【Python计量】自相关性（序列相关性）的检验
文章目录
- 一、图示法
- （一）滞后图
- （二）自相关图
- （三）自相关图和偏自相关图
- 二 、DW检验法
- 三、Breusch-Godfrey检验
- （一）手动编制函数进行BG检验
- （二）调用statsmodels的函数进行BG检验
- 四、Ljung-Box检验
多元线性回归模型的基本假设之一就是模型的随机干扰项相互独立或不相关。如果模型的随机干扰项违背了相互独立的基本假设，则称为存在序列相关性（自相关性）。
我们以伍德里奇《计量经济学导论：现代方法》的”第12章 时间序列回归中序列相关和异方差性“的案例12.4为例，使用BARIUM中的数据来进行序列相关性的检验。
import wooldridge as woo
import pandas as pd
import numpy as np
import statsmodels.api as sm
import statsmodels.formula.api as smfbarium = woo.dataWoo('barium')
T = len(barium)
barium.index = pd.date_range(start='1978-02', periods=T, freq='M')reg = smf.ols(formula='np.log(chnimp) ~ np.log(chempi) + np.log(gas) +''np.log(rtwex) + befile6 + affile6 + afdec6',data=barium)
results = reg.fit()
resid = results.resid#获取残差
一、图示法
由于残差ete_tet可以作为扰动项utu_tut的估计，因此，如果存在序列相关性，必然会由残差项ete_tet反映出来，因此可利用ete_tet的变化图形来判断随机干扰项的序列相关性。
（一）滞后图
滞后图，就是将残差ete_tet和残差滞后n阶的散点图，需要用到pandas的lag_plot函数。
from pandas.plotting import lag_plot
lag_plot函数用法：
lag_plot(series, lag=1, ax=None, **kwds)
主要参数：
series :时间序列数据
lag : 滞后阶数，默认为1
ax : Matplotlib的子图对象，可选
我们绘制残差ete_tet和残差滞后1阶et−1e_{t-1}et−1的自相关图，代码如下：
lag_plot(resid, lag=1)
plt.show()
如果我们要绘制残差ete_tet与其滞后1-4阶的图，代码如下：
fig, axes = plt.subplots(1, 4, figsize=(10,3), sharex=True, sharey=True, dpi=100)#1行4列的画布
for i in range(4):lag_plot(resid,lag=i+1, ax=axes[i])axes[i].set_title(f'Lag{i+1}')
结果如下：
（二）自相关图
自相关图的绘制，可以使用pandas库的autocorrelation_plot函数
from pandas.plotting import autocorrelation_plot
生成图片的横轴是滞后阶数，纵轴是自相关系数。
我们绘制残差项的自相关图，代码如下：
autocorrelation_plot(resid)
plt.show()
（三）自相关图和偏自相关图
自相关系数和偏自相关系数的区别
- 假设时间序列数据yty_tyt
- yt=α0+α1yt−3y_t=\alpha_0+\alpha_1y_{t-3}yt=α0+α1yt−3，这个α1\alpha_1α1就是,yty_tyt和yt−3y_{t-3}yt−3的自相关系数。
- yt=α0+α1yt−1+α2yt−2+α3yt−3y_t=\alpha_0+\alpha_1y_{t-1}+\alpha_2y_{t-2}+\alpha_3y_{t-3}yt=α0+α1yt−1+α2yt−2+α3yt−3，这个α3\alpha_3α3就是,yty_tyt和yt−3y_{t-3}yt−3的偏自相关系数。
自相关图和偏自相关图，建议使用statsmodels包的plot_acf, plot_pacf函数。
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf #自相关图、偏自相关图
import matplotlib.pyplot as plt
plot_acf、plot_pacf函数的参数意义
plot_acf(x, ax=None, lags=None, *, alpha=0.05, use_vlines=True, adjusted=False, fft=False, missing='none', title='Autocorrelation', zero=True, auto_ylims=False, bartlett_confint=True, vlines_kwargs=None, **kwargs)
plot_pacf(x, ax=None, lags=None, alpha=0.05, method=None, use_vlines=True, title='Partial Autocorrelation', zero=True, vlines_kwargs=None, **kwargs)
x：一维的数据序列。
lags：滞后阶数，若未提供，则取np.arange(len(corr))
我们绘制残差项的自相关图，代码如下：
plot_acf(resid,lags=20) plt.show()
上图反映了resid序列的各阶自相关系数的大小，该图的高度值对应的是各阶自相关系数的值，蓝色区域是95%置信区间，这两条界线是检测自相关系数是否为0时所使用的判别标准：当代表自相关系数的柱条超过这两条界线时，可以认定自相关系数显著不为0。观察上图可知，1、2、3阶的自相关系数都在蓝色范围外，也就是落在了95%置信区间外，所以初步判断该序列可能存在短期的自相关性。
我们还可以绘制出残差项的偏自相关系数图，代码如下：
plot_pacf(resid,lags=20)
plt.show()
我们若希望将自相关系数图和偏自相关系数图合并成一张图，可以定义函数。
import matplotlib.pyplot as plt
def acf_pacf_plot(timeseries,lags):fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(15, 4), dpi=100)plot_acf(timeseries, lags=lags,ax=axes[0])axes[0].set_title('acf') #设置自相关图标题，也可不设置，采用默认值Autocorrelationplot_pacf(timeseries,lags=lags,ax=axes[1])axes[1].set_title('pacf') #设置偏自相关图标题，也可不设置，采用默认值Partial Autocorrelationplt.show()
若我们需要对残差项做20阶的自相关图、偏自相关图，则调用上述函数即可，参数timeseries设置为resid，参数lags设置为20。
acf_pacf_plot(resid,20)
结果如下：
二 、DW检验法
DW检验是较早提出的自相关检验，现已不常用。它的主要缺点是只能检验一阶自相关，且必须在解释变量满足严格外生性的情况下才成立。
from statsmodels.stats.stattools import durbin_watson
print(f'D-W检验值为{durbin_watson(results.resid)}')
#返回结果：
D-W检验值为1.4584144308481417
三、Breusch-Godfrey检验
BG检验克服了DW检验的缺陷，适合于高阶序列相关及模型中存在滞后被解释变量的情形。
考虑如下多元线性模型：
yt=β0+β1xt1+β2xt2+...+βkxtk+uy_t=\beta_0+\beta_1x_{t1}+\beta_2x_{t2}+...+\beta_kx_{tk}+u yt=β0+β1xt1+β2xt2+...+βkxtk+u
若怀疑随机干扰项存在p阶序列相关：
ut=ρ1ut−1+ρ2ut−2+...+ρput−p+εtu_t=\rho_1u_{t-1}+\rho_2u_{t-2}+...+\rho_pu_{t-p}+\varepsilon_t ut=ρ1ut−1+ρ2ut−2+...+ρput−p+εt
检验原假设：
H0:ρ1=ρ2=...=ρp=0H_0:\rho_1=\rho_2=...=\rho_p=0 H0:ρ1=ρ2=...=ρp=0
由于utu_tut不可测，故用ete_tet替代，并引入解释变量，进行如下辅助回归：
et=γ1xt1+γ2xt2+...+γkxtk+δ1et−1+δ2et−2+...+δpet−p+εte_t=\gamma_1x_{t1}+\gamma_2x_{t2}+...+\gamma_kx_{tk}+\delta_1e_{t-1}+\delta_2e_{t-2}+...+\delta_pe_{t-p}+\varepsilon_t et=γ1xt1+γ2xt2+...+γkxtk+δ1et−1+δ2et−2+...+δpet−p+εt
无自相关的原假设相当于检验：
H0:γ1=γ2=...=γp=0H_0:\gamma_1=\gamma_2=...=\gamma_p=0 H0:γ1=γ2=...=γp=0
BG检验的步骤：
（1）将yty_tyt对xt1x_{t1}xt1,xt2x_{t2}xt2,…,xtkx_{tk}xtk做回归，求出OLS残差ete_tet
（2）将ete_tet对xt1x_{t1}xt1,xt2x_{t2}xt2,…,xtkx_{tk}xtk,et−1e_{t-1}et−1,et−2e_{t-2}et−2,…, et−pe_{t-p}et−p做回归
（3）计算et−1e_{t-1}et−1,et−2e_{t-2}et−2,…, et−pe_{t-p}et−p联合显著的F检验
（一）手动编制函数进行BG检验
barium['resid'] = results.resid
barium['resid_lag1'] = barium['resid'].shift(1)
barium['resid_lag2'] = barium['resid'].shift(2)
barium['resid_lag3'] = barium['resid'].shift(3)reg_manual = smf.ols(formula='resid~ np.log(chempi) + np.log(gas) +''np.log(rtwex) + befile6 + affile6 + afdec6+''resid_lag1 + resid_lag2 + resid_lag3', data=barium)
results_manual = reg_manual.fit()hypotheses = ['resid_lag1 = 0', 'resid_lag2 = 0', 'resid_lag3 = 0']
ftest_manual = results_manual.f_test(hypotheses)
F_statistic = ftest_manual.fvalue
F_pval = ftest_manual.pvalue
print(f'BG检验的F统计量: {F_statistic}')
print(f'BG检验的p值: {F_pval}')'''
BG检验的F统计量: 5.122907054069363
BG检验的p值: 0.0022898028329663344
'''
我们可以查看辅助回归的回归结果：
print(results_manual.summary())
'''OLS Regression Results
==============================================================================
Dep. Variable: resid R-squared: 0.116
Model: OLS Adj. R-squared: 0.048
Method: Least Squares F-statistic: 1.719
Date: Sat, 14 May 2022 Prob (F-statistic): 0.0920
Time: 09:28:33 Log-Likelihood: -104.56
No. Observations: 128 AIC: 229.1
Df Residuals: 118 BIC: 257.6
Df Model: 9
Covariance Type: nonrobust
==================================================================================coef std err t P>|t| [0.025 0.975]
----------------------------------------------------------------------------------
Intercept -14.3691 20.656 -0.696 0.488 -55.273 26.535
np.log(chempi) -0.1432 0.472 -0.303 0.762 -1.078 0.792
np.log(gas) 0.6233 0.886 0.704 0.483 -1.131 2.378
np.log(rtwex) 0.1787 0.391 0.457 0.649 -0.596 0.953
befile6 -0.0859 0.251 -0.342 0.733 -0.583 0.411
affile6 -0.1221 0.255 -0.479 0.632 -0.626 0.382
afdec6 -0.0668 0.274 -0.244 0.808 -0.610 0.476
resid_lag1 0.2215 0.092 2.417 0.017 0.040 0.403
resid_lag2 0.1340 0.092 1.454 0.148 -0.048 0.317
resid_lag3 0.1255 0.091 1.378 0.171 -0.055 0.306
==============================================================================
Omnibus: 6.375 Durbin-Watson: 1.947
Prob(Omnibus): 0.041 Jarque-Bera (JB): 5.978
Skew: -0.444 Prob(JB): 0.0503
Kurtosis: 3.576 Cond. No. 9.78e+03
==============================================================================Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 9.78e+03. This might indicate that there are
strong multicollinearity or other numerical problems.
'''
由于辅助回归使用了et−pe_{t-p}et−p损失了p个样本观测值，故样本容量仅有(n−p)(n-p)(n−p)。Davidson and MacKinnon(1993)建议，把残差中因滞后而缺失的项用其期望值0来代替，以保持样本容量为n。
则代码修改为：
barium['resid'] = results.resid
barium['resid_lag1'] = barium['resid'].shift(1).fillna(0) #将残差缺失项用0来代替
barium['resid_lag2'] = barium['resid'].shift(2).fillna(0) #将残差缺失项用0来代替
barium['resid_lag3'] = barium['resid'].shift(3).fillna(0) #将残差缺失项用0来代替reg_manual = smf.ols(formula='resid~ np.log(chempi) + np.log(gas) +''np.log(rtwex) + befile6 + affile6 + afdec6+''resid_lag1 + resid_lag2 + resid_lag3', data=barium)
results_manual = reg_manual.fit()hypotheses = ['resid_lag1 = 0', 'resid_lag2 = 0', 'resid_lag3 = 0']
ftest_manual = results_manual.f_test(hypotheses)
F_statistic = ftest_manual.fvalue
F_pval = ftest_manual.pvalue
print(f'BG检验的F统计量: {F_statistic}')
print(f'BG检验的p值: {F_pval}')'''
BG检验的F统计量: 5.124662239772509
BG检验的p值: 0.002263719767131574
'''
我们可以查看辅助回归的回归结果：
print(results_manual.summary())
'''OLS Regression Results
==============================================================================
Dep. Variable: resid R-squared: 0.113
Model: OLS Adj. R-squared: 0.047
Method: Least Squares F-statistic: 1.708
Date: Sat, 14 May 2022 Prob (F-statistic): 0.0942
Time: 09:26:57 Log-Likelihood: -106.95
No. Observations: 131 AIC: 233.9
Df Residuals: 121 BIC: 262.7
Df Model: 9
Covariance Type: nonrobust
==================================================================================coef std err t P>|t| [0.025 0.975]
----------------------------------------------------------------------------------
Intercept -13.1407 20.351 -0.646 0.520 -53.431 27.149
np.log(chempi) -0.0435 0.457 -0.095 0.924 -0.948 0.862
np.log(gas) 0.5436 0.876 0.621 0.536 -1.190 2.277
np.log(rtwex) 0.2024 0.386 0.525 0.601 -0.561 0.966
befile6 -0.0815 0.251 -0.325 0.746 -0.578 0.415
affile6 -0.1243 0.254 -0.489 0.626 -0.628 0.379
afdec6 -0.0776 0.274 -0.283 0.777 -0.619 0.464
resid_lag1 0.2186 0.090 2.416 0.017 0.039 0.398
resid_lag2 0.1341 0.092 1.458 0.147 -0.048 0.316
resid_lag3 0.1257 0.091 1.381 0.170 -0.054 0.306
==============================================================================
Omnibus: 5.672 Durbin-Watson: 1.955
Prob(Omnibus): 0.059 Jarque-Bera (JB): 5.196
Skew: -0.414 Prob(JB): 0.0744
Kurtosis: 3.516 Cond. No. 9.76e+03
==============================================================================Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The condition number is large, 9.76e+03. This might indicate that there are
strong multicollinearity or other numerical problems.
'''
（二）调用statsmodels的函数进行BG检验
从statsmodels库的stats子模块的diagnostic工具中导入acorr_breusch_godfrey
from statsmodels.stats.diagnostic import acorr_breusch_godfrey #BG检验
acorr_breusch_godfrey函数的参数意义及返回结果
acorr_breusch_godfrey(res, nlags=None, store=False)
参数介绍：
res : 回归结果，对该模型的残差进行自相关检验。
nlags : 滞后阶数
store : 默认为False；若为True，则会返回ResultsStore返回值：
lm : LM统计量值
lm_pvalue : LM统计量的p值，若p值小于显著性水平，则拒绝无自相关性的原假设，即存在自相关性
fvalue : F统计量值
f_pvalue : F统计量对应的p值，若p值小于显著性水平，则拒绝无自相关性的原假设，即存在自相关性
res_store：ResultsStore，若store为True则返回
Davidson and MacKinnon(1993)建议，把残差中因滞后而缺失的项用其期望值0来代替，以保持样本容量为n。acorr_breusch_godfrey函数采用的是Davidson-MacKinnon方法。
对上述模型做BG检验，代码如下：
bg_result = acorr_breusch_godfrey(results,nlags=3)
bg_lm_statistic = bg_result[0]
bg_lm_pval = bg_result[1]
bg_F_statistic= bg_result[2]
bg_F_pval = bg_result[3]
bg_test_output=pd.Series(bg_result[0:4],index=['bg_lm_statistic','bg_lm_pval','bg_F_statistic','bg_F_pval'])
print(bg_test_output)'''
bg_lm_statistic 14.768156
bg_lm_pval 0.002026
bg_F_statistic 5.124662
bg_F_pval 0.002264
dtype: float64
'''
同时，我们可以查看BG检验的辅助回归模型结果：
print(bg_result[4].resols.summary())
'''OLS Regression Results
==============================================================================
Dep. Variable: y R-squared: 0.113
Model: OLS Adj. R-squared: 0.047
Method: Least Squares F-statistic: 1.708
Date: Fri, 13 May 2022 Prob (F-statistic): 0.0942
Time: 20:26:10 Log-Likelihood: -106.95
No. Observations: 131 AIC: 233.9
Df Residuals: 121 BIC: 262.7
Df Model: 9
Covariance Type: nonrobust
==============================================================================coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const -6.5703 10.175 -0.646 0.520 -26.715 13.575
x1 -0.0435 0.457 -0.095 0.924 -0.948 0.862
x2 0.5436 0.876 0.621 0.536 -1.190 2.277
x3 0.2024 0.386 0.525 0.601 -0.561 0.966
x4 -0.0815 0.251 -0.325 0.746 -0.578 0.415
x5 -0.1243 0.254 -0.489 0.626 -0.628 0.379
x6 -0.0776 0.274 -0.283 0.777 -0.619 0.464
x7 -6.5703 10.175 -0.646 0.520 -26.715 13.575
x8 0.2186 0.090 2.416 0.017 0.039 0.398
x9 0.1341 0.092 1.458 0.147 -0.048 0.316
x10 0.1257 0.091 1.381 0.170 -0.054 0.306
==============================================================================
Omnibus: 5.672 Durbin-Watson: 1.955
Prob(Omnibus): 0.059 Jarque-Bera (JB): 5.196
Skew: -0.414 Prob(JB): 0.0744
Kurtosis: 3.516 Cond. No. 7.48e+16
==============================================================================Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The smallest eigenvalue is 1.33e-29. This might indicate that there are
strong multicollinearity problems or that the design matrix is singular.
'''
acorr_breusch_godfrey函数做辅助回归的因变量为残差项，自变量为[1,A,1,B]，其中A为解释变量，B为残差滞后项。
在以上回归结果中，y代表残差项，x1-x6代表解释变量，x8-x10代表残差滞后项，(const+x7)代表常数项。
我们可以在acorr_breusch_godfrey函数的基础上，编制一个能返回自相关性检验结果的函数。
def bg_test(results,nlags):bg_result = acorr_breusch_godfrey(results,nlags=3) bg_lm_statistic = bg_result[0]bg_lm_pval = bg_result[1]bg_F_statistic= bg_result[2] bg_F_pval = bg_result[3]bg_test_output=pd.Series(bg_result[0:4],index=['bg_lm_statistic','bg_lm_pval','bg_F_statistic','bg_F_pval']) return bg_test_output
#失败，先放着。同时，我们可以编制一个函数，可以
p_value_threshold=0.1
autocorrelation_results = pd.DataFrame(columns=['Autocorrelation test', 'lag', 'p-value', 'outcome']
for i in range(0, 5):lag=i+1bg_F_pval = acorr_breusch_godfrey(results, nlags=lag)[3]autocorrelation_results.iloc[i] = ['Breusch-Godfrey', lag, bg_F_pval, 'Pass' if bg_F_pval> p_value_threshold else 'Fail']四、Ljung-Box检验
LB检验：
- H0假设：序列的每个值是独立的，即纯随机
- HA假设：序列之间不是独立的，即存在相关性
从statsmodels库的stats子模块的diagnostic工具中导入acorr_ljungbox
from statsmodels.stats.diagnostic import acorr_ljungbox #LB检验
acorr_ljungbox函数的参数意义及返回结果
acorr_ljungbox(x, lags=None, boxpierce=False, model_df=0, period=None, return_df=True, auto_lag=False)
y : 一维的数据序列
lags:滞后阶数，若lags为整数，则会对[1,lags]区间的所有滞后阶数做LB检验；若lags为列表，则只展示列表内的滞后阶数的LB检验结果。
boxpierce：默认False,为True时表示除返回LB统计量还会返回Box和Pierce的Q统计量返回结果为：
lbvalue: Ljung-Box检验统计量
pvalue: Ljung-Box检验统计量对应的p值，若p值小于显著性水平，则拒绝纯随机序列的原假设，即序列不是纯随机序列
bpvalue:Box-Pierce检验统计量
bppvalue: Box-Pierce检验统计量对应的p值，若p值小于显著性水平，则拒绝纯随机序列的原假设
对上述模型做LB检验，代码如下：
print(acorr_ljungbox(results.resid, lags=[10])) #对10阶做LB检验
'''lb_stat lb_pvalue
10 24.445298 0.006502
'''
print(acorr_ljungbox(results.resid, lags=10)) #对1-10阶均做LB检验
'''lb_stat lb_pvalue
1 9.821711 0.001725
2 16.072867 0.000323
3 21.332651 0.000090
4 21.532752 0.000248
5 21.571232 0.000632
6 21.619047 0.001419
7 22.365714 0.002197
8 22.973536 0.003398
9 24.381012 0.003738
10 24.445298 0.006502
'''
LB检验的p值小于0.01, 则拒绝纯随机序列的原假设，即序列不是纯随机序列。
参考文献：
Python时间序列分析https://www.machinelearningplus.com/time-series/time-series-analysis-python/
Python与时间序列https://blog.csdn.net/yuanzhoulvpi/article/details/120384708
【Python计量】自相关性（序列相关性）的检验相关推荐
- 【计量经济学导论】06. 序列相关性
文章目录 序列相关性 序列相关性的含义 序列相关性的产生原因 序列相关性的后果 序列相关性的检验方法 序列相关性的修正措施 广义最小二乘法 GLS 广义差分法 GD 可行的广义最小二乘法 FGLS 杜 ...
- 一阶广义差分模型_4.2 序列相关性_清华大学：计量经济学（李子奈博导）_ppt_大学课件预览_高等教育资讯网...
§ 4.2 序列相关性 Serial Correlation 一,序列相关性概念二.实际经济问题中的序列相关性三.序列相关性的后果四.序列相关性的检验五.具有序列相关性模型的估计六.案例 § 4.2 ...
- R语言偏相关或者部分相关性系数计算实战：使用psych包计算（Partial Correlation）偏相关或者部分相关性系数并用建设检验检验相关性的显著性
R语言偏相关或者部分相关性系数计算实战:使用psych包计算(Partial Correlation)偏相关或者部分相关性系数并用建设检验检验相关性的显著性 目录
- 相关性及相关性的显著性检验
文章目录 1. 相关性: 1.1例子1 1.2 例子2 2.相关性的显著性检验: 2.1 例1.1的显著性检验 2.2 例1.2的显著性检验 看了一些统计学的书,关于相关性,假设检验等的问题,想写一点 ...
- python正确的赋值语句-Python 赋值语句技巧之序列解包
python赋值语句技巧之序列解包sequence unpacking,是python语言赋值语句的一种技巧方法,在给多个python 变量命名同时赋值时是很有效率的一种方法. 赋值语句序列解包概念 ...
- python的六个类型_介绍Python中6个序列的内置类型
原标题:介绍Python中6个序列的内置类型 1.Python中6个序列的内置类型分别是什么? Python包含6中内建的序列,即列表.元组.字符串.Unicode字符串.buffer对象和 xran ...
- python中属于有序序列的有_Python中的有序序列有哪些
Python中的有序序列有哪些 list.tuple以及str都是有序序列,和后面两者不同的是list是个可变对象,tuple和str则是不可变对象.主要讲的就是这三种的有序序列的一些方式.方法效果L ...
- Python中的数据序列(元组、集合、字典)
Python中的数据序列 一.元组的定义与使用 1.为什么需要元组 思考:如果想要存储多个数据,但是这些数据是不能修改的数据,怎么做? 答:列表?列表可以一次性存储多个数据,但是列表中的数据允许更改. ...
- python夯实基础日记-序列、列表、元组
30.可变字符串_io.StringIO 在 Python中,字符串属于不可变对象,不支持原地修改,如果需要修改其中的值,只能创建新的字符串对象.但是,经常我们确实需要原地修改字符串,可以使用io. ...
- python程序设计第二章序列类型 题库及选解
由于学校的python是笔试,所以找了份感觉比较好的题库刷了下其中前八章的填空和判断,附上选解.各章链接如下 python程序设计题库完整版 https://blog.csdn.net/lijia11 ...
最新文章
- C#_Socket网络编程实现的简单局域网内即时聊天，发送文件，抖动窗口。
- mysql仅php_php – MySQL仅更新表中的某些字段
- PHP操作excel类 PHPExcel
- 百度云盘云知梦php_教你搭建私有云盘，简单快速，完全傻瓜式！不限速，永久有效！...
- 漫步凸分析八——回收锥与无界
- JavaScript的中对象创建和继承原理
- 动态规划——打家劫舍||(Leetcode 213)
- 玩转JMETER参数化
- Eagle个人博客系统
- 联想X61-Xp系统重装Ubuntu21.10
- Linux 网络命令 ip、ifconfig
- sqlserver备份还原丢失dbo_编程实现备份和还原数据库_sqlserver
- Android集成腾讯X5WebView
- UE4 GameplayTag 初始化造成崩溃错误
- 绿联串口线linux驱动下载,绿联pl2303转串口驱动下载
- 高速串行总线技术发展与应用分析
- 三星手机android版本怎么升级,如何在三星Galaxy手机上更新软件
- 基础快读(新手入门)(C++实现)
- Python练习——用循环求100以内7的倍数
- 项目经理的职责和权限分别是什么？