隨機森林RF模型超參數的優化：Python實現

来源:https://www.cnblogs.com/fkxxgis/archive/2023/02/17/17129501.html
-Advertisement-
Play Games

本文介紹基於Python的隨機森林（Random Forest，RF）回歸代碼，以及模型超參數（包括決策樹個數與最大深度、最小分離樣本數、最小葉子節點樣本數、最大分離特征數等）自動優化的代碼~ ...


  本文介紹基於Python的隨機森林（Random Forest，RF）回歸代碼，以及模型超參數（包括決策樹個數與最大深度、最小分離樣本數、最小葉子節點樣本數、最大分離特征數等）自動優化的代碼。

  本文是在上一篇文章Python實現隨機森林RF並對比自變數的重要性的基礎上完成的，因此本次僅對隨機森林模型超參數自動擇優部分的代碼加以詳細解釋；而數據準備、模型建立、精度評定等其他部分的代碼詳細解釋，大家直接點擊上述文章Python實現隨機森林RF並對比自變數的重要性查看即可。

  其中，關於基於MATLAB實現同樣過程的代碼與實戰，大家可以點擊查看文章MATLAB實現隨機森林（RF）回歸與自變數影響程度分析。

  本文分為兩部分，第一部分為代碼的分段講解，第二部分為完整代碼。

1 代碼分段講解

1.1 數據與模型準備

  本部分是對隨機森林演算法的數據與模型準備，由於在之前的博客中已經詳細介紹過了，本文就不再贅述~大家直接查看文章Python實現隨機森林RF並對比自變數的重要性即可。

import pydot
import numpy as np
import pandas as pd
import scipy.stats as stats
import matplotlib.pyplot as plt
from pprint import pprint
from sklearn import metrics
from openpyxl import load_workbook
from sklearn.tree import export_graphviz
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import RandomizedSearchCV

# Attention! Data Partition
# Attention! One-Hot Encoding

train_data_path='G:/CropYield/03_DL/00_Data/AllDataAll_Train.csv'
test_data_path='G:/CropYield/03_DL/00_Data/AllDataAll_Test.csv'
write_excel_path='G:/CropYield/03_DL/05_NewML/ParameterResult_ML.xlsx'
tree_graph_dot_path='G:/CropYield/03_DL/05_NewML/tree.dot'
tree_graph_png_path='G:/CropYield/03_DL/05_NewML/tree.png'

random_seed=44
random_forest_seed=np.random.randint(low=1,high=230)

# Data import

train_data=pd.read_csv(train_data_path,header=0)
test_data=pd.read_csv(test_data_path,header=0)

# Separate independent and dependent variables

train_Y=np.array(train_data['Yield'])
train_X=train_data.drop(['ID','Yield'],axis=1)
train_X_column_name=list(train_X.columns)
train_X=np.array(train_X)

test_Y=np.array(test_data['Yield'])
test_X=test_data.drop(['ID','Yield'],axis=1)
test_X=np.array(test_X)

1.2 超參數範圍給定

  首先，我們需要對隨機森林模型超參數各自的範圍加以確定，之後我們將在這些範圍內確定各個超參數的最終最優取值。換句話說，我們現在先給每一個需要擇優的超參數劃定一個很大很大的範圍（例如對於“決策樹個數”這個超參數，我們可以將其範圍劃定在10到5000這樣一個很大的範圍），然後後期將用擇優演算法在每一個超參數的這個範圍內進行搜索。

  在此，我們先要確定對哪些超參數進行擇優。本文選擇在隨機森林演算法中比較重要的幾個超參數進行調優，分別是：決策樹個數n_estimators，決策樹最大深度max_depth，最小分離樣本數（即拆分決策樹節點所需的最小樣本數）min_samples_split，最小葉子節點樣本數（即一個葉節點所需包含的最小樣本數）min_samples_leaf，最大分離特征數（即尋找最佳節點分割時要考慮的特征變數數量）max_features，以及是否進行隨機抽樣bootstrap等六種。關於上述超參數如果大家不是太瞭解具體的含義，可以查看文章Python實現隨機森林RF並對比自變數的重要性的1.5部分，可能就會比較好理解了（不過其實不理解也不影響接下來的操作）。

  這裡提一句，其實隨機森林的超參數並不止上述這些，我這裡也是結合數據情況與最終的精度需求，選擇了相對比較常用的幾個超參數；大家依據各自實際需要，選擇需要調整的超參數，並用同樣的代碼思路執行即可。

# Search optimal hyperparameter

n_estimators_range=[int(x) for x in np.linspace(start=50,stop=3000,num=60)]
max_features_range=['auto','sqrt']
max_depth_range=[int(x) for x in np.linspace(10,500,num=50)]
max_depth_range.append(None)
min_samples_split_range=[2,5,10]
min_samples_leaf_range=[1,2,4,8]
bootstrap_range=[True,False]

random_forest_hp_range={'n_estimators':n_estimators_range,
                        'max_features':max_features_range,
                        'max_depth':max_depth_range,
                        'min_samples_split':min_samples_split_range,
                        'min_samples_leaf':min_samples_leaf_range
                        # 'bootstrap':bootstrap_range
                        }
pprint(random_forest_hp_range)

  可以看到，上述代碼首先是對六種超參數劃定了一個範圍，然後將其分別存入了一個超參數範圍字典random_forest_hp_range。在這裡大家可以看到，我在存入字典時，將bootstrap的範圍這一句註釋掉了，這是由於當時運行後我發現bootstrap還是處於True這個狀態比較好（也就是得到的結果精度比較高），因此就取消了這一超參數的擇優；大家依據個人數據與模型的實際情況來即可~

  我們可以看一下random_forest_hp_range變數的取值情況：

  沒錯，它是一個字典，鍵就是超參數的名稱，值就是超參數的範圍。因為我將bootstrap註釋掉了，因此這個字典里就沒有bootstrap這一項了~

1.3 超參數隨機匹配擇優

  上面我們確定了每一種超參數各自的範圍，那麼接下來我們就將他們分別組合，對比每一個超參數取值組合所得到的模型結果，從而確定最優超參數組合。

  其實大家會發現，我們上面劃定六種超參數（除去我後來刪除的bootstrap的話是五種），如果按照排列組合來計算的話，會有很多很多種組合方式，如果要一一嘗試未免也太麻煩了。因此，我們用到RandomizedSearchCV這一功能——其將隨機匹配每一種超參數組合，並輸出最優的組合。換句話說，我們用RandomizedSearchCV來進行隨機的排列，而不是對所有的超參數排列組合方法進行遍歷。這樣子確實可以節省很多時間。

random_forest_model_test_base=RandomForestRegressor()
random_forest_model_test_random=RandomizedSearchCV(estimator=random_forest_model_test_base,
                                                   param_distributions=random_forest_hp_range,
                                                   n_iter=200,
                                                   n_jobs=-1,
                                                   cv=3,
                                                   verbose=1,
                                                   random_state=random_forest_seed
                                                   )
random_forest_model_test_random.fit(train_X,train_Y)

best_hp_now=random_forest_model_test_random.best_params_
pprint(best_hp_now)

  由代碼可以看到，我們首先建立一個隨機森林模型random_forest_model_test_base，並將其帶入到RandomizedSearchCV中；其中，RandomizedSearchCV的參數組合就是剛剛我們看的random_forest_hp_range，n_iter就是具體隨機搭配超參數組合的次數（這個次數因此肯定是越大涵蓋的組合數越多，效果越好，但是也越費時間），cv是交叉驗證的折數（RandomizedSearchCV衡量每一種組合方式的效果就是用交叉驗證來進行的），n_jobs與verbose是關於模型線程、日誌相關的信息，大家不用太在意，random_state是隨機森林中隨機抽樣的隨機數種子。

  之後，我們對random_forest_model_test_random加以訓練，並獲取其所得到的最優超參數匹配組合best_hp_now。在這裡，模型的訓練次數就是n_iter與cv的乘積（因為交叉驗證有幾折，那麼就需要運行幾次；而一共有n_iter個參數匹配組合，因此總次數就是二者相乘）。例如，用上述代碼那麼一共就需要運行600次。運行過程在程式中將自動顯示，如下圖。

  可以看到，一共有600次fit，我這裡共花了11.7min完成。具體速度和電腦配置、自變數與因變數數據量大小，以及電腦此時記憶體等等都有關。

  運行完畢，我們來看看找到的最有超參數組合best_hp_now。

  可以看到，經過200種組合匹配方式的計算，目前五種超參數最優的組合搭配方式已經得到了。其實每一次得到的超參數最優組合結果差距也是蠻大的——例如同一批數據，有的時候我得到的n_estimators最優值是如圖所示的100，有的時候也會是2350；所以大家依據實際情況來判斷即可~

  那麼接下來，我們就繼續對這一best_hp_now所示的結果進行更進一步的擇優。

1.4 超參數遍歷匹配擇優

  剛剛我們基於RandomizedSearchCV，實現了200次的超參數隨機匹配與擇優；但是此時的結果是一個隨機不完全遍歷後所得的結果，因此其最優組合可能並不是全局最優的，而只是一個大概的最優範圍。因此接下來，我們需要依據上述所得到的隨機最優匹配結果，進行遍歷全部組合的匹配擇優。

  遍歷匹配即在隨機匹配最優結果的基礎上，在其臨近範圍內選取幾個數值，並通過GridSearchCV對每一種匹配都遍歷，從而選出比較好的超參數最終取值結果。

# Grid Search

random_forest_hp_range_2={'n_estimators':[60,100,200],
                          'max_features':[12,13],
                          'max_depth':[350,400,450],
                          'min_samples_split':[2,3] # Greater than 1
                          # 'min_samples_leaf':[1,2]
                          # 'bootstrap':bootstrap_range
                          }
random_forest_model_test_2_base=RandomForestRegressor()
random_forest_model_test_2_random=GridSearchCV(estimator=random_forest_model_test_2_base,
                                               param_grid=random_forest_hp_range_2,
                                               cv=3,
                                               verbose=1,
                                               n_jobs=-1)
random_forest_model_test_2_random.fit(train_X,train_Y)

best_hp_now_2=random_forest_model_test_2_random.best_params_
pprint(best_hp_now_2)

  大家可以看到，本部分代碼其實和1.3部分比較類似。我們著重講解random_forest_hp_range_2。其中，n_estimators設定為了[60,100,200]，這是由於我們剛剛得到的best_hp_now中n_estimators為100，那麼我們就在100附近選取幾個值，作為新的n_estimators範圍；max_features也是一樣的，因為best_hp_now中max_features為'sqrt'，也就是輸入數據特征（自變數）的個數的平方根，而我這裡自變數個數大概是150多個，因此其開平方之後就是12.24左右，那麼就選擇其附近的兩個數（需要為整數），因此就選擇了[12,13]。其他的超參數取值也是類似的。這裡我將'min_samples_leaf'也給註釋掉了是因為我跑了很多次發現，'min_samples_leaf'還是取1最好，那麼就直接選擇為預設1（'min_samples_leaf'在不指定的情況下預設為1）即可，因為超參數範圍越小，程式跑的就越快。

  這裡程式運行的次數就是每一種超參數取值個數的排列組合次數乘以交叉驗證的折數，也就是(2*3*2*3)*3=108次，我們來看看是不是108次：

  很明顯，沒有問題，就是108個fit。和前面的600次fit比起來，這樣就快很多了（這也是為什麼我直接將'min_samples_leaf'與'bootstrap'註釋掉的原因；要是這兩個超參數也參與的話，那麼假設他們兩個各有2個取值的話，總時間至少就要翻2*2=4倍）。

  再來看看經過遍歷擇優後的最優超參數匹配取值best_hp_now_2。

  以上就是我們經過一次隨機擇優、一次遍歷擇優之後的超參數結果（不要忘記了'min_samples_leaf'與'bootstrap'還要分別取1和True，也就是預設值）。如果大家感覺這個組合搭配還不是很好，那麼可以繼續執行本文“1.4 超參數遍歷匹配擇優”部分1到2次，精度可能會有更進一步的提升。

1.5 模型運行與精度評定

  結束了上述超參數擇優過程，我們就可以進行模型運行、精度評定與結果輸出等操作。本部分內容除了第一句代碼（將最優超參數組合分配給模型）之外，其餘部分由於在之前的博客中已經詳細介紹過了，本文就不再贅述~大家直接查看文章Python實現隨機森林RF並對比自變數的重要性即可。

# Build RF regression model with optimal hyperparameters

random_forest_model_final=random_forest_model_test_2_random.best_estimator_

# Predict test set data

random_forest_predict=random_forest_model_test_2_random.predict(test_X)
random_forest_error=random_forest_predict-test_Y

# Draw test plot

plt.figure(1)
plt.clf()
ax=plt.axes(aspect='equal')
plt.scatter(test_Y,random_forest_predict)
plt.xlabel('True Values')
plt.ylabel('Predictions')
Lims=[0,10000]
plt.xlim(Lims)
plt.ylim(Lims)
plt.plot(Lims,Lims)
plt.grid(False)
    
plt.figure(2)
plt.clf()
plt.hist(random_forest_error,bins=30)
plt.xlabel('Prediction Error')
plt.ylabel('Count')
plt.grid(False)

# Verify the accuracy

random_forest_pearson_r=stats.pearsonr(test_Y,random_forest_predict)
random_forest_R2=metrics.r2_score(test_Y,random_forest_predict)
random_forest_RMSE=metrics.mean_squared_error(test_Y,random_forest_predict)**0.5
print('Pearson correlation coefficient is {0}, and RMSE is {1}.'.format(random_forest_pearson_r[0],
                                                                        random_forest_RMSE))

# Save key parameters

excel_file=load_workbook(write_excel_path)
excel_all_sheet=excel_file.sheetnames
excel_write_sheet=excel_file[excel_all_sheet[0]]
excel_write_sheet=excel_file.active
max_row=excel_write_sheet.max_row
excel_write_content=[random_forest_pearson_r[0],random_forest_R2,random_forest_RMSE,
                     random_seed,random_forest_seed]
for i in range(len(excel_write_content)):
        exec("excel_write_sheet.cell(max_row+1,i+1).value=excel_write_content[i]")
excel_file.save(write_excel_path)

# Draw decision tree visualizing plot

random_forest_tree=random_forest_model_final.estimators_[5]
export_graphviz(random_forest_tree,out_file=tree_graph_dot_path,
                feature_names=train_X_column_name,rounded=True,precision=1)
(random_forest_graph,)=pydot.graph_from_dot_file(tree_graph_dot_path)
random_forest_graph.write_png(tree_graph_png_path)

# Calculate the importance of variables

random_forest_importance=list(random_forest_model_final.feature_importances_)
random_forest_feature_importance=[(feature,round(importance,8)) 
                                  for feature, importance in zip(train_X_column_name,
                                                                 random_forest_importance)]
random_forest_feature_importance=sorted(random_forest_feature_importance,key=lambda x:x[1],reverse=True)
plt.figure(3)
plt.clf()
importance_plot_x_values=list(range(len(random_forest_importance)))
plt.bar(importance_plot_x_values,random_forest_importance,orientation='vertical')
plt.xticks(importance_plot_x_values,train_X_column_name,rotation='vertical')
plt.xlabel('Variable')
plt.ylabel('Importance')
plt.title('Variable Importances')

2 完整代碼

  本文所用完整代碼如下。

# -*- coding: utf-8 -*-
"""
Created on Sun Mar 21 22:05:37 2021

@author: fkxxgis
"""

import pydot
import numpy as np
import pandas as pd
import scipy.stats as stats
import matplotlib.pyplot as plt
from pprint import pprint
from sklearn import metrics
from openpyxl import load_workbook
from sklearn.tree import export_graphviz
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import RandomizedSearchCV

# Attention! Data Partition
# Attention! One-Hot Encoding

train_data_path='G:/CropYield/03_DL/00_Data/AllDataAll_Train.csv'
test_data_path='G:/CropYield/03_DL/00_Data/AllDataAll_Test.csv'
write_excel_path='G:/CropYield/03_DL/05_NewML/ParameterResult_ML.xlsx'
tree_graph_dot_path='G:/CropYield/03_DL/05_NewML/tree.dot'
tree_graph_png_path='G:/CropYield/03_DL/05_NewML/tree.png'

random_seed=44
random_forest_seed=np.random.randint(low=1,high=230)

# Data import

train_data=pd.read_csv(train_data_path,header=0)
test_data=pd.read_csv(test_data_path,header=0)

# Separate independent and dependent variables

train_Y=np.array(train_data['Yield'])
train_X=train_data.drop(['ID','Yield'],axis=1)
train_X_column_name=list(train_X.columns)
train_X=np.array(train_X)

test_Y=np.array(test_data['Yield'])
test_X=test_data.drop(['ID','Yield'],axis=1)
test_X=np.array(test_X)

# Search optimal hyperparameter

n_estimators_range=[int(x) for x in np.linspace(start=50,stop=3000,num=60)]
max_features_range=['auto','sqrt']
max_depth_range=[int(x) for x in np.linspace(10,500,num=50)]
max_depth_range.append(None)
min_samples_split_range=[2,5,10]
min_samples_leaf_range=[1,2,4,8]
bootstrap_range=[True,False]

random_forest_hp_range={'n_estimators':n_estimators_range,
                        'max_features':max_features_range,
                        'max_depth':max_depth_range,
                        'min_samples_split':min_samples_split_range,
                        'min_samples_leaf':min_samples_leaf_range
                        # 'bootstrap':bootstrap_range
                        }
pprint(random_forest_hp_range)

random_forest_model_test_base=RandomForestRegressor()
random_forest_model_test_random=RandomizedSearchCV(estimator=random_forest_model_test_base,
                                                   param_distributions=random_forest_hp_range,
                                                   n_iter=200,
                                                   n_jobs=-1,
                                                   cv=3,
                                                   verbose=1,
                                                   random_state=random_forest_seed
                                                   )
random_forest_model_test_random.fit(train_X,train_Y)

best_hp_now=random_forest_model_test_random.best_params_
pprint(best_hp_now)

# Grid Search

random_forest_hp_range_2={'n_estimators':[60,100,200],
                          'max_features':[12,13],
                          'max_depth':[350,400,450],
                          'min_samples_split':[2,3] # Greater than 1
                          # 'min_samples_leaf':[1,2]
                          # 'bootstrap':bootstrap_range
                          }
random_forest_model_test_2_base=RandomForestRegressor()
random_forest_model_test_2_random=GridSearchCV(estimator=random_forest_model_test_2_base,
                                               param_grid=random_forest_hp_range_2,
                                               cv=3,
                                               verbose=1,
                                               n_jobs=-1)
random_forest_model_test_2_random.fit(train_X,train_Y)

best_hp_now_2=random_forest_model_test_2_random.best_params_
pprint(best_hp_now_2)

# Build RF regression model with optimal hyperparameters

random_forest_model_final=random_forest_model_test_2_random.best_estimator_

# Predict test set data

random_forest_predict=random_forest_model_test_2_random.predict(test_X)
random_forest_error=random_forest_predict-test_Y

# Draw test plot

plt.figure(1)
plt.clf()
ax=plt.axes(aspect='equal')
plt.scatter(test_Y,random_forest_predict)
plt.xlabel('True Values')
plt.ylabel('Predictions')
Lims=[0,10000]
plt.xlim(Lims)
plt.ylim(Lims)
plt.plot(Lims,Lims)
plt.grid(False)
    
plt.figure(2)
plt.clf()
plt.hist(random_forest_error,bins=30)
plt.xlabel('Prediction Error')
plt.ylabel('Count')
plt.grid(False)

# Verify the accuracy

random_forest_pearson_r=stats.pearsonr(test_Y,random_forest_predict)
random_forest_R2=metrics.r2_score(test_Y,random_forest_predict)
random_forest_RMSE=metrics.mean_squared_error(test_Y,random_forest_predict)**0.5
print('Pearson correlation coefficient is {0}, and RMSE is {1}.'.format(random_forest_pearson_r[0],
                                                                        random_forest_RMSE))

# Save key parameters

excel_file=load_workbook(write_excel_path)
excel_all_sheet=excel_file.sheetnames
excel_write_sheet=excel_file[excel_all_sheet[0]]
excel_write_sheet=excel_file.active
max_row=excel_write_sheet.max_row
excel_write_content=[random_forest_pearson_r[0],random_forest_R2,random_forest_RMSE,
                     random_seed,random_forest_seed]
for i in range(len(excel_write_content)):
        exec("excel_write_sheet.cell(max_row+1,i+1).value=excel_write_content[i]")
excel_file.save(write_excel_path)

# Draw decision tree visualizing plot

random_forest_tree=random_forest_model_final.estimators_[5]
export_graphviz(random_forest_tree,out_file=tree_graph_dot_path,
                feature_names=train_X_column_name,rounded=True,precision=1)
(random_forest_graph,)=pydot.graph_from_dot_file(tree_graph_dot_path)
random_forest_graph.write_png(tree_graph_png_path)

# Calculate the importance of variables

random_forest_importance=list(random_forest_model_final.feature_importances_)
random_forest_feature_importance=[(feature,round(importance,8)) 
                                  for feature, importance in zip(train_X_column_name,
                                                                 random_forest_importance)]
random_forest_feature_importance=sorted(random_forest_feature_importance,key=lambda x:x[1],reverse=True)
plt.figure(3)
plt.clf()
importance_plot_x_values=list(range(len(random_forest_importance)))
plt.bar(importance_plot_x_values,random_forest_importance,orientation='vertical')
plt.xticks(importance_plot_x_values,train_X_column_name,rotation='vertical')
plt.xlabel('Variable')
plt.ylabel('Importance')
plt.title('Variable Importances')

  至此，大功告成。


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 正式拋棄 Feign！Spring 6 推出新特性：HTTP Interface，這波太秀了！
    來源：https://juejin.cn/post/7173271507047546893 近期，Spring 6 的第一個 GA 版本發佈了，其中帶來了一個新的特性——HTTP Interface。這個新特性，可以讓開發者將 HTTP 服務，定義成一個包含特定註解標記的方法的 Java 介面，然後 ...
  • 線上營銷教程_編程入門自學教程_菜鳥教程-免費教程分享
    教程簡介 線上營銷簡介 - 從線上營銷，簡介，術語，SEO友好網站，線上廣告，移動廣告，搜索引擎營銷，電子郵件營銷，聯盟營銷，社交媒體營銷，從簡單和簡單的術語瞭解線上營銷，聲譽營銷，內容營銷，博客，橫幅和論壇，網站分析，努力，影響，利弊，名人線上營銷人員。 教程目錄 線上營銷介紹 線上營銷術語 SE ...
  • Linux下的高性能輕量級Web伺服器（一）
    1.讓伺服器監聽客戶端的連接請求 1.1 代碼塊 #include <sys/socket.h> #include <netinet/in.h> #include <string.h> #include<stdio.h> #include<stdlib.h> #define BUFFER_LEN 1 ...
  • 關於靜態代碼塊和匿名代碼塊以及結構體在程式運行過程中的調用順序實驗
    關於靜態代碼塊和匿名代碼塊以及結構體在程式運行過程中的調用順序實驗 ​ 今天學習JAVA看到了static修飾符部分，講到了有關匿名代碼和靜態代碼部分。此時又突然想到前面所學關於new是調用類的結構體知識，同時結合繼承關係，想看看在這些條件下匿名代碼塊、靜態代碼塊以及類構造體的調用順序。 ​ 編寫了 ...
  • Google Plus營銷教程_編程入門自學教程_菜鳥教程-免費教程分享
    教程簡介 Google Plus初學者教程 - 從基本到高級概念的簡單簡單步驟學習Google Plus，其中包括簡介，業務頁面設置，創建新帳戶，瀏覽Google Plus，添加業務詳細信息，上傳個人資料圖片，添加封面圖片，圈子，社區，環聊，活動，上傳帖子，編輯帖子，刪除帖子，轉發帖子，報告帖子，促 ...
  • 案例分析｜如何消除代碼壞味道
    一、背景 開發一款Idea插件，實現對yaml文件的定製化格式檢查。 !! 後指定的類路徑是否準確 yaml中的key是否equal類中field的name value是否能夠轉換成類中field的類型 …… 完成代碼功能上線後，使用過程發現很多問題。後在主管幫助下，對代碼進行了重構。事後對重構前後 ...
  • Microsoft Expression Web 教程_編程入門自學教程_菜鳥教程-免費教程分享
    教程簡介 Microsoft Expression Web Tutorial for Beginners - 從基本到高級概念的簡單簡單步驟學習Microsoft Expression Web，其中包括概述，環境設置，新網站，空白網頁，網頁佈局，HTML佈局，水平導航，垂直導航，驗證頁面，動態Web ...
  • 找素數（java）
    什麼是素數？ 質數又稱素數。一個大於1的自然數，除了1和它自身外，不能被其他自然數整除的數叫做質數；否則稱為合數（規定1既不是質數也不是合數）。 實際案例 比如我們想找出1-1000的所有素數 思路1 可以先定義一個方法 primeNumber//參數列表用來接收所想找的素數範圍 public st ...
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