使用pivot_longer和pivot_wider进行长宽数据转换
2024-04-26 18:17:33
获取更多R语言和生信知识，请欢迎关注公众号：医学和生信笔记
医学和生信笔记 公众号主要分享：1.医学小知识、肛肠科小知识；2.R语言和Python相关的数据分析、可视化、机器学习等；3.生物信息学学习资料和自己的学习笔记！
前几天介绍了宽数据变为长数据的5种情况，今天介绍长数据变为宽数据的例子。
文章目录
- `pivot_wider`
- capture-recapture data
- 汇总功能
- 从多个变量中生成列名
- 整洁的数据
- 隐式缺失值
- 没用的列
- 通讯录数据
pivot_wider
pivot_wider是pivot_longer的反向操作，把长数据变为宽数据。宽数据一般不常用，但是在总结图表或者导入其他软件使用时很有用。
尤其是在做中药处方数据挖掘方面，非常有用！
capture-recapture data
使用fish_encounters数据集，这个数据记录了鱼游到水边会不会被检测到。
这个数据集非常实用，如果你做中医药处方数据挖掘相关工作，那么学会这个例子中的方法基本就是解决了大部分问题！
fish_encounters
## # A tibble: 114 x 3
## fish station seen
## <fct> <fct> <int>
## 1 4842 Release 1
## 2 4842 I80_1 1
## 3 4842 Lisbon 1
## 4 4842 Rstr 1
## 5 4842 Base_TD 1
## 6 4842 BCE 1
## 7 4842 BCW 1
## 8 4842 BCE2 1
## 9 4842 BCW2 1
## 10 4842 MAE 1
## # ... with 104 more rows
许多分析都需要每一个工作站(station)是一列：
fish_encounters %>% pivot_wider(names_from = station,values_from = seen)
## # A tibble: 19 x 12
## fish Release I80_1 Lisbon Rstr Base_TD BCE BCW BCE2 BCW2 MAE MAW
## <fct> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
## 1 4842 1 1 1 1 1 1 1 1 1 1 1
## 2 4843 1 1 1 1 1 1 1 1 1 1 1
## 3 4844 1 1 1 1 1 1 1 1 1 1 1
## 4 4845 1 1 1 1 1 NA NA NA NA NA NA
## 5 4847 1 1 1 NA NA NA NA NA NA NA NA
## 6 4848 1 1 1 1 NA NA NA NA NA NA NA
## 7 4849 1 1 NA NA NA NA NA NA NA NA NA
## 8 4850 1 1 NA 1 1 1 1 NA NA NA NA
## 9 4851 1 1 NA NA NA NA NA NA NA NA NA
## 10 4854 1 1 NA NA NA NA NA NA NA NA NA
## 11 4855 1 1 1 1 1 NA NA NA NA NA NA
## 12 4857 1 1 1 1 1 1 1 1 1 NA NA
## 13 4858 1 1 1 1 1 1 1 1 1 1 1
## 14 4859 1 1 1 1 1 NA NA NA NA NA NA
## 15 4861 1 1 1 1 1 1 1 1 1 1 1
## 16 4862 1 1 1 1 1 1 1 1 1 NA NA
## 17 4863 1 1 NA NA NA NA NA NA NA NA NA
## 18 4864 1 1 NA NA NA NA NA NA NA NA NA
## 19 4865 1 1 1 NA NA NA NA NA NA NA NA
这个数据集记录的是鱼是否被检测到，如果检测到就是1，所有你会发现长数据变为宽数据后出现了很多NA，但其实这些NA代表的是没被检测到。
对于这种数据，我们可以通过添加参数解决，把NA变成0:
fish_encounters %>% pivot_wider(names_from = station,values_from = seen,values_fill = 0 # 自动填充0
)
## # A tibble: 19 x 12
## fish Release I80_1 Lisbon Rstr Base_TD BCE BCW BCE2 BCW2 MAE MAW
## <fct> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
## 1 4842 1 1 1 1 1 1 1 1 1 1 1
## 2 4843 1 1 1 1 1 1 1 1 1 1 1
## 3 4844 1 1 1 1 1 1 1 1 1 1 1
## 4 4845 1 1 1 1 1 0 0 0 0 0 0
## 5 4847 1 1 1 0 0 0 0 0 0 0 0
## 6 4848 1 1 1 1 0 0 0 0 0 0 0
## 7 4849 1 1 0 0 0 0 0 0 0 0 0
## 8 4850 1 1 0 1 1 1 1 0 0 0 0
## 9 4851 1 1 0 0 0 0 0 0 0 0 0
## 10 4854 1 1 0 0 0 0 0 0 0 0 0
## 11 4855 1 1 1 1 1 0 0 0 0 0 0
## 12 4857 1 1 1 1 1 1 1 1 1 0 0
## 13 4858 1 1 1 1 1 1 1 1 1 1 1
## 14 4859 1 1 1 1 1 0 0 0 0 0 0
## 15 4861 1 1 1 1 1 1 1 1 1 1 1
## 16 4862 1 1 1 1 1 1 1 1 1 0 0
## 17 4863 1 1 0 0 0 0 0 0 0 0 0
## 18 4864 1 1 0 0 0 0 0 0 0 0 0
## 19 4865 1 1 1 0 0 0 0 0 0 0 0
这样就很清楚了，1代表被检测到，0代表没被检测到。
这个数据也是中药处方数据挖掘中常用的频率矩阵。
汇总功能
pivot_wider支持简单的汇总功能，以下面的warpbreaks数据集为例，这是每个样本都有9个重复的实验设计：
warpbreaks <- warpbreaks %>% as_tibble() %>% select(wool, tension, breaks)warpbreaks
## # A tibble: 54 x 3
## wool tension breaks
## <fct> <fct> <dbl>
## 1 A L 26
## 2 A L 30
## 3 A L 54
## 4 A L 25
## 5 A L 70
## 6 A L 52
## 7 A L 51
## 8 A L 26
## 9 A L 67
## 10 A M 18
## # ... with 44 more rows
warpbreaks %>% count(wool, tension)
## # A tibble: 6 x 3
## wool tension n
## <fct> <fct> <int>
## 1 A L 9
## 2 A M 9
## 3 A H 9
## 4 B L 9
## 5 B M 9
## 6 B H 9
假如我们想把tension这一列变为多列，会发生问题：
warpbreaks %>% pivot_wider(names_from = wool,values_from = breaks
)
## Warning: Values from `breaks` are not uniquely identified; output will contain list-cols.
## * Use `values_fn = list` to suppress this warning.
## * Use `values_fn = {summary_fun}` to summarise duplicates.
## * Use the following dplyr code to identify duplicates.
## {data} %>%
## dplyr::group_by(tension, wool) %>%
## dplyr::summarise(n = dplyr::n(), .groups = "drop") %>%
## dplyr::filter(n > 1L)
## # A tibble: 3 x 3
## tension A B
## <fct> <list> <list>
## 1 L <dbl [9]> <dbl [9]>
## 2 M <dbl [9]> <dbl [9]>
## 3 H <dbl [9]> <dbl [9]>
这段提示告诉我们：输出数据中一个单元格的值包含了多个输入数据的单元格值，上面的这个数据wool和tension这两列，A和L对应的breaks的值有多个，这样得到的结果每个单元格中是一个列表。可以通过传递一个函数解决：
warpbreaks %>% pivot_wider(names_from = wool,values_from = breaks,values_fn = list(breaks = mean))
## # A tibble: 3 x 3
## tension A B
## <fct> <dbl> <dbl>
## 1 L 44.6 28.2
## 2 M 24 28.8
## 3 H 24.6 18.8
这样我们就得到了平均值，对于简答的汇总操作可以使用pivot_wider，但是对于复杂的操作还是建议先汇总再进行长宽转换。
长数据转换为宽数据就是需要每一行都有唯一标识符，不然就会有问题，如果不想汇总，也可以为每个观测添加唯一的标识符，然后再转换：
warpbreaks %>% mutate(row_id = row_number()) %>% pivot_wider(names_from = wool,values_from = tension)
## # A tibble: 54 x 4
## breaks row_id A B
## <dbl> <int> <fct> <fct>
## 1 26 1 L <NA>
## 2 30 2 L <NA>
## 3 54 3 L <NA>
## 4 25 4 L <NA>
## 5 70 5 L <NA>
## 6 52 6 L <NA>
## 7 51 7 L <NA>
## 8 26 8 L <NA>
## 9 67 9 L <NA>
## 10 18 10 M <NA>
## # ... with 44 more rows
从多个变量中生成列名
假如我们有一个数据集包含产品、国家、年，以tidy形式储存：
production <- expand.grid(product = c("A","B"),country = c("AI","EI"),year = 2000:2014
) %>% filter((product == "A" & country == "AI") | product == "B") %>% mutate(production = rnorm(nrow(.)))production
## product country year production
## 1 A AI 2000 -0.087295557
## 2 B AI 2000 -0.110905487
## 3 B EI 2000 1.634681334
## 4 A AI 2001 -0.388716367
## 5 B AI 2001 1.331350645
## 6 B EI 2001 -0.053276856
## 7 A AI 2002 -0.479793652
## 8 B AI 2002 0.420395500
## 9 B EI 2002 -0.232220115
## 10 A AI 2003 -1.216031488
## 11 B AI 2003 -0.055353125
## 12 B EI 2003 0.581777559
## 13 A AI 2004 0.445017075
## 14 B AI 2004 0.353079737
## 15 B EI 2004 -0.335688514
## 16 A AI 2005 3.121852854
## 17 B AI 2005 -2.297172571
## 18 B EI 2005 1.119929895
## 19 A AI 2006 -0.140201867
## 20 B AI 2006 0.804035254
## 21 B EI 2006 -0.556100361
## 22 A AI 2007 0.012777346
## 23 B AI 2007 0.223261719
## 24 B EI 2007 0.156248377
## 25 A AI 2008 -0.635435270
## 26 B AI 2008 -0.648780262
## 27 B EI 2008 0.295025191
## 28 A AI 2009 0.569436763
## 29 B AI 2009 2.512097901
## 30 B EI 2009 -0.937012717
## 31 A AI 2010 -0.009918068
## 32 B AI 2010 -0.328314663
## 33 B EI 2010 1.581608640
## 34 A AI 2011 0.497168601
## 35 B AI 2011 -0.859256144
## 36 B EI 2011 0.533496101
## 37 A AI 2012 -0.246426907
## 38 B AI 2012 1.600651171
## 39 B EI 2012 1.978769369
## 40 A AI 2013 1.074354159
## 41 B AI 2013 -1.386956360
## 42 B EI 2013 2.134569308
## 43 A AI 2014 1.019885383
## 44 B AI 2014 1.075803719
## 45 B EI 2014 -1.732513618
想在我们想把这个数据集变成宽数据，其中一列包含product和country两列的信息，我们该怎么办呢？
production %>% pivot_wider(names_from = c(product, country), # 直接放一起即可values_from = production
)
## # A tibble: 15 x 4
## year A_AI B_AI B_EI
## <int> <dbl> <dbl> <dbl>
## 1 2000 -0.0873 -0.111 1.63
## 2 2001 -0.389 1.33 -0.0533
## 3 2002 -0.480 0.420 -0.232
## 4 2003 -1.22 -0.0554 0.582
## 5 2004 0.445 0.353 -0.336
## 6 2005 3.12 -2.30 1.12
## 7 2006 -0.140 0.804 -0.556
## 8 2007 0.0128 0.223 0.156
## 9 2008 -0.635 -0.649 0.295
## 10 2009 0.569 2.51 -0.937
## 11 2010 -0.00992 -0.328 1.58
## 12 2011 0.497 -0.859 0.533
## 13 2012 -0.246 1.60 1.98
## 14 2013 1.07 -1.39 2.13
## 15 2014 1.02 1.08 -1.73
可以通过多个参数控制输出数据的列名：
production %>% pivot_wider(names_from = c(product, country),values_from = production,names_sep = ".", # 连接符names_prefix = "prod." # 前缀
)
## # A tibble: 15 x 4
## year prod.A.AI prod.B.AI prod.B.EI
## <int> <dbl> <dbl> <dbl>
## 1 2000 -0.0873 -0.111 1.63
## 2 2001 -0.389 1.33 -0.0533
## 3 2002 -0.480 0.420 -0.232
## 4 2003 -1.22 -0.0554 0.582
## 5 2004 0.445 0.353 -0.336
## 6 2005 3.12 -2.30 1.12
## 7 2006 -0.140 0.804 -0.556
## 8 2007 0.0128 0.223 0.156
## 9 2008 -0.635 -0.649 0.295
## 10 2009 0.569 2.51 -0.937
## 11 2010 -0.00992 -0.328 1.58
## 12 2011 0.497 -0.859 0.533
## 13 2012 -0.246 1.60 1.98
## 14 2013 1.07 -1.39 2.13
## 15 2014 1.02 1.08 -1.73
也可以通过names_glue函数：
production %>% pivot_wider(names_from = c(product, country),values_from = production,names_glue = "prod_{product}_{country}" # glue函数很好用
)
## # A tibble: 15 x 4
## year prod_A_AI prod_B_AI prod_B_EI
## <int> <dbl> <dbl> <dbl>
## 1 2000 -0.0873 -0.111 1.63
## 2 2001 -0.389 1.33 -0.0533
## 3 2002 -0.480 0.420 -0.232
## 4 2003 -1.22 -0.0554 0.582
## 5 2004 0.445 0.353 -0.336
## 6 2005 3.12 -2.30 1.12
## 7 2006 -0.140 0.804 -0.556
## 8 2007 0.0128 0.223 0.156
## 9 2008 -0.635 -0.649 0.295
## 10 2009 0.569 2.51 -0.937
## 11 2010 -0.00992 -0.328 1.58
## 12 2011 0.497 -0.859 0.533
## 13 2012 -0.246 1.60 1.98
## 14 2013 1.07 -1.39 2.13
## 15 2014 1.02 1.08 -1.73
整洁的数据
以us_rent_income数据集为例，这个数据集是关于美国2017年每个州的收入和租金。
us_rent_income
## # A tibble: 104 x 5
## GEOID NAME variable estimate moe
## <chr> <chr> <chr> <dbl> <dbl>
## 1 01 Alabama income 24476 136
## 2 01 Alabama rent 747 3
## 3 02 Alaska income 32940 508
## 4 02 Alaska rent 1200 13
## 5 04 Arizona income 27517 148
## 6 04 Arizona rent 972 4
## 7 05 Arkansas income 23789 165
## 8 05 Arkansas rent 709 5
## 9 06 California income 29454 109
## 10 06 California rent 1358 3
## # ... with 94 more rows
可以看到estimate和moe是值，我们可以把它们用作values_from的参数：
us_rent_income %>% pivot_wider(names_from = variable,values_from = c(estimate, moe),names_sep = ".")
## # A tibble: 52 x 6
## GEOID NAME estimate.income estimate.rent moe.income moe.rent
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 01 Alabama 24476 747 136 3
## 2 02 Alaska 32940 1200 508 13
## 3 04 Arizona 27517 972 148 4
## 4 05 Arkansas 23789 709 165 5
## 5 06 California 29454 1358 109 3
## 6 08 Colorado 32401 1125 109 5
## 7 09 Connecticut 35326 1123 195 5
## 8 10 Delaware 31560 1076 247 10
## 9 11 District of Columbia 43198 1424 681 17
## 10 12 Florida 25952 1077 70 3
## # ... with 42 more rows
函数会自动帮我们把列名连到一起，非常方便。
隐式缺失值
有时我们会遇到因子型数据，但不是所有的水平都有相应的值，例如下面这个数据：
weekdays <- c("Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun")daily <- tibble(day = factor(c("Tue", "Thu", "Fri", "Mon"), levels = weekdays),value = c(2, 3, 1, 5)
)daily
## # A tibble: 4 x 2
## day value
## <fct> <dbl>
## 1 Tue 2
## 2 Thu 3
## 3 Fri 1
## 4 Mon 5
可以看到day是因子型，且有7个水平，但不是所有的水平都显示出来了，假如我们想要都显示出来，也可以办到：
daily %>% pivot_wider(names_from = day,values_from = value,names_expand = T # 所有水平都显示出来
)
## # A tibble: 1 x 7
## Mon Tue Wed Thu Fri Sat Sun
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 5 2 NA 3 1 NA NA
假如names_from含有多列，那么函数会自动组合所有可能：
percentages <- tibble(year = c(2018, 2019, 2020, 2020),type = factor(c("A", "B", "A", "B"), levels = c("A", "B")),percentage = c(100, 100, 40, 60)
)percentages
## # A tibble: 4 x 3
## year type percentage
## <dbl> <fct> <dbl>
## 1 2018 A 100
## 2 2019 B 100
## 3 2020 A 40
## 4 2020 B 60
接下来变为宽数据：
pivot_wider(percentages,names_from = c(year, type), # 多列values_from = percentage,names_expand = TRUE, # 自动给出所有组合values_fill = 0 # 没有的填充0
)
## # A tibble: 1 x 6
## `2018_A` `2018_B` `2019_A` `2019_B` `2020_A` `2020_B`
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 100 0 0 100 40 60
上面这种情况是names含有因子型，另一种相似的情况是id_cols（可以简单理解为能够区分不同行数据的唯一标识符列）含有隐式缺失值（因子型），这种情况下需要用id_expand。
daily <- daily %>% mutate(type = factor(c("A","B","B","A")))
daily
## # A tibble: 4 x 3
## day value type
## <fct> <dbl> <fct>
## 1 Tue 2 A
## 2 Thu 3 B
## 3 Fri 1 B
## 4 Mon 5 A
接下来变为宽数据：
daily %>% pivot_wider(names_from = type,values_from = value,id_expand = T)
## # A tibble: 7 x 3
## day A B
## <fct> <dbl> <dbl>
## 1 Mon 5 NA
## 2 Tue 2 NA
## 3 Wed NA NA
## 4 Thu NA 3
## 5 Fri NA 1
## 6 Sat NA NA
## 7 Sun NA NA
但是其实不用也是不会报错的：
daily %>% pivot_wider(names_from = type,values_from = value)
## # A tibble: 4 x 3
## day A B
## <fct> <dbl> <dbl>
## 1 Tue 2 NA
## 2 Thu NA 3
## 3 Fri NA 1
## 4 Mon 5 NA
没用的列
有些数据中的某一列对于长宽转换是没用的，但是这一列你又不想丢掉，这种情况可以使用unused_fn搞定。
updates <- tibble(county = c("Wake", "Wake", "Wake", "Guilford", "Guilford"),date = c(as.Date("2020-01-01") + 0:2, as.Date("2020-01-03") + 0:1),system = c("A", "B", "C", "A", "C"),value = c(3.2, 4, 5.5, 2, 1.2)
)updates
## # A tibble: 5 x 4
## county date system value
## <chr> <date> <chr> <dbl>
## 1 Wake 2020-01-01 A 3.2
## 2 Wake 2020-01-02 B 4
## 3 Wake 2020-01-03 C 5.5
## 4 Guilford 2020-01-03 A 2
## 5 Guilford 2020-01-04 C 1.2
现在我们想把system这一列进行转换：
updates %>% pivot_wider(names_from = system,values_from = value,id_cols = county)
## # A tibble: 2 x 4
## county A B C
## <chr> <dbl> <dbl> <dbl>
## 1 Wake 3.2 4 5.5
## 2 Guilford 2 NA 1.2
这样虽然不会报错，但是date那一列的信息就完全丢失了。
我们可以通过使用unused_fn进行调整，比如我们可以通过函数保留最新的日期：
updates %>% pivot_wider(id_cols = county,names_from = system,values_from = value,unused_fn = list(date = max))
## # A tibble: 2 x 5
## county A B C date
## <chr> <dbl> <dbl> <dbl> <date>
## 1 Wake 3.2 4 5.5 2020-01-03
## 2 Guilford 2 NA 1.2 2020-01-04
这样就保留了最新的日期。
也可以直接把date列变为列表形式保存下来：
updates %>% pivot_wider(id_cols = county,names_from = system,values_from = value,unused_fn = list(date = list) # 神奇的操作！)
## # A tibble: 2 x 5
## county A B C date
## <chr> <dbl> <dbl> <dbl> <list>
## 1 Wake 3.2 4 5.5 <date [3]>
## 2 Guilford 2 NA 1.2 <date [2]>
通讯录数据
假如我们有一个下面这样的通讯录数据：
contacts <- tribble(~field, ~value,"name", "Jiena McLellan","company", "Toyota", "name", "John Smith", "company", "google", "email", "john@google.com","name", "Huxley Ratcliffe"
)contacts
## # A tibble: 6 x 2
## field value
## <chr> <chr>
## 1 name Jiena McLellan
## 2 company Toyota
## 3 name John Smith
## 4 company google
## 5 email john@google.com
## 6 name Huxley Ratcliffe
这个数据没有任何一列能够区分每一行怎么分组。
我们可以创建一个新列，每当field这一列出现name时，就加一。
contacts <- contacts %>% mutate(person_id = cumsum(field == "name"))
contacts
## # A tibble: 6 x 3
## field value person_id
## <chr> <chr> <int>
## 1 name Jiena McLellan 1
## 2 company Toyota 1
## 3 name John Smith 2
## 4 company google 2
## 5 email john@google.com 2
## 6 name Huxley Ratcliffe 3
这样操作以后每个人就都有了唯一的标识符。这样就可以把field和value这两列进行pivot了。
contacts %>% pivot_wider(names_from = field,values_from = value)
## # A tibble: 3 x 4
## person_id name company email
## <int> <chr> <chr> <chr>
## 1 1 Jiena McLellan Toyota <NA>
## 2 2 John Smith google john@google.com
## 3 3 Huxley Ratcliffe <NA> <NA>
以上就是常见的长变宽的7种情况，明天继续介绍更加复杂的长宽转换例子。
获取更多R语言和生信知识，请欢迎关注公众号：医学和生信笔记
医学和生信笔记 公众号主要分享：1.医学小知识、肛肠科小知识；2.R语言和Python相关的数据分析、可视化、机器学习等；3.生物信息学学习资料和自己的学习笔记！
使用pivot_longer和pivot_wider进行长宽数据转换相关推荐
- R语言进行长宽数据转换
长宽数据 在日常数据分析过程中,经常会对数据进行长宽转换处理,所谓长宽数据转换就是将数据表中的列变量进行聚合和分裂操作.宽转长:多个列聚合为一列,同时生成value值,这种操作主要是为了方便ggplo ...
- 推荐两个长宽数据互换函数pivot_longer和pivot_wider
长宽数据转换有reshape(真难用),reshape2,cast,melt,spread,gather后两项非常简单易用,pivot_longer和pivot_wider,更强劲,在数据重组过程中还 ...
- 昆虫基因组DNA的优化提取，可进行长读测序
昆虫基因组DNA的优化提取,可进行长读测序 通过 布伦达·奥珀特(Brenda Oppert) 1,*, 萨曼莎·斯托斯(Samantha Stoss) 1个, 阿莱莎和尚 1个 和 蒂莫西·史密斯 ...
- qt websocket android,QT使用websocket进行长连接
一般我们用的最多的就是http请求,但是频繁的请求可能对服务造成的压力很大,所以今天谈谈websocket长连接,一句话:简单 1.什么是长连接? A:一次请求连接,终身使用,就可以长久的保持信息的交 ...
- Android 后台进行长图的生成并分享（非长截图）
DrawLongPictureDemo 项目地址:SherlockGougou/DrawLongPictureDemo 简介:Android 后台进行长图的生成并分享(非长截图) 更多:作者 提 ...
- 利用opencv对图像进行长曝光
利用opencv对图像进行长曝光 本文首发于公众号[Opencv视觉实践],翻译自光头哥哥的博客: [Long exposure with OpenCV and Python],仅做学习分享. 原文链 ...
- 如何用苹果手机进行长截图，自带3种截屏方式，任你随意挑选
每一款手机都各有优缺点.当我们将苹果手机与安卓手机进行对比的时候,就会发现,安卓手机很容易就能进行长截图,方式非常简单.而苹果手机的操作就相对麻烦一些,那么我们该如何解决苹果手机长截图这个问题呢? 1 ...
- .xhr长轮询_使用Spring 3.2的DeferredResult进行长轮询
.xhr长轮询 在我们的最后一集中 , Agile Cowboys Inc.的首席执行官刚刚雇用了Java / Spring顾问,方法是为他提供最初为女友购买的保时捷. 这位首席执行官的女友因失去保时 ...
- 使用Spring 3.2的DeferredResult进行长轮询
在我们的最后一集中 , Agile Cowboys Inc.的首席执行官刚刚雇用了Java / Spring顾问,方法是为他提供最初为女友购买的保时捷. 这位首席执行官的女友因失去保时捷而感到不安,已 ...
最新文章
- 第四章 DOM节点操作
- 面试官：给我说一下 Spring MVC 拦截器的原理？
- matlab电力系统潮流计算,大神们，求个电力系统潮流计算的matlab程序。
- 内置的进制转换的方法---小笔记
- 通过document id和content拿到SAP document的binary data
- abp vue如何配置服务地址_DHCP服务如何配置才能尽量减少被攻击的可能
- Linux系统centos7+VMwareWorkstation创建共享文件夹错误解决方法集锦
- Vite 配置项目别名-最新版
- 计算机的照相机功能,让我来告诉你单反相机那10项不可思议的功能！
- 刮刮卡 java代码_Android刮刮卡效果实现代码
- mysql 裸设备_什么叫做裸设备
- MySQL查看锁及事务隔离级别的命令
- 网站建设多少钱（做一个网站需要多少钱）
- python能处理nc文件吗_利用python如何处理nc数据详解
- 缺少vcruntime140d.dll的解决办法
- 本源量子与德美牵头成立产业联盟，生物化学正式进入量子计算“赛道”｜现场专访
- FreeRDP 2.0 for Windows 编译
- 文明重启战局服务器维护中是什么意思,文明重启为什么改了密码别人还能登？...
- sap docking 简单分屏alv
- 360开源mysql_奇虎360开源基于Kubernetes管理平台 Wayne