- 综合排序
- 最热优先
- 最新优先
- 来自专栏四楼没电梯
公历农历转换库Lunar Solar Calendar Converter
项目介绍 Lunar Solar Calendar Converter 是一个多语言支持的公历（阳历）和农历（阴历）转换工具。 基本用法 以下是在不同编程语言中使用这个转换工具的基本API： C#/Java Solar solarDate = LunarSolarConverter.LunarToSolar(lunarDate) solarDate = LunarToSolar(lunarDate); Lunar lunarDate = SolarToLunar(solarDate); Ruby solar_date = lunar_to_solar (lunar_date) lunar_date = solar_to_lunar(solar_date) Swift let solarDate = LunarSolarConverter.LunarToSolar 项目地址 https://github.com/isee15/Lunar-Solar-Calendar-Converter
3.3K10编辑于 2024-10-12 - 来自专栏深度学习自然语言处理
SOLAR： “自我嫁接”就行！
最近的Huggingface LLM榜单都快被SOLAR这种“嫁接模型”刷烂了，Top 10模型都是10.7B，很明显是SOLAR的魔改版。 SOLAR 就是干这个的，问题是个好问题，SOLAR给自己的做法起了个很玄乎的名字，“Depth Up-Scaling”，其实做法很简单，就类似植物嫁接：训练好的Mistral 7B模型Transformer 这样形成了SOLAR-chat版本。 2、SOLAR-chat模型相对SOLAR基座模型测试效果有大幅提升（6项任务平均分+8分多），这说明大模型Post-training阶段是可以注入新知识的（之前也有不少研究可以证实这一点）。 3、SOLAR-base基座模型比其它基座模型（LLAMA2-70B/Yi-34B/Mixtra 8*7B）效果是不如的（SOLAR模型规模最小，所以不如也正常），但是也比较接近差不太多（平均分差1到4
64210编辑于 2024-01-18 - 来自专栏四楼没电梯
开源多语言公历农历转换
static Lunar SolarToLunar(Solar solar) API For Objective-C /** *农历转公历 */ + (Solar *)lunarToSolar:(Lunar *)lunar; /** *公历转农历 */ + (Lunar *)solarToLunar:(Solar *)solar; API For php /** *农历转公历 */ public static ) API For C/C++ /** *农历转公历 */ Solar LunarToSolar(Lunar lunar); /** *公历转农历 */ Lunar SolarToLunar(Solar solar); API For ruby /** *农历转公历 */ def LunarToSolar(lunar) /** *公历转农历 */ def SolarToLunar(solar) ( solar:Solar)->Lunar
1.9K10编辑于 2024-10-12 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MYDOCGA V6海洋反射率产品由Aqua MODIS 8-16波段的1公里反射率数据组成。为海洋反射率数据集
zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used
40210编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MODOCGA V6海洋反射率产品由Terra MODIS 8-16波段的1公里反射率数据1km
zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used
34410编辑于 2024-02-02 - 来自专栏优雅R
「R」使用reshape2包
_3 Solar.R_4 Solar.R_5 Solar.R_6 Solar.R_7 Solar.R_8 ## 1 118 149 313 NA NA 299 99 ## Solar.R_9 Solar.R_10 Solar.R_11 Solar.R_12 Solar.R_13 Solar.R_14 ## 1 19 194 NA 256 290 274 ## Solar.R_15 Solar.R_16 Solar.R_17 Solar.R Solar.R_21 Solar.R_22 Solar.R_23 Solar.R_24 Solar.R_25 Solar.R_26 ## 1 8 320 25 92 66 266 ## Solar.R_27 Solar.R_28 Solar.R_29 Solar.R_30 Solar.R_31 Wind_
82820发布于 2020-07-03 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MYD09A1.006 Aqua Surface Reflectance 8-DayAqua MODIS 1-7带500米分辨率
zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used
35310编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——数据全解析专辑（COPERNICUS/S2_SR）20154至今哨兵-2号(SR) 数据集
Double Mean solar exoatmospheric irradiance for band B1 SOLAR_IRRADIANCE_B2 Double Mean solar exoatmospheric Double Mean solar exoatmospheric irradiance for band B4 SOLAR_IRRADIANCE_B5 Double Mean solar exoatmospheric Double Mean solar exoatmospheric irradiance for band B7 SOLAR_IRRADIANCE_B8 Double Mean solar exoatmospheric SOLAR_IRRADIANCE_B9 Double Mean solar exoatmospheric irradiance for band B9 SOLAR_IRRADIANCE_B10 Double Mean solar exoatmospheric irradiance for band B10 SOLAR_IRRADIANCE_B11 Double Mean solar exoatmospheric
69310编辑于 2024-02-02 - 来自专栏数据科学学习手札
（数据科学学习手札58）在R中处理有缺失值数据的高级方法
如上图所示，通过marginplot传入二维数据框，这里选择airquality中包含缺失值的前两列变量，其中左侧对应变量Solar.R的红色箱线图代表与Ozone缺失值对应的Solar.R未缺失数据的分布情况 pmm修改为norm methods[c("Solar.R")] <- 'cart' 接着我们来查看predictorMatrix参数： > #取得对每一个变量进行拟合用到的变量矩阵，0代表不用到， 1代表用到 > predM <- init$predictorMatrix > predM Ozone Solar.R Wind Temp Month Day Ozone 0 1 1 1 1 1 Solar.R 1 0 1 1 1 1 Wind 1 1 0 [[3]] Call: lm(formula = Ozone ~ Solar.R + Wind + Temp) Coefficients: (Intercept) Solar.R
4.1K40发布于 2019-06-03 - 来自专栏一些有趣的Python案例
150行Python代码模拟太阳系行星运转（含music）
pygame.image.load(r" 这里填背景图片本地路径 ") screen.blit(background, (0, 0)) 右侧文字及星球显示 textImage = myfont.render("Solar ), (0, 0, 0)) # 太阳 screen.blit(text_surface, (1020, 30)) sun = pygame.image.load(r"F:\solar-system , (0, 0, 0)) # 火星 screen.blit(text_surface, (1020, 230)) Mars = pygame.image.load(r"F:\solar-system , (0, 0, 0)) # 木星 screen.blit(text_surface, (1020, 270)) Jupiter = pygame.image.load(r"F:\solar-system , (0, 0, 0)) # 土星 screen.blit(text_surface, (1020, 300)) Saturn = pygame.image.load(r"F:\solar-system
1.5K20发布于 2021-02-02 - 来自专栏个人路线
鸿蒙原生calendar-converter三方库发布啦
() { Column() { Text(this.message) .fontSize(20) Button("调用calendar.solar2lunar ()：") .onClick(() => { this.message = JSON.stringify(calendar.solar2lunar()); = JSON.stringify(calendar.solar2lunar(1987,11,'01')); }) Button("调用calendar.lunar2solar , '09', 10)：：") .onClick(() => { this.message = JSON.stringify(calendar.lunar2solar (1987,11,01); /** 农历年月日转公历年月日 */ calendar.lunar2solar(1987,9,10); /**调用以上方法后返回类似如下object（json）具体以上就不需要解释了吧
43710编辑于 2024-02-23 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
全球公用事业级太阳能发电场卫星数据集
Solar Asset Mapper: A continuously-updated global inventory of solar energy facilities built with satellite TZ Solar Asset Mapper Q1 2024.xlsx：analysis_polygons.csv 文件的 Excel 格式版本。 代码 var tzero_solar = ee.FeatureCollection("projects/sat-io/open-datasets/TZERO/TZ-SOLAR-2024Q1"); // "TransitionZero (2024) Solar Asset Mapper." Solar Asset Mapper: A continuously-updated global inventory of solar energy facilities built with satellite
52110编辑于 2024-06-23 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
PIE-engine 教程 ——MODIS影像去云教程(山西省为例)
zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used
1.1K10编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
GEE高阶案例——ee.Image和ee.ImageCollection的影像列表的可视化
首先，我们将集合转换为列表： S2list = S2.toList(S2.size()) S2list.getInfo() 'VEGETATION_PERCENTAGE': 6.85553, 'SOLAR_IRRADIANCE_B12 ': 85.25, 'SOLAR_IRRADIANCE_B10': 367.15, 'SENSOR_QUALITY': 'PASSED', 'SOLAR_IRRADIANCE_B11': 245.59, ': 105.017646027147, 'SOLAR_IRRADIANCE_B8': 1041.63, 'MEAN_INCIDENCE_AZIMUTH_ANGLE_B12': 105.532199227014 , 'SOLAR_IRRADIANCE_B7': 1162.08, 'SOLAR_IRRADIANCE_B2': 1959.66, 'SOLAR_IRRADIANCE_B1': 1884.69, 'SOLAR_IRRADIANCE_B4 ': 1512.06, 'GEOMETRIC_QUALITY': 'PASSED', 'SOLAR_IRRADIANCE_B3': 1823.24, 'system:asset_size': 930285505
63610编辑于 2024-03-18 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MYD09GA.006 Aqua 地表反射率 Daily Global 1km and 500m在没有大气散射或吸收的情况下在地
zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used zenith ≥ 86 degrees10: Solar zenith ≥ 85 and < 86 degrees11: Missing input12: Internal constant used
68010编辑于 2024-02-02 - 来自专栏生信小驿站
R语言naniar包（新名词：阴影矩阵；Shadow matrices）
p1 <- ggplot(data = airquality, aes(x = Ozone, y = Solar.R)) + geom_miss_point() head(airquality) #> Ozone Solar.R Wind Temp Month Day #> 1 41 190 7.4 67 5 1 #> 2 您可以使用bind_shadow或nabular将阴影绑定到数据： bind_shadow(airquality) #> # A tibble: 153 x 12 #> Ozone Solar.R Wind Temp Month Day Ozone_NA Solar.R_NA Wind_NA Temp_NA #> <int> <int> <dbl> <int> <int> <int airquality %>% bind_shadow() %>% simputation::impute_lm(Ozone ~ Temp + Solar.R) %>% ggplot(aes(
1.9K20发布于 2020-02-11 - 来自专栏个人路线
鸿蒙原生lunar库发布
安装 ohpm install @nutpi/lunar 示例 // import import {Solar} from '@nutpi/lunar'; const solar = Solar.fromYmd (1986, 5, 29); console.log(solar.toFullString()); console.log(solar.getLunar().toFullString());
34810编辑于 2025-01-08 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine（GEE）——全球风力和太阳能发电站位置和功率数据集
Harmonised global datasets of wind and solar farm locations and power Data Citation¶ Dunnett, S. Harmonised global datasets of wind and solar farm locations and power. figshare. Harmonised global datasets of wind and solar farm locations and power. = ee.FeatureCollection("projects/sat-io/open-datasets/global_solar_farms_2020"); Sample Code: https: Curated by: Samapriya Roy Keywords: solar, wind, energy, renewable Last updated: 2021-08-31
95110编辑于 2024-02-02 - 来自专栏生信小驿站
R语言第二章数据处理⑨缺失值判断和填充
summary(fit) airquality[index1,"Ozone"]<-predict(fit,newdata =Ozone_test ) index2<-is.na(airquality$Solar.R ) Solar.R_train<-airquality[! index2,] #训练集 Solar.R_test<-airquality[index2,] #测试集 Solar.R_fit<-lm(Solar.R~. ,data = Solar.R_train) summary(Solar.R_fit) airquality[index2,"Solar.R"]<-predict(Solar.R_fit,newdata = Solar.R_test) mice::md.pattern(airquality) #knn和bag缺失值插补(利用caret包中的preProcess函数，method参数有多种方式可选) question
3.1K52发布于 2019-03-04 - 来自专栏拓端tecdat
R语言用线性回归模型预测空气质量臭氧数据
空气质量数据集 空气质量数据集包含对在纽约获得的以下四个空气质量指标的154次测量： 臭氧：平均臭氧水平，以十亿分之一为单位 Solar.R：太阳辐射 风：平均风速，每小时英里 温度：每日最高温度，以华氏度为单位 data(airquality)ozone <- subset(na.omit(airquality), select = c("Ozone", "Solar.R", "Wind", " plot(ozone) # pairwise variable correlationscors <- cor(ozone)print(cors) ## Ozone Solar.R 低系数 Solar.R 表示太阳辐射对预测臭氧水平没有重要作用，这不足为奇，因为在我们的探索性分析中，它与臭氧水平没有很大的相关性。 它定义为设计矩阵的方差-协方差矩阵，该矩阵按误差的方差标准化： ## (Intercept) Solar.R Temp Wind#
2.1K00发布于 2020-08-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号