机器学习 | R语言中的方差分析汇总-低调大师

机器学习 | R语言中的方差分析汇总

2021-06-01 1067

方差分析，是统计中的基础分析方法，也是我们在分析数据时经常使用的方法。下面我总结一下R语言如何对常用的方差分析进行操作。

1. 方差分析的假定

上面这个思维导图，也可以看出，方差分析有三大假定：正态，独立和齐次，如果不满足，可以使用广义线性模型或者混合线性模型，或者广义线性混合模型去分析。

本次我们的主题有：

2. 数据来源

这里，我们使用的数据来源于R包agridat，它是讲农业相关的论文，书籍中相关的数据收集在了一起，更加符合我们的背景。

包的下载地址：https://cran.r-project.org/web/packages/agridat/index.html

包的介绍

agridat: Agricultural Datasets
Datasets from books, papers, and websites related to agriculture. Example graphics and analyses are included. Data come from small-plot trials, multi-environment trials, uniformity trials, yield monitors, and more.

包的安装方式：

install.packages("agridat")

3. 单因素方差分析

比如一个处理有A，B，C三个水平，观测值y，想看一下这个处理是否达到显著性水平，这就可以用到方差分析了。

数据描述：

Corn yield and nitrogen fertilizer treatment with field characteristics for the Las Rosas farm, Rio Cuarto, Cordoba, Argentina.

data(lasrosas.corn)
dat <- lasrosas.corn
str(dat)

数据结构：

> str(dat)
'data.frame':	3443 obs. of  9 variables:
 $ year : int  1999 1999 1999 1999 1999 1999 1999 1999 1999 1999 ...
 $ lat  : num  -33.1 -33.1 -33.1 -33.1 -33.1 ...
 $ long : num  -63.8 -63.8 -63.8 -63.8 -63.8 ...
 $ yield: num  72.1 73.8 77.2 76.3 75.5 ...
 $ nitro: num  132 132 132 132 132 ...
 $ topo : Factor w/ 4 levels "E","HT","LO",..: 4 4 4 4 4 4 4 4 4 4 ...
 $ bv   : num  163 170 168 177 171 ...
 $ rep  : Factor w/ 3 levels "R1","R2","R3": 1 1 1 1 1 1 1 1 1 1 ...
 $ nf   : Factor w/ 6 levels "N0","N1","N2",..: 6 6 6 6 6 6 6 6 6 6 ...

这里数据有很多列，但是我们要演示单因素方差分析，这里的因素为nf，自变量（Y变量）是yield，想要看一下nf的不同水平是否达到显著性差异。

建模：
Y变量：yield
因子：nf

R中的建模代码：

 m1 = aov(yield ~ nf, data=dat)

m1为模型保存的名称
aov为R中的方差分析代码
yield为数据中的Y变量，这里是yield
~，波浪号前面为Y变量，后面为X变量
nf为分析的因子变量
dat为数据

结果：

> m1 = aov(yield ~ nf, data=dat)
> summary(m1)
              Df  Sum Sq Mean Sq F value   Pr(>F)    
nf             5   23987    4797    12.4 6.08e-12 ***
Residuals   3437 1330110     387                     
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

结果可以看出，nf之间达到极显著水平，可以进行多重比较。

方差分析的显著性和多重比较有何关系？？？

方差分析，一般会得到显著性（即P值小于0.05，说明显著，小于0.01，说明极显著，大于0.05，说明不显著），显著的意思是因素之间至少有一对水平达到显著性差异，具体是那一对呢？有几对呢？这就需要用到多重比较。所以，多重比较是在方差分析达到显著性之后进行的，只有显著了（P值小于0.05）才有能进行多重比较。多重比较的方法有很多，比如LSD，Tukey，Bonferroni，Holm等等，我们后面系统的介绍。

4. 单因素随机区组

这里区组的设置，可以控制一些环境误差。

数据描述：

Switchback trial in dairy with three treatments

data(lucas.switchback)
dat <- lucas.switchback
str(dat)

数据结构：

> str(dat)
'data.frame':	36 obs. of  5 variables:
 $ cow   : Factor w/ 12 levels "C1","C10","C11",..: 1 5 6 7 8 9 10 11 12 2 ...
 $ trt   : Factor w/ 3 levels "T1","T2","T3": 1 2 3 1 2 3 1 2 3 1 ...
 $ period: Factor w/ 3 levels "P1","P2","P3": 1 1 1 1 1 1 1 1 1 1 ...
 $ yield : num  34.6 22.8 32.9 48.9 21.8 25.4 30.4 35.2 30.8 38.7 ...
 $ block : Factor w/ 3 levels "B1","B2","B3": 1 1 1 1 1 1 2 2 2 3 ...

建模：
Y变量：yield
因子：trt
区组：block

R中的建模代码：

m2 = aov(yield ~ block +trt, data=dat)
summary(m2)

结果：

> summary(m2)
            Df Sum Sq Mean Sq F value Pr(>F)  
block        2   30.9   15.46   0.306 0.7385  
trt          2  273.8  136.88   2.709 0.0823 .
Residuals   31 1566.1   50.52                 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

结果可以看出，trt之间达到没有极显著水平。

5. 二因素方差分析（无交互）

这里区组的设置，可以控制一些环境误差。

无交互的意思是，二因素之间不考虑互作。

数据描述：

Switchback trial in dairy with three treatments

data(lucas.switchback)
dat <- lucas.switchback
str(dat)

数据结构：

> str(dat)
'data.frame':	36 obs. of  5 variables:
 $ cow   : Factor w/ 12 levels "C1","C10","C11",..: 1 5 6 7 8 9 10 11 12 2 ...
 $ trt   : Factor w/ 3 levels "T1","T2","T3": 1 2 3 1 2 3 1 2 3 1 ...
 $ period: Factor w/ 3 levels "P1","P2","P3": 1 1 1 1 1 1 1 1 1 1 ...
 $ yield : num  34.6 22.8 32.9 48.9 21.8 25.4 30.4 35.2 30.8 38.7 ...
 $ block : Factor w/ 3 levels "B1","B2","B3": 1 1 1 1 1 1 2 2 2 3 ...

建模：

Y变量：yield
因子1：trt
因子2：period
区组：block

R中的建模代码：

m3 = aov(yield ~ block +trt +period, data=dat)
summary(m3)

结果：

> summary(m3)
            Df Sum Sq Mean Sq F value Pr(>F)  
block        2   30.9   15.46   0.308 0.7374  
trt          2  273.8  136.88   2.725 0.0823 .
period       2  109.5   54.74   1.090 0.3497  
Residuals   29 1456.6   50.23                 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

结果可以看出，trt之间达到没有极显著水平，period之间没有达到显著性水平。

6. 二因素方差分析（有交互）

这里区组的设置，可以控制一些环境误差。

交互的意思是，二因素之间考虑互作。

数据描述：

Switchback trial in dairy with three treatments

data(lucas.switchback)
dat <- lucas.switchback
str(dat)

数据结构：

> str(dat)
'data.frame':	36 obs. of  5 variables:
 $ cow   : Factor w/ 12 levels "C1","C10","C11",..: 1 5 6 7 8 9 10 11 12 2 ...
 $ trt   : Factor w/ 3 levels "T1","T2","T3": 1 2 3 1 2 3 1 2 3 1 ...
 $ period: Factor w/ 3 levels "P1","P2","P3": 1 1 1 1 1 1 1 1 1 1 ...
 $ yield : num  34.6 22.8 32.9 48.9 21.8 25.4 30.4 35.2 30.8 38.7 ...
 $ block : Factor w/ 3 levels "B1","B2","B3": 1 1 1 1 1 1 2 2 2 3 ...

建模：

Y变量：yield
因子1：trt
因子2：period
区组：block

R中的建模代码：

m4 = aov(yield ~ block +trt*period, data=dat)
summary(m4)

注意，这里的trt*period是R中公式的简写，表示trt + period + trt:period，其中trt：period表示互作效应。

结果：

> summary(m4)
            Df Sum Sq Mean Sq F value Pr(>F)  
block        2   30.9   15.46   0.339 0.7160  
trt          2  273.8  136.88   2.997 0.0681 .
period       2  109.5   54.74   1.199 0.3183  
trt:period   4  315.0   78.75   1.725 0.1761  
Residuals   25 1141.6   45.66                 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

结果可以看出，trt之间达到没有极显著水平，period之间没有达到显著性水平，trt和period交互没有达到显著水平。

7. 多因素方差分析

这里区组的设置，可以控制一些环境误差。

多于两个因素的方差分析

数据描述：

Switchback trial in dairy with three treatments

data(lucas.switchback)
dat <- lucas.switchback
str(dat)

数据结构：

> str(dat)
'data.frame':	36 obs. of  5 variables:
 $ cow   : Factor w/ 12 levels "C1","C10","C11",..: 1 5 6 7 8 9 10 11 12 2 ...
 $ trt   : Factor w/ 3 levels "T1","T2","T3": 1 2 3 1 2 3 1 2 3 1 ...
 $ period: Factor w/ 3 levels "P1","P2","P3": 1 1 1 1 1 1 1 1 1 1 ...
 $ yield : num  34.6 22.8 32.9 48.9 21.8 25.4 30.4 35.2 30.8 38.7 ...
 $ block : Factor w/ 3 levels "B1","B2","B3": 1 1 1 1 1 1 2 2 2 3 ...

建模：

Y变量：yield
因子1：trt
因子2：period
因子3：cow
区组：block

R中的建模代码：

m5 = aov(yield ~ block + trt*period + cow, data=dat)
summary(m5)

注意，这里的trt*period是R中公式的简写，表示trt + period + trt:period，其中trt：period表示互作效应。

结果：

> summary(m5)
            Df Sum Sq Mean Sq F value   Pr(>F)    
block        2   30.9   15.46  11.155 0.000926 ***
trt          2  273.8  136.88  98.739 9.96e-10 ***
period       2  109.5   54.74  39.486 6.49e-07 ***
cow          9 1428.8  158.76 114.523 8.29e-13 ***
trt:period   4    5.6    1.41   1.015 0.429042    
Residuals   16   22.2    1.39                     
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

结果可以看出，trt之间达到极显著水平，period之间达到显著性水平，trt和period交互没有达到显著水平，cow达到极显著水平。

8. 裂区试验方差分析

裂区试验，包括主区（wplot）和裂区（splot），其中裂区是镶嵌在主区中的，主区和裂区的残差不一样，在模型中需要特殊定义。

数据描述：

Strip-split plot of barley with fertilizer, calcium, and soil factors.

data(cox.stripsplit)
dat <- cox.stripsplit
str(dat)

数据结构：

> str(dat)
'data.frame':	96 obs. of  5 variables:
 $ rep    : Factor w/ 4 levels "R1","R2","R3",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ soil   : Factor w/ 3 levels "S1","S2","S3": 1 1 1 1 1 1 1 1 2 2 ...
 $ fert   : Factor w/ 4 levels "F0","F1","F2",..: 1 1 2 2 3 3 4 4 1 1 ...
 $ calcium: Factor w/ 2 levels "C0","C1": 1 2 1 2 1 2 1 2 1 2 ...
 $ yield  : num  4.91 4.63 4.76 5.04 5.38 6.21 5.6 5.08 4.94 3.98 ...

建模：

Y变量：yield
主区：fert
裂区：soil
区组：brep

R中的建模代码：

m6 = aov(yield ~ rep + soil*fert + Error(rep/fert),data=dat)
summary(m6)

注意，这里的Error(rep/fert)是R中公式的定义残差，主要用于不同因素使用不同残差的情况，这里fert是主区。

结果：

> summary(m6)

Error: rep
    Df Sum Sq Mean Sq
rep  3   6.28   2.093

Error: rep:fert
          Df Sum Sq Mean Sq F value Pr(>F)  
fert       3  7.221  2.4071   3.562 0.0604 .
Residuals  9  6.082  0.6758                 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Error: Within
          Df Sum Sq Mean Sq F value  Pr(>F)   
soil       2  1.927  0.9633   7.155 0.00146 **
soil:fert  6  0.688  0.1147   0.852 0.53433   
Residuals 72  9.693  0.1346                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

结果可以看出，soil达到极显著，fert不显著，soil和fert的互作不显著。

9. 正态性检验

方差分析中，结果是否可信，在于数据是否满足假定条件。方差分析的假定包括数据正态性，数据的方差齐次性，数据的独立性，其中可以检验的假定有：

数据的正态性
数据的齐次性

这里，我们介绍如何对数据的正态性进行检验。

可以使用球性检验（Shapiro-Wilk）检验数据的正态性，也可以用qqplot查看残差的图，判断数据的正态性，也可以对数据做直方图，查看数据的正态性。

数据描述：

A classical N, P, K (nitrogen, phosphate, potassium) factorial experiment on the growth of peas conducted on 6 blocks. Each half of a fractional factorial design confounding the NPK interaction was used on 3 of the plots.

data(npk)
dat <- npk
str(dat)

数据结构：

> str(dat)
'data.frame':	24 obs. of  5 variables:
 $ block: Factor w/ 6 levels "1","2","3","4",..: 1 1 1 1 2 2 2 2 3 3 ...
 $ N    : Factor w/ 2 levels "0","1": 1 2 1 2 2 2 1 1 1 2 ...
 $ P    : Factor w/ 2 levels "0","1": 2 2 1 1 1 2 1 2 2 2 ...
 $ K    : Factor w/ 2 levels "0","1": 2 1 1 2 1 2 2 1 1 2 ...
 $ yield: num  49.5 62.8 46.8 57 59.8 58.5 55.5 56 62.8 55.8 ...

一般分析时，我们仅对Y变量进行正态性检验，如果是单因素或者多因素，也可以根据因素分组进行正态性检验，数据量大时，对于稍微偏态的数据，即使不太符合正态分布，也不影响结论。

这里，我们对yield进行正态性检验

作直方图

hist(dat$yield)

可以看到，yield大体符合正态分布。

做qq图

使用car软件包中的qqPlot函数。

library(car)
qqPlot(dat$yield)

可以看到，数据基本落在置信区间里面，数据符合正态分布。

使用Shapiro-Wilk检验数据正态分布

> shapiro.test(dat$yield)

	Shapiro-Wilk normality test

data:  dat$yield
W = 0.97884, p-value = 0.8735

可以看到，P值为0.8735，数据符合正态分布，与上图显示的结果一致。

10. 齐次性检验

方差分析中，我们对结果是否自信，在于数据是否满足假定条件，方差分析的假定条件包括数据正态性，数据的方差齐次性，数据的独立性，其中可以检验的假定有：

数据的正态性
数据的齐次性

这里，我们介绍如何对数据的齐次性进行检验。齐次性检验，是检验不同样本的总体方差是否相同，是根据特定的模型，需要考虑不同的因子放到模型中，不能单独对某一列变量进行齐次性检验。

齐次性检验：

Bartlet检验
Levene检验

数据描述：

A classical N, P, K (nitrogen, phosphate, potassium) factorial experiment on the growth of peas conducted on 6 blocks. Each half of a fractional factorial design confounding the NPK interaction was used on 3 of the plots.

data(npk)
dat <- npk
str(dat)

数据结构：

> str(dat)
'data.frame':	24 obs. of  5 variables:
 $ block: Factor w/ 6 levels "1","2","3","4",..: 1 1 1 1 2 2 2 2 3 3 ...
 $ N    : Factor w/ 2 levels "0","1": 1 2 1 2 2 2 1 1 1 2 ...
 $ P    : Factor w/ 2 levels "0","1": 2 2 1 1 1 2 1 2 2 2 ...
 $ K    : Factor w/ 2 levels "0","1": 2 1 1 2 1 2 2 1 1 2 ...
 $ yield: num  49.5 62.8 46.8 57 59.8 58.5 55.5 56 62.8 55.8 ...

比如上面数据中，相对N进行单因素方差分析，查看不同N的水平是否满足方差齐次性，可以这样操作：

Bartlett检验

Bartlett检验可以比较多个总体的方差

bartlett.test(yield ~ N,data=dat)

结果：

> bartlett.test(yield ~ N,data=dat)

	Bartlett test of homogeneity of variances

data:  yield by N
Bartlett's K-squared = 0.057652, df = 1, p-value = 0.8102

结果可以看出，不同的N之间，方差满足齐次性要求。

Levene检验

Bartlett检验对数据的正态性非常敏感，而Levene检验是一种非参数检验方法，使用范围更广。

library(car)
leveneTest(yield ~ N, data=dat)

结果：

> leveneTest(yield ~ N, data=dat)
Levene's Test for Homogeneity of Variance (center = median)
      Df F value Pr(>F)
group  1  0.0054 0.9421
      22

结果可以看出，P值为0.9421，大于0.05，说明数据符合方差齐次性。

11. 多重比较

这里，我们介绍一下方差分析中的多重比较方法。

agricolae包

This package contains functionality for the Statistical Analysis of experimental designs applied specially for field experiments in agriculture and plant breeding.

多重比较方法：

LSD
scheffe
HSD（Tukey）
SNK
Duncan

数据描述：

A classical N, P, K (nitrogen, phosphate, potassium) factorial experiment on the growth of peas conducted on 6 blocks. Each half of a fractional factorial design confounding the NPK interaction was used on 3 of the plots.

data(npk)
dat <- npk
str(dat)

数据结构：

> str(dat)
'data.frame':	24 obs. of  5 variables:
 $ block: Factor w/ 6 levels "1","2","3","4",..: 1 1 1 1 2 2 2 2 3 3 ...
 $ N    : Factor w/ 2 levels "0","1": 1 2 1 2 2 2 1 1 1 2 ...
 $ P    : Factor w/ 2 levels "0","1": 2 2 1 1 1 2 1 2 2 2 ...
 $ K    : Factor w/ 2 levels "0","1": 2 1 1 2 1 2 2 1 1 2 ...
 $ yield: num  49.5 62.8 46.8 57 59.8 58.5 55.5 56 62.8 55.8 ...

方差分析
这里对N进行单因素方差分析，block为区组：

> m9 = aov(yield ~ block + N, data=dat)
> summary(m9)
            Df Sum Sq Mean Sq F value Pr(>F)   
block        5  343.3   68.66   3.395 0.0262 * 
N            1  189.3  189.28   9.360 0.0071 **
Residuals   17  343.8   20.22                  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

结果可以看到，N因素达到极显著水平

11.1 LSD多重比较

Multiple comparisons of treatments by means of LSD and a grouping of treatments. The level by alpha default is 0.05. Returns p-values adjusted using one of several methods

# LSD
re1 = LSD.test(m9,"N")
re1$groups

结果：

> re1 = LSD.test(m9,"N")
> re1$groups
     yield groups
1 57.68333      a
0 52.06667      b

11.2 scheffe多重比较

Scheffe 1959, method is very general in that all possible contrasts can be tested for significance and confidence intervals can be constructed for the corresponding linear. The test is conservative.

代码：

(scheffe.test(m9,"N"))

结果

> (scheffe.test(m9,"N"))
$statistics
   MSerror Df        F   Mean       CV  Scheffe CriticalDifference
  20.22284 17 4.451322 54.875 8.194955 2.109816           3.873379

$parameters
     test name.t ntr alpha
  Scheffe      N   2  0.05

$means
     yield      std  r  Min  Max   Q25   Q50    Q75
0 52.06667 5.377957 12 44.2 62.8 48.30 52.35 55.625
1 57.68333 5.791347 12 48.8 69.5 54.85 57.85 60.350

$comparison
NULL

$groups
     yield groups
1 57.68333      a
0 52.06667      b

11.3 Tukey多重比较

It makes multiple comparisons of treatments by means of Tukey. The level by alpha default is 0.05.

代码：

# Turkey
(HSD.test(m9,"N"))

结果

> (HSD.test(m9,"N"))
$statistics
   MSerror Df   Mean       CV      MSD
  20.22284 17 54.875 8.194955 3.873379

$parameters
   test name.t ntr StudentizedRange alpha
  Tukey      N   2          2.98373  0.05

$means
     yield      std  r  Min  Max   Q25   Q50    Q75
0 52.06667 5.377957 12 44.2 62.8 48.30 52.35 55.625
1 57.68333 5.791347 12 48.8 69.5 54.85 57.85 60.350

$comparison
NULL

$groups
     yield groups
1 57.68333      a
0 52.06667      b

11.4 SNK多重比较

SNK is derived from Tukey, but it is less conservative (finds more differences). Tukey controls the error for all comparisons, where SNK only controls for comparisons under consideration. The level by alpha default is 0.05.

代码：

# SNK
(SNK.test(m9,"N"))

结果

> (HSD.test(m9,"N"))
$statistics
   MSerror Df   Mean       CV      MSD
  20.22284 17 54.875 8.194955 3.873379

$parameters
   test name.t ntr StudentizedRange alpha
  Tukey      N   2          2.98373  0.05

$means
     yield      std  r  Min  Max   Q25   Q50    Q75
0 52.06667 5.377957 12 44.2 62.8 48.30 52.35 55.625
1 57.68333 5.791347 12 48.8 69.5 54.85 57.85 60.350

$comparison
NULL

$groups
     yield groups
1 57.68333      a
0 52.06667      b

11.5 Duncan多重比较

This test is adapted from the Newman-Keuls method. Duncan’s test does not control family wise error rate at the specified alpha level. It has more power than the other post tests, but only because it doesn’t control the error rate properly. The Experimentwise Error Rate at: 1-(1-alpha)^(a-1); where “a” is the number of means and is the Per-Comparison Error Rate. Duncan’s procedure is only very slightly more conservative than LSD. The level by alpha default is 0.05.

代码：

# Duncan
(duncan.test(m9,"N"))

结果

> (duncan.test(m9,"N"))
$statistics
   MSerror Df   Mean       CV
  20.22284 17 54.875 8.194955

$parameters
    test name.t ntr alpha
  Duncan      N   2  0.05

$duncan
    Table CriticalRange
2 2.98373      3.873379

$means
     yield      std  r  Min  Max   Q25   Q50    Q75
0 52.06667 5.377957 12 44.2 62.8 48.30 52.35 55.625
1 57.68333 5.791347 12 48.8 69.5 54.85 57.85 60.350

$comparison
NULL

$groups
     yield groups
1 57.68333      a
0 52.06667      b

12. 获得所有代码及注释脚本

公众号回复（R-breeding）：R语言方差分析。

微信关注我们

原文链接：https://blog.51cto.com/u_15242286/2842511

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

物联网领域强敌环伺，HarmonyOS胜算几何?

中国通信工业协会的数据表明，中国物联网行业规模已经从2013年的4896亿元增长至2019年的1.5万亿元。巨大的市场需求正为物联网发展带来难得的机遇。从智能家居到智慧城市，从工业互联网到车联网，物联网应用从碎片化走向规模化，逐渐到社会生活的每一个角落，“万物互联”也不再是遥不可及的想象。从硬件、软件到平台，一众大厂纷纷布局物联网产业，试图抢占生态高地，形成先发优势。而其中，操作系统作为智能终端等信息技术载体的核心，成为了战况最为胶着的阵地之一。所有人都明白：这是一场持久战，谁能熬到最后，谁就能在这片红海中成为赢家。因此不难理解，华为HarmonyOS为何自面世之初就受到了大量关注和质疑。一方面，这是底层技术国产化进程里的标志性事件；另一方面，这也可能是牵涉物联网市场“万亿”蛋糕分配格局的一大转折点。 HarmonyOS的底气在HarmonyOS相关的公开资料中，“分布式”一词被屡屡提及。何谓“分布式”？“分布式”又为何能成为HarmonyOS的关键词？一切肇始于碎片化。在物联网技术演进史中，“碎片化”困扰一直如附骨之疽。举例来说，一个普通家庭会有很多家用电器，但它们通常由...

2021-06-01

686

1. 出门掉坑里因为一些情况，需要判断一行命令运行的状态，然后再做出反应，整体来说：是否出现warning，出现了怎么处理？是否出现Error，出现了怎么处理？没有出现怎么处理？ R中判断warning和error状态的函数，我没有找到。一个玩Java的同事说，try.....catch多经典的方法，你怎么不用呢？我知道R中有tryCatch这个函数，但是没有具体用过。我一直把R语言当作科学计算语言，没有当成编程语言，伪程序员的气质从没有用过tryCatch表现出来了。当然，我不会说这是我的问题，我会甩锅，都是R语言的锅，它根本不是编程语言……。吐槽完毕，我还是要从编程的角度学习R语言，正所谓脑子一堆粪，看什么都是粪说的就是我啊，一直把R语言当做高级计算器，怎么能知道R语言的编程功能呢！。既然已经用到了，那我就研究一下它的用法，然后用个示例，解释一下它的用法，希望对后来者有用。 2. ***怎么用？ tryCatch的整体逻辑： tryCatch({ 命令 },warning=function(w){ #这里是出现warning状态时，应该怎么做，可以用print打印出来，...

2021-06-01

1155

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。