R语言自学笔记：回归分析基础
2024-05-11 12:02:18
一. 线性回归
1. lm()函数返回的是对于输入变量的预测模型，返回的结果可以配合许多函数进行使用。
> lm.model <- lm(wt ~ mpg, data = mtcars)> coefficients(lm.model) # 提取系数
(Intercept) mpg 6.047255 -0.140862 > confint(lm.model, level=0.95) # 得到线性模型相关系数的分布后，限定区间，得到边界点的值2.5 % 97.5 %
(Intercept) 5.4168245 6.6776856
mpg -0.1709569 -0.1107671> fitted(lm.model) # 用建立的模型去预测wtMazda RX4 Mazda RX4 Wag Datsun 710 Hornet 4 Drive Hornet Sportabout Valiant Duster 360 3.089154 3.089154 2.835602 3.032809 3.413136 3.497653 4.032929 Merc 240D Merc 230 Merc 280 Merc 280C Merc 450SE Merc 450SL Merc 450SLC 2.610223 2.835602 3.342705 3.539912 3.737119 3.610343 3.906153 Cadillac Fleetwood Lincoln Continental Chrysler Imperial Fiat 128 Honda Civic Toyota Corolla Toyota Corona 4.582291 4.582291 3.976584 1.483327 1.765051 1.272034 3.018723 Dodge Challenger AMC Javelin Camaro Z28 Pontiac Firebird Fiat X1-9 Porsche 914-2 Lotus Europa 3.863894 3.906153 4.173791 3.342705 2.201723 2.384844 1.765051 Ford Pantera L Ferrari Dino Maserati Bora Volvo 142E 3.821636 3.272274 3.934325 3.032809 > residuals(lm.model) # 预测与实际之间的残差Mazda RX4 Mazda RX4 Wag Datsun 710 Hornet 4 Drive Hornet Sportabout Valiant Duster 360 -0.46915365 -0.21415365 -0.51560210 0.18219114 0.02686382 -0.03765336 -0.46292884 Merc 240D Merc 230 Merc 280 Merc 280C Merc 450SE Merc 450SL Merc 450SLC 0.57977705 0.31439790 0.09729481 -0.09991195 0.33288129 0.11965707 -0.12615307 Cadillac Fleetwood Lincoln Continental Chrysler Imperial Fiat 128 Honda Civic Toyota Corolla Toyota Corona 0.66770947 0.84170947 1.36841594 0.71667281 -0.15005113 0.56296577 -0.55372266 Dodge Challenger AMC Javelin Camaro Z28 Pontiac Firebird Fiat X1-9 Porsche 914-2 Lotus Europa -0.34389448 -0.47115307 -0.33379081 0.50229481 -0.26672324 -0.24484380 -0.25205113 Ford Pantera L Ferrari Dino Maserati Bora Volvo 142E -0.65163589 -0.50227421 -0.36432547 -0.25280886 > anova(lm.model) # anova table
Analysis of Variance TableResponse: wtDf Sum Sq Mean Sq F value Pr(>F)
mpg 1 22.3431 22.3431 91.375 1.294e-10 ***
Residuals 30 7.3356 0.2445
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1> vcov(lm.model) # 协方差矩阵(Intercept) mpg
(Intercept) 0.095289963 -0.0043626666
mpg -0.004362667 0.0002171494> influence(lm.model) # 相当与对分析的结果进行一个汇总
$hatMazda RX4 Mazda RX4 Wag Datsun 710 Hornet 4 Drive Hornet Sportabout Valiant Duster 360 0.03198439 0.03198439 0.03776901 0.03277255 0.03296737 0.03476902 0.06102792 Merc 240D Merc 230 Merc 280 Merc 280C Merc 450SE Merc 450SL Merc 450SLC 0.04774195 0.03776901 0.03195442 0.03590963 0.04334604 0.03816586 0.05249086 Cadillac Fleetwood Lincoln Continental Chrysler Imperial Fiat 128 Honda Civic Toyota Corolla Toyota Corona 0.11464634 0.11464634 0.05705606 0.16580983 0.12563611 0.20060244 0.03301399 Dodge Challenger AMC Javelin Camaro Z28 Pontiac Firebird Fiat X1-9 Porsche 914-2 Lotus Europa 0.04996488 0.05249086 0.07220085 0.03195442 0.07740711 0.06226177 0.12563611 Ford Pantera L Ferrari Dino Maserati Bora Volvo 142E 0.04759875 0.03138551 0.05426366 0.03277255 $coefficients(Intercept) mpg
Mazda RX4 -0.007282030 -3.913985e-04
Mazda RX4 Wag -0.003324014 -1.786609e-04
Datsun 710 0.009157470 -1.289282e-03
Hornet 4 Drive 0.001485910 2.190313e-04
Hornet Sportabout 0.001557359 -3.430679e-05
Valiant -0.002604528 6.896128e-05
Duster 360 -0.066342655 2.535306e-03
Merc 240D -0.027785644 2.330044e-03
Merc 230 -0.005583936 7.861634e-04
Merc 280 0.004737902 -7.949360e-05
Merc 280C -0.007473905 2.108129e-04
Merc 450SE 0.033786317 -1.140454e-03
Merc 450SL 0.010081735 -3.083068e-04
Merc 450SLC -0.015778260 5.782587e-04
Cadillac Fleetwood 0.153962430 -6.490318e-03
Lincoln Continental 0.194083866 -8.181645e-03
Chrysler Imperial 0.184925710 -6.947280e-03
Fiat 128 -0.161833613 9.391507e-03
Honda Civic 0.026202892 -1.571169e-03
Toyota Corolla -0.151504789 8.636477e-03
Toyota Corona -0.003495500 -7.167077e-04
Dodge Challenger -0.040959820 1.475709e-03
AMC Javelin -0.058928219 2.159665e-03
Camaro Z28 -0.054830702 2.169570e-03
Pontiac Firebird 0.024459924 -4.103942e-04
Fiat X1-9 0.028152063 -1.850938e-03
Porsche 914-2 0.019369325 -1.370227e-03
Lotus Europa 0.044014788 -2.639199e-03
Ford Pantera L -0.073758568 2.607048e-03
Ferrari Dino -0.019818649 1.798843e-04
Maserati Bora -0.047027088 1.741542e-03
Volvo 142E -0.002061852 -3.039283e-04$sigmaMazda RX4 Mazda RX4 Wag Datsun 710 Hornet 4 Drive Hornet Sportabout Valiant Duster 360 0.4950874 0.5013168 0.4933815 0.5017657 0.5029179 0.5028932 0.4950577 Merc 240D Merc 230 Merc 280 Merc 280C Merc 450SE Merc 450SL Merc 450SLC 0.4906934 0.4994096 0.5026082 0.5025884 0.4989569 0.5024330 0.5023674 Cadillac Fleetwood Lincoln Continental Chrysler Imperial Fiat 128 Honda Civic Toyota Corolla Toyota Corona 0.4853738 0.4747194 0.4295043 0.4813738 0.5020600 0.4891637 0.4919538 Dodge Challenger AMC Javelin Camaro Z28 Pontiac Firebird Fiat X1-9 Porsche 914-2 Lotus Europa 0.4986579 0.4948469 0.4988098 0.4939281 0.5002931 0.5007472 0.5004465 Ford Pantera L Ferrari Dino Maserati Bora Volvo 142E 0.4874197 0.4939342 0.4981090 0.5006732 $wt.resMazda RX4 Mazda RX4 Wag Datsun 710 Hornet 4 Drive Hornet Sportabout Valiant Duster 360 -0.46915365 -0.21415365 -0.51560210 0.18219114 0.02686382 -0.03765336 -0.46292884 Merc 240D Merc 230 Merc 280 Merc 280C Merc 450SE Merc 450SL Merc 450SLC 0.57977705 0.31439790 0.09729481 -0.09991195 0.33288129 0.11965707 -0.12615307 Cadillac Fleetwood Lincoln Continental Chrysler Imperial Fiat 128 Honda Civic Toyota Corolla Toyota Corona 0.66770947 0.84170947 1.36841594 0.71667281 -0.15005113 0.56296577 -0.55372266 Dodge Challenger AMC Javelin Camaro Z28 Pontiac Firebird Fiat X1-9 Porsche 914-2 Lotus Europa -0.34389448 -0.47115307 -0.33379081 0.50229481 -0.26672324 -0.24484380 -0.25205113 Ford Pantera L Ferrari Dino Maserati Bora Volvo 142E -0.65163589 -0.50227421 -0.36432547 -0.252808862. 拟合好坏的评判
(1) 根据模型获得预测值
predict(model, 用于训练产生model的数据集)(2) 使用caret包中的R2函数
R2(predict结果，原数据集中的y值)二. 多元线性回归
1. lm()及interaction的分析
(1) 直接向fomular中输入多个变量，一加号连接即可：
mtcars.m <- lm(wt~mpg+disp+mpg:disp, data = mtcars)##分析自变量disp和mpg对因变量wt的模型，其中mpg:disp表示构造线性模型时，考虑两个变量之间的相互作用
##即两个变量不是相互独立summary(mtcars.m)模型：
> summary(mtcars.m)Call:
lm(formula = wt ~ mpg + disp + mpg:disp, data = mtcars)Residuals:Min 1Q Median 3Q Max
-0.8047 -0.2636 0.0539 0.2340 0.8817 Coefficients:Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.3716803 0.7066020 4.772 5.18e-05 ***
mpg -0.0505361 0.0257971 -1.959 0.06014 .
disp 0.0065258 0.0020525 3.179 0.00359 **
mpg:disp -0.0001603 0.0001232 -1.301 0.20383
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Residual standard error: 0.4055 on 28 degrees of freedom
Multiple R-squared: 0.8449, Adjusted R-squared: 0.8283
F-statistic: 50.84 on 3 and 28 DF, p-value: 1.871e-11
(2) 自变量的影响权重
统计不同变量对模型的“重要程度”：
library(relaimpo);
calc.relimp( wt~mpg+disp+mpg:disp, data = mtcars )> calc.relimp( wt~mpg+disp+mpg:disp, data = mtcars )
Response variable: wt
Total response variance: 0.957379
Analysis based on 32 observations 3 Regressors:
mpg disp mpg:disp
Proportion of variance explained by model: 84.49%
Metrics are not normalized (rela=FALSE). Relative importance metrics: ##影响权重lmg
mpg 0.399914296
disp 0.435589844
mpg:disp 0.009378141Average coefficients for different model sizes: 1X 2Xs 3Xs
mpg -0.140861970 -0.066315339 -0.0505361268
disp 0.007010325 0.004277131 0.0065257929
mpg:disp NaN NaN -0.0001603097(3) 可视化自变量间是如何影响的
相互影响主要是体现在对斜率的改变：
library(interactions)
sim_slopes(mtcars.m, pred = mpg, modx = disp, jnplot = TRUE)
##pred 输入被影响的量 modx 输入影响别人的量结果：
JOHNSON-NEYMAN INTERVAL When disp is INSIDE the interval [8.39, 747.98], the slope of mpg is p < .05.Note: The range of observed values of disp is [71.10, 472.00]SIMPLE SLOPES ANALYSIS ##随意取得数据，结果有些离谱
2. glm()
当glm函数中的参数famil = “Gaussian” 时， 你拟合的效果于lm()一致，但glm还可以用于其他回归模型，例如二分类时线性回归：
##利用glm对swiss中的变量建立线性模型，当输入不同的自变量时，我们可以通过数值结果判断对应的Species类型dat <- iris %>% filter( Species %in% c("setosa", "virginica") )
dat$Species <- as.factor(dat$Species)##需要对“因变量”对应的列进行处理，否则可能会报错bm <- glm( Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width,
data = dat, family = binomial ) ##选择二项分布的模型mtcars.predict1 <- predict(bm, dat,type = "response")
mtcars.predict2 <- predict(bm, dat) ##用默认的type结果：注意设置了response的模型，输出数值更加有只管的二分类效果
> mtcars.predict11 2 3 4 5 6 7 8 9 10 11 12
2.220446e-16 4.732528e-13 1.369834e-13 3.388726e-12 2.220446e-16 3.892826e-13 7.748530e-13 1.988060e-13 5.204109e-12 3.900993e-13 2.220446e-16 1.453927e-12 13 14 15 16 17 18 19 20 21 22 23 24
2.656364e-13 2.220446e-16 2.220446e-16 2.220446e-16 2.220446e-16 2.220446e-16 2.220446e-16 2.220446e-16 4.472442e-13 2.682276e-13 2.220446e-16 4.132652e-11 25 26 27 28 29 30 31 32 33 34 35 36
5.282004e-11 3.493413e-12 4.614812e-12 2.220446e-16 2.220446e-16 4.976501e-12 5.082694e-12 2.857677e-13 2.220446e-16 2.220446e-16 1.032749e-12 2.220446e-16 37 38 39 40 41 42 43 44 45 46 47 48
2.220446e-16 2.220446e-16 1.035326e-12 1.337875e-13 2.220446e-16 3.421128e-11 4.494793e-13 2.131127e-11 2.126479e-11 1.861773e-12 2.220446e-16 6.741667e-13 49 50 51 52 53 54 55 56 57 58 59 60
2.220446e-16 2.220446e-16 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 61 62 63 64 65 66 67 68 69 70 71 72
1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 73 74 75 76 77 78 79 80 81 82 83 84
1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 85 86 87 88 89 90 91 92 93 94 95 96
1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00 97 98 99 100
1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
> mtcars.predict21 2 3 4 5 6 7 8 9 10 11 12 13 14 15
-31.25726 -28.37915 -29.61892 -26.41057 -31.27837 -28.57447 -27.88610 -29.24645 -25.98157 -28.57237 -32.08233 -27.25675 -28.95665 -30.56889 -38.51083 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
-34.24374 -33.36463 -30.28368 -30.31909 -30.33771 -28.43567 -28.94694 -34.48423 -23.90952 -23.66413 -26.38014 -26.10175 -30.45579 -31.23614 -26.02629 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
-26.00518 -28.88360 -33.93252 -35.76190 -27.59880 -32.00469 -34.03910 -31.85587 -27.59630 -29.64252 -31.08514 -24.09847 -28.43069 -24.57178 -24.57397 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
-27.00949 -30.11375 -28.02530 -31.68625 -30.02680 42.30338 30.16757 35.29448 32.36693 37.44698 41.69689 25.43424 36.78895 34.84647 38.68465 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 26.28266 30.18619 31.69255 31.17407 34.61827 31.99455 29.96005 40.13440 48.50935 26.36952 34.80433 29.12103 42.35915 24.81853 33.23214 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 32.34083 23.59987 24.35911 35.30878 28.83298 35.38856 33.80247 36.28236 23.87569 30.51635 37.26026 36.12244 29.93893 23.55764 29.68174 91 92 93 94 95 96 97 98 99 100 35.78971 28.03628 30.16757 37.59549 37.12645 30.44316 27.82403 28.31458 33.14986 27.54634 三. 多元非线性回归
1. 机器学习--回归分析
(1) 使用earth和caret工具包对数据进行分析
例如对swiss中，所有其他元素对Education进行回归分析;
nls.model <- earth(Education~.,data = swiss)
nls.model
plot(nls.model)
(2) 对结果进行参数调整（训练）
以n-Fold交叉验证为例，使用到caret包里的train函数：
train(x, y, method = "rf", preProcess = NULL, ...,weights = NULL, metric = ifelse(is.factor(y), "Accuracy", "RMSE"),maximize = ifelse(metric %in% c("RMSE", "logLoss", "MAE"), FALSE, TRUE),trControl = trainControl(), tuneGrid = NULL,tuneLength = ifelse(trControl$method == "none", 1, 3))其中：
x ：拟合时输入的自变量
y：拟合时输入的因变量
weights：根据模型所设置的权重，非必要
trControl：需要调用来自于trainControl()返回的结果，以设计合适的检验手段
tuneGrid：调参时的应用的方法，不同的method对应的调参方法不同，所以输入的grid的列名也不同（函数是通过识别输入的列的列名来控制参数调整的）
例如：对swiss的Fertility建立一个拟合函数，因变量是其余所有的列：
grid <- expand.grid(degree = 1:3,nprune = seq(2, 100, length.out = 8)
)
##对于method专门构建的一个调参网格，degree代表迭代深度，nprune代表特征选取量
##expand.grid函数会自适应地根据行和列对grid进行生成，满足数据之间的匹配关系set.seed(12222)##生成随机种子保证模型的可重复性swiss.model1 <- train(
x = subset(swiss, select = -Fertility),
y = swiss$Fertility,
method = "earth",
metric = "RMSE",
trControl = trainControl(method = "cv", number = 10), ## 10 折的交叉验证
tuneGrid = grid
)结果：
> griddegree nprune
1 1 2
2 2 2
3 3 2
4 1 16
5 2 16
6 3 16
7 1 30
8 2 30
9 3 30
10 1 44
11 2 44
12 3 44
13 1 58
14 2 58
15 3 58
16 1 72
17 2 72
18 3 72
19 1 86
20 2 86
21 3 86
22 1 100
23 2 100
24 3 100> swiss.model1
Multivariate Adaptive Regression Spline 47 samples5 predictorNo pre-processing
Resampling: Cross-Validated (10 fold)
Summary of sample sizes: 42, 42, 42, 42, 42, 44, ...
Resampling results across tuning parameters:degree nprune RMSE Rsquared MAE 1 2 11.278358 0.3284905 9.2098321 16 9.541177 0.5068536 7.8394051 30 9.541177 0.5068536 7.8394051 44 9.541177 0.5068536 7.8394051 58 9.541177 0.5068536 7.8394051 72 9.541177 0.5068536 7.8394051 86 9.541177 0.5068536 7.8394051 100 9.541177 0.5068536 7.8394052 2 11.294113 0.3270052 9.2167482 16 10.717470 0.4382987 8.8028052 30 10.717470 0.4382987 8.8028052 44 10.717470 0.4382987 8.8028052 58 10.717470 0.4382987 8.8028052 72 10.717470 0.4382987 8.8028052 86 10.717470 0.4382987 8.8028052 100 10.717470 0.4382987 8.8028053 2 11.294113 0.3270052 9.2167483 16 10.798077 0.4366048 8.8911873 30 10.798077 0.4366048 8.8911873 44 10.798077 0.4366048 8.8911873 58 10.798077 0.4366048 8.8911873 72 10.798077 0.4366048 8.8911873 86 10.798077 0.4366048 8.8911873 100 10.798077 0.4366048 8.891187RMSE was used to select the optimal model using the smallest value.
The final values used for the model were nprune = 16 and degree = 1.(3) 用vip展示结果模型中，不同自变量的重要性
library(vip);
p1 <- vip(swiss.model1, num_features = 4, geom = "point", value = "gcv") 其中num_features控制需要展示的变量的数目（优先展示影响权重大的），value是量化重要性的指标，“gcv”表示 Generalized cross−validation。还可以输入“rss” 以 Residual Sums of Squares来衡量重要性。
2. 逻辑回归
> m <- drm(cyl ~ wt, fct = L.3(), data = mtcars)
> plot(m, log="", main = "Logistic function")##举个例子，自然数据不符合逻辑回归曲线
3. 非线性的最小二乘法
(1) 使用nls函数
nls(formula, data, start, control, algorithm,trace, subset, weights, na.action, model,lower, upper, ...)formula：公式，需要预先知道回归模型，函数只是去拟合合适的参数
start：可以是一个list，里面记录了对于一个“不能自己启动的”模型函数中，各个参数的初值
control：对拟合条件的一个控制
set.seed(43247)
x<-seq(0, 100, 1)
y<-(rnorm(1,0,1)*x^2+runif(1,0,1)*x^3 +rnorm(101,0,1))
m<-nls(y~(a*x^2+b*x^3), control = nls.control(maxiter = 100000), ##控制最大迭代次数start = list(a=1, b=1));
结果：
> m
Nonlinear regression modelmodel: y ~ (a * x^2 + b * x^3)data: parent.frame()a b
-0.7908 0.3721 residual sum-of-squares: 87.8Number of iterations to convergence: 1
Achieved convergence tolerance: 5.332e-09(2) 使用drm函数自动拟合
无需预先知道函数形式，只用选择输入自带的模型，自适应的start地进行拟合
library(drc)
m <- drm( y ~ x, fct = LL.3() ); ## 自带模型
dat = data.frame(x=x,y=y,nls=predict(m)) ##当predict只输入模型时相当于得到一个函数文件
ggplot( dat,aes(x=x,y=y) ) +geom_point() + geom_line( aes(x = x, y = nls), colour = "red");'''
##fct：a list with three or more elements specifying the non-linear function, the accompanying self starter function, the names of the parameter in the non-linear function and, optionally, the first and second derivatives as well as information used for calculation of ED values. Currently available functions include, among others, the four- and five-parameter log-logistic models LL.4, LL.5 and the Weibull model W1.4. Use getMeanFunctions for a full list.LL.3：LL.3(fixed = c(NA, NA, NA), names = c("b", "d", "e"), ...)f(x) = 0 + \frac{d-0}{1+\exp(b(\log(x)-\log(e)))}
'''
R语言自学笔记：回归分析基础相关推荐
- R语言自学笔记：向量、矩阵及dataframe基础
概要 记录一下在学习和练习过程中所遇到的一些细节问题 一. 向量 1.向量的基础 (1)R语言中,向量元素从一开始标号,vector[0] 用于储存向量的类型 (2)向量的嵌套,在R语言中向量之间是可 ...
- R语言自学笔记：数据处理、数据分布及数据检验
一. 基本的数据统计处理 1. 数据的展示 对于一组数据,可以有许多统计分析的方法. (1) 基本信息 mean():求平均值 sum():求和 sd():求总体标准差--(样本-期望)/(样本数) ...
- R语言自学笔记-----R绘图（二）---饼图
饼图也称圆形图,主要用来分类数据的可视化,用圆形内各个扇形的角度来表示样本或总体中各个组成部分的比例,主要用于研究数据的结构问题,这里我们介绍一下饼图的简单绘制方法. 一.平面饼图的绘制 首先我们来介 ...
- R语言学习笔记2——基础绘图
一.绘图 1.绘图函数 plot()是R中为对象作图的一个泛型函数.函数形式为:plot(x, y, type). type表示绘制点和线:不选择type时默认为散点图. > x <- c ...
- R语言自学笔记-----数据转换
一.从数据集中取子集 这里以数据框x做演示 x <= read_excel('车险数据.xlsx') (一)索引的方法 1.常规方法索引取子集 x1 <- x[c(1:30),c(1:3) ...
- R语言学习笔记-RStudio基础操作
1.快捷键 RStudio console下: Tab键:自动补齐功能 Ctrl + 上键 : 显示之前的输入代码 Alt + Shift + K :显示所有的快捷键 esc : 中断当前操作 ctr ...
- R语言实战笔记--第八章 OLS回归分析
R语言实战笔记–第八章 OLS回归分析 标签(空格分隔): R语言 回归分析 首先,是之前的文章,数理统计里面的简单回归分析,这里简单回顾一下: 简单回归分析的原理:最小二乘法,即使回归函数与实际值之 ...
- r语言c函数怎么用,R语言学习笔记——C#中如何使用R语言setwd()函数
在R语言编译器中,设置当前工作文件夹可以用setwd()函数. > setwd("e://桌面//") > setwd("e:\桌面\") > ...
- C语言入门 —— 非科班大一学生的C语言自学笔记
初入前端的北京某211大一非科班生(没错上学期还是日语生)的C语言自学笔记 本文约8k字,将介绍:编程基础 数据类型 表达式 语句与控制流 函数 数组,指针 结构体等会随着学习进度推进持续更新~ 学习 ...
最新文章
- SSM项目搭建一（终）
- 使用iCarousel的旋转木马效果请求图片
- C++中三种正则表达式比较（C regex，C ++regex，boost regex）
- 【黑马程序员 C++教程从0到1入门编程】【笔记3】C++核心编程（内存分区模型、引用、函数提高）
- [转载红鱼儿]kbmmw 开发点滴:kbmMWQuery插入记录
- Object工具类 ObjectUtils.java
- 提高 10 倍性能，揭秘淘宝、天猫背后的图片存储如何扛住双十一巨流？| 问底中国 IT 技术演进...
- element-ui 解决 table 里包含表单验证的问题！
- 阶段1 语言基础+高级_1-3-Java语言高级_08-JDK8新特性_第4节 方法引用_6_方法引用_类的构造器(构造方法)引用...
- html请求接口_Python 如何使用 HttpRunner 做接口自动化测试
- Js逆向教程-05明确js逆向的目标
- mySQL 2008安装MOF无法连接_安装SQL2008R2时提示：MOF编译器无法连接WMI服务器？
- 龙芯3号处理器-龙芯3A1000,龙芯3A2000/3B2000,龙芯3A1500I,龙芯3A3000/3B3000
- 优启通制作系统u盘_EasyU优启通U盘启动盘制作工具BIOS+UEFI双启无捆绑
- 高琪300集——入门
- 阿里 P6 到底应该具备哪些核心能力？
- 如何通过拍照识别植物？试试这几个软件
- 微信公众号素材下载之java
- 学报格式和论文格式一样吗_学报和论文格式一样吗
- 关于计算重叠四边形的面积的算法