1.项目摘要说明

项目目的：对于数据分析的练习
数据来源：kaggle
源码.数据集以及字段说明 百度云链接：
地址:https://pan.baidu.com/s/1UD5HD69bNEsX2EkjaQ1IPg
提取码：8gd8
本项目分析目标：

• 对数据进行基础分析 发生事故最多的州，什么时候容易发生事故，事故发生时天气状况及可视化应用：讲述2017美国发生事故的总体情况等等
• 利用xgboost对事故严重程度进行预测，查看事故严重程度和什么因素比较有关

2.数据处理(仅为分析处理，建模的处理放在后面)

原数据集(US_Accidents_Dec19.csv)是一个数据量49列共300W数据量包含2016到2019的交通事故，但考虑到电脑硬件及时间问题，仅选取2017年间的事故进行分析(详情源文件可见)

#截取2017年的
import pandas as pd
data = pd.read_csv('./US_Accidents_Dec19.csv')
datacopy = data.copy()
datacopy['Start_Time'] = pd.to_datetime(datacopy['Start_Time'])
datacopy['year'] = datacopy['Start_Time'].apply(lambda x:x.year)
data1 = datacopy[datacopy['year']==2017]
data1.to_csv('./USaccident2017.csv')

对USaccident2017.csv开始分析
导入需要使用的包

import numpy as np
from sklearn.preprocessing import OneHotEncoder
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
import folium
import pandas as pd
import  webbrowser
from pyecharts import options as opts
from pyecharts.charts import Page, Pie, Bar, Line, Scatter
from sklearn.preprocessing import RobustScaler
from sklearn.metrics import accuracy_score
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
from sklearn.model_selection import train_test_split
import xgboost as xgb

data = pd.read_csv('./USaccident2017.csv')
data.shape #(717483, 51)
data.head()

	Unnamed: 0	ID	Source	TMC	Severity	Start_Time	End_Time	Start_Lat	Start_Lng	End_Lat	End_Lng	Distance(mi)	Description	Number	Street	Side	City	County	State	Zipcode	Country	Timezone	Airport_Code	Weather_Timestamp	Temperature(F)	Wind_Chill(F)	Humidity(%)	Pressure(in)	Visibility(mi)	Wind_Direction	Wind_Speed(mph)	Precipitation(in)	Weather_Condition	Amenity	Bump	Crossing	Give_Way	Junction	No_Exit	Railway	Roundabout	Station	Stop	Traffic_Calming	Traffic_Signal	Turning_Loop	Sunrise_Sunset	Civil_Twilight	Nautical_Twilight	Astronomical_Twilight	year
0	9206	A-9207	MapQuest	201.0	3	2017-01-01 00:17:36	2017-01-01 00:47:12	37.925392	-122.320595	NaN	NaN	0.01	Accident on I-80 Westbound at Exit 15 Cutting ...	NaN	I-80 E	R	El Cerrito	Contra Costa	CA	94530	US	US/Pacific	KCCR	2017-01-01 00:53:00	44.1	40.8	79.0	29.91	10.0	WSW	5.8	NaN	Partly Cloudy	False	False	False	False	False	False	False	False	False	False	False	True	False	Night	Night	Night	Night	2017
1	9207	A-9208	MapQuest	201.0	3	2017-01-01 00:26:08	2017-01-01 01:16:06	37.878185	-122.307175	NaN	NaN	0.01	Accident on I-580 Southbound at Exit 12 I-80 I...	NaN	I-580 W	R	Berkeley	Alameda	CA	94710	US	US/Pacific	KOAK	2017-01-01 00:53:00	51.1	NaN	83.0	29.97	10.0	West	11.5	NaN	Overcast	False	False	True	False	False	False	False	False	False	False	False	False	False	Night	Night	Night	Night	2017
2	9208	A-9209	MapQuest	201.0	2	2017-01-01 00:53:41	2017-01-01 01:22:35	38.014820	-121.640579	NaN	NaN	0.00	Accident on Taylor Rd Southbound at Bethel Isl...	2998.0	Taylor Ln	R	Oakley	Contra Costa	CA	94561	US	US/Pacific	KCCR	2017-01-01 00:53:00	44.1	40.8	79.0	29.91	10.0	WSW	5.8	NaN	Partly Cloudy	False	False	False	False	False	False	False	False	False	False	False	False	False	Night	Night	Night	Night	2017
3	9209	A-9210	MapQuest	241.0	3	2017-01-01 01:18:51	2017-01-01 01:48:01	37.912056	-122.323982	NaN	NaN	0.01	Lane blocked and queueing traffic due to accid...	NaN	Bayview Ave	R	Richmond	Contra Costa	CA	94804	US	US/Pacific	KCCR	2017-01-01 01:11:00	44.1	42.5	82.0	29.95	9.0	SW	3.5	NaN	Mostly Cloudy	False	False	False	False	False	False	False	False	False	False	False	False	False	Night	Night	Night	Night	2017
4	9210	A-9211	MapQuest	222.0	3	2017-01-01 01:20:12	2017-01-01 01:49:47	37.925392	-122.320595	NaN	NaN	0.01	Queueing traffic due to accident on I-80 Westb...	NaN	I-80 E	R	El Cerrito	Contra Costa	CA	94530	US	US/Pacific	KCCR	2017-01-01 01:11:00	44.1	42.5	82.0	29.95	9.0	SW	3.5	NaN	Mostly Cloudy	False	False	False	False	False	False	False	False	False	False	False	True	False	Night	Night	Night	Night	2017

字段说明

https://www.jianshu.com/p/9e597dc8ae71

#查看空值情况
data.isnull().sum()[data.isnull().sum()!=0]

#处理空值
#无影响或者不分析的列 删除
deletelist= ['Unnamed: 0', 'ID','TMC', 'End_Lat', 'End_Lng', 'Airport_Code','Weather_Timestamp','Wind_Chill(F)','Civil_Twilight', 'Nautical_Twilight','Astronomical_Twilight', 'year','Number']
data1 = data.drop(deletelist, axis=1)
#删除有空值的行
data1 = data1.dropna(axis = 0,subset=['City','Zipcode','Timezone','Sunrise_Sunset'])
#温度湿度气压能见度用均值填补
data1['Temperature(F)'] = data1['Temperature(F)'].fillna(data1['Temperature(F)'].mean())
data1['Humidity(%)'] = data1['Humidity(%)'].fillna(data1['Humidity(%)'].mean())
data1['Pressure(in)'] = data1['Pressure(in)'].fillna(data1['Pressure(in)'].mean())
data1['Visibility(mi)'] = data1['Visibility(mi)'].fillna(data1['Visibility(mi)'].mean())
#风速使用近邻填补
data1['Wind_Speed(mph)'] = data1['Wind_Speed(mph)'].interpolate(method='nearest', order=4)
#天气状况风向用众数填补
data1['Weather_Condition'] = data1['Weather_Condition'].fillna(data1['Weather_Condition'].mode())
data1['Wind_Direction'] = data1['Wind_Direction'].fillna(data1['Wind_Direction'].mode())
#降水量没有就用0填补
data1['Precipitation(in)'] = data1['Precipitation(in)'].fillna(0)
#风向，把同样含义单词的合并起来
occupation = {"CALM":"Calm", "N":"North", "S":"South", "W":"West", "E":"East", "VAR":"Variable"}
f = lambda x : occupation.get(x,x) #在occupation中找对应的值
data1['Wind_Direction']= data1['Wind_Direction'].map(f)
#最后矫正索引因为删除了部分行
data1.index = range(len(data1))

3.数据可视化应用

#发生事故最多的州
a=(Bar(init_opts=opts.InitOpts(width="2000px",height="400px"))
.add_xaxis(data1['State'].value_counts().index.tolist())
.add_yaxis('各州事故发生数量',data1['State'].value_counts().tolist(),color='#499C9F')
.set_series_opts(label_opts=opts.LabelOpts(is_show= False))
)
a.render_notebook()

(点击可放大图片)
前5多事故发生的州分别为：CA(加利福尼亚州) TX(得克萨斯州) FL(佛罗里达州) NY(纽约州)NC(北卡罗来纳州)
都是比较发达人口较多的地区

#事故发生时间
x1=pd.DatetimeIndex(data1["Start_Time"]).hour.value_counts().sort_index().index.tolist()
x=[str(i) for i in x1] #pyehchart需要字符类型
from pyecharts.charts import Line
b = (Line(init_opts=opts.InitOpts(width="1000px",height="400px")).add_xaxis(x).add_yaxis('各时间事故发生数',pd.DatetimeIndex(data1["Start_Time"]).hour.value_counts().sort_index().tolist() ,color='#F7BA0B',is_smooth=True).set_series_opts(label_opts=opts.LabelOpts(is_show= False), markarea_opts=opts.MarkAreaOpts(data=[opts.MarkAreaItem(name="早高峰", x=("6", "9")),opts.MarkAreaItem(name="晚高峰", x=("15", "18"))])).set_global_opts(xaxis_opts=opts.AxisOpts(name='时间/时',name_location = "center",name_gap= 40)))
b.render_notebook()

早高峰晚高峰有明显的凸出来，是交通最繁杂车流量最多的时候

#事故发生月份
x1=pd.DatetimeIndex(data1["Start_Time"]).month.value_counts().sort_index().index.tolist()
x=[str(i) for i in x1] #pyehchart需要字符类型
from pyecharts.charts import Line
q = (Line(init_opts=opts.InitOpts(width="1000px",height="400px")).add_xaxis(x).add_yaxis('月份事故发生数',pd.DatetimeIndex(data1["Start_Time"]).month.value_counts().sort_index().tolist() ,color='#AED54C',is_smooth=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.5)).set_global_opts(xaxis_opts=opts.AxisOpts(name='month',name_location = "center",name_gap= 40)))
q.render_notebook()

下半年事故发生数明显多于上半年，也许是因为下半年节假日较多且工作量较多

#各天气下发生事故数量
weather10 = data1['Weather_Condition'].value_counts().head(10)
c=(Bar()
.add_xaxis(weather10.index.tolist())
.add_yaxis('各天气下发生事故数量',weather10.tolist(),color='#48A43F')
.set_series_opts(label_opts=opts.LabelOpts(is_show= False))
.set_global_opts(
xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15))#解决标签名太长
))
c.render_notebook()

可见，大部分事故发生时是clear天气晴朗的，但是后3.4个为阴天或多云，天气原因还是会部分影响事故发生

#天气晴朗下发生事故类型
Clear_wearther = data1[:][data1['Weather_Condition']=='Clear']
occupation = {1:"轻微事故", 2:"一般事故", 3:"较大事故", 4:"重大事故"}
f = lambda x : occupation.get(x,x) #在occupation中找对应的值
Clear_wearther['Severity']= Clear_wearther['Severity'].map(f)
Clear_wearther['Severity'].value_counts().index
d = (Pie().add("hotel",[list(z) for z in zip(['一般事故', '较大事故', '重大事故', '轻微事故'],Clear_wearther['Severity'].value_counts().tolist())]).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))
)
d.render_notebook()

#查看发生事故时各环境条件
#是否是白天 1就是白天
m = lambda x : 1 if x=='Day' else 0
data1['Sunrise_Sunset'] = data1['Sunrise_Sunset'].apply(m)
#是否有降雨
m = lambda x : 1 if x>0 else 0
data1['PrecipitationORnot'] = data1['Precipitation(in)'].apply(m)
df0=pd.concat([data1['Crossing'].value_counts(),data1['PrecipitationORnot'].value_counts(),data1['Sunrise_Sunset'].value_counts().sort_index(),data1['Traffic_Signal'].value_counts(),data1['Give_Way'].value_counts(),data1['Bump'].value_counts()],axis=1)h = (Bar().add_xaxis(['是否路口','有无降水','是否白天','有无信号灯','有无让路标志','有无减速带']).add_yaxis("0", df0.loc[False].tolist(), stack="stack1",color='#992572').add_yaxis("1",df0.loc[True].tolist(), stack="stack1",color='#4A203B').set_series_opts(label_opts=opts.LabelOpts(is_show=False)).set_global_opts(title_opts=opts.TitleOpts(title="Bar-堆叠数据（全部）")))
h.render_notebook()

事故发生时大部分为白天，非路口，无降水，无信号灯，无让路标志，无减速带

#事故发生时能见度
#按百度百科的能见度表分级
data1["Visibility_bin"] = "差"
data1.loc[(data1["Visibility(mi)"]>2.5)&(data1["Visibility(mi)"]<=6.5), "Visibility_bin"] = "中等"
data1.loc[(data1["Visibility(mi)"]>6.5)&(data1["Visibility(mi)"]<=12), "Visibility_bin"] = "良好"
data1.loc[(data1["Visibility(mi)"]>12), "Visibility_bin"] = "很好"
d = (Pie().add("hotel",[list(z) for z in zip(['良好', '中等', '差', '很好'],data1["Visibility_bin"].value_counts().tolist())]).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%")).set_global_opts(title_opts=opts.TitleOpts(title="事故发生时能见度")))
d.render_notebook()

大部分事故发生时的可见度都时良好的即可见度在6.5英里和12英里之间(1英里约等于1.6公里)

# 这里使用folium库画美国地图并在data1中随机取3000个事故地点在地图上打点
incidents = folium.map.FeatureGroup()
datasample=data1.sample(3000)
# Loop through the 200 crimes and add each to the incidents feature group
for lat, lng, in zip(datasample.Start_Lat,datasample.Start_Lng):incidents.add_child(folium.CircleMarker([lat, lng],radius=3, # define how big you want the circle markers to becolor='yellow',fill=True,fill_color='red',fill_opacity=0.4))# Add incidents to map
US_map = folium.Map(location=[38, -100], zoom_start=4)
US_map.add_child(incidents)

可见事故大部分是在沿海发达地区发生

4.利用xgboost对严重程度建模预测

4.1建模前预处理

dataX = data1.copy()
#提取月份和小时
dataX['month'] = dataX['Start_Time'].apply(lambda x:x.month)
dataX['hour'] = dataX['Start_Time'].apply(lambda x:x.hour)
删除对建模无用的特征
deletelist2=['Source','Side','Start_Time', 'End_Time','Description','Street','City','County', 'State', 'Zipcode', 'Country', 'Timezone','Wind_Direction']
dataX = dataX.drop(deletelist2, axis=1)
#把false换成0 true换成1
list3=['Amenity','Bump', 'Crossing', 'Give_Way', 'Junction', 'No_Exit', 'Railway','Roundabout', 'Station', 'Stop', 'Traffic_Calming', 'Traffic_Signal','Turning_Loop']
m = lambda x : 1 if x else 0
for i in list3:dataX[i] = dataX[i].apply(m)
#严重程度为1的数量太少极度不均衡，删掉
dataX = dataX.drop(index=(dataX.loc[(dataX['Severity']==1)].index))
dataX.index = range(len(dataX))
dataX.head()

	Severity	Start_Lat	Start_Lng	Distance(mi)	Temperature(F)	Humidity(%)	Pressure(in)	Visibility(mi)	Wind_Speed(mph)	Precipitation(in)	Weather_Condition	Amenity	Bump	Crossing	Give_Way	Junction	No_Exit	Railway	Roundabout	Station	Stop	Traffic_Calming	Traffic_Signal	Turning_Loop	Sunrise_Sunset	month	hour
0	3	37.925392	-122.320595	0.01	44.1	79.0	29.91	10.0	5.8	0.0	Partly Cloudy	0	0	0	0	0	0	0	0	0	0	0	1	0	0	1	0
1	3	37.878185	-122.307175	0.01	51.1	83.0	29.97	10.0	11.5	0.0	Overcast	0	0	1	0	0	0	0	0	0	0	0	0	0	0	1	0
2	2	38.014820	-121.640579	0.00	44.1	79.0	29.91	10.0	5.8	0.0	Partly Cloudy	0	0	0	0	0	0	0	0	0	0	0	0	0	0	1	0
3	3	37.912056	-122.323982	0.01	44.1	82.0	29.95	9.0	3.5	0.0	Mostly Cloudy	0	0	0	0	0	0	0	0	0	0	0	0	0	0	1	1
4	3	37.925392	-122.320595	0.01	44.1	82.0	29.95	9.0	3.5	0.0	Mostly Cloudy	0	0	0	0	0	0	0	0	0	0	0	1	0	0	1	1

y = dataX['Severity']#标签列
Xw=dataX['Weather_Condition']#需要独热编码的列
X = dataX.drop(['Severity','Weather_Condition'],axis=1)
#独热编码
enc = OneHotEncoder(categories='auto',handle_unknown='ignore').fit(Xw.values.reshape(-1,1))
result = enc.transform(Xw.values.reshape(-1,1)).toarray()
Xw1=pd.DataFrame(result)
Xw1.shape #(71669,78)

独热编码后Weather_Condition这一列变成了(71669,78)
这样会发生过拟合，所以用PCA降维

pca=PCA(n_components=5)
pca.fit(Xw1)
col = pca.transform(Xw1)
Xw1 = pd.DataFrame(col)
Xw1.head()

	0	1	2	3	4
0	-0.365071	-0.105292	0.643741	-0.661940	-0.141977
1	-0.544094	0.715639	-0.290545	-0.018498	-0.060453
2	-0.365071	-0.105292	0.643741	-0.661940	-0.141977
3	-0.482130	-0.685853	-0.468909	-0.024822	-0.071162
4	-0.482130	-0.685853	-0.468909	-0.024822	-0.071162

#对其他特征进行标准化
columns=X.columns.tolist()
robustS=RobustScaler()
X = pd.DataFrame(robustS.fit_transform(X),columns=columns)
X.head()

	Start_Lat	Start_Lng	Distance(mi)	Temperature(F)	Humidity(%)	Pressure(in)	Visibility(mi)	Wind_Speed(mph)	Precipitation(in)	Amenity	Bump	Crossing	Give_Way	Junction	No_Exit	Railway	Roundabout	Station	Stop	Traffic_Calming	Traffic_Signal	Turning_Loop	Sunrise_Sunset	month	hour
0	0.287847	-0.995895	0.5	-0.849372	0.371429	-0.454545	0.0	-0.189655	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	-1.0	-1.166667	-1.500
1	0.281328	-0.995506	0.5	-0.556485	0.485714	-0.181818	0.0	0.793103	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	-1.0	-1.166667	-1.500
2	0.300197	-0.976155	0.0	-0.849372	0.371429	-0.454545	0.0	-0.189655	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	-1.0	-1.166667	-1.500
3	0.286006	-0.995993	0.5	-0.849372	0.457143	-0.272727	-1.0	-0.586207	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	-1.0	-1.166667	-1.375
4	0.287847	-0.995895	0.5	-0.849372	0.457143	-0.272727	-1.0	-0.586207	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	-1.0	-1.166667	-1.375

拼接X 和xw1

X1 = pd.concat([X,Xw1],axis = 1)
X1.shape #(716669, 30)
#xgboost分类标签只接受0到类别数，即0-2，234转换为012
def f(x):if x==2:return 0elif x==3:return 1else:return 2
y1 = y.apply(f)
y1.value_counts()

0 461657
1 230899
2 24113
Name: Severity, dtype: int64

xgboost建模

param1 = {'booster': 'gbtree','objective': 'multi:softmax',  # 多分类的问题'num_class': 3,               # 类别数，与 multisoftmax 并用'gamma': 0.1,                  # 用于控制是否后剪枝的参数,越大越保守，一般0.1、0.2这样子。'max_depth': 12,               # 构建树的深度，越大越容易过拟合'lambda': 2,                   # 控制模型复杂度的权重值的L2正则化项参数，参数越大，模型越不容易过拟合。'subsample': 0.7,              # 随机采样训练样本'colsample_bytree': 0.7,       # 生成树时进行的列采样'min_child_weight': 3,'silent': 1,                   # 设置成1则没有运行信息输出，最好是设置为0.'eta': 0.007,                  # 如同学习率'seed': 1000,'nthread': 4,                  # cpu 线程数
}
X_train, X_test, y_train, y_test = train_test_split(X1, y1, test_size=0.3, random_state=0)
xg_train = xgb.DMatrix(X_train, label=y_train)
xg_test = xgb.DMatrix( X_test, label=y_test)
bst1 = xgb.train(param1, xg_train)
pred1 = bst1.predict( xg_test )
print(accuracy_score(y_test, pred1))

0 .7609220422230595 （准确率）
查看特征重要性

from xgboost import plot_importance
plot_importance(bst3)
plt.show()

调参部分(更新中)

美国交通事故分析(2017)(项目练习_5)相关推荐

1. 交通事故2018数据_现实世界数据科学项目：交通事故分析

   交通事故2018数据 by Hari Santanam 通过Hari Santanam 现实世界数据科学项目:交通事故分析 (Real world data science project: traf ...

2. 美国计算机授课型硕士,美国高校一年制硕士项目中，哪些项目最值得推荐？

   如果有人说:"我在美国读研",听众的反应大多会是:"真不错".如果有人说:"我在美国读研,一年",听众可能会质疑:"这么水,怕不是 ...

3. 自动驾驶场景构建交通事故分析

   自动驾驶场景构建交通事故分析 2018年12月2日一特斯拉的驾驶员在美国加利福尼亚洲的高速公路上被加州高速公路巡警逮捕,原因是酒驾司机在车上睡着,特斯拉"护主"闪警狂飙了11公里才 ...

4. AI视频行为分析系统项目复盘——技术篇4：deepsort原理图

   0 背景 见<AI视频行为分析系统项目复盘--技术篇1> 1 目标 尽力绘制详尽的原理图,弄懂deepsort的全局和细节,希望具备以下能力: 精通--能够魔改算法. 一叶知秋--深入了解 ...

5. AI视频行为分析系统项目复盘——技术篇3：tensorRT技术梳理

   0 背景 见<AI视频行为分析系统项目复盘--技术篇1> 1 tensorRT 介绍 NVIDIA®TensorRT™是一个深度学习平台,用于模型推理加速(仅支持NVIDIA自家GPU,C ...

6. AI视频行为分析系统项目复盘——技术篇2：视频流GPU硬解码

   0 项目背景 见<AI视频行为分析系统项目复盘--技术篇1> https://blog.csdn.net/weixin_42118657/article/details/118105545 ...

7. 20189208 2018-2019-2 《移动平台开发实践》分析小组项目代码

   20189208 2018-2019-2 <移动平台开发实践>分析小组项目代码 一.代码的组成部分 app: manifests AndroidManifest.xml java com. ...

8. 分析开源项目源码，我们该如何入手分析？（授人以渔）

   点击上方 好好学java ,选择 星标 公众号 重磅资讯.干货,第一时间送达 今日推荐:牛人 20000 字的 Spring Cloud 总结,太硬核了~ 1 前言 本文接上篇文章跟大家聊聊我们为什么 ...

9. vs2017生成sqlserver 2017项目出现.Net SqlClient Data Provider: Msg 10343

   一.使用vs2017生成sqlserver 2017项目时由于添加的程序集(CLR集成,可以参考后面给出的链接进行理解) ,由于安全权限的配置不正确引发以下的问题: SQL72014: .Net Sq ...

最新文章

1. HTML初级知识点总结(1.0)
2. php发送邮件，标题是乱码,php的mail函数发送UTF-8编码中文邮件时标题乱码怎么办？...
3. dart和python混编,Flutter与iOS混编(一)
4. BN究竟起了什么作用？一个闭门造车的分析
5. spring—aop
6. HTML5之WebSocket
7. centos7安装mysql5.7.16_centos7.x编译安装mysql5.7.16
8. 小程序快速入门：wxml的使用
9. 信息安全技术--一次一密钥密码
10. 深度学习面试题常见问答
11. python中系统找不到指定文件怎么办_python 系统找不到指定的文件
12. vbs脚本和windows定时任务实现qq消息表情包定时发送
13. cut out数据增强_数据增强：Mixup,Cutout,CutMix | Mosaic
14. 【微信小程序】用户授权以及判断登录是否过期的方法
15. SRS系列一——实现RTMP直播
16. android6.0 framwork修改
17. Nebula Graph学习篇1_基础概念、初步使用、整合SpringBoot使用
18. 点击劫持漏洞修复（前端、后端）
19. 莫言出力、章泽天站台！京东百万豪奖作家背后是文娱野心
20. (python)map,list,set删除元素

热门文章

1. python requests 模拟浏览器_Python3 requests模块如何模仿浏览器及代理
2. 计算机录入的课程标准,《文字录入》课程标准.doc
3. C1.Win.C1GanttView.C1GanttView 甘特图使用经验：子任务
4. 在python中查看关键字、需要在解释器中执行_现有代码 d={}，在python3解释器中执行 d[([1,2])] = 'b'得到的结果为():...
5. 免费正版 IntelliJ IDEA license 详细指南
6. python变量赋值方式_python中变量的命令规制及变量的赋值方式
7. 伯德图（Bode图）分析系统性能
8. 再向子公司输血数十亿，这家巨头的汽车电子业务何时迎来拐点？
9. 汤臣倍健创业25周年，宣布公司未来3年四个战略重点
10. 两寸标准证件照大小是多少？分享两种调整尺寸的方法