【R语言实战】——多模型预测及评价

于 2024-08-26 08:45:00 发布
阅读量334 收藏 6
点赞数 7
分类专栏： R语言编程 文章标签： r语言 开发语言 算法 回归算法 程序人生
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jd1813346972/article/details/141537751
版权

🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

   个人介绍: 研一｜统计学｜干货分享
         擅长Python、Matlab、R等主流编程软件
         累计十余项国家级比赛奖项，参与研究经费10w、40w级横向

文章目录

该篇文章主要展示了利用R语言建立最小二乘线性回归、岭回归、LASSO、PCR、PLS五种模型对“College”数据集中的申请数量进行预测，并进行模型评估。

1 项目任务

  使用“College”数据集中的其他变量预测收到的申请数量。

   (a)将数据集分成训练集和测试集。

   (b)在训练集上使用最小二乘法拟合线性模型，并报告所获得的测试误差。

   ©在训练集上拟合岭回归模型，通过交叉验证选择 λ。报告获得的测试误差。

   (d)在训练集上拟合 LASSO 模型，通过交叉验证选择 λ。报告获得的测试误 差，以及非零系数估计值的数量。

   (e)在训练集上拟合 PCR 模型，通过交叉验证选择 M。报告获得的测试误差， 以及通过交叉验证选择的 M 值。

   (f)在训练集上拟合 PLS 模型，通过交叉验证选择 M。报告获得的测试误差， 以及通过交叉验证选择的 M 值。

   (g)对获得的结果进行评论。我们能多准确地预测收到的大学申请数量？这 五种方法产生的测试误差有很大差别吗？

2 数据集介绍

  这个数据集包含了大量关于不同学校的详细数据，主要变量包括： 1.Private：是否为私立学校。 2.Apps：申请人数。 3.Accept：被录取人数。 4.Enroll：注册人数。 5.Top10perc：排名前 10%的新生比例。 6.Top25perc：排名前 25%的新生比例。 7.F.Undergrad：全职本科生人数。 8.P.Undergrad：兼职本科生人数。 9.Outstate：州外学费。 10.Room.Board：房间和伙食费用。 11.Books：书籍费用。 12.Personal：个人费用。 13.PhD：拥有博士学位的教师比例。 14.Terminal：教师拥有终极学位的比例。 15.S.F.Ratio：学生与教师的比例。 16.perc.alumn：捐赠的校友比例。 17.Expend：学生教育支出。 18.Grad.Rate：毕业率。 此外，该数据集还公布了学校名称。

3 加载相关包并读取数据

  运行程序：

library("class")  
library("caret") 
library("gmodels") 
library('pls')
data<- read.csv("D:\\机器学习与R语言\\College.csv",header = T)
head(data)     #查看前六行

  运行结果：

4 探索和准备数据

  1）使用 str()发现，该数据集共有 777 个观测值，19 个属性，同时，其涉及 的数据类型有字符型（int）和整型（int），其中“Apps”为目标变量。

  运行程序：

str(data)                       #查看数据类型

  运行结果：

  2）使用 table（）函数输出数据集中“Private”变量分布情况，同时利用 ifelse （）函数将其转化为 0-1 变量，其中“Yes”转化为 1，“No”转化为 0。该数据 集中，私立学校和公立学校数量分别为 565、212。

  运行程序：

table(data$Private)
data$Private_Yes=ifelse(data$Private=="Yes",1,0) #将分类变量Private转化为0-1变量，保存为Private_Yes
data=data[c(1,3:20)]                            ##剔除字符变量Private

  运行结果：

  3）利用 summary（）查看各变量数据特征情况，见运行结果，包括每个特 征的最小值，1/4 分位数，中位数，均值，3/4 分位数，最大值。其中“Apps”数 量分布在 81-48094 之间。

  运行程序：

data<-data[c('Apps','Accept','Enroll',
             'Top10perc','Top25perc','F.Undergrad','P.Undergrad',
             'Outstate','Room.Board','Books','Personal',
             'PhD','Terminal','S.F.Ratio','perc.alumni','Expend','Grad.Rate',
             'Private_Yes')]

summary(data)

  运行结果：

5 划分训练集和测试集

  运行程序：

set.seed(123) #设置随机种子以保证结果可重复
trainIndex=createDataPartition(data$Apps,p=0.8,
                               list=FALSE,
                               times=1)


data_train<-data[trainIndex, ] #创建训练集
data_test<-data[-trainIndex, ] #创建测试集

6 拟合最小二乘线性回归模型

  1）模型总结。训练集中，根据运行结果显示，线性回归方程 F 值为 537.3， p 值远小于 0.05，说明拟合的回归方程在 0.05 的显著性水平上显著成立。拟合优 度 R 2 为 0.9378，说明申请数量有 93.78%的信息可以用模型中的自变量来解释， 模型效果较好。其中，变量“Accept”、“Enroll”、“Top10perc”、“Top25perc”、 “F.Undergrad”、“Outstate”、“Expend”、“Grad.Rate”、“Private_Yes”在 0.05 的显著性水平下，对因变量“Apps”存在显著影响。

  运行程序：

lm_model=lm(Apps~.,data=data_train) #拟合线性回归模型
summary(lm_model)

  运行结果：

  2）测试误差。根据运行结果显示，最小二乘线性回归模型，在测试集表现 中，RMSE 为 1106.46，MAE 为 609.14。

  运行程序：

lm_pred=predict(lm_model,newdata=data_test) #对测试集进行预测
lm_error_RMSE=sqrt(mean((lm_pred-data_test$Apps)^2)) #计算均方根误差
lm_error_MAE=mean(abs(lm_pred-data_test$Apps)) #计算绝对平均误差

print(paste("线性模型测试误差RMSE:",lm_error_RMSE))
print(paste("线性模型测试误差MAE:",lm_error_MAE))

  运行结果：

7 拟合岭回归模型

  1）模型总结。训练集中，在拟合岭回归模型过程中，利用交叉验证的方式 选择最优正则化λ，根据结果运行显示，对应最小 MSE 的λ值为 388.9，MSE 为1785806，在该 λ 值下，模型中非零系数的数量为 17（不包含截距项），且在最小 MSE 的一个标准误差内的最大 λ 值为 1430.4，MSE 为 2405994，该 λ 值 下，模型中非零系数的数量为 17（不包含截距项）。

  运行程序：

ridge_model=cv.glmnet(as.matrix(data_train[,-c(1)]),data_train$Apps,alpha=0) #交叉验证拟合岭回归模型
print(ridge_model) #输出模型

  运行结果：

  2）测试误差。根据运行结果显示，交叉验证的岭回归模型，在测试集表现 中，RMSE 为 1108.10，MAE 为 605.30。

  运行程序：

ridge_model <- glmnet(as.matrix(data_train[,-c(1)]),data_train$Apps, alpha = 0, lambda = best_lambda)

ridge_pred <- predict(ridge_model, newx = as.matrix(data_test[,-c(1)]), s = best_lambda)  

ridge_error_RMSE=sqrt(mean((ridge_pred-data_test$Apps)^2)) #计算均方根误差
ridge_error_MAE=mean(abs(ridge_pred-data_test$Apps)) #计算绝对平均误差

print(paste("交叉验证岭回归测试误差RMSE:",ridge_error_RMSE))
print(paste("交叉验证岭回归测试误差MAE:",ridge_error_MAE))

  运行结果：

8 拟合LASSO模型

  1）模型总结。训练集中，在拟合 LASSO 回归模型过程中，利用交叉验证 的方式选择最优正则化λ，根据结果运行显示，对应最小 MSE 的λ值为 2.1，MSE 为 1346355，在该 λ 值下，模型中非零系数的数量为 17（不包含截距 项），且在最小 MSE 的一个标准误差内的最大 λ 值为 346.2，MSE 为 1587747，该 λ 值下，模型中非零系数的数量为 2（不包含截距项）。

  运行程序：

lasso_model=cv.glmnet(as.matrix(data_train[,-c(1)]),data_train$Apps,alpha=1) #交叉验证拟合lasso回归模型
print(lasso_model) #输出模型

  运行结果：

  2）测试误差。根据运行结果显示，交叉验证的 LASSO 回归模型，在测试 集表现中，RMSE 为 1099.85，MAE 为 604.00。

  运行程序：

best_lambda <- lasso_model$lambda.min 
print(paste("最优lambda:",best_lambda))

# 使用最佳λ在训练集上重新拟合模型  
lasso_model <- glmnet(as.matrix(data_train[,-c(1)]),data_train$Apps, alpha = 1, lambda = best_lambda)
lasso_pred=predict(lasso_model,newx = as.matrix(data_test[,-c(1)]), s = best_lambda) #对测试集进行预测
lasso_error_RMSE=sqrt(mean((lasso_pred-data_test$Apps)^2)) #计算均方根误差
lasso_error_MAE=mean(abs(lasso_pred-data_test$Apps)) #计算绝对平均误差

print(paste("交叉验证LASSO回归测试误差RMSE:",lasso_error_RMSE))
print(paste("交叉验证LASSO回归测试误差MAE:",lasso_error_MAE))

  运行结果：

9 拟合 PCR 模型

  1）模型总结。训练集中，在拟合 PCR 模型过程中，利用交叉验证的方式 选择最优主成分数量 M 为 10，当使用 10 个主成分时，可以解释原始数据中 85.87%的方差，解释能力较强。

  运行程序：

##拟合PCR模型
pcr_model=train(Apps~.,data=data_train,method="pcr",
                preProcess=c("center","scale"),tuneLength=10) #交叉验证拟合主成分回归模型

##选定的主成分数M
print(paste("选定的主成分数 (M):",pcr_model$bestTune))
print(summary(pcr_model))

  运行结果：

  2）测试误差。根据运行结果显示，交叉验证的 PCR 模型，在测试集表现 中，RMSE 为 1021.33，MAE 为 707.41。

  运行程序：

pcr_pred=predict(pcr_model,newdata=data_test)

pcr_error_RMSE=sqrt(mean((pcr_pred-data_test$Apps)^2)) #计算均方根误差
pcr_error_MAE=mean(abs(pcr_pred-data_test$Apps)) #计算绝对平均误差

print(paste("交叉验证PCR模型测试误差RMSE:",pcr_error_RMSE))
print(paste("交叉验证PCR模型测试误差MAE:",pcr_error_MAE))

  运行结果：

10 拟合PLS模型

  1）模型总结。训练集中，在拟合 PLS 回归模型过程中，利用交叉验证的 方式选择最优主成分数量 M 为 10，当使用 10 个主成分时，可以解释原始数据 中 93.73%的方差，解释能力较强。

  运行程序：

pls_model=train(Apps~.,data=data_train,method="pls",
                preProcess=c("center","scale"),tuneLength=10) #交叉验证拟合偏最小二乘回归

##选定的主成分数M
print(paste("选定的主成分数 (M):",pls_model$bestTune))
print(summary(pls_model))

  运行结果：

  2）测试误差。根据运行结果显示，交叉验证的 PCR 模型，在测试集表现 中，RMSE 为 1095.97，MAE 为 607.09。

  运行程序：

pls_pred=predict(pls_model,newdata=data_test)

pls_error_RMSE=sqrt(mean((pls_pred-data_test$Apps)^2)) #计算均方根误差
pls_error_MAE=mean(abs(pls_pred-data_test$Apps)) #计算绝对平均误差

print(paste("交叉验证PLS模型测试误差RMSE:",pls_error_RMSE))
print(paste("交叉验证PLS模型测试误差MAE:",pls_error_MAE))

  运行结果：

11 模型评估

  本实验在训练集过程中，利用训练集分别拟合了最小二乘线性回归模型、交 叉验证的岭回归模型、交叉验证的 LASSO 模型、PCR 模型、PLS 回归模型五 个模型，并在测试集进行测试，以 RMSE、MAE 指标评估模型。结果见表 1 所 示。

  根据表 1 可以看出，五种模型在测试集表现中，RMSE 集中在 1100 附近， 其中 PCR 模型的 RMSE 指标最低，MAE 大多集中在 600 附近，PCR 为 707，五 种模型总体上性能相似。

12 完整代码

##加载相关包并读取数据
library("class")  
library("caret") 
library("gmodels") 
library('pls')
data<- read.csv("D:\\机器学习与R语言\\College.csv",header = T)
head(data)     #查看前六行

str(data)                       #查看数据类型


table(data$Private)
data$Private_Yes=ifelse(data$Private=="Yes",1,0) #将分类变量Private转化为0-1变量，保存为Private_Yes
data=data[c(1,3:20)]                            ##剔除字符变量Private



data<-data[c('Apps','Accept','Enroll',
             'Top10perc','Top25perc','F.Undergrad','P.Undergrad',
             'Outstate','Room.Board','Books','Personal',
             'PhD','Terminal','S.F.Ratio','perc.alumni','Expend','Grad.Rate',
             'Private_Yes')]

summary(data)


set.seed(123) #设置随机种子以保证结果可重复
trainIndex=createDataPartition(data$Apps,p=0.8,
                               list=FALSE,
                               times=1)


data_train<-data[trainIndex, ] #创建训练集
data_test<-data[-trainIndex, ] #创建测试集


##最小二乘线性回归
lm_model=lm(Apps~.,data=data_train) #拟合线性回归模型
summary(lm_model)


lm_pred=predict(lm_model,newdata=data_test) #对测试集进行预测
lm_error_RMSE=sqrt(mean((lm_pred-data_test$Apps)^2)) #计算均方根误差
lm_error_MAE=mean(abs(lm_pred-data_test$Apps)) #计算绝对平均误差

print(paste("线性模型测试误差RMSE:",lm_error_RMSE))
print(paste("线性模型测试误差MAE:",lm_error_MAE))



##拟合岭回归模型
ridge_model=cv.glmnet(as.matrix(data_train[,-c(1)]),data_train$Apps,alpha=0) #交叉验证拟合岭回归模型
print(ridge_model) #输出模型


# 使用最佳λ在训练集上重新拟合模型  
ridge_model <- glmnet(as.matrix(data_train[,-c(1)]),data_train$Apps, alpha = 0, lambda = best_lambda)

ridge_pred <- predict(ridge_model, newx = as.matrix(data_test[,-c(1)]), s = best_lambda)  

ridge_error_RMSE=sqrt(mean((ridge_pred-data_test$Apps)^2)) #计算均方根误差
ridge_error_MAE=mean(abs(ridge_pred-data_test$Apps)) #计算绝对平均误差

print(paste("交叉验证岭回归测试误差RMSE:",ridge_error_RMSE))
print(paste("交叉验证岭回归测试误差MAE:",ridge_error_MAE))

##LASSO回归
lasso_model=cv.glmnet(as.matrix(data_train[,-c(1)]),data_train$Apps,alpha=1) #交叉验证拟合lasso回归模型
print(lasso_model) #输出模型


# 选择最佳λ（最小交叉验证误差的λ）  
best_lambda <- lasso_model$lambda.min 
print(paste("最优lambda:",best_lambda))

# 使用最佳λ在训练集上重新拟合模型  
lasso_model <- glmnet(as.matrix(data_train[,-c(1)]),data_train$Apps, alpha = 1, lambda = best_lambda)
lasso_pred=predict(lasso_model,newx = as.matrix(data_test[,-c(1)]), s = best_lambda) #对测试集进行预测
lasso_error_RMSE=sqrt(mean((lasso_pred-data_test$Apps)^2)) #计算均方根误差
lasso_error_MAE=mean(abs(lasso_pred-data_test$Apps)) #计算绝对平均误差

print(paste("交叉验证LASSO回归测试误差RMSE:",lasso_error_RMSE))
print(paste("交叉验证LASSO回归测试误差MAE:",lasso_error_MAE))


##拟合PCR模型
pcr_model=train(Apps~.,data=data_train,method="pcr",
                preProcess=c("center","scale"),tuneLength=10) #交叉验证拟合主成分回归模型

##选定的主成分数M
print(paste("选定的主成分数 (M):",pcr_model$bestTune))
print(summary(pcr_model))


pcr_pred=predict(pcr_model,newdata=data_test)

pcr_error_RMSE=sqrt(mean((pcr_pred-data_test$Apps)^2)) #计算均方根误差
pcr_error_MAE=mean(abs(pcr_pred-data_test$Apps)) #计算绝对平均误差

print(paste("交叉验证PCR模型测试误差RMSE:",pcr_error_RMSE))
print(paste("交叉验证PCR模型测试误差MAE:",pcr_error_MAE))


##拟合PLS回归模型
pls_model=train(Apps~.,data=data_train,method="pls",
                preProcess=c("center","scale"),tuneLength=10) #交叉验证拟合偏最小二乘回归

##选定的主成分数M
print(paste("选定的主成分数 (M):",pls_model$bestTune))
print(summary(pls_model))

pls_pred=predict(pls_model,newdata=data_test)

pls_error_RMSE=sqrt(mean((pls_pred-data_test$Apps)^2)) #计算均方根误差
pls_error_MAE=mean(abs(pls_pred-data_test$Apps)) #计算绝对平均误差

print(paste("交叉验证PLS模型测试误差RMSE:",pls_error_RMSE))
print(paste("交叉验证PLS模型测试误差MAE:",pls_error_MAE))
小墨&晓末
关注
  • 7
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
自然语言处理实战——LSTM情感分析
06-10
自然语言处理实战视频教程，自然语言处理中重要的算法，词向量模型。本课程从语言模型入手，详解词向量构造原理与求解算法。理论与实战结合， 基于深度学习主流框架Tensorflow实例演示如何用深度学习来进行文本分类...
自然语言处理——BERT情感分类实战(一)之预处理
12-22
网上已经有很多文章对BERT的原理讲得很清楚了，今天我将以实战的方式（假装大家都懂原理≧◔◡◔≦）一步步带大家操作最近比较流行的BERT模型。源代码是pytorch版本。由于篇幅比较长我将分几个部分讲解。第一部分是...
大语言模型实战——最小化模型评测
golfxiao的专栏
05-29 1267
由于语言模型是一个词一个词输出的，我们可以把预测结果和标准答案都看成是按先后顺序生成的一个个的词，这样按照顺序对每个词两两比较就可以得出整个句子预测结果的精确率。进而可以得到F1 score，它是精确率和召回率的调和平均值，其取值范围为 0 到 1，其中，1 表示精确率和召回率均达到完美。
R语言实战——基于KNN聚类的时间序列分析预测
chenwei的博客
07-10 5343
--- title: "Summary of Reading" author: "ChenWei" date: "2020/6/24" output: word_document --- ```{r setup, include=FALSE} knitr::opts_chunk$set(echo = TRUE)     这一次我阅读的是Francisco Martinez等著的《Time Series Forecasting with KNN in R: the tsfknn Package》，这篇文章
【R语言爬虫实战】——爬取某影评并建立主题模型（附完整代码）
jd1813346972的博客
03-11 1496
通过网络爬虫技术爬取豆瓣影评上660条《我和我对家乡》热点影评数据，接着利用**结巴分词、自己收集的停用词词典大大提高了中文分词准确性，并基于IF-IDF方法为关键词赋值权重，提高主题分类及情感分类的合理性。
【R语言爬虫实战】——爬取某影评并建立主题模型（附完整代码
m0_61418142的博客
05-01 398
re=data.frame(发布者=re[1],日期=re[2])return(re)}#创建格式函数for (i in index1){# 读取网址url3
【R语言爬虫实战】——爬取某影评并建立主题模型（附完整代码(1)
m0_61418075的博客
05-01 947
项目背景：本项目旨在通过网络爬虫技术，成功抓取某影评平台上的660条关于电影《我和我对家乡》的热点影评数据。随后，我们利用高效的“结巴分词”工具，并结合自主构建的停用词词典，显著提升了中文分词的准确性。在此基础上，我们采用先进的“TF-IDF”方法为关键词分配权重，进一步增强了主题分类和情感分类的合理性，为后续的数据分析和研究奠定了坚实基础。若有不足之处，敬请指正！多谢大家关注支持！！
R语言统计分析——线性模型假设的综合验证与多重共线性
maizeman126的博客
08-21 553
假设我们正在进行一项握力研究，自变量包括DOB（ Date Of Birth，出生日期）和年龄。但是当我们观察DOB和年龄的回归系数时，却发现它们都不显著（也就是说无法证明它们与握力相关）。如果Global stat 的p值小于0.05，我们则需要对数据进行逐项排查与验证（正态性、误差独立性、线性、同方差性等）VIF的平方根表示变量回归参数的置信区间能膨胀为与模型无关的预测变量的程度（因此而得名）。gvlma包中的gvlma()函数，能对线性模型进行综合验真，同时还能做偏斜度、峰度和异方差性的评价。
毕业设计实用模型（四）——回归模型的实现（R语言）
统计学小王子的博客
04-22 8272
目录0引言1、课本介绍1.1理论的书1.2 R语言的书2、构造数据3、相关性分析4、多元回归模型的建立4.1建立模型5.2模型分析5.3方差分析表5、变量选择5.1 逐步回归5.2所有子集法5.3套索法6、回归模型常用函数总结7、参考文献 0引言 在毕业实用模型一1、二2、三3中介绍了时间序列模型的建模思路与在R语言中的调参，今天来讲解一下回归模型的建模思路和实现。 在这里你将会学到： 推荐的回...
《异常检测——从经典算法到深度学习》26 Time-LLM：基于大语言模型的时间序列预测
Smileyan's blog
03-03 4389
基于大模型的时间序列预测。
R语言统计分析——回归诊断
maizeman126的博客
08-19 500
不过，我们对这些结果的信息，都只建立在我们的数据满足统计假设的前提上。换句话说，除了白噪音，模型应该包含数据中所有的系统方差，在“残差与拟合图”（Residuals vs Fitted，左上角的图）中可清楚地看到一条曲线关系，这暗示着我们可能需要对回归模型加上一个二次项。上面的例子中，没有任何先验的理由去相信一位女性的体重会影响另一位女性的体重。：若满足不变方差假设，那么在“位置尺度图”（Scale-Location Graph，左下角的图）中，水平线周围的点应该随机分布。我们在看看二次方拟合的诊断图。
R语言实战中文完整版PDF+对应代码_R语言实战_
09-30
《R语言实战》是一本以解决实际问题为导向的R语言学习指南，旨在帮助读者通过实践掌握R语言在数据分析和统计分析中的应用。书中的内容深入浅出，避免了过于复杂的统计学理论，使得非统计背景的读者也能轻松上手。 R...
多模态大模型-基于上下文感知提示+语言引导的密集预测CLIP-附项目源码+流程教程-优质项目实战.zip
06-02
多模态大模型_基于上下文感知提示+语言引导的密集预测CLIP_附项目源码+流程教程_优质项目实战
基于R语言的统计分析基础：数据结构
最新发布
m0_73500130的博客
08-25 566
R语言是一种用于统计分析和图形表示的编程语言和软件环境，它提供了多种数据结构以存储和操作数据。这些数据结构包括向量、矩阵、数组、数据框、列表、因子、Tibble、环境、公式、调用以及表达式。
基于R语言遥感随机森林建模与空间预测
weixin_48230888的博客
08-20 587
因此，遥感随机森林建模与空间预测的应用能够有效提升遥感数据分析的精度和可靠性，是许多研究者关注的热点。在R语言中，随机森林的实现与应用非常方便，R语言提供了多种包用于构建和优化随机森林模型。此外，R语言在数据可视化方面的优势使得用户能够直观地展示模型的结果和变量的重要性，进一步提高了分析的可解释性和应用价值。因此，R语言中的随机森林工具因其易用性、灵活性和强大的功能，成为遥感数据分析中不可或缺的工具。（2）R语言基础语法与数据结构，包括：程序包安装、加载、更新，数据读取与输出，ggplot2常规画图等。
P(查准率) R(查全率) AP mAP最通俗准确的讲解
weixin_44115575的博客
08-22 895
学习YOLO的过程中遇到了mAP指标，在网上看了很多关于mAP的讲解，不是很理解其计算过程，于是总结了各个帖子及自己的理解，给出mAP计算的规律，这样就能作为笔记很好的记忆。
R 语言学习教程，从入门到精通，R XML 文件使用（19）
qq_45746668的博客
08-20 288
XML 指的是可扩展标记语言（eXtensible Markup Language），XML 被设计用来传输和存储数据。 R 语言读写 XML 文件需要安装扩展包，我们可以在 R 到控制台输入以下命令来安装
JS脚本实现RPA模拟人工操作网页获取数据
p6448777的博客
08-25 263
五、最后利用JS拿到所有我们需要的数据后，我们就可以保存到Excel或者CSV中了。这样我们就顺利的实现了利用JS实现数字员工，模拟人的操作来获取网页数据，大大降低人工操作的成本了。四、我们根据条件查询到我们所需要的信息，就可以利用JS自动保存这些信息到Cookie，如果页面会自动刷新也需要利用条件判断来控制。三、打开页面后，我们要利用Cookie来记录我们的关键值，如公司名称、读取下标记，其次最重要的就是页面的元素操作。一、首先我们可以根据查询条件去预置一个Excel，比如我们以公司名称为例。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小墨&晓末

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值