alphas.A>0)[0]sVs=datMat[svInd]labelSV = labelMat[svInd];m,n = np.shape(datMat)errorCount = 0for i in range(m):kernelEval = kernelTrans(sVs,datMat[i,:],('rbf', k1))# y(x) = w*x + b => b = y(x) - w*x# w = aiyixi(i= 1->N求和)predict=kernelEval.T * np.multiply(labelSV,alphas[svInd]) + bif np.sign(predict)!=np.sign(labelSet[i]): errorCount += 1 print ("the test error rate is: %f" % (float(errorCount)/m)) SMO算法实现# -*- coding: utf-8 -*-
"""
Created on Wed Sep 5 15:22:26 2018@author: weixw
"""import mySVMMLiA as sm#通过训练数据计算 b, alphas
dataArr,labelArr = sm.loadDataSet('trainingData.txt')
b, alphas = sm.smoP(dataArr, labelArr, 200, 0.0001, 10000, ('rbf', 0.10))
sm.drawDataMap(dataArr,labelArr,b,alphas)
sm.getTrainingDataResult(dataArr, labelArr, b, alphas, 0.10)
dataArr1,labelArr1 = sm.loadDataSet('testData.txt')
#测试结果
sm.getTestDataResult(dataArr1, labelArr1, b, alphas, 0.10)测试代码支持向量机python代码实现相关推荐
- 支持向量机python代码_用TensorFlow实现多类支持向量机的示例代码
这篇文章主要介绍了用TensorFlow实现多类支持向量机的示例代码,现在分享给大家,也给大家做个参考.一起过来看看吧 本文将详细展示一个多类支持向量机分类器训练iris数据集来分类三种花. SVM算 ...
- 深入解析：svm支持向量机python代码
下面是使用 scikit-learn 库中的 SVM 模型的示例代码: from sklearn import svm from sklearn.datasets import make_classi ...
- 支持向量机python代码_Python中的支持向量机SVM的使用（有实例）
除了在Matlab中使用PRTools工具箱中的svm算法,Python中一样可以使用支持向量机做分类.因为Python中的sklearn库也集成了SVM算法,本文的运行环境是Pycharm. 一.导 ...
- 支持向量机python代码_支持向量机及python实现（一）
支持向量机英文名称Support Vector Machine简称SVM,它是由前苏联科学家Corinna Cortes在1995年首先提出的,它在解决小样本.非线性及高维模式识别中表现出许多特有的优 ...
- 支持向量机python代码_Python机器学习SVM支持向量机算法理论 | kTWO-个人博客
PS:这篇文章讲的是SVM的算法的基础理论知识,因为博主也是刚学习没多久,对SVM的数学思想了解的不是很深,所以这篇文章就简单介绍一下什么是SVM以及SVM是怎么工作的. 1.什么是支持向量机(SVM ...
- 数学建模——支持向量机模型详解Python代码
数学建模--支持向量机模型详解Python代码 from numpy import * import random import matplotlib.pyplot as plt import num ...
- 看不懂掐死我系列之支持向量机（SVM）从原理到python代码实现
在如下图所示的二分类问题里,我们在训练分类器时就是希望找到一个最优的超平面.直观来讲,我们希望找到如图所示的一个通道(Margin)能够区分正负样本,最大化其宽度,取其中间线为超平面.直观来说,这样得 ...
- 【数学建模】机器学习预测算法（KNN、随机森林、网格搜索对决策树、支持向量机）（Python代码实现）【2021华为杯】
目录 1 题目 2 数据集介绍及建模目标 3 问题 4 简化描述 5 Python代码实现 1 题目 乳腺癌是目前世界上最常见,致死率较高的癌症之一.乳腺癌的发展与雌激素受体密切相关,有研究发现,雌激 ...
- python支持向量机分类器怎么用_可视化SVM分类器开源实现的python代码
如下的Python代码是可视化SVM分类器开源实现的python代码.这是个小巧又简单,却不一定满足大家高效要求的具有可视化功能的SVM分类器源码.是采用标准python写成的,但如果需要作图功能,则 ...
最新文章
- 边缘会话控制器SBC
- maven springboot 除去指定的jar包_1. Spring Boot概述
- Java程序员应该知道的10个Eclipse调试技巧
- 英文数据集txt_YOLOv5在建筑工地中安全帽佩戴检测的应用（已开源+数据集）
- java jtextfield 高度_java - 固定的JTextField的高度和宽度 - 堆栈内存溢出
- win7向虚拟机linux传文件,如何实现主机windows与虚拟机liunx之间互传文件
- php如何实现跳转,php怎么实现页面跳转？
- html输入公式得到混合运算结果,EXCEL公式与函数教案
- matlab中制作软件,如何用matlab制作一个小软件
- 致远互联开始向云端生态发力奔跑
- usaco - Raucous Rockers
- 数据库简单查询——查询的条件
- 几个开源的视频编解码器介绍
- 新时代火热技术栈：大数据-＞人工智能（AI）-＞区块链
- GVRP和VTP的比较与区别
- Linux系统的基本使用指南（速成，帮助快速上手使用Linux系统）
- ad10捕捉pad中点_【中考专题】中点模型（通关篇）—三种方法，助你通关！
- java jpanel 层,java – 循环遍历JPanel
- python 计算快递费
- 个人号的微信API接口，微信机器人二次开发