机器学习实战第一步:特征选择与特征工程(使用类RobustScaler对异常值进行控制和选择分位数范围)
转载:https://www.toutiao.com/i6641904652575048206/?tt_from=weixin&utm_campaign=client_share&wxshare_count=1×tamp=1590562909&app=news_article&utm_source=weixin&utm_medium=toutiao_android&use_new_style=1&req_id=2020052715014901001005402814009E94&group_id=6641904652575048206
特征工程是机器学习的第一步,涉及清理现有数据集、提高信噪比和降低维数的所有技术。大多数算法对输入数据有很强的假设,当使用原始数据集时,它们的性能可能会受到负面影响。
另外有些特征之间高度相关,在其中一个特征提供了足够的信息之后,与之相关的其他特征往往无法提供额外的信息。这时我们就需要了解如何减少特征数量或者仅选择最佳特征。
一、scikit-learn数据集
scikit-learn提供了一些用于测试的内置数据集,这些数据集包含在sklearn.datasets中,每个数据集都包含了输入集(特征集)X和标签(目标值)y。比如波士顿房价的数据集(用于回归问题):
from sklearn.datasets import load_boston
boston = load_boston()
X = boston.data
y = boston.target
print('特征集的shape:', X.shape)
print('目标集的shape:', y.shape)
特征集的shape: (506, 13)
目标集的shape: (506,)
可以看到,这个数据集包含了506个样本、13个特征,以及1个目标值。
假如我们不想使用scikit-learn提供的数据集,那么我们还可以使用scikit-learn提供的工具来手动创建特定的数据集。相关的方法有:
- make_classification():用于创建适用于测试分类算法的数据集;
- make_regression():用于创建适用于测试回归模型的数据集;
- make_blobs():用于创建适用于测试聚类算法的数据集。
二、创建训练集和测试集
一般来说,我们要在正式应用我们训练的模型前对它进行测试。因此我们需要将数据集分为训练集和测试集,顾名思义,前者用于训练模型参数,后者用于测试模型性能。在某些情况下,我们甚至还会再分出一个数据集作为交叉验证集,这种处理方式适用于有多种模型可供选择的情况。
数据集的分割有一些注意事项:首先,两个数据集必须要能反映原始数据的分布,否则在数据集失真的情况下得到的模型对于真实样本的预测效力会比较差;其次,原始数据集必须在分割之前随机混合,以避免连续元素之间的相关性。
在scikit-learn中,我们可以使用train_test_split()函数来快速实现数据集的分割。
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=1000)
这里前两个位置参数分别是特征集和目标集,test_size用于指定测试集大小占整个数据集的比例,random_state则是指定一个随机种子,这样可以确保我们在重复试验时数据不会发生变化(数据集都变了,那模型效果的变化就不知道该归因于模型的优化还是归因于数据集的变化了。)
三、管理分类数据
在许多分类问题中,目标数据集由各种类别标签组成。但是很多算法是不支持这种数据格式的,因此我们要对其进行必要的编码。
假设我们有一个由10个样本组成的数据集,每个样本有两个特征。
import numpy as np
X = np.random.uniform(0.0, 1.0, size=(10, 2))
y = np.random.choice(('Male', 'Female'), size=(10))
print('X:', X)
print('y:', y)
输出为:
X: [[0.48463048 0.21682675][0.27987595 0.28061459][0.13723177 0.45159025][0.42727284 0.99834867][0.61113219 0.31892401][0.14985227 0.71565914][0.048201 0.49254257][0.54466226 0.8419817 ][0.94426201 0.78924785][0.36877342 0.53250431]]
y: ['Female' 'Female' 'Male' 'Female' 'Female' 'Female' 'Male' 'Male''Female' 'Male']
1. 使用LabelEncoder类
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
yt = le.fit_transform(y)
print(y)
print(yt)
print(le.classes_)
输出为:
['Female' 'Female' 'Male' 'Female' 'Female' 'Female' 'Male' 'Male''Female' 'Male']
[0 0 1 0 0 0 1 1 0 1]
['Female' 'Male']
获得逆变换的方法很简单:
output = [1, 0, 1, 1, 0, 0]
decoded_output = [le.classes_[i] for i in output]
print(decoded_output)
['Male', 'Female', 'Male', 'Male', 'Female', 'Female']
这种方法很简单,但是有个缺点:所有的标签都变成了数字,然后使用真实值的分类器会根据其距离考虑相似的数字,而忽略其代表的分类含义。因此我们通常优先选择独热编码(one-hot encoding,又称一次有效编码),将数据二进制化。
2. 使用LabelBinarizer类
from sklearn.preprocessing import LabelBinarizer
lb = LabelBinarizer()
yb = lb.fit_transform(y)
print(y)
print(yb)
print(lb.inverse_transform(yb))
输出为:
['Female' 'Female' 'Male' 'Female' 'Female' 'Female' 'Male' 'Male''Female' 'Male']
[[0][0][1][0][0][0][1][1][0][1]]
['Female' 'Female' 'Male' 'Female' 'Female' 'Female' 'Male' 'Male''Female' 'Male']
可以看到,这里我们可以使用LabelBinarizer类的inverse_transform方法进行逆转化。
当存在多个标签时,这种方法会将其中一个标签变换为1,其余标签全部为0。这可能会导致的问题显而易见,也就是我们将多分类问题转换成了二分类问题。
四、管理缺失特征
我们可能会经常碰见数据缺失的情况,有以下选项可以解决该问题:
- 删除整行:这个选项比较激进,一般只有当数据集足够大、缺少的特征值数量很多而且预测风险大时才会选择;
- 创建子模型来预测这些特征值:第二个选项实现起来比较困难,因为需要确定一个监督策略来训练每个特征的模型,最后预测它们的值;
- 使用自动策略根据其他已知值插入这些缺失的特征值:考虑到以上的利弊,这可能是最好的选项了。
from sklearn.preprocessing import Imputer
data = np.array([[1, np.nan, 2],[2, 3, np.nan],[-1, 4, 2]])
# 插入均值
imp = Imputer(strategy='mean')
print('Mean:\n', imp.fit_transform(data))
# 插入中位数
imp = Imputer(strategy='median')
print('Median:\n', imp.fit_transform(data))
# 插入众数
imp = Imputer(strategy='most_frequent')
print('Mode:\n', imp.fit_transform(data))
Mean:[[ 1. 3.5 2. ][ 2. 3. 2. ][-1. 4. 2. ]]
Median:[[ 1. 3.5 2. ][ 2. 3. 2. ][-1. 4. 2. ]]
Mode:[[ 1. 3. 2.][ 2. 3. 2.][-1. 4. 2.]]
五、数据缩放和归一化
一般的数据集是由不同的值组成的,可以从不同的分布得到且具有不同的尺度,有时还会有异常值。当不同特征的取值范围差异过大时,很可能会对模型产生不良影响。因此我们往往需要先规范数据集。
我们来对比一下原始数据集和经过缩放和中心化的数据集:
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris
import seaborn as sns
import matplotlib.pyplot as plt
sns.set()
# 导入数据
iris = load_iris()
data = iris.data
# 绘制原始数据散点图
fig, axes = plt.subplots(1, 2, figsize=(10, 5))
sns.scatterplot(x=data[:, 0], y=data[:, 1], ax=axes[0])
# 数据归一化
scaler = StandardScaler()
scaled_data = scaler.fit_transform(data)
# 绘制规范化数据散点图
sns.scatterplot(x=scaled_data[:, 0], y=scaled_data[:, 1], ax=axes[1])
plt.setp(axes, xlim=[-2, 8], ylim=[-3, 5]);
可以看到,我们的数据分布形态没有变化,但是数据的分布范围却变了。我们将数据转化成了均值为0(几乎为0),标准差为1的归一化数据。
print('转化前均值:\n', np.mean(data, axis=0))
print('转化后均值:\n', np.mean(scaled_data, axis=0))
print('转化前方差:\n', np.std(data, axis=0))
print('转化后方差:\n', np.std(scaled_data, axis=0))
转化前均值:[5.84333333 3.054 3.75866667 1.19866667]
转化后均值:[-1.69031455e-15 -1.63702385e-15 -1.48251781e-15 -1.62314606e-15]
转化前方差:[0.82530129 0.43214658 1.75852918 0.76061262]
转化后方差:[1. 1. 1. 1.]
在数据缩放时,我们还可以使用类RobustScaler对异常值进行控制和选择分位数范围。
from sklearn.preprocessing import RobustScaler
# 转化数据1
rb1 = RobustScaler(quantile_range=(15, 85))
scaled_data1 = rb1.fit_transform(data)
# 转化数据2
rb2 = RobustScaler(quantile_range=(25, 75))
scaled_data2 = rb2.fit_transform(data)
# 转化数据3
rb3 = RobustScaler(quantile_range=(30, 60))
scaled_data3 = rb3.fit_transform(data)
# 绘制散点图
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
sns.scatterplot(x=data[:, 0], y=data[:, 1], ax=axes[0, 0])
sns.scatterplot(x=scaled_data1[:, 0], y=scaled_data1[:, 1], ax=axes[0, 1])
sns.scatterplot(x=scaled_data2[:, 0], y=scaled_data2[:, 1], ax=axes[1, 0])
sns.scatterplot(x=scaled_data3[:, 0], y=scaled_data3[:, 1], ax=axes[1, 1])
plt.setp(axes, ylim=[-4, 5], xlim=[-2, 8]);
可以看到,数据的大致分布形态仍然很接近,但是数据的分布范围简直大变样。另外,由于我们设置了不同的分位数范围,因此数据的样本量也不太一样。
常用的还有MinMaxScaler和MaxAbsScaler,前者通过删除不属于给定范围的元素,后者则通过考虑使用最大绝对值来缩放数据。
scikit-learn还为每个样本规范化提供了一个类:Normalizer。它可以对数据集的每个元素应用Max、L1和L2范数。
- Max:每个值都除以数据集中的最大值;
- L1:每个值都除以数据集中所有值的绝对值之和;
- L2:每个值都除以数据集中所有值的平方和的平方根
我们来看一个例子。
from sklearn.preprocessing import Normalizer
# 生成数据
data = np.array([1, 2]).reshape(1, 2)
print('原始数据:', data)
# Max
n_max = Normalizer(norm='max')
print('Max:', n_max.fit_transform(data))
# L1范数
n_l1 = Normalizer(norm='l1')
print('L1范数:', n_l1.fit_transform(data))
# L2范数
n_l2 = Normalizer(norm='l2')
print('L2范数:', n_l2.fit_transform(data))
输出为:
原始数据: [[1 2]]
Max: [[0.5 1. ]]
L1范数: [[0.33333333 0.66666667]]
L2范数: [[0.4472136 0.89442719]]
六、特征选择和过滤
不是所有的特征都能提供足够的信息的,甚至有些特征会对我们的模型训练产生障碍,因此在模型训练开始前我们要对特征做出一定的选择。
接下来我们使用SelectKBest方法结合F检验来筛选回归模型的特征。
from sklearn.feature_selection import SelectKBest, f_regression
from sklearn.datasets import load_boston
boston = load_boston()
print('Boston data shape: ', boston.data.shape)
selector = SelectKBest(f_regression)
X_new = selector.fit_transform(boston.data, boston.target)
print('Filtered Boston data shape:', X_new.shape)
print('F-Scores:', selector.scores_)
输出为:
Boston data shape: (506, 13)
Filtered Boston data shape: (506, 10)
F-Scores: [ 88.15124178 75.2576423 153.95488314 15.97151242 112.59148028471.84673988 83.47745922 33.57957033 85.91427767 141.76135658175.10554288 63.05422911 601.61787111]
然后我们使用SelectPercentile结合卡方检验来筛选分类模型的特征。
from sklearn.feature_selection import SelectPercentile, chi2
from sklearn.datasets import load_iris
iris = load_iris()
print('Boston data shape: ', iris.data.shape)
selector = SelectPercentile(chi2, percentile=15)
X_new = selector.fit_transform(iris.data, iris.target)
print('Filtered Boston data shape:', X_new.shape)
print('F-Scores:', selector.scores_)
Boston data shape: (150, 4)
Filtered Boston data shape: (150, 1)
F-Scores: [ 10.81782088 3.59449902 116.16984746 67.24482759]
在数据预处理时,我们还经常会采用主成分分析等方法来实现数据降维等目的,不过这一部分我们完全可以单独拆出一个章节来讲解,感兴趣的朋友可以关注下后续的更新。
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
- Ubuntu 16.04设置静态IP地址 - 使用VMware虚拟机安装(NAT方式)
转载自:http://www.linuxdiyf.com/linux/20707.html发布时间:2016-05-17 09:45:29来源:linux网站作者:RJKD1.安装环境VMware 10.0.4 build-2249910Ubuntu 16.04 x86_642.在VMware中,配置网络环境VMware在默认安装完成之后,会创建三个虚拟的网络环境:VMnet0、VMnet1和VMnet8…...
2024/4/24 7:56:09 - Codeforces Round #645 (Div. 2) E. Are You Fired?
题目链接 思路:首先一个前置结论: 如果有答案,则必然有一个≥n+12\geq \frac{n+1}{2}≥2n+1的答案。 因为,如果有个答案k,那么2k也是满足的,不断倍增即可得此结论。 那么对于[n+12,n][ \frac{n+1}{2},n][2n+1,n]的每个数,我们怎么check合法性呢? 设当前check的值为…...
2024/4/24 0:43:54 - FastAPI 教程翻译 - 用户指南 15 - 响应模型
FastAPI 教程翻译 - 用户指南 15 - 响应模型 FastAPI Tutorial - User Guide - Response Model You can declare the model used for the response with the parameter response_model in any of the path operations: 您可以在任何路径操作中使用参数 response_model 声明用于…...
2024/4/24 7:56:05 - KNN的理解和实现
一、KNN算法的思想通过一定的方法度量其他样本到目标样本的距离,选取距离最近的k个样本,当这k个样本大多数分类的结果都属于某一个类别时,则判断目标样本也是属于这个类别的。常用的衡量距离的方式主要有两种:曼哈顿距离和欧式距离样本的特征空间:两个样本集都是含有n为特…...
2024/4/24 7:56:03 - 哈尔滨工业大学软件构造课程笔记第四章第二节
4.2 面向复用的软件构造技术 1. 设计可重用的类 在OOP中设计可重用的类 ▪封装和信息隐藏 ▪继承与超越 ▪多态、子类型和重载 ▪泛型编程 ▪行为分型和利斯科夫替代原理(LSP) ▪授权和组成 (1)行为分型和利斯科夫替代原理(LSP) 行为分型 子类型多态:客户端可用统一的方式处…...
2024/4/16 17:52:56 - css实现鼠标悬停效果
感觉css的话,原来的我认为很难学,挺生涩的,但是认真看了以后,感觉css很有意思,能写出很多好看的样式,只要多做几个例子,其中有哪个属性不明白,自己查明白,然后把做出来的东西从头到尾顺一遍,思路就会清晰一些,css基础的东西挺简单,就看你会不会利用回了。 html代码…...
2024/4/16 17:52:38 - EC20 透传模式下的意外情况
EC20进入透传模式后,发送失败,或者远程服务器关闭会报错误信息,并且自动退出透传模式。远程服务器正常(或意外终止程序)关闭服务: NO CARRIER+QIURC: "closed"模块并不会因为自身网络情况差,或者其他原因断开链接而报错,即使是推出透传模式,使用ATO重新进入…...
2024/4/15 7:01:19 - Python 实现秒表功能-36
以下实例使用 time 模块来实现秒表功能:import timeprint(按下回车开始计时,按下 Ctrl + C 停止计时。)while True:input("") # 如果是 python 2.x 版本请使用 raw_input()starttime = time.time()print(开始)try:while True:print(计时: , round(time.time() - st…...
2024/4/16 17:52:32 - java----注意事项
注意事项 1.同种数据类型才能运算, 2.变量 xxxXxxx 3.类名XxxXxxx 4.左移<< 左移n位,相当于该数字乘以2的n次方(正负通用); 5.右移>>,右移n位,相当于该数字除以2的n次方...
2024/4/16 17:52:32 - 微信小程序wx.getLocation无法获取位置信息
微信小程序wx.getLocation返回errMsg: "getLocation:fail no permission" #wx.getLocation()一直执行fail事件 wx.getLocation({type: wgs84 ,success (res) {console.log(res)},fail(res){console.log(res)}})如果你这段代码一直是这个的话 errMsg:"getLocatio…...
2024/4/16 17:52:14 - echarts里的legend属性
echarts里的legend属性 1.图例布局朝向(orient) .默认横向布局,纵向布局值为’vertical’orient:horizontalorient:vertical2.图例组件的宽高(width,height)width:10,height:103.left,right,top,bottom图例组件离容器左(右,上,下)侧的距离。left 的值可以是像 20 这样的…...
2024/4/16 17:52:56 - Python循环结构使用
1、if-else表达式res = (a+5) if a >5 else (a-5)语法:(表达式1) if 表达式 else 表达式2 ### 表达式只能是简单的表达式,不能是复杂的表达式2、循环while 循环 先判断循环条件,再进入循环体3、while-elsewhile 循环条件:循环体else:语句块如果循环条件不具备,循环正…...
2024/4/16 17:52:26 - SQL基础xcopy艾高贝9
1 SQL语句分类 名称 作用 语法关键字 DDL 数据定义语言 CREATE,DROP,ALTER DML 数据操纵语言 INSERT,DELETE,UPDATE DQL 数据查询语言 SELECT DCL 数据控制语言 GRANT,REVOKE,COMMIT,ROLLBACK 2 数据类型 数值类型 日期/时间类型 字符串(字符)类型 2.1 数值类型 2.1.1 整数型…...
2024/4/15 7:01:12 - vue安装node-sass编译报错
在搭建vue脚手架 或者是在vue项目中,想使用sass的功能 npm install node-sass --save-dev //安装node-sass npm install sass-loader --save-dev //安装sass-loader npm install style-loader --save-dev //安装style-loader安装完成后,运行时出现了错误 Modele buil…...
2024/4/20 15:14:10 - FastAPI 教程翻译 - 用户指南 13 - Cookie 参数
FastAPI 教程翻译 - 用户指南 13 - Cookie 参数 FastAPI Tutorial - User Guide - Cookie Parameters You can define Cookie parameters the same way you define Query and Path parameters. 您可以使用定义 Query 和 Path 参数的相同方式来定义 Cookie 参数。 Import Cookie…...
2024/4/16 17:53:08 - 静态请求和动态请求
静态请求 简单的来说就是html页面的请求。具体的请求历程:用户访问一个.html的文件 服务器端接收到请求,该请求到达服务器的内核空间,因为tcp/ip协议工作在内核空间;到达内核空间后,发现访问的是80端口的套接字,通过路由和相关解码,请求被转到服务器的用户空间,也就是转…...
2024/4/16 17:52:08 - 风控建模六:变量相关性分析及筛选方法
风控建模六:变量相关性分析及筛选方法一、变量相关性分析二、变量相关性筛选三、代码实现 不论是开发逻辑回归评分卡,还是GBM机器学习模型,变量的相关性分析和筛选都是必不可少的一步,因为这个过程会帮助我们优化模型结构、丰富模型维度、增强模型鲁棒性,也可以帮助我们在…...
2024/4/24 7:56:03 - 利用Opencv实现图像融合拼接--以柑橘为例
运行环境:python3.6 opencv3.4.15 Opencv-contrib-python3.4.15import cv2 import numpy as np# 图像处理展示 def cvshow(name, img):cv2.imshow(name, img)cv2.waitKey(0)# cv2.destroyAllWindows()# SURF特征点检测 def surf_kp(image):# 灰度图gray_image = cv2.cvtColor(…...
2024/4/24 7:56:08 - 采坑-深入剖析Tomcat一书
采坑一、第一章 一个简单的web服务器 整体没碰到什么问题,按书写就可以了,但,最后一步卡死了,那个郁闷呀。核对了几遍都没错。最后才解决。项目结构:环境jdk1.8,IDEA 。需要自己额外引入这两个jar。直接上代码先HttpServer.javapackage com.diy.tomcat.server;import jav…...
2024/4/24 7:56:00 - 运维自动化之系统安装xcopy艾高贝9
实现方式 1 使用kickstart半自动化安装CentOS系统(CentOS6) 1.1 什么是kickstart安装? 安装系统时的应答文件,其中包括在典型安装过程中可能会问的所有问题的答案。 1.2 KICKSTART Configurator(配置器) Kickstart Configurator 允许使用图形用户界面创建和修改 kickstar…...
2024/4/24 7:55:59
最新文章
- 动态规划算法:路径问题
例题一 解法(动态规划): 算法思路: 1. 状态表⽰: 对于这种「路径类」的问题,我们的状态表⽰⼀般有两种形式: i. 从 [i, j] 位置出发,巴拉巴拉; ii. 从起始位置出…...
2024/5/7 1:30:13 - 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…...
2024/5/6 9:38:23 - A股企业数据要素利用水平数据集(2001-2022年)
参照史青春(2023)的做法,团队对上市公司-数据要素利用水平进行测算。统计人工智能技术、区块链技术、云计算技术、大数据技术、大数据技术应用五项指标在企业年报中的披露次数,求和后衡量数据要素投入水平。 一、数据介绍 数据名…...
2024/5/6 2:46:01 - 汽车统一诊断服务UDS协议参考文章和视频
UDS基础知识介绍-电子发烧友网 【图解UDS】UDS汽车诊断标准协议(ISO14229)带你入门到精通-有驾 车载测试之UDS诊断协议9:0x27服务:解锁ECU_哔哩哔哩_bilibili UDS诊断的22服务(DID读取数据)和2E服务&…...
2024/5/5 4:34:45 - [实战经验]Mybatis的mapper.xml参数#{para}与#{para, jdbcType=BIGINT}有什么区别?
在MyBatis框架中,传入参数使用#{para}和#{para, jdbcTypeBIGINT}的有什么区别呢? #{para}:这种写法表示使用MyBatis自动推断参数类型,并根据参数的Java类型自动匹配数据库对应的类型。例如,如果参数para的Java类型是Lo…...
2024/5/4 11:09:35 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/4 23:54:56 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/5/4 23:54:56 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/5/4 23:54:56 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/5/6 9:21:00 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/5/4 23:54:56 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/5/4 23:55:05 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/5/4 23:54:56 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/5/4 23:55:16 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/5/4 23:54:56 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/5/6 1:40:42 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/5/4 23:54:56 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/5/4 23:55:17 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/5/4 23:55:06 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/5/4 23:54:56 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/4 23:55:06 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/5/5 8:13:33 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/5/4 23:55:16 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/5/4 23:54:58 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/5/6 21:42:42 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/5/4 23:54:56 - 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