2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
1/15
第四次大作业
朱翔宇
要求：
1、对数据进行统计分析，观察他们在分布情况，样本数据的特点;
2、数据预处理：判断数据中是否存在空缺值、是否某些特征需要哑变量处理、是否需要将某些维数据进行归一
化;
3、分别建立距离判别(等方差和不等方差阵)、线性判别和Bayes判别分析模型，计算各自的判别符合率，以判定
那种判别方法更恰当。
4、针对1的分析， 如果出现样本分布不均，思考如何优化?
第一步：读取数据
In [1]:
In [2]:
In [3]:
In [4]:
In [5]:
In [6]:
credit_data <- read.csv('C:/Users/HUAWEI/Desktop/第四次实验 多元统计/default of credit card clients.
credit_data.new <- credit_data[,c('ID','LIMIT_BAL','AGE','PAY_1','PAY_2','PAY_3','PAY_4','PAY_5','PA
#SEX哑变量处理
credit_data.new$SEX.man <- ifelse(credit_data$SEX=='1',1,0)# SEX.man中1表示男性
credit_data.new$SEX.women <- ifelse(credit_data$SEX=='2',1,0)
#EDUCATION的哑变量处理
credit_data.new$EDUCATION.yanjiusheng <- ifelse(credit_data$EDUCATION=='1',1,0)2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
2/15
In [7]:
In [8]:
In [9]:
In [10]:
In [11]:
In [12]:
In [13]:
先知道了解各个字段的含义，进行人工分析。
性别、婚姻状况、教育水平都是需要进行哑变量处理的
A data.frame: 6 × 30
ID LIMIT_BAL
AGE PAY_1 PAY_2
PAY_3
PAY_4
PAY_5 PAY_6 BILL_AMT1 ... PAY
<int>
<int> <int>
<int>
<int>
<int>
<int>
<int>
<int>
<int> ...
1
1
20000
24
2
2
-1
-1
-2
-2
3913
...
2
2
120000
26
-1
2
0
0
0
2
2682
...
3
3
90000
34
0
0
0
0
0
0
29239
...
4
4
50000
37
0
0
0
0
0
0
46990
...
5
5
50000
57
-1
0
-1
0
0
0
8617
...
6
6
50000
37
0
0
0
0
0
0
64400
...
credit_data.new$EDUCATION.daxue <- ifelse(credit_data$EDUCATION=='2',1,0)
credit_data.new$EDUCATION.gaozhong <- ifelse(credit_data$EDUCATION=='3',1,0)
credit_data.new$EDUCATION.qita <- ifelse(credit_data$EDUCATION=='4',1,0)
#'MARRIAGE',的哑变量处理
credit_data.new$MARRIAGE.jiele <- ifelse(credit_data$MARRIAGE=='1',1,0)
credit_data.new$MARRIAGE.danshen <- ifelse(credit_data$MARRIAGE=='2',1,0)
head(credit_data.new)2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
3/15
有些全都是0的BILL_会影响判断，需要删除
ID：每个客户的ID
LIMIT_BAL限额余额：以新台币为单位的信用证金额（包括个人和家庭/补充信用证）
SEX性别：性别（1=男性，2=女性）
EDUCATION教育：（1=研究生院，2=大学，3=高中，4=其他，5=未知，6=未知）
MARRIAGE婚姻：婚姻状况（1=已婚，2=单身，3=其他）
AGE年龄：岁
Pay_0:2005年9月还款情况（-2=无消费，-1=全额支付，0=循环信用证的使用（仅支付最低金额），1=一个月的
付款延迟，2=延迟付款两个月，…8=八个月的付款延迟，9=九个月及以上的付款延迟）
Pay_2：2005年8月还款情况（规模同上）
Pay_3:2005年7月还款情况（规模同上）
Pay_4：2005年6月还款情况（规模同上）
Pay_5:2005年5月还款情况（规模同上）
Pay_6：2005年4月还款情况（规模同上）
BILL_AMT1汇票金额1:2005年9月对账单金额（新台币）
BILL_AMT2汇票金额2：2005年8月对账单金额（新台币）
BILL_AMT3汇票金额3：2005年7月对账单金额（新台币）
BILL_AMT4汇票金额4：2005年6月对账单金额（新台币）
BILL_AMT5汇票金额5：2005年5月对账单金额（新台币）
BILL_AMT6汇票金额6：2005年4月对账单金额（新台币）
PAY_AMT1支付金额1:2005年9月以前支付金额（新台币）
PAY_AMT2支付金额2：2005年8月以前支付金额（新台币）
PAY_AMT3支付金额3：2005年7月以前支付金额（新台币）
PAY_AMT4支付金额4：2005年6月以前支付金额（新台币）
PAY_AMT5支付金额5：2005年5月以前支付金额（新台币）2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
4/15
PAY_AMT6支付金额6：2005年4月以前支付金额（新台币）
是否逾期default.payment.next.month:（1=是，0=否）
----------------------------------------------------------------------------------------------------------------------
显示数据结构
In [14]:
ID这一列并不影响预测，所以删了,留下了y和哑变量后的28个可能相关变量
'data.frame':
30000 obs. of 30 variables:
$ ID : int 1 2 3 4 5 6 7 8 9 10 ...
$ LIMIT_BAL : int 20000 120000 90000 50000 50000 50000 500000 100000 14
0000 20000 ...
$ AGE : int 24 26 34 37 57 37 29 23 28 35 ...
$ PAY_1 : int 2 -1 0 0 -1 0 0 0 0 -2 ...
$ PAY_2 : int 2 2 0 0 0 0 0 -1 0 -2 ...
$ PAY_3 : int -1 0 0 0 -1 0 0 -1 2 -2 ...
$ PAY_4 : int -1 0 0 0 0 0 0 0 0 -2 ...
$ PAY_5 : int -2 0 0 0 0 0 0 0 0 -1 ...
$ PAY_6 : int -2 2 0 0 0 0 0 -1 0 -1 ...
$ BILL_AMT1 : int 3913 2682 29239 46990 8617 64400 367965 11876 11285 0
...
$ BILL_AMT2 : int 3102 1725 14027 48233 5670 57069 412023 380 14096 0
...
$ BILL_AMT3 : int 689 2682 13559 49291 35835 57608 445007 601 12108 0
...
$ BILL_AMT4 : int 0 3272 14331 28314 20940 19394 542653 221 12211 0 ...
$ BILL_AMT5 : int 0 3455 14948 28959 19146 19619 483003 -159 11793 1300
7 ...
$ BILL_AMT6 : int 0 3261 15549 29547 19131 20024 473944 567 3719 13912
...
$ PAY_AMT1 : int 0 0 1518 2000 2000 2500 55000 380 3329 0 ...
$ PAY_AMT2 : int 689 1000 1500 2019 36681 1815 40000 601 0 0 ...
$ PAY_AMT3 : int 0 1000 1000 1200 10000 657 38000 0 432 0 ...
$ PAY_AMT4 : int 0 1000 1000 1100 9000 1000 20239 581 1000 13007 ...
$ PAY_AMT5 : int 0 0 1000 1069 689 1000 13750 1687 1000 1122 ...
$ PAY_AMT6 : int 0 2000 5000 1000 679 800 13770 1542 1000 0 ...
$ dpnm : int 1 1 0 0 0 0 0 0 0 0 ...
$ SEX.man : num 0 0 0 0 1 1 1 0 0 1 ...
$ SEX.women : num 1 1 1 1 0 0 0 1 1 0 ...
$ EDUCATION.yanjiusheng: num 0 0 0 0 0 1 1 0 0 0 ...
$ EDUCATION.daxue : num 1 1 1 1 1 0 0 1 0 0 ...
$ EDUCATION.gaozhong : num 0 0 0 0 0 0 0 0 1 1 ...
$ EDUCATION.qita : num 0 0 0 0 0 0 0 0 0 0 ...
$ MARRIAGE.jiele : num 1 0 0 1 1 0 0 0 1 0 ...
$ MARRIAGE.danshen : num 0 1 1 0 0 1 1 1 0 1 ...
str(credit_data.new)2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
5/15
In [15]:
处理缺失值
In [16]:
In [17]:
A data.frame: 6 × 29
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10 ...
x20
y
x21
<int> <int> <int> <int> <int> <int> <int> <int>
<int>
<int> ... <int> <int> <dbl>
1
20000
24
2
2
-1
-1
-2
-2
3913
3102
...
0
1
0
2
120000
26
-1
2
0
0
0
2
2682
1725
...
2000
1
0
3
90000
34
0
0
0
0
0
0 29239
14027
...
5000
0
0
4
50000
37
0
0
0
0
0
0 46990 48233
...
1000
0
0
5
50000
57
-1
0
-1
0
0
0
8617
5670
...
679
0
1
6
50000
37
0
0
0
0
0
0 64400 57069
...
800
0
1
载入程辑包：'mice'
The following object is masked from 'package:stats':
filter
The following objects are masked from 'package:base':
cbind, rbind
cr_data <- credit_data.new[,2:30]
names(cr_data) <- c('x1','x2','x3','x4','x5','x6','x7','x8','x9','x10','x11','x12','x13','x14','x15'
head(cr_data)
library(lattice)
library(mice)2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
6/15
In [18]:
从中发现并没有缺失值。。。。
从年龄角度分析，将18到65岁以外的数据删除
/\ /\
{ `---' }
{ O O }
==> V <== No need for mice. This data set is completely observed.
\ \|/ /
`-----'
A matrix: 2 × 30 of type dbl
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 ... y x21 x22 x23 x24 x25 x26 x27 x28
30000
1
1
1
1
1
1
1
1
1
1 ... 1
1
1
1
1
1
1
1
1 0
0
0
0
0
0
0
0
0
0
0
... 0
0
0
0
0
0
0
0
0 0
md.pattern(cr_data)2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
7/15
In [19]:
In [20]:
检查数据
boxplot(cr_data$x2)
cr_data <- cr_data[cr_data$x2 <= 65 & cr_data$x2 >= 18,]2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
8/15
In [21]:
有些全都是0的BILL_会影响判断，需要删除
In [22]:
建模分析
检验变量之间的相关性,如果变量之间具有强相关性,则会影响模型的准确性。
In [23]:
$stats
21 · 28 · 34 · 41 · 60
$n
29914
$conf
33.8812419126171 · 34.1187580873829
$out
63 · 61 · 61 · 62 · 63 · 61 · 64 · 61 · 65 · 65 · 62 · 63 · 62 · 65 · 62 ·
63 · 64 · 64 · 63 · 65 · 64 · 63 · 61 · 61 · 63 · 62 · 62 · 61 · 64 · 62 ·
62 · 61 · 61 · 63 · 62 · 63 · 64 · 64 · 61 · 61 · 62 · 65 · 63 · 64 · 62 ·
62 · 61 · 65 · 65 · 61 · 63 · 64 · 61 · 62 · 61 · 61 · 61 · 63 · 62 · 62 ·
65 · 64 · 61 · 63 · 63 · 61 · 63 · 62 · 65 · 63 · 63 · 62 · 61 · 62 · 64 ·
61 · 62 · 61 · 61 · 62 · 64 · 65 · 64 · 62 · 65 · 62 · 64 · 63 · 61 · 62 ·
64 · 62 · 61 · 64 · 62 · 62 · 61 · 65 · 63 · 63 · 63 · 61 · 62 · 64 · 62 ·
61 · 65 · 61 · 63 · 61 · 61 · 61 · 62 · 64 · 62 · 61 · 64 · 62 · 64 · 61 ·
62 · 62 · 61 · 63 · 62 · 61 · 62 · 62 · 62 · 61 · 64 · 64 · 61 · 62 · 63 ·
65 · 61 · 61 · 63 · 61 · 64 · 64 · 64 · 65 · 63 · 64 · 65 · 65 · 62 · 64 ·
62 · 61 · 65 · 65 · 61 · 61 · 61 · 61 · 63 · 61 · 61 · 65 · 63 · 61 · 63 ·
61 · 65 · 61 · 63 · 62 · 64 · 62 · 62 · 65 · 62 · 63 · 64 · 61 · 65 · 64 ·
65 · 61 · 61 · 61 · 61 · 64
corrplot 0.90 loaded
boxplot.stats(cr_data$x2)
cr_data <- cr_data[cr_data$x9 != 0 & cr_data$x10 != 0 & cr_data$x11 != 0 & cr_data$x12 != 0 & cr_d
library(corrplot)2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
9/15
In [24]:
In [25]:
上图可知：变量之间的相关系数较小，不存在明显的多重共线问题，当然，有些颜色较深的是可以进行模型归一
化处理的
切分数据集
In [26]:
y等于1为2130，等于0为13160，两者不平衡，于是我们对非平衡数据进行处理，调用R语言中caret包中的
createDataPartition对数据进行超级采样
0 1
13160 2130
cor1 <- cor(cr_data)
corrplot(cor1,method = 'number')
table(cr_data$y)2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
10/15
In [27]:
In [ ]:
切分数据集
In [28]:
In [29]:
In [30]:
In [31]:
In [32]:
In [33]:
载入需要的程辑包：ggplot2
The following objects are masked from traindata:
x1, x10, x11, x12, x13, x14, x15, x16, x17, x18, x19, x2, x20, x21,
x22, x23, x24, x25, x26, x27, x28, x3, x4, x5, x6, x7, x8, x9, y
library(caret)
set.seed(500)
splitindex <- createDataPartition(cr_data$y,times = 1,p=0.5,list = FALSE)
traindata <- cr_data[splitindex,]
testdata <- cr_data[-splitindex,]
attach(traindata)
attach(testdata)2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
11/15
In [34]:
In [35]:
由上面数据可知，两者分类后的结果是平衡的
进行建模分析
In [36]:
0 1
0.8579464 0.1420536
0 1
0.8634402 0.1365598
prop.table(table(traindata$y))
prop.table(table(testdata$y))
fit=glm(y~.,data=traindata,family = "binomial")2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
12/15
In [37]:
从中可以看出，x1,x3,x4,x21,x5,x11,x23,x24对响应变量y的贡献显著,尝试删除其他变量，然后进行判别
距离判别：
Call:
glm(formula = y ~ ., family = "binomial", data = traindata)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.8988 -0.5781 -0.4833 -0.3105 2.9681
Coefficients: (1 not defined because of singularities)
Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.499e+00 5.279e-01 -4.734 2.20e-06 ***
x1 -2.310e-06 3.808e-07 -6.065 1.32e-09 ***
x2 2.988e-04 4.317e-03 0.069 0.944814
x3 9.224e-01 5.385e-02 17.131 < 2e-16 ***
x4 -4.281e-01 9.306e-02 -4.600 4.22e-06 ***
x5 2.956e-01 9.131e-02 3.237 0.001208 **
x6 -2.316e-01 1.129e-01 -2.051 0.040290 *
x7 4.961e-02 1.280e-01 0.387 0.698387
x8 1.216e-01 1.064e-01 1.143 0.252935
x9 -1.139e-06 1.783e-06 -0.639 0.522996
x10 -1.028e-06 2.464e-06 -0.417 0.676480
x11 6.405e-06 2.271e-06 2.821 0.004788 **
x12 -1.227e-06 2.042e-06 -0.601 0.547888
x13 8.015e-07 2.402e-06 0.334 0.738605
x14 -2.999e-06 1.880e-06 -1.595 0.110791
x15 -7.576e-06 3.256e-06 -2.327 0.019967 *
x16 -3.531e-06 2.679e-06 -1.318 0.187472
x17 3.840e-06 2.137e-06 1.796 0.072419 .
x18 1.958e-06 2.606e-06 0.751 0.452353
x19 4.047e-06 2.521e-06 1.605 0.108470
x20 1.005e-06 1.878e-06 0.535 0.592554
x21 2.336e-01 7.073e-02 3.303 0.000957 ***
x22 NA NA NA NA
x23 1.166e+00 4.214e-01 2.767 0.005649 **
x24 1.114e+00 4.187e-01 2.660 0.007804 **
x25 1.092e+00 4.241e-01 2.575 0.010018 *
x26 -1.232e+01 2.445e+02 -0.050 0.959798
x27 -8.989e-02 2.785e-01 -0.323 0.746907
x28 -4.245e-01 2.821e-01 -1.505 0.132418
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 6248.6 on 7644 degrees of freedom
Residual deviance: 5637.2 on 7617 degrees of freedom
AIC: 5693.2
Number of Fisher Scoring iterations: 14
summary(fit)2021/10/27
上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
13/15
距离判别：
In [38]:
In [39]:
In [40]:
In [41]:
In [42]:
距离判别的符合度约为0.87
Fisher判别
In [43]:
Call:
qda(y ~ x1 + x3 + x4 + x21)
Prior probabilities of groups:
0 1
0.8634402 0.1365598
Group means:
x1 x3 x4 x21
0 193341.9 -0.2493562 -0.26708075 0.3981215
1 144509.3 0.4252874 0.08045977 0.4377395
y 0 1
0 6304 297
1 693 351
0.870503597122302
library(MASS)
pd = qda(y ~ x1 + x3 + x4 + x21)
pd
(tab = table (y,predict(pd)$class))
sum(diag(prop.table(tab)))
lbl=lda(y~ x1 + x3 + x4 + x21)2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
14/15
In [44]:
In [45]:
In [46]:
Fisher判别的符合度约为0.8743
Bayes判别
In [47]:
In [48]:
In [49]:
In [50]:
Bayes判别的符合度约为0.876
综上所述，贝叶斯判别的符合度更高，为0.876
针对①的分析，如果出现样本分布不均，思考如何优化？
首先通过查阅资料，知道了样本的正负不均衡和模型学不好没有一定的联系。
0.874296926095487
0.875604970568999
zl=predict(lbl)
tab=table(y,predict(lbl)$class)
sum(diag(prop.table(tab)))
lbl=lda(y~ x1 + x3 + x4 + x21,prior=c(13,7)/20)
zl=predict(lbl)
tab=table(y,predict(lbl)$class)
sum(diag(prop.table(tab)))2021/10/27 上午1:10
Untitled48 - Jupyter Notebook
localhost:8888/notebooks/Desktop/Untitled48.ipynb#
15/15
1. 大数据集存在分布不均衡。整体数据规模大，小样本占比较小，但是小样本也覆盖了大部分或者全部特
征。
2.小数据集存在分布不均衡。整体数据规模小，少数样本比例的分类数量也少，导致特征分布严重不均衡。
优化的方法有：扩大训练集、重新选择评价指标、重采样数据集、产生人工数据样本、尝试不同的分类算法、对
模型进行惩罚、尝试一个新的角度理解问题
针对这个数据集，发现x1,x3,x4,x21是对准确率影响最大的变量，也就是年龄、限额余额、性别，本次实验中，
对年龄做了处理，就是将18岁一下，65岁以上的人删除，这可以提高数据的可信度，若要继续优化，可以在18到
65这个年龄段中均匀采样，得到的数据集再进行分析，其他两个变量也是一样，进行均匀抽样分析。
In [ ]:

 

查看全文
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

  1. Wireshark之HTTP协议分析

    本教程参考&#xff1a; A Top-Down Approach, 6th ed 一书中 Wireshark_HTTP_v6.1 进行协议分析实验&#xff0c;点击从 官网 免费下载。 实验一&#xff1a;基本的 HTTP GET/Response 操作 &#xff08;1&#xff09;实验步骤&#xff1a; ①打开浏览器&#xff1b; ②开…...

    2024/4/21 17:02:39
  2. 想想就好：我感觉我欠下的代码，再写十年也写不完

    大伙帮我算算，我还欠了多少行代码，要多少年才能还清？CYQ.Data 数据层（ORM框架）描述：cyq.data is not only a orm,but also a data access layer.（.NET 最好用的ORM数据层框架，木有之一！）今天：稍为研究了一下.Net Core打包Nuget后，然后把 CYQ.Data Core 给送上去了。…...

    2024/4/21 17:02:38
  3. 洛谷P6812

    若该序列是先辈&#xff0c;假设取长度为k的后缀&#xff0c;则该序列中前k个元素都比其长度为k的后缀屑&#xff0c;因此不难得出先辈一定是一个非递减序列。因此题目的询问变成求一个序列是否为非递减序列&#xff0c;用线段树维护。 我的第一个想法&#xff0c;就是区间修改…...

    2024/4/21 17:02:37
  4. 2021年中国高校大数据挑战赛-思路发布-思路开源-提供部分程序

    2021年中国高校大数据挑战赛 2021年中国高校大数据挑战赛 2021年中国高校大数据挑战赛 2021年中国高校大数据挑战赛 2021年中国高校大数据挑战赛 2021年中国高校大数据挑战赛 2021年中国高校大数据挑战赛 2021年中国高校大数据挑战赛 2021年中国高校大数据挑战赛 2021年中国高校…...

    2024/4/25 4:01:32
  5. 分享一个moba游戏王者荣耀类简单技能指示器

    先上个控制图，谢谢某大神，现在做游戏的越来越厉害了， 代码 //SkillArea.cs void LateUpdate(){if(isPressed)UpdateElement();} 特色 我只是把大神的Skill指示器源码封装了一下 - 放到Standard Assets目录 - Resources 也能在这目录正常使用 - 整个代码+资源，只有…...

    2024/4/24 0:14:50
  6. 【FPGA实验】流水灯实验

    流水灯通常是硬件领域的”Hello World”&#xff0c;本次将使用正点原子的开拓者FPGA开发板来实现简单的流水灯。 Quartus Ⅱ芯片选择设置 Verilog代码 module flow_light(input sys_clk , //系统时钟input sys_rst_n, //系统复位&#xff0c;低…...

    2024/4/25 15:45:30
  7. 数的划分(dfs+剪枝)

    题目描述 将整数 n 分成 k 份&#xff0c;且每份不能为空&#xff0c;任意两个方案不相同&#xff08;不考虑顺序&#xff09;。 例如&#xff1a;n7&#xff0c;k3&#xff0c;下面三种分法被认为是相同的。 1,1,51,1,5; 1,5,11,5,1; 5,1,15,1,1. 问有多少种不同的分法。 …...

    2024/4/24 5:34:33
  8. java全栈系列之JavaSE--顺序结构与if条件判断014，大厂面试经验分享

    System.out.println(“输出004”); System.out.println(“输出005”); } public static void test(){ System.out.println(“输出6”); } } 执行结果&#xff1a; 输出001 输出002 输出006 输出003 输出004 输出005 if条件判断 if单选择结构 语法格式&#xff1a…...

    2024/4/23 3:30:55
  9. Spark：java.net.URISyntaxException: Relative path in absolute URI: file:D:/XXX/

    在运行spark程序的时候遇到的&#xff0c;网上搜索了都是让去改sparksession和sparkconf 我这里只是把绝对路劲改成上图就可以了...

    2024/4/21 17:02:31
  10. Linux命令合集（持续更新）

    Linux命令合集&#xff08;持续更新&#xff09; 1.关机&#xff1a;shutdown -h now 2.重启&#xff1a;shutdown -r now 3.查看系统内核信息&#xff1a;uname -a 4.查看系统内核版本&#xff1a;cat /proc/version 5.查看当前用户环境变量&#xff1a;env 6.查看有几个逻辑…...

    2024/4/26 13:33:39
  11. 总结-经典垃圾收集器

    未完待续。。。 垃圾收集器针对分代收集算法单线程or多线程侧重点优点缺点搭配适用场景实现SerialYoung-Generation标记-复制单线程简单高效&#xff1a;额外内存消耗最小&#xff0c;单线程没有线程交互开销Stop the worldSerial Old客户端模式下默认的新生代收集器ParNewYou…...

    2024/4/21 17:02:30
  12. java使用poi操作world生成饼图，2021金九银十面试季

    工具类&#xff1a;组合数据类 package com.wyz.world.utils; import lombok.Getter; import lombok.ToString; import lombok.extern.slf4j.Slf4j; import org.apache.poi.openxml4j.exceptions.InvalidFormatException; import org.apache.poi.xwpf.usermodel.XWPFChart…...

    2024/4/22 0:53:51
  13. 初识spacy

    功能&#xff1a; 1. 分词 2.词干化 3.词性标注 4.NER spacy、NLTK、CoreNlp的功能、速度、准确性 参考文献&#xff1a; https://blog.csdn.net/mch2869253130/article/details/103434675 https://zhuanlan.zhihu.com/p/63110761...

    2024/4/22 5:29:57
  14. 【Python量化分析100例】Day2-星期几最容易被割韭菜

    1 背景 通常&#xff0c;在进行基金定投时&#xff0c;都会有一个疑问&#xff1f;设置星期几进行定投才能捡到最便宜的筹码呢&#xff1f;本节内容通过统计沪深300最近16年的数据&#xff08;2005年1月4日到2021年10月22日&#xff09;带你解开疑惑&#xff0c; 2 获取数据 …...

    2024/4/20 14:07:51
  15. Java笔记 --- 浮点类型

    一、浮点类型 浮点类型就可以表示一个小数。 package demo01;public class Points {public static void main(String[] args) {double a1 1.20;} }二、浮点数范围 三、注意事项 1、与整数类型类似&#xff0c;Java浮点类型也有固定的范围和字段长度&#xff0c;不受具体OS的…...

    2024/4/20 14:07:50
  16. Java中高级核心知识全面解析——类文件结构，全网最全原理讲解

    u4 magic; //Class 文件的标志 u2 minor_version;//Class 的小版本号 u2 major_version;//Class 的大版本号 u2 constant_pool_count;//常量池的数量 cp_info constant_pool[constant_pool_count-1];//常量池 u2 access_flags;//Class 的访问标记 u2 this_class;//当前类 u2 su…...

    2024/4/21 17:02:29
  17. 机器学习——决策树

    决策树一、什么是决策树二、决策树剪枝三、决策树的三种常用算法1. ID3&#xff08;1&#xff09;定义&#xff08;2&#xff09;知识点信息熵信息增益&#xff08;3&#xff09;步骤决策树的构造使用决策树执行分类使用Matplotlib注解绘制树形图&#xff08;4&#xff09;使用…...

    2024/4/21 17:02:28
  18. 借助FileProvider发送彩信

    通过系统相册固然可以获得照片的路径对象&#xff0c;却无法知晓更多的详细信息&#xff0c;例如图片名称、文件大小、文件路径等等都不知道&#xff0c;也就无法进行个性化的定制开发。为了把更多的文件信息开放出来&#xff0c;Android设计了专门的媒体共享库&#xff0c;允许…...

    2024/4/25 11:47:48
  19. 基于HTML(蔬菜水果超市)电商项目项目的设计与实现.rar（html前端源码）毕业设计.rar

    采用divcssjquery技术开发&#xff0c;主要设计功能首页、商品列表、商品详细页、订单页、购物页、结算页面等相关页面设计。 源码下载地址&#xff1a;请点击》》》》...

    2024/4/21 17:02:25
  20. 《Red5 用户参考手册》之四：入门第三章 迁移指南

    官方最新《Red5 用户参考手册》全套下载地址本文档介绍了 Macromedia Flash 通信服务器/Adobe Flash 媒体服务器和 Red5 之间的 API 差异，目的是帮助我们将现有的应用转移至 Red5。如果你还没有基于 Red5 的应用，请先阅读有关创建一个新的 Red5 应用程序的文档。程序回调当实…...

    2024/4/25 15:40:16

最新文章

  1. php 获取网页数据

    PHP preg_match_all() 函数 | 菜鸟教程 //$file是file_get_contents()获取到网页所有内容&#xff1b; //$mat是接收正则匹配到的内容&#xff1b; $arr preg_match_all(/<li>(.*)<\/li>/U,$file,$mat);$arr $mat[0]; 通过preg_match_all获取到内容后&#xff…...

    2024/4/28 0:52:19
  2. 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&#xff0c;在此感激不尽。 权重和梯度的更新公式如下&#xff1a; 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…...

    2024/3/20 10:50:27
  3. [C++][算法基础]模拟队列(数组)

    实现一个队列&#xff0c;队列初始为空&#xff0c;支持四种操作&#xff1a; push x – 向队尾插入一个数 x&#xff1b;pop – 从队头弹出一个数&#xff1b;empty – 判断队列是否为空&#xff1b;query – 查询队头元素。 现在要对队列进行 M 个操作&#xff0c;其中的每…...

    2024/4/22 21:35:57
  4. axios拦截器：每次请求自动带上 token

    Step 1&#xff1a;创建Axios实例并添加拦截器 在你的Vue项目中&#xff0c;一般我们会先导入axios&#xff0c;然后创建一个axios实例。这样做是为了方便统一管理和配置。 import axios from axios; // 引入axios// 创建一个axios实例 const service axios.create();// 添加请…...

    2024/4/27 18:01:00
  5. 【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…...

    2024/4/26 18:09:39
  6. 【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…...

    2024/4/26 20:12:18
  7. 【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…...

    2024/4/26 23:05:52
  8. 【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…...

    2024/4/27 4:00:35
  9. 【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…...

    2024/4/27 17:58:04
  10. 【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…...

    2024/4/27 14:22:49
  11. 【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…...

    2024/4/26 21:56:58
  12. 【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…...

    2024/4/27 9:01:45
  13. 【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…...

    2024/4/27 17:59:30
  14. 【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…...

    2024/4/25 18:39:16
  15. 【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、…...

    2024/4/25 18:39:16
  16. 【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…...

    2024/4/26 19:03:37
  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…...

    2024/4/26 22:01:59
  18. 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…...

    2024/4/25 18:39:14
  19. 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…...

    2024/4/26 23:04:58
  20. 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…...

    2024/4/27 23:24:42
  21. 「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…...

    2024/4/25 18:39:00
  22. 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…...

    2024/4/26 19:46:12
  23. 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」。 …...

    2024/4/27 11:43:08
  24. 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…...

    2024/4/27 8:32:30
  25. 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&#xff1a;1、长按电脑电源键直至关机&#xff0c;然后再按一次电源健重启电脑&#xff0c;按F8健进入安全模式2、安全模式下进入Windows系统桌面后&#xff0c;按住“winR”打开运行窗口&#xff0c;输入“services.msc”打开服务设置3、在服务界面&#xff0c;选中…...

    2022/11/19 21:17:18
  26. 错误使用 reshape要执行 RESHAPE，请勿更改元素数目。

    %读入6幅图像&#xff08;每一幅图像的大小是564*564&#xff09; 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
  27. 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&#xff0c;在等待界面中我们需要等待操作结束才能关机&#xff0c;虽然这比较麻烦&#xff0c;但是对系统进行配置和升级…...

    2022/11/19 21:17:15
  28. 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&#xff0c;请勿关闭计算机”的提示&#xff0c;要过很久才能进入系统&#xff0c;有的用户甚至几个小时也无法进入&#xff0c;下面就教大家这个问题的解决方法。第一种方法&#xff1a;我们首先在左下角的“开始…...

    2022/11/19 21:17:14
  29. 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&#xff0c;电脑时发现开机屏幕显现“正在配置Windows Update&#xff0c;请勿关机”(如下图所示)&#xff0c;而且还需求等大约5分钟才干进入系统。这是怎样回事呢&#xff1f;一切都是正常操作的&#xff0c;为什么开时机呈现“正…...

    2022/11/19 21:17:13
  30. 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&#xff0c;没过几秒后电脑自动重启&#xff0c;每次开机都这样无法进入系统&#xff0c;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&#xff1a;开机按下F8&#xff0c;在出现的Windows高级启动选…...

    2022/11/19 21:17:12
  31. 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&#xff0c;就是电脑提示正在准备windows请勿关闭计算机&#xff0c;碰到这样的问题该怎么解决呢&#xff0c;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&#xff1a;1、2、依次…...

    2022/11/19 21:17:11
  32. 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&#xff0c;每次关机的时候桌面上都会显示一个“配置Windows Update的界面&#xff0c;提示请勿关闭计算机”&#xff0c;每次停留好几分钟才能正常关机&#xff0c;导致什么情况引起的呢&#xff1f;出现配置Windows Update…...

    2022/11/19 21:17:10
  33. 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&#xff0c;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&#xff0c;只能是考虑备份数据后重装系统了。解决来方案一&#xff1a;管理员运行cmd&#xff1a;net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...

    2022/11/19 21:17:09
  34. 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&#xff1a;电脑提示“配置Windows Update请勿关闭计算机”怎么办&#xff1f;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&#xff1f;一般的方…...

    2022/11/19 21:17:08
  35. 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 &#xff0c;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&#xff0c;让我们赶快一起来看一下吧&#xff01;关机提示 windows7 正在配…...

    2022/11/19 21:17:05
  36. 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
  37. 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&#xff0c;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&#xff0c;长时间没反应&#xff0c;无法进入系统。这个问题原来帮其他同学也解决过&#xff0c;网上搜了不少资料&#x…...

    2022/11/19 21:17:04
  38. 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&#xff0c;并在最后教给你1种保护系统安全的好方法&#xff0c;一起来看看&#xff01;电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中&#xff0c;添加了1个新功能在“磁…...

    2022/11/19 21:17:03
  39. 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&#xff0c;开启电脑发现电脑显示&#xff1a;配置windows更新失败&#xff0c;正在还原更改&#xff0c;请勿关闭计算机。。.这要怎么办呢&#xff1f;下面小编就带着大家一起看看吧&#xff01;如果能够正常进入系统&#xff0c;建议您暂时移…...

    2022/11/19 21:17:02
  40. 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&#xff0c;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&#xff0c;让我们赶快一起来看一下吧&#xff01;配置windows update失败 还原更改 请勿关闭计算机&#x…...

    2022/11/19 21:17:01
  41. 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&#xff0c;就是我们的win7系统在关机的时候&#xff0c;总是喜欢显示“准备配置windows&#xff0c;请勿关机”这样的一个页面&#xff0c;没有什么大碍&#xff0c;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&#xff0c;非常…...

    2022/11/19 21:17:00
  42. 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&#xff0c;一般是您正对windows进行升级&#xff0c;但是这个要是长时间没有反应&#xff0c;我们不能再傻等下去了。可能是电脑出了别的问题了&#xff0c;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
  43. 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&#xff0c;当我们打开电脑之后&#xff0c;发现一直停留在一个界面&#xff1a;“配置Windows Update失败&#xff0c;还原更改请勿关闭计算机”&#xff0c;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&#xff0…...

    2022/11/19 21:16:58
  44. 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