信用贷款违约预测项目
零、项目概述
**项目背景:**比赛由 Kaggle 举办,要求选手依据客户的信用卡信息(application)、信用局信息(bureau)、历史申请信息(previous_application)分期付款信息(installments_payments)等7个主、副数据集来预测客户贷款是否会违约。
分析流程:
- 首先对数据进行预览和可视化探索,理解各个属性,查看数据集中的缺失值和异常值并进行相应地处理;
- 其次对违约用户和非违约用户的属性分布进行可视化分析,探索差异点;
- 接着通过用户属性可视化分析和业务理解构造相应特征工程,从用户个人基本属性和用户行为两个角度来刻画违约用户画像;
- 最后进行建模预测;
一、特征理解:主训练集里有什么?
数据集文件
1.1、数据概览
Step1:加载相关数据分析库
#加载相关数据分析库#以数组形式的科学计算库
import numpy as np # 可视化,作图
import matplotlib
import matplotlib.pyplot as plt import seaborn as sns
color = sns.color_palette() #调色板颜色设置import plotly.offline as py
py.init_notebook_mode(connected=True)
from plotly.offline import init_notebook_mode, iplot
init_notebook_mode(connected=True)
import plotly.graph_objs as go#数据分析库
import pandas as pd
import plotly.offline as offline
offline.init_notebook_mode()import cufflinks as cf
cf.go_offline()
plt.style.use('fivethirtyeight')
Step2:加载主训练集和测试集数据
#加载数据
app_train=pd.read_csv('.../信用风险数据集/application_train.csv')
app_test =pd.read_csv('.../信用风险数据集/application_test.csv')
Step3:输入主训练集前5行,查看其属性、数据量等基本信息
app_train.head()
主训练集中一共有122个属性,其每一行的含义是客户正在申请中的一笔贷款, 唯一主键是SK_ID_CURR,字段的含义可以参考数据文件(HomeCredit_columns_description.csv)中的列名含义描述。
Step4:数据集统计学,描述
app_train.describe().T
1.2 缺失值与异常值
1.2.1 缺失值处理
目的:了解数据的缺失值和异常值情况,以便做对应的数据清洗来提高数据质量。
Step5:通过自定义缺失值查看函数,来查看数据集中的缺失值
#定义缺失值检测函数
def missing_values_table(df):# 缺失值总数mis_val = df.isnull().sum()# 缺失率,用小数表示mis_val_percent = 100 * df.isnull().sum() / len(df)# 连接属性的缺失数和缺失率mis_val_table = pd.concat([mis_val, mis_val_percent], axis=1)# 列的重命名mis_val_table_ren_columns = mis_val_table.rename(columns = {0 : 'Missing Values', 1 : '% of Total Values'})# 按缺失率逆序排列mis_val_table_ren_columns = mis_val_table_ren_columns[mis_val_table_ren_columns.iloc[:,1] != 0].sort_values('% of Total Values', ascending=False).round(1)# 输入缺失总结信息print ("数据集一共有 " + str(df.shape[1]) + "行。\n" "有 " + str(mis_val_table_ren_columns.shape[0]) +" 行存在缺失值。")# 返回缺失信息return mis_val_table_ren_columns#调用自定义缺失值查看函数
missing_values = missing_values_table(app_train)
missing_values.head(20)
数据一共有122列,但是有67列存在缺失情况,最高缺失值的列缺失率高达为69.9%。 一般对于缺失值的处理有三种方法:
- 一是可以采用 LightGBM这种能够自动处理缺失值的模型,这样就无需处理缺失值;
- 二是可以进行填补,主要利用属性的平均值、众数、中位数、固定值以及利用已知值预测缺失值来填充;
- 三是可以对缺失值较高的列直接删除;
特别注意的是,前面的几列属性的缺失率的都是相同的,并且它们都是属于房屋相关的特征。因此,根据这个规律可以做出假设:用户缺失房屋信息可能是因为某种特定原因导致的,而不是随机缺失,可以考虑在特征工程时利用该假设来构架新特征。
1.2.2 异常值处理
Step6:利用描述统计的方法,即查看特征的均值、极大值、极小值等信息,结合常识来判断是否存在异常值。
- 查看用户年龄的数据分布情况
(app_train['DAYS_BIRTH'] / -365).describe()
根据用户年龄的数据统计描述分布情况,年龄值是负数,反映的是申请贷款前,这个用户活了多少天,所以这里除以负365天以得到用户的实际年龄。发现数据的分布比较正常的,最大年龄69岁,最小年龄20岁,没有很异常的数值出现。
- 查看用户的工作时间分布情况发现
(app_train['DAYS_EMPLOYED']/-365).describe()
通过查看用户的工作时间分布情况发现:工作时间也是负数,也除以负365天。结果得到最小值是-1000年。这里的-1000年明显是一个异常数据,因为根据常识没有人的工作时间是负数的,这可能是个异常值。
app_train['DAYS_EMPLOYED'].plot.hist(title = 'Days Employment Histogram');
做出用户的工作时间的数据直方图,发现所有的异常值都是一个值,365243,对于这个异常值可能是代表缺失值。因此,将这个异常值用空值去替换,这样即可以保留这个信息,又抹去了异常值,替换之后再次看工作时间的分布情况,此时数据分布正常了很多。
app_train['DAYS_EMPLOYED'].replace({365243: np.nan}, inplace = True)
(app_train['DAYS_EMPLOYED']/-365).plot.hist(title = 'Days Employment Histogram');
plt.xlabel('Days Employment');
二、探索性数据分析
Step7:探索性数据分析。此环节的目标主要是分析违约用户和非违约用户的特征分布情况,对违约用户的画像建立一个基本的了解,为后续特征工程打下基础。
比如数据集里面有性别、年龄、工作时间等属性,那么就性别而言,男性更容易违约还是女性更容易违约呢?对于年龄而言,是年龄大的人更容易违约还是年龄小的人?教育水平、家庭情况等这些用户基本属性数据探索。
为了后续通过可视化违约用户和非违约用户的特征分布情况,现自定义一个做图函数,方便后期调用。
#这一段是画图代码
def plot_stats(feature,label_rotation=False,horizontal_layout=True):temp = app_train[feature].value_counts()df1 = pd.DataFrame({feature: temp.index,'Number of contracts': temp.values})# 计算每个属性类别中Target=1的个数cat_perc = app_train[[feature, 'TARGET']].groupby([feature],as_index=False).mean()cat_perc.sort_values(by='TARGET', ascending=False, inplace=True)if(horizontal_layout):fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(12,6))else:fig, (ax1, ax2) = plt.subplots(nrows=2, figsize=(12,14))sns.set_color_codes("pastel")s = sns.barplot(ax=ax1, x = feature, y="Number of contracts",data=df1)if(label_rotation):s.set_xticklabels(s.get_xticklabels(),rotation=90)s = sns.barplot(ax=ax2, x = feature, y='TARGET', order=cat_perc[feature], data=cat_perc)if(label_rotation):s.set_xticklabels(s.get_xticklabels(),rotation=90)plt.ylabel('Percent of target with value 1 [%]', fontsize=10)plt.tick_params(axis='both', which='major', labelsize=10)plt.show();def plot_distribution(var):i = 0t1 = app_train.loc[app_train['TARGET'] != 0]t0 = app_train.loc[app_train['TARGET'] == 0]sns.set_style('whitegrid')plt.figure()fig, ax = plt.subplots(2,2,figsize=(12,12))for feature in var:i += 1plt.subplot(2,2,i)sns.kdeplot(t1[feature], bw=0.5,label="TARGET = 1")sns.kdeplot(t0[feature], bw=0.5,label="TARGET = 0")plt.ylabel('Density plot', fontsize=12)plt.xlabel(feature, fontsize=12)locs, labels = plt.xticks()plt.tick_params(axis='both', which='major', labelsize=12)plt.show();
2.1 用户性别特征探索
- 查看男性和女性用户的违约率情况。
plot_stats('CODE_GENDER')
通过上图发现,男性用户违约率更高,男性用户违约率为10%,女性为7%。
2.2 用户年龄年龄特征探索
- 查看违约用户和正常用户的年龄分布对违约率的影响情况。
plt.figure(figsize = (10, 8))# 按时偿还贷款的KDE(kdeplot,核密度估计图)图
sns.kdeplot(app_train.loc[app_train['TARGET'] == 0, 'DAYS_BIRTH'] / -365, label = 'target == 0')# 没有按时偿还贷款的KDE(kdeplot,核密度估计图)图
sns.kdeplot(app_train.loc[app_train['TARGET'] == 1, 'DAYS_BIRTH'] / -365, label = 'target == 1')# 标签设置
plt.xlabel('Age (years)'); plt.ylabel('Density'); plt.title('Distribution of Ages');
因为年龄是连续型变量,和性别不同,所以可以使用分布图去看年龄的分布情况,通过数据分布可以看到,违约用户年轻用户分布更多,所以可以假设用户年龄越小,违约的可能性越大。
- 接下来来验证上述“用户年龄越小,违约的可能性越大”这个假设。
age_data = app_train[['TARGET', 'DAYS_BIRTH']]
age_data['YEARS_BIRTH'] = age_data['DAYS_BIRTH'] / -365# 年龄属性列分箱
age_data['YEARS_BINNED'] = pd.cut(age_data['YEARS_BIRTH'], bins = np.linspace(20, 70, num = 11))
age_groups = age_data.groupby('YEARS_BINNED').mean()
plt.figure(figsize = (8, 8))# 分箱后的年龄属性列分项
plt.bar(age_groups.index.astype(str), 100 * age_groups['TARGET'])# 标签设置
plt.xticks(rotation = 75); plt.xlabel('Age Group (years)'); plt.ylabel('Failure to Repay (%)')
plt.title('Failure to Repay by Age Group');
通过对用户的年龄进行分捅,进一步观察不同年龄段用户的违约概率。发现确实是用户年龄越小,违约的可能性越高。
2.3 贷款类型特征探索
- 查看不同贷款类型的违约率情况。
plot_stats('NAME_CONTRACT_TYPE')
通过上图发现,对于现金贷款和流动资金循坏贷款,现金贷款的违约率更高。
2.4 家庭有无房/车特征探索
- 查看用户有没有房和车对违约率的影响。
plot_stats('FLAG_OWN_CAR')
plot_stats('FLAG_OWN_REALTY')
通过上图发现,没有车和房的人违约率更高,但相差并不大。
2.5 家庭角色特色探索
- 家庭角色对违约率的影响情况。
plot_stats('NAME_FAMILY_STATUS',True, True)
通过上图发现,申请的用户大多已经结婚,单身和民事婚姻的用户违约率较高,寡居的违约率最低。
注:civil marriage:民事婚姻,世俗结婚(不采用宗教仪式);
2.6 家庭子女数量特征探索
- 查看家庭子女对违约率的影响情况。
plot_stats('CNT_CHILDREN')
通过上图发现,大部分申请者没有孩子或孩子在3个以下,孩子越多的家庭违约率越高,发现对于有9、11个孩子的家庭违约率达到了100%(这点于该类型样本数量少也有一定的关系)。
2.7 用户收入特征探索
- 查看用户的收入类型对违约率的影响情况。
plot_stats('NAME_INCOME_TYPE',False,False)
通过上图发现,休产假和失业用户违约率较高,超过35%,对于这两类人群放款需较为谨慎。
2.8 用户职业特征探索
- 查看不同的职业对违约率的影响情况。
plot_stats('OCCUPATION_TYPE',True, False)
通过上图发现,从职业来看,越相对收入较低、不稳定的职业违约率越高,比如低廉劳动力、司机、理发师,而像会计、高科技员工、管理层等具有稳定高收入的职业违约率较低。
2.9 用户教育水平特征探索
- 查看用户的教育水平对违约率的影响情况。
plot_stats('NAME_EDUCATION_TYPE',True)
通过上图发现,贷款申请人受教育程度大多为中学,学历越低越容易违约。
三、特征工程1:主训练集中新特征构建
Step7:基于第二部分对违约用户和非违约用户的基本属性特征探索性分析,现利用主训练集属性结合对业务的理解,构造如下新特征。
- CREDIT_INCOME_PERCENT: 贷款金额/客户收入,猜测该比值越大,说明贷款金额大于用户的收入,用户违约的可能性就越大;
- ANNUITY_INCOME_PERCENT: 贷款的每年还款金额/客户收入,猜测该比值越大,说明每年的还款金额大于用户的收入,用户违约的可能性就越大;
- CREDIT_TERM: 贷款的每年还款金额/贷款金额,即贷款的还款周期,猜测还款周期短的贷款,用户的短期压力可能会比较大,违约概率高;
- DAYS_EMPLOYED_PERCENT: 用户工作时间/用户年龄;
- INCOME_PER_CHILD:用户收入/孩子数量,即用户收入平均到每个孩子身上,同样的收入,猜测如果该用户的家庭人数较多,孩子很多,则负担可能比较重,违约的可能性可能更高;
- HAS_HOUSE_INFORMATION :根据客户是否有缺失房屋信息设计一个二分类特征,如果未缺失的话是1,缺失的是0;
#构造新特征
app_train_domain = app_train.copy()
app_test_domain = app_test.copy()app_train_domain['CREDIT_INCOME_PERCENT'] = app_train_domain['AMT_CREDIT'] / app_train_domain['AMT_INCOME_TOTAL']
app_train_domain['ANNUITY_INCOME_PERCENT'] = app_train_domain['AMT_ANNUITY'] / app_train_domain['AMT_INCOME_TOTAL']
app_train_domain['CREDIT_TERM'] = app_train_domain['AMT_ANNUITY'] / app_train_domain['AMT_CREDIT']
#app_train_domain['CREDIT_TERM'] = app_train_domain['AMT_CREDIT']/app_train_domain['AMT_ANNUITY']app_train_domain['DAYS_EMPLOYED_PERCENT'] = app_train_domain['DAYS_EMPLOYED'] / app_train_domain['DAYS_BIRTH']
app_train_domain['INCOME_PER_CHILD'] = app_train_domain['AMT_INCOME_TOTAL'] / app_train_domain['CNT_CHILDREN']
app_train_domain['HAS_HOUSE_INFORMATION'] = app_train_domain['COMMONAREA_MEDI'].apply(lambda x:1 if x>0 else 0)
#检验所构造前5个新特征对违约用户和非违约用户区分度
plt.figure(figsize = (12, 20))
# 构造新特性的迭代器
for i, feature in enumerate(['CREDIT_INCOME_PERCENT', 'ANNUITY_INCOME_PERCENT', 'CREDIT_TERM', 'DAYS_EMPLOYED_PERCENT','INCOME_PER_CHILD']):# 创建子图plt.subplot(5, 1, i + 1)# 按期还款用户的KDE图sns.kdeplot(app_train_domain.loc[app_train_domain['TARGET'] == 0, feature], label = 'target == 0')# plot loans that were not repaidsns.kdeplot(app_train_domain.loc[app_train_domain['TARGET'] == 1, feature], label = 'target == 1')# 未按期还款用户的KDE图plt.title('Distribution of %s by Target Value' % feature)plt.xlabel('%s' % feature); plt.ylabel('Density');plt.tight_layout(h_pad = 2.5)
查看上述设计出来的前5个连续性特征在违约用户和非违约用户中的分布情况,可以发现除CREDIT_TERM这个特征外,其他的特征区分度似乎都不是很明显。
接下来自定义函数,验证房屋缺失值而设计的特征的效果。
#验证房屋缺失值而设计的特征的效果
def plot_stats(feature,label_rotation=False,horizontal_layout=True):temp = app_train_domain[feature].value_counts()df1 = pd.DataFrame({feature: temp.index,'Number of contracts': temp.values})# Calculate the percentage of target=1 per category valuecat_perc = app_train_domain[[feature, 'TARGET']].groupby([feature],as_index=False).mean()cat_perc.sort_values(by='TARGET', ascending=False, inplace=True)if(horizontal_layout):fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(12,6))else:fig, (ax1, ax2) = plt.subplots(nrows=2, figsize=(12,14))sns.set_color_codes("pastel")s = sns.barplot(ax=ax1, x = feature, y="Number of contracts",data=df1)if(label_rotation):s.set_xticklabels(s.get_xticklabels(),rotation=90)s = sns.barplot(ax=ax2, x = feature, y='TARGET', order=cat_perc[feature], data=cat_perc)if(label_rotation):s.set_xticklabels(s.get_xticklabels(),rotation=90)plt.ylabel('Percent of target with value 1 [%]', fontsize=10)plt.tick_params(axis='both', which='major', labelsize=10)plt.show();plot_stats('HAS_HOUSE_INFORMATION',True)
通过上图,缺失房屋信息的用户违约概率要明显高于未缺失用户。
对主训练集的测试集也做同样构造新特征的处理。
app_test_domain['CREDIT_INCOME_PERCENT'] = app_test_domain['AMT_CREDIT'] / app_test_domain['AMT_INCOME_TOTAL']
app_test_domain['ANNUITY_INCOME_PERCENT'] = app_test_domain['AMT_ANNUITY'] / app_test_domain['AMT_INCOME_TOTAL']
app_test_domain['CREDIT_TERM'] = app_test_domain['AMT_ANNUITY'] / app_test_domain['AMT_CREDIT']
app_test_domain['DAYS_EMPLOYED_PERCENT'] = app_test_domain['DAYS_EMPLOYED'] / app_test_domain['DAYS_BIRTH']
app_test_domain['INCOME_PER_CHILD'] = app_test_domain['AMT_INCOME_TOTAL'] / app_test_domain['CNT_CHILDREN']
app_test_domain['HAS_HOUSE_INFORMATION'] = app_test_domain['COMMONAREA_MEDI'].apply(lambda x:1 if x>0 else 0)
四、建模预测计算基准性能
Step8:在主训练集,利用LightGBM模型进行建模预测,得到模型基准性能。
- 导入相关库
from sklearn.model_selection import KFold
from sklearn.metrics import roc_auc_score
import lightgbm as lgb
import gc
- 自定义训练模型、预测模型函数。
其中,输入训练集特征、测试集特征、编码
方式以及交叉验证次数;输出为测试文件、重要特征以及性能指标。
def model(features, test_features, encoding = 'ohe', n_folds = 5):#提取idtrain_ids = features['SK_ID_CURR']test_ids = test_features['SK_ID_CURR']# 提起训练集中的idlabels = features['TARGET']# 删除训练集中的id和targetfeatures = features.drop(columns = ['SK_ID_CURR', 'TARGET'])test_features = test_features.drop(columns = ['SK_ID_CURR'])# One Hot 编码if encoding == 'ohe':features = pd.get_dummies(features)test_features = pd.get_dummies(test_features)# 连接对齐训练集和测试集中的特征features, test_features = features.align(test_features, join = 'inner', axis = 1)# 没有分类索引的记录cat_indices = 'auto'# I整数标签编码elif encoding == 'le':# 创建编码器label_encoder = LabelEncoder()# 创建列表,用于储存分类索引cat_indices = []# I按列迭代for i, col in enumerate(features):if features[col].dtype == 'object':# 将分类特征映射到整数features[col] = label_encoder.fit_transform(np.array(features[col].astype(str)).reshape((-1,)))test_features[col] = label_encoder.transform(np.array(test_features[col].astype(str)).reshape((-1,)))# 记录分类索引cat_indices.append(i)# 捕获错误,当标签编码方案无效时else:raise ValueError("Encoding must be either 'ohe' or 'le'")print('Training Data Shape: ', features.shape)print('Testing Data Shape: ', test_features.shape)# 提取训练集特征的名字feature_names = list(features.columns)# 转换为np数组features = np.array(features)test_features = np.array(test_features)# 创建K者交叉验证对象k_fold = KFold(n_splits = n_folds, shuffle = True, random_state = 50)# 为重要特征设置空数组feature_importance_values = np.zeros(len(feature_names))# 创建测试预测的空数组test_predictions = np.zeros(test_features.shape[0])# 创建空数组,为了折叠验证预测out_of_fold = np.zeros(features.shape[0])# 创建list,保存验证和训练分数valid_scores = []train_scores = []# 创建K折验证迭代器for train_indices, valid_indices in k_fold.split(features):# K折训练数据train_features, train_labels = features[train_indices], labels[train_indices]# K折验证数据valid_features, valid_labels = features[valid_indices], labels[valid_indices]# 创建LGBMClassifier模型model = lgb.LGBMClassifier(n_estimators=1000, objective = 'binary', class_weight = 'balanced', learning_rate = 0.05, reg_alpha = 0.1, reg_lambda = 0.1, subsample = 0.8, n_jobs = -1, random_state = 50)# 训练模型model.fit(train_features, train_labels, eval_metric = 'auc',eval_set = [(valid_features, valid_labels), (train_features, train_labels)],eval_names = ['valid', 'train'], categorical_feature = cat_indices,early_stopping_rounds = 100, verbose = 200)# 在训练过程中使用了提前停止,使用best_iteration从最佳迭代中获取训练结果best_iteration = model.best_iteration_# 记录重要特征feature_importance_values += model.feature_importances_ / k_fold.n_splits# 预测test_predictions += model.predict_proba(test_features, num_iteration = best_iteration)[:, 1] / k_fold.n_splits# 在验证集上预测out_of_fold[valid_indices] = model.predict_proba(valid_features, num_iteration = best_iteration)[:, 1]# 记录最好的分数valid_score = model.best_score_['valid']['auc']train_score = model.best_score_['train']['auc']valid_scores.append(valid_score)train_scores.append(train_score)# 清楚所有变量gc.enable()del model, train_features, valid_featuresgc.collect()# 设置提交文件的数据框格式submission = pd.DataFrame({'SK_ID_CURR': test_ids, 'TARGET': test_predictions})# 把重要特性变成数据框格式feature_importances = pd.DataFrame({'feature': feature_names, 'importance': feature_importance_values})# 整体验证评分valid_auc = roc_auc_score(labels, out_of_fold)# 将总分添加到指标中valid_scores.append(valid_auc)train_scores.append(np.mean(train_scores))# 创建验证分数的数据框格式fold_names = list(range(n_folds))fold_names.append('overall')# 验证分数的数据框格式metrics = pd.DataFrame({'fold': fold_names,'train': train_scores,'valid': valid_scores}) return submission, feature_importances, metrics
- 利用自定义函数训练模型,并输出5折交叉验证的结果。
submission, fi, metrics = model(app_train_domain, app_test_domain)
print('Baseline metrics')
print(metrics)
submission.to_csv('my_submission1.csv',index=False)
del app_train_domain,app_test_domain
gc.collect
在主训练集,利用LightGBM模型进行建模预测,K折交叉验证得到模型在训练集上的AUC得分为 0.807956 ,在验证集上的AUC得分为 0.765970。
- 然后通过LightGBM自带的函数查看每个特征的重要性以及可视化每个特征的重要性。
def plot_feature_importances(df):# 根据重要性对特征进行排序df = df.sort_values('importance', ascending = False).reset_index()# 将特性的重要性标准化,使其加起来等于1df['importance_normalized'] = df['importance'] / df['importance'].sum()# 做一个特征重要性的水平条形图plt.figure(figsize = (10, 6))ax = plt.subplot()# 最重要的特征放在最上面ax.barh(list(reversed(list(df.index[:15]))), df['importance_normalized'].head(15), align = 'center', edgecolor = 'k')# 设置y轴标签和刻度ax.set_yticks(list(reversed(list(df.index[:15]))))ax.set_yticklabels(df['feature'].head(15))# 设置x轴标签、标题plt.xlabel('Normalized Importance'); plt.title('Feature Importances')plt.show()return df
fi_sorted = plot_feature_importances(fi)
五、特征工程2:辅助信息集中引入新特征
在上述分析仅利用了主训练集和预测集来构建特征,接下来,把一些辅助训练集和主训练集通过对应的键进行关联,从辅助训练集中提取出一些有的价值信息,把将其作为新的特征加入主训练集中来构建新特征。
未完,待续。。。
六、特征选择
七、建模预测
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- Word分词标题 和JDK的contain的测试日志显示本地的笔记本 的效率基本上都是1秒以上,显然是Word分词标题 占优势,可是服务器上JDK与Word分析显然无区别,针对8W数据的检索
=====================1111111111=========================Word分词标题 :【"书香乡村阅读驿站"开进北京密云北庄镇】和编码条件判断结果false,耗时1 毫秒[Consumer clientId=consumer-1, groupId=xudj_test] Connection to node -1 could not be established. Br…...
2024/5/8 15:46:05 - LinuxVM安装及虚拟机创建
Linux虚拟机安装 VMWare安装 1.双击安装包,启动安装,单机下一步 2.接受条款下一步 3.自定义安装,目的是选择安装位置等,下一步 4.勾选核心组件及VIX应用程序编程接口,可在此处更改安装路径 5.接下来的操作均可使用默认设置直至输入安装密钥,可使用 MA491-6NL5Q-AZAM0-ZH0…...
2024/5/8 16:40:40 - Kaggle 学习记录
文章目录Intro to Machine LearningHow Models WorkBasic Data ExplorationYour First Machine Learning ModelModel ValidationUnderfitting and OverfittingRandom ForestsExercise: Machine Learning CompetitionsIntermediate Machine LearningIntroductionMissing ValuesC…...
2024/5/6 3:30:09 - 聊聊怎么设计一个安全的对外接口
【摘要】我们在做公司项目的时候,特别是大数据相关的项目,经常会遇到需要提供对外的api接口,通常这些接口需要保证持续稳定地运行并且能够保障数据的安全,所以如何使用设计开发一个安全稳定的对外接口就显得尤为重要。一、密码学基础密码技术是网络安全的基础,也是核心。现…...
2024/5/9 1:36:43 - Lee Hung-yi强化学习 | (2) Proximal Policy Optimization算法(PPO)
Lee Hung-yi强化学习专栏系列博客主要转载自CSDN博主 qqqeeevvv,原专栏地址 课程视频 课件地址 1. On-policy vs. Off-policy所谓 on-policy (左图)指我们学习的 agent(即actor) 和与环境交互的 agent 是相同的,即 agent 一边和环境互动,一边学习; 而 off-policy (右图…...
2024/5/8 23:47:00 - 【Java8】超神的Stream,高效处理数据集合(上)
Java8给我们推出了很多新的语法,它允许以声明性方式处理数据集合。正是由于Sream的出现,让我们,我们可以通过简洁的代码,告别了以往使用for循环处理数据集合的历史。使用Stream两部曲把集合转换为stream 操作stream流,stream流在管道中经过中间操作符的处理,最后由最终操…...
2024/5/8 15:57:09 - MySQL day5(引擎, 索引, 索引失效)
1、MySQL存储引擎MySQL 存储引擎介绍(常用 InnoDB, MyISAM):(1)、InnoDB 存储引擎InnoDB 是事务型数据库的首选引擎,支持事务安全表(ACID),支持行锁定和外键,InnoDB 是默认的 MySQL引擎。(2)、MyISAM 存储引擎MyISAM 基于 ISAM 存储引擎,并对其进行扩展。它是在 Web、…...
2024/4/28 4:01:18 - 【剑指offer】面试题41:数据流中的中位数——大、小堆实现
方法一:排序取中位数(超时) class MedianFinder { public:/** initialize your data structure here. */vector<int> record;MedianFinder() {}void addNum(int num) {record.push_back(num);}double findMedian() {double result = 0;if( record.size() == 0 )return…...
2024/4/27 8:43:35 - java-代码块
1. 普通代码块 编写在顺序执行的代码流程中的代码块 2.构造代码块 构造代码块,随着对象的每次创建,执行一次。且执行在构造方法前。 区别于构造方法的是: 无论用户调用哪一个构造方法来创建对象,构造代码块都必然执行。 public class Demo3 {public static void main(Strin…...
2024/4/11 16:57:50 - Vue之组件通信方法汇总
文章目录props\$emit/\$on\$root/\$parent/\$children$refs\$attrs/\$listenersevent busvuexprovide/inject props 父给子传值 // child props: { msg: String } // parent <Child msg="hello child"/>$emit/$on 子给父传值 // child this.$emit(toPar, msg) …...
2024/5/8 16:47:24 - Python标准库模块——heapq
概述heqpq模块提供了堆队列算法(也称为优先级队列算法)的实现。堆是二叉树,其每个父节点的值都小于或等于其任何子节点。此实现使用所有k的heap [k] <= heap [2 * k + 1]和heap [k] <= heap [2 * k + 2]的数组,从零开始计数元素。为了进行比较,不存在的元素被认为是…...
2024/4/29 6:47:21 - IMU标定及Allan方差分析
本文转载自 无人驾驶算法学习(十一):IMU标定及Allan方差分析 https://blog.csdn.net/orange_littlegirl/article/details/98077564 0.引言 标定IMU的工具包参考港科大的github: https://github.com/gaowenliang/imu_utils 1.安装依赖: sudo apt-get install libdw-dev2.下载i…...
2024/4/19 9:48:31 - Spark Streaming运行流程及基本使用
Spark Streaming介绍Spark Streaming是Spark核心API的一个扩展,可以实现高吞吐量的、具备容错机制的实时流数据的处理。支持从多种数据源获取数据,包括Kafk、Flume、Twitter、ZeroMQ、Kinesis以及TCP sockets,从数据源获取数据之后,可以使用诸如map、reduce、join和window等…...
2024/5/8 16:59:58 - 动态规划 背包九讲 混合背包问题
混合背包问题 有 N 种物品和一个容量是 V 的背包。 物品一共有三类: 第一类物品只能用1次(01背包); 第二类物品可以用无限次(完全背包); 第三类物品最多只能用 si 次(多重背包); 每种体积是 vi,价值是 wi。 求解将哪些物品装入背包,可使物品体积总和不超过背包容量…...
2024/4/28 12:41:27 - IAR调试STM8S遇到函数返回值错误的问题
出现问题是在stm8s003上调试EEPROM操作的时候,从逻辑分析仪抓取IIC通讯数据,看到读取和写入都正常,正常情况下操作成功会直接返回0x00;但是这次总是返回0x37,单步跟踪看到return的的确是0,但是返回值赋给一个变量后就变成0x37,这个驱动以前使用过没有问题,这次不知道怎…...
2024/4/28 18:41:20 - JDK8默认垃圾回收器探索
https://blog.csdn.net/huanxianglove/article/details/90247994 https://blog.csdn.net/youanyyou/article/details/106464291 参考上面两篇文章,研究一下jdk8的默认垃圾回收器是哪种。 查看默认配置 java -XX:+PrintCommandLineFlags -version -XX:InitialHeapSize=26702630…...
2024/5/8 5:14:52 - psycopg2.errors.NumericValueOutOfRange: integer out of range
问题,dataframe中包含nan解决:dt_data = dt_data.where(dt_data.notna(), None)将nan转换成None...
2024/4/11 16:15:02 - 解决react异步数据不更新页面显示的问题
如果页面开始显示所依赖的异步数据,不是基于用户的操作,也就是说之前没有请求前的渲染,为何强调这个条件后面说。这时候没有渲染异步内容时,看到部分人采用setTimeout延时渲染的方法,其实这是不准确而且是错误的。 这里给出的一种方法:添加所依赖的数据下渲染的判断条件,…...
2024/4/11 16:15:01 - DoWhile循环
do…while循环 public class DoWhileDemo01 {public static void main(String[] args) {int i = 0;int sum = 0;do {sum=sum+i;i++;}while(i<=100);System.out.println(sum);} }while和do…while循环的区别 /* While和do-While的区别: while先判断后执行。 do...while是 先执…...
2024/4/28 11:38:15 - Python压缩zip文件
Python压缩zip文件 自己找了下网上的各种教程,分两种一条简单的语句,直接压缩,最后生成的压缩包里边包含了压缩文件所在的各级文件夹 切换工作目录,虽然压缩包中只有文件,没有文件的所在的各级文件夹,但感觉不太合适然后我去看了下官方文档zipfile官方文档,官方文档的说…...
2024/5/3 22:27:03
最新文章
- 区块链 | NFT 水印:Review on Watermarking Techniques(一)
🍍原文:Review on Watermarking Techniques Aiming Authentication of Digital Image Artistic Works Minted as NFTs into Blockchains 1 应用于 NFT 的水印技术 常见的水印技术类型可以分为: 可见 v i s i b l e \mathsf{visible} visi…...
2024/5/9 3:17:33 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/5/7 10:36:02 - 【C++】类和对象①(什么是面向对象 | 类的定义 | 类的访问限定符及封装 | 类的作用域和实例化 | 类对象的存储方式 | this指针)
目录 前言 什么是面向对象? 类的定义 类的访问限定符及封装 访问限定符 封装 类的作用域 类的实例化 类对象的存储方式 this指针 结语 前言 最早的C版本(C with classes)中,最先加上的就是类的机制,它构成…...
2024/5/8 0:14:18 - llama.cpp运行qwen0.5B
编译llama.cp 参考 下载模型 05b模型下载 转化模型 创建虚拟环境 conda create --prefixD:\miniconda3\envs\llamacpp python3.10 conda activate D:\miniconda3\envs\llamacpp安装所需要的包 cd G:\Cpp\llama.cpp-master pip install -r requirements.txt python conver…...
2024/5/8 23:16:56 - 416. 分割等和子集问题(动态规划)
题目 题解 class Solution:def canPartition(self, nums: List[int]) -> bool:# badcaseif not nums:return True# 不能被2整除if sum(nums) % 2 ! 0:return False# 状态定义:dp[i][j]表示当背包容量为j,用前i个物品是否正好可以将背包填满ÿ…...
2024/5/8 19:32:33 - 【Java】ExcelWriter自适应宽度工具类(支持中文)
工具类 import org.apache.poi.ss.usermodel.Cell; import org.apache.poi.ss.usermodel.CellType; import org.apache.poi.ss.usermodel.Row; import org.apache.poi.ss.usermodel.Sheet;/*** Excel工具类** author xiaoming* date 2023/11/17 10:40*/ public class ExcelUti…...
2024/5/7 22:31:36 - Spring cloud负载均衡@LoadBalanced LoadBalancerClient
LoadBalance vs Ribbon 由于Spring cloud2020之后移除了Ribbon,直接使用Spring Cloud LoadBalancer作为客户端负载均衡组件,我们讨论Spring负载均衡以Spring Cloud2020之后版本为主,学习Spring Cloud LoadBalance,暂不讨论Ribbon…...
2024/5/9 2:44:26 - TSINGSEE青犀AI智能分析+视频监控工业园区周界安全防范方案
一、背景需求分析 在工业产业园、化工园或生产制造园区中,周界防范意义重大,对园区的安全起到重要的作用。常规的安防方式是采用人员巡查,人力投入成本大而且效率低。周界一旦被破坏或入侵,会影响园区人员和资产安全,…...
2024/5/8 20:33:13 - VB.net WebBrowser网页元素抓取分析方法
在用WebBrowser编程实现网页操作自动化时,常要分析网页Html,例如网页在加载数据时,常会显示“系统处理中,请稍候..”,我们需要在数据加载完成后才能继续下一步操作,如何抓取这个信息的网页html元素变化&…...
2024/5/9 3:15:57 - 【Objective-C】Objective-C汇总
方法定义 参考:https://www.yiibai.com/objective_c/objective_c_functions.html Objective-C编程语言中方法定义的一般形式如下 - (return_type) method_name:( argumentType1 )argumentName1 joiningArgument2:( argumentType2 )argumentName2 ... joiningArgu…...
2024/5/7 16:57:02 - 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】
👨💻博客主页:花无缺 欢迎 点赞👍 收藏⭐ 留言📝 加关注✅! 本文由 花无缺 原创 收录于专栏 【洛谷算法题】 文章目录 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】🌏题目描述🌏输入格…...
2024/5/7 14:58:59 - 【ES6.0】- 扩展运算符(...)
【ES6.0】- 扩展运算符... 文章目录 【ES6.0】- 扩展运算符...一、概述二、拷贝数组对象三、合并操作四、参数传递五、数组去重六、字符串转字符数组七、NodeList转数组八、解构变量九、打印日志十、总结 一、概述 **扩展运算符(...)**允许一个表达式在期望多个参数࿰…...
2024/5/8 20:58:56 - 摩根看好的前智能硬件头部品牌双11交易数据极度异常!——是模式创新还是饮鸩止渴?
文 | 螳螂观察 作者 | 李燃 双11狂欢已落下帷幕,各大品牌纷纷晒出优异的成绩单,摩根士丹利投资的智能硬件头部品牌凯迪仕也不例外。然而有爆料称,在自媒体平台发布霸榜各大榜单喜讯的凯迪仕智能锁,多个平台数据都表现出极度异常…...
2024/5/9 1:35:21 - Go语言常用命令详解(二)
文章目录 前言常用命令go bug示例参数说明 go doc示例参数说明 go env示例 go fix示例 go fmt示例 go generate示例 总结写在最后 前言 接着上一篇继续介绍Go语言的常用命令 常用命令 以下是一些常用的Go命令,这些命令可以帮助您在Go开发中进行编译、测试、运行和…...
2024/5/8 1:37:35 - 用欧拉路径判断图同构推出reverse合法性:1116T4
http://cplusoj.com/d/senior/p/SS231116D 假设我们要把 a a a 变成 b b b,我们在 a i a_i ai 和 a i 1 a_{i1} ai1 之间连边, b b b 同理,则 a a a 能变成 b b b 的充要条件是两图 A , B A,B A,B 同构。 必要性显然࿰…...
2024/5/7 16:05:05 - 【NGINX--1】基础知识
1、在 Debian/Ubuntu 上安装 NGINX 在 Debian 或 Ubuntu 机器上安装 NGINX 开源版。 更新已配置源的软件包信息,并安装一些有助于配置官方 NGINX 软件包仓库的软件包: apt-get update apt install -y curl gnupg2 ca-certificates lsb-release debian-…...
2024/5/8 18:06:50 - Hive默认分割符、存储格式与数据压缩
目录 1、Hive默认分割符2、Hive存储格式3、Hive数据压缩 1、Hive默认分割符 Hive创建表时指定的行受限(ROW FORMAT)配置标准HQL为: ... ROW FORMAT DELIMITED FIELDS TERMINATED BY \u0001 COLLECTION ITEMS TERMINATED BY , MAP KEYS TERMI…...
2024/5/8 1:37:32 - 【论文阅读】MAG:一种用于航天器遥测数据中有效异常检测的新方法
文章目录 摘要1 引言2 问题描述3 拟议框架4 所提出方法的细节A.数据预处理B.变量相关分析C.MAG模型D.异常分数 5 实验A.数据集和性能指标B.实验设置与平台C.结果和比较 6 结论 摘要 异常检测是保证航天器稳定性的关键。在航天器运行过程中,传感器和控制器产生大量周…...
2024/5/9 1:42:21 - --max-old-space-size=8192报错
vue项目运行时,如果经常运行慢,崩溃停止服务,报如下错误 FATAL ERROR: CALL_AND_RETRY_LAST Allocation failed - JavaScript heap out of memory 因为在 Node 中,通过JavaScript使用内存时只能使用部分内存(64位系统&…...
2024/5/8 1:37:31 - 基于深度学习的恶意软件检测
恶意软件是指恶意软件犯罪者用来感染个人计算机或整个组织的网络的软件。 它利用目标系统漏洞,例如可以被劫持的合法软件(例如浏览器或 Web 应用程序插件)中的错误。 恶意软件渗透可能会造成灾难性的后果,包括数据被盗、勒索或网…...
2024/5/8 1:37:31 - JS原型对象prototype
让我简单的为大家介绍一下原型对象prototype吧! 使用原型实现方法共享 1.构造函数通过原型分配的函数是所有对象所 共享的。 2.JavaScript 规定,每一个构造函数都有一个 prototype 属性,指向另一个对象,所以我们也称为原型对象…...
2024/5/8 12:44:41 - C++中只能有一个实例的单例类
C中只能有一个实例的单例类 前面讨论的 President 类很不错,但存在一个缺陷:无法禁止通过实例化多个对象来创建多名总统: President One, Two, Three; 由于复制构造函数是私有的,其中每个对象都是不可复制的,但您的目…...
2024/5/8 9:51:44 - python django 小程序图书借阅源码
开发工具: PyCharm,mysql5.7,微信开发者工具 技术说明: python django html 小程序 功能介绍: 用户端: 登录注册(含授权登录) 首页显示搜索图书,轮播图࿰…...
2024/5/8 1:37:29 - 电子学会C/C++编程等级考试2022年03月(一级)真题解析
C/C++等级考试(1~8级)全部真题・点这里 第1题:双精度浮点数的输入输出 输入一个双精度浮点数,保留8位小数,输出这个浮点数。 时间限制:1000 内存限制:65536输入 只有一行,一个双精度浮点数。输出 一行,保留8位小数的浮点数。样例输入 3.1415926535798932样例输出 3.1…...
2024/5/7 17:09:45 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57