時間序列分析工具箱—— h2o + timetk

来源:https://www.cnblogs.com/xuruilong100/archive/2018/09/18/9672214.html
-Advertisement-
Play Games

[TOC] 翻譯自《Demo Week: Time Series Machine Learning with h2o and timetk》 原文鏈接：https://www.business science.io/code tools/2017/10/28/demo_week_h2o.html 文 ...


目錄

翻譯自《Demo Week: Time Series Machine Learning with h2o and timetk》

原文鏈接：https://www.business-science.io/code-tools/2017/10/28/demo_week_h2o.html

文字和代碼略有刪改

時間序列分析工具箱—— h2o + timetk

h2o 的用途

h2o 包是 H2O.ai 提供的產品，包含許多先進的機器學習演算法，表現指標和輔助函數，使機器學習功能強大而且容易使用。h2o 的主要優點之一是它可以部署在集群上（今天不會討論），從 R 的角度來看，有四個主要用途：

  1. 數據操作：拼接、分組、旋轉、傳輸、拆分成訓練 / 測試 / 驗證集，等等。
  2. 機器學習演算法：包含非常複雜的監督和非監督學習演算法。監督學習演算法包括深度學習（神經網路）、隨機森林、廣義線性模型、梯度增強機、朴素貝葉斯分析、模型堆疊集成和 xgboost；無監督演算法包括廣義低秩模型、k 均值模型和 PCA；還有 Word2vec 用於文本分析。最新的穩定版本還有 AutoML——自動機器學習，我們將在這篇文章中看到這個非常酷的功能！
  3. 輔助機器學習功能：表現分析和超參數網格搜索。
  4. 產品、MapReduce 和 雲：Java 環境下進行產品化；使用 Hadoop / Spark（Sparkling Water）進行集群部署；在雲環境（Azure、AWS、Databricks 等）中部署。

我們將討論如何將 h2o 用作時間序列機器學習的一種高級演算法。我們將在本地使用 h2o，在先前關於 timetk 和 sweep 的教程中使用的數據集（beer_sales_tbl）上開發一個高精度的時間序列模型。這是一個監督學習的回歸問題。

載入包

我們需要三個包：

  • h2o：機器學習演算法包
  • tidyquant：用於獲取數據和載入 tidyverse 系列工具
  • timetk：R 中的時間序列工具箱

安裝 h2o

推薦在 ubuntu 環境下安裝最新穩定版 h2o。

載入包

# Load libraries
library(h2o)        # Awesome ML Library
library(timetk)     # Toolkit for working with time series in R
library(tidyquant)  # Loads tidyverse, financial pkgs, used to get data

數據

我們使用 tidyquant 的函數 tq_get()，獲取 FRED 的數據——啤酒、紅酒和蒸餾酒銷售。

# Beer, Wine, Distilled Alcoholic Beverages, in Millions USD
beer_sales_tbl <- tq_get(
    "S4248SM144NCEN", 
    get = "economic.data", 
    from = "2010-01-01",
    to = "2017-10-27")

beer_sales_tbl
## # A tibble: 92 x 2
##          date price
##        <date> <int>
##  1 2010-01-01  6558
##  2 2010-02-01  7481
##  3 2010-03-01  9475
##  4 2010-04-01  9424
##  5 2010-05-01  9351
##  6 2010-06-01 10552
##  7 2010-07-01  9077
##  8 2010-08-01  9273
##  9 2010-09-01  9420
## 10 2010-10-01  9413
## # ... with 82 more rows

可視化是一個好主意，我們要知道我們正在使用的是什麼數據，這對於時間序列分析和預測尤為重要，並且最好將數據分成訓練、測試和驗證集。

# Plot Beer Sales with train, validation, and test sets shown
beer_sales_tbl %>%
    ggplot(aes(date, price)) +
    # Train Region
    annotate(
        "text",
        x = ymd("2012-01-01"), y = 7000,
        color = palette_light()[[1]], 
        label = "Train Region") +
    # Validation Region
    geom_rect(
        xmin = as.numeric(ymd("2016-01-01")), 
        xmax = as.numeric(ymd("2016-12-31")),
        ymin = 0, ymax = Inf, alpha = 0.02,
        fill = palette_light()[[3]]) +
    annotate(
        "text",
        x = ymd("2016-07-01"), y = 7000,
        color = palette_light()[[1]], 
        label = "Validation\nRegion") +
    # Test Region
    geom_rect(
        xmin = as.numeric(ymd("2017-01-01")), 
        xmax = as.numeric(ymd("2017-08-31")),
        ymin = 0, ymax = Inf, alpha = 0.02,
        fill = palette_light()[[4]]) +
    annotate(
        "text",
        x = ymd("2017-05-01"), y = 7000,
        color = palette_light()[[1]],
        label = "Test\nRegion") +
    # Data
    geom_line(col = palette_light()[1]) +
    geom_point(col = palette_light()[1]) +
    geom_ma(ma_fun = SMA, n = 12, size = 1) +
    # Aesthetics
    theme_tq() +
    scale_x_date(
        date_breaks = "1 year",
        date_labels = "%Y") +
    labs(title = "Beer Sales: 2007 through 2017",
         subtitle = "Train, Validation, and Test Sets Shown")

現在我們對數據有了直觀的認識，讓我們繼續吧。

教程：h2o + timetk，時間序列機器學習

我們的時間序列機器學習項目遵循的工作流與之前 timetk + 線性回歸文章中的類似。但是，這次我們將用 h2o.autoML() 替換 lm() 函數以獲得更高的準確性。

時間序列機器學習

時間序列機器學習是預測時間序列數據的好方法，在開始之前，先明確教程的兩個關鍵問題：

  • 關鍵洞察：時間序列簽名——將時間戳信息逐列擴展，成為特征集，用於執行機器學習演算法。
  • 目標：我們將用時間序列簽名預測未來 8 個月的數據，並和先前教程中出現的兩種方法（即 timetk + lm() 和 sweep + auto.arima()）的預測結果作對比。

下麵，我們將經歷一遍執行時間序列機器學習的工作流。

STEP 0：檢查數據

作為分析的起點，先用 glimpse() 列印出 beer_sales_tbl，獲得數據的第一印象。

# Starting point
beer_sales_tbl %>%
    glimpse()
## Observations: 92
## Variables: 2
## $ date  <date> 2010-01-01, 2010-02-01, 2010-03-01, 2010-04-01, 20...
## $ price <int> 6558, 7481, 9475, 9424, 9351, 10552, 9077, 9273, 94...

STEP 1：擴充時間序列簽名

tk_augment_timeseries_signature() 函數將時間戳信息逐列擴展成機器學習所用的特征集，將時間序列信息列添加到原始數據框。再次使用 glimpse() 進行快速檢查。現在有了 30 個特征，有些特征很重要，但並非所有特征都重要。

# Augment (adds data frame columns)
beer_sales_tbl_aug <- beer_sales_tbl %>%
    tk_augment_timeseries_signature()

beer_sales_tbl_aug %>% glimpse()
## Observations: 92
## Variables: 30
## $ date      <date> 2010-01-01, 2010-02-01, 2010-03-01, 2010-04-01...
## $ price     <int> 6558, 7481, 9475, 9424, 9351, 10552, 9077, 9273...
## $ index.num <int> 1262304000, 1264982400, 1267401600, 1270080000,...
## $ diff      <int> NA, 2678400, 2419200, 2678400, 2592000, 2678400...
## $ year      <int> 2010, 2010, 2010, 2010, 2010, 2010, 2010, 2010,...
## $ year.iso  <int> 2009, 2010, 2010, 2010, 2010, 2010, 2010, 2010,...
## $ half      <int> 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 1, 1, 1, 1,...
## $ quarter   <int> 1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 1, 1, 1, 2,...
## $ month     <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 1, 2, 3,...
## $ month.xts <int> 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 0, 1, 2, ...
## $ month.lbl <ord> January, February, March, April, May, June, Jul...
## $ day       <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...
## $ hour      <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ minute    <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ second    <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ hour12    <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ am.pm     <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...
## $ wday      <int> 6, 2, 2, 5, 7, 3, 5, 1, 4, 6, 2, 4, 7, 3, 3, 6,...
## $ wday.xts  <int> 5, 1, 1, 4, 6, 2, 4, 0, 3, 5, 1, 3, 6, 2, 2, 5,...
## $ wday.lbl  <ord> Friday, Monday, Monday, Thursday, Saturday, Tue...
## $ mday      <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...
## $ qday      <int> 1, 32, 60, 1, 31, 62, 1, 32, 63, 1, 32, 62, 1, ...
## $ yday      <int> 1, 32, 60, 91, 121, 152, 182, 213, 244, 274, 30...
## $ mweek     <int> 5, 6, 5, 5, 5, 6, 5, 5, 5, 5, 6, 5, 5, 6, 5, 5,...
## $ week      <int> 1, 5, 9, 13, 18, 22, 26, 31, 35, 40, 44, 48, 1,...
## $ week.iso  <int> 53, 5, 9, 13, 17, 22, 26, 30, 35, 39, 44, 48, 5...
## $ week2     <int> 1, 1, 1, 1, 0, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1, 1,...
## $ week3     <int> 1, 2, 0, 1, 0, 1, 2, 1, 2, 1, 2, 0, 1, 2, 0, 1,...
## $ week4     <int> 1, 1, 1, 1, 2, 2, 2, 3, 3, 0, 0, 0, 1, 1, 1, 1,...
## $ mday7     <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...

STEP 2：為 h2o 準備數據

我們需要以 h2o 的格式準備數據。首先，讓我們刪除任何不必要的列，如日期列或存在缺失值的列，並將有序類型的數據更改為普通因數。我們推薦用 dplyr 操作這些步驟。

beer_sales_tbl_clean <- beer_sales_tbl_aug %>%
    select_if(~ !is.Date(.)) %>%
    select_if(~ !any(is.na(.))) %>%
    mutate_if(is.ordered, ~ as.character(.) %>% as.factor)

beer_sales_tbl_clean %>% glimpse()
## Observations: 92
## Variables: 28
## $ price     <int> 6558, 7481, 9475, 9424, 9351, 10552, 9077, 9273...
## $ index.num <int> 1262304000, 1264982400, 1267401600, 1270080000,...
## $ year      <int> 2010, 2010, 2010, 2010, 2010, 2010, 2010, 2010,...
## $ year.iso  <int> 2009, 2010, 2010, 2010, 2010, 2010, 2010, 2010,...
## $ half      <int> 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 1, 1, 1, 1,...
## $ quarter   <int> 1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 1, 1, 1, 2,...
## $ month     <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 1, 2, 3,...
## $ month.xts <int> 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 0, 1, 2, ...
## $ month.lbl <fctr> January, February, March, April, May, June, Ju...
## $ day       <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...
## $ hour      <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ minute    <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ second    <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ hour12    <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...
## $ am.pm     <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...
## $ wday      <int> 6, 2, 2, 5, 7, 3, 5, 1, 4, 6, 2, 4, 7, 3, 3, 6,...
## $ wday.xts  <int> 5, 1, 1, 4, 6, 2, 4, 0, 3, 5, 1, 3, 6, 2, 2, 5,...
## $ wday.lbl  <fctr> Friday, Monday, Monday, Thursday, Saturday, Tu...
## $ mday      <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...
## $ qday      <int> 1, 32, 60, 1, 31, 62, 1, 32, 63, 1, 32, 62, 1, ...
## $ yday      <int> 1, 32, 60, 91, 121, 152, 182, 213, 244, 274, 30...
## $ mweek     <int> 5, 6, 5, 5, 5, 6, 5, 5, 5, 5, 6, 5, 5, 6, 5, 5,...
## $ week      <int> 1, 5, 9, 13, 18, 22, 26, 31, 35, 40, 44, 48, 1,...
## $ week.iso  <int> 53, 5, 9, 13, 17, 22, 26, 30, 35, 39, 44, 48, 5...
## $ week2     <int> 1, 1, 1, 1, 0, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1, 1,...
## $ week3     <int> 1, 2, 0, 1, 0, 1, 2, 1, 2, 1, 2, 0, 1, 2, 0, 1,...
## $ week4     <int> 1, 1, 1, 1, 2, 2, 2, 3, 3, 0, 0, 0, 1, 1, 1, 1,...
## $ mday7     <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...

讓我們在可視化之前按照時間範圍將數據分成訓練、驗證和測試集。

# Split into training, validation and test sets
train_tbl <- beer_sales_tbl_clean %>% filter(year < 2016)
valid_tbl <- beer_sales_tbl_clean %>% filter(year == 2016)
test_tbl  <- beer_sales_tbl_clean %>% filter(year == 2017)

STEP 3：h2o 模型

首先，啟動 h2o。這將初始化 h2o 使用的 java 虛擬機。

h2o.init()        # Fire up h2o
##  Connection successful!
## 
## R is connected to the H2O cluster: 
##     H2O cluster uptime:         46 minutes 4 seconds 
##     H2O cluster version:        3.14.0.3 
##     H2O cluster version age:    1 month and 5 days  
##     H2O cluster name:           H2O_started_from_R_mdancho_pcs046 
##     H2O cluster total nodes:    1 
##     H2O cluster total memory:   3.51 GB 
##     H2O cluster total cores:    4 
##     H2O cluster allowed cores:  4 
##     H2O cluster healthy:        TRUE 
##     H2O Connection ip:          localhost 
##     H2O Connection port:        54321 
##     H2O Connection proxy:       NA 
##     H2O Internal Security:      FALSE 
##     H2O API Extensions:         Algos, AutoML, Core V3, Core V4 
##     R Version:                  R version 3.4.1 (2017-06-30)
h2o.no_progress() # Turn off progress bars

將數據轉成 H2OFrame 對象，使得 h2o 包可以讀取。

# Convert to H2OFrame objects
train_h2o <- as.h2o(train_tbl)
valid_h2o <- as.h2o(valid_tbl)
test_h2o  <- as.h2o(test_tbl)

為目標和預測變數命名。

# Set names for h2o
y <- "price"
x <- setdiff(names(train_h2o), y)

我們將使用 h2o.automl，在數據上嘗試任何回歸模型。

  • x = x：特征列的名字
  • y = y：目標列的名字
  • training_frame = train_h2o：訓練集，包括 2010 - 2016 年的數據
  • validation_frame = valid_h2o：驗證集，包括 2016 年的數據，用於避免模型的過度擬合
  • leaderboard_frame = test_h2o：模型基於測試集上 MAE 的表現排序
  • max_runtime_secs = 60：設置這個參數用於加速 h2o 模型計算。演算法背後有大量複雜模型需要計算，所以我們以犧牲精度為代價，保證模型可以正常運轉。
  • stopping_metric = "deviance"：把偏離度作為停止指標，這可以改善結果的 MAPE。
# linear regression model used, but can use any model
automl_models_h2o <- h2o.automl(
    x = x, 
    y = y, 
    training_frame = train_h2o, 
    validation_frame = valid_h2o, 
    leaderboard_frame = test_h2o, 
    max_runtime_secs = 60, 
    stopping_metric = "deviance")

接著，提取主模型。

# Extract leader model
automl_leader <- automl_models_h2o@leader

STEP 4：預測

使用 h2o.predict() 在測試數據上產生預測。

pred_h2o <- h2o.predict(
    automl_leader, newdata = test_h2o)

STEP 5：評估表現

有幾種方法可以評估模型表現，這裡，將通過簡單的方法，即 h2o.performance()。這產生了預設值，這些預設值通常用於比較回歸模型，包括均方根誤差（RMSE）和平均絕對誤差（MAE）。

h2o.performance(
    automl_leader, newdata = test_h2o)
## H2ORegressionMetrics: gbm
## 
## MSE:  340918.3
## RMSE:  583.8821
## MAE:  467.8388
## RMSLE:  0.04844583
## Mean Residual Deviance :  340918.3

我們偏好的評估指標是平均絕對百分比誤差（MAPE），未包括在上面。但是，我們可以輕易計算出來。我們可以查看測試集上的誤差（實際值 vs 預測值）。

# Investigate test error
error_tbl <- beer_sales_tbl %>% 
    filter(lubridate::year(date) == 2017) %>%
    add_column(
        pred = pred_h2o %>% as.tibble() %>% pull(predict)) %>%
    rename(actual = price) %>%
    mutate(
        error     = actual - pred,
        error_pct = error / actual) 

error_tbl
## # A tibble: 8 x 5
##         date actual      pred     error    error_pct
##       <date>  <int>     <dbl>     <dbl>        <dbl>
## 1 2017-01-01   8664  8241.261  422.7386  0.048792541
## 2 2017-02-01  10017  9495.047  521.9534  0.052106763
## 3 2017-03-01  11960 11631.327  328.6726  0.027480989
## 4 2017-04-01  11019 10716.038  302.9619  0.027494498
## 5 2017-05-01  12971 13081.857 -110.8568 -0.008546509
## 6 2017-06-01  14113 12796.170 1316.8296  0.093306142
## 7 2017-07-01  10928 10727.804  200.1962  0.018319563
## 8 2017-08-01  12788 12249.498  538.5016  0.042109915

為了比較，我們計算了一些殘差度量指標。

error_tbl %>%
    summarise(
        me   = mean(error),
        rmse = mean(error^2)^0.5,
        mae  = mean(abs(error)),
        mape = mean(abs(error_pct)),
        mpe  = mean(error_pct)) %>%
    glimpse()
## Observations: 1
## Variables: 5
## $ me   <dbl> 440.1246
## $ rmse <dbl> 583.8821
## $ mae  <dbl> 467.8388
## $ mape <dbl> 0.03976961
## $ mpe  <dbl> 0.03763299

STEP 6：可視化預測結果

最後，可視化我們得到的預測結果。

beer_sales_tbl %>%
    ggplot(aes(x = date, y = price)) +
    # Data - Spooky Orange
    geom_point(col = palette_light()[1]) +
    geom_line(col = palette_light()[1]) +
    geom_ma(
        n = 12) +
    # Predictions - Spooky Purple
    geom_point(
        aes(y = pred),
        col = palette_light()[2],
        data = error_tbl) +
    geom_line(
        aes(y = pred),
        col = palette_light()[2],
        data = error_tbl) +
    # Aesthetics
    theme_tq() +
    labs(
        title = "Beer Sales Forecast: h2o + timetk",
        subtitle = "H2O had highest accuracy, MAPE = 3.9%")

最終的勝利者是...

h2o + timetk 的 MAPE 優於先前兩個教程中的方法：

感興趣的讀者要問一個問題：對所有三種不同方法的預測進行平均時，準確度會發生什麼變化？

請註意，時間序列機器學習的準確性可能並不總是優於 ARIMA 和其他預測技術，包括那些由 prophet（Facebook 開發的預測工具）和 GARCH 方法實現的技術。數據科學家有責任測試不同的方法併為工作選擇合適的工具。


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • sleep( ) 和 wait( ) 的這 5 個區別，你知道幾個？
    sleep(休眠) 和 wait(等待) 方法是 Java 多線程中常用的兩個方法，它們有什麼區別及一些該註意的地方有哪些呢？下麵給大家一一分解。 區別1：使用限制 使用 sleep 方法可以讓讓當前線程休眠，時間一到當前線程繼續往下執行，在任何地方都能使用，但需要捕獲 InterruptedExc ...
  • 軟體構造工具有什麼？
    軟體構造工具包括程式編輯器，編譯器，代碼生成器，解釋器和調試器 ...
  • c/c++ lambda 表達式 剖析
    lambda 表達式 剖析 大前提：捕獲列表裡變數的確定時機。 捕獲列表和參數列表有區別，捕獲列表裡的變數，是在捕獲的時間點就確定了，而不是在lambda調用時確定，參數列表是在調用時才確定。所以當捕獲了一個int i，i=12，然後在lambda後面的代碼又改變i為22，但是當調用lambda的時 ...
  • 【死磕 Spring】----- IOC 之 獲取 Document 對象
    原文出自： "http://cmsblogs.com" 在 方法中做了兩件事情，一是調用 獲取 XML 的驗證模式，二是調用 獲取 Document 對象。上篇博客已經分析了獲取 XML 驗證模式（ "【死磕Spring】 IOC 之 獲取驗證模型" ），這篇我們分析獲取 Document 對象。 ...
  • 互聯網校招面試必備——Java多線程
    本文首發於我的個人博客： "尾尾部落" 本文是我刷了幾十篇一線互聯網校招java後端開發崗位的面經後總結的多線程相關題目，雖然有點小長，但是面試前看一看，相信能幫你輕鬆啃下多線程這塊大骨頭。 什麼是進程，什麼是線程？為什麼需要多線程編程？ 進程間的通信方式、線程間的通信方式 實現多線程的三種方法 三 ...
  • python Anaconda
    轉載自 https://blog.csdn.net/program_developer/article/details/79677557 目錄： Anaconda是什麼？ 如何安裝？ 如何管理包？ 如何管理環境 1.Anaconda是什麼？ 簡單來說，Anaconda是Python的包管理器和環境管 ...
  • Python學習之路-隨筆03 多線程/進程和協程（上篇）
    最近東西積攢了太多，感覺再不寫進來就要炸了。 1.多線程 1.11 關於多線程的包 相關的python包有幾個，比如thread包，到py3改成_thread，而thread有一些問題使得不是很好用。通用的包叫threading。最近都是在用這個。 1.12 threading的使用和常用屬性 需要 ...
  • 從零開始的Python學習Episode 4——列表
    一、列表 列表與數組相似，定義一個列表 a=[1,2,3,4,5] 1.基本操作 這裡添加一個需要註意的地方： 在修改中，如果選定要修改的元素個數比新的元素個數要少，會刪除選定元素的最後一位元素 例子： 2.列表的自帶方法 （1）count()方法 得到列表中的某一元素的出現次數 （2）extend ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類