主頁 >  其他 > 方差分析介紹(結合COVID-19案例)

方差分析介紹(結合COVID-19案例)

2020-09-12 14:21:34 其他

作者|GUEST BLOG
編譯|VK
來源|Analytics Vidhya

介紹

“事實是每個人都相信的簡單陳述，也就是事實是沒有錯的，除非它被人發現了錯誤，假設有一個沒人愿意相信的建議，那么它要直到被發現有效的時候才能成為事實，” –愛德華·泰勒

我們正在應對一場空前規模的流行病，全世界的研究人員都在瘋狂地試圖開發一種疫苗或COVID-19的治療方法，而醫生們正試圖阻止這種流行病席卷整個世界，

我最近有了一個想法，把我的統計知識應用到這些大量COVID資料中，

考慮這樣一個場景：醫生有四種醫療方法來治療病人，一旦我們有了測驗結果，用最少時間治愈病人的治療會是最好的方法，

但如果這些病人中的一些已經部分治愈，或者其他藥物已經在治療他們呢？

為了作出一個有信心和可靠的決定，我們需要證據來支持我們的做法，這就是方差分析的概念發揮作用的地方，

在本文中，我將向你介紹方差分析測驗及其用于做出更好決策的不同型別，我將在Python中演示每種型別的ANOVA（方差分析）測驗，以可視化它們并處理COVID-19資料，

注意：你必須了解統計學的基本知識才能理解這個主題，最好了解t檢驗和假設檢驗，

什么是方差分析測驗(ANOVA)

方差分析，或稱方差分析，可以看作是兩組以上的t檢驗的推廣，獨立t檢驗用于比較兩組之間的條件平均值，當我們想比較兩組以上患者的病情平均值時，使用方差分析，

方差分析測驗模型中某個地方的平均值是否存在差異（測驗是否存在整體效應），但它不能告訴我們差異在哪里（如果存在），為了找出兩組之間的區別，我們必須進行事后檢驗，

要執行任何測驗，我們首先需要定義原假設和替代假設：

  • 零假設–各組之間無顯著差異
  • 替代假設–各組之間存在顯著差異

基本上，方差分析是通過比較兩種型別的變化來完成的，即樣本均值之間的變化，以及每個樣本內部的變化，以下公式表示單向Anova測驗統計資料，

ANOVA公式的結果，即F統計量（也稱為F比率），允許對多組資料進行分析，以確定樣本之間和樣本內部的可變性，

單向ANOVA的公式可以這樣寫：

當我們繪制ANOVA表時，上面的所有組成部分都可以如下所示：

一般來說，如果與F相關聯的p值小于0.05，則將拒絕原假設并支持替代假設，如果原假設被拒絕，我們可以得出結論，所有組的均值不相等，

注：如果被測組之間不存在真正的差異，也就是所謂的零假設，那么方差分析的F比統計結果將接近1，

ANOVA檢驗的假設

在進行方差分析之前，我們需要做一些假設：

  1. 從因子水平定義的總體中獨立且隨機地獲得觀察結果
  2. 每個因子水平的資料均呈正態分布
  3. 案例獨立性：樣本案例應相互獨立
  4. 方差的同質性：同質性是指各組之間的方差應近似相等

方差同質性的假設可以用Levene檢驗或Brown-Forsythe檢驗來檢驗，分數分布的正態性可以用直方圖、偏度和峰度值來檢驗，也可以用Shapiro-Wilk或Kolmogorov-Smirnov或Q-Q圖來檢驗，獨立性的假設可以根據研究設計來確定，

值得注意的是，方差分析對于假設獨立性的違規行為并不強大，這就是說，即使你違反了同質性或正態性的假設，你也可以進行測驗并基本相信結果，

但是，如果違反了獨立性假設，方差分析的結果是無效的，一般來說，在違反同質性的情況下，如果具有相同大小的組，則分析被認為是可靠的，對于違反正態性的情況，如果樣本量較大，繼續進行方差分析通常是可以的，

方差分析檢驗型別

  1. 單向方差分析：單向方差分析只有一個自變數

    • 例如，可以按國家/地區評估日冕案例的差異，并且一個國家可以將2個，20個或更多不同的類別進行比較

  2. 雙向方差分析：雙向方差分析（也稱為因子方差分析）是指使用兩個獨立變數的方差分析

    • 擴展上面的示例，雙向方差分析可以按年齡組（獨立變數1）和性別（獨立變數2）檢查日冕病例（因變數）的差異，雙向方差分析可用于檢查兩個獨立變數之間的相互作用，相互作用表明，自變數的所有類別之間的差異不是統一的
    • 例如，老年組總體上可能比青年組具有更高的日冕病例，但是與歐洲國家相比，亞洲國家的差異可能更大（或更小）

  3. N向方差分析：一個研究者也可以使用兩個以上的自變數，這是一個N向方差分析（N是你擁有的自變數的數量），也就是MANOVA檢驗，

    • 例如，可以同時按國家、性別、年齡組、種族等檢查日冕病例的潛在差異
    • 方差分析會給你一個單變數的f值，而方差分析會給你一個多變數的f值

有復制與無復制

你可能經常聽到關于方差分析的復制和不復制，讓我們了解這些是什么：

  1. 具有復制功能的雙向ANOVA：兩個小組和這些小組的成員所做的不只是一件事情

    • 例如，假設尚未開發出針對COVID-19的疫苗，醫生正在嘗試兩種不同的治療方法來治愈兩組感染COVID-19的患者

  2. 雙向ANOVA（無復制）：只有一個組并且對同一組進行雙重測驗時使用

    • 例如，假設已為COVID-19開發了一種疫苗，研究人員正在對一組志愿者進行疫苗接種之前和之后的測驗，以查看其是否有效

事后檢驗

當我們進行方差分析時，我們試圖確定各組之間是否存在統計學上的顯著差異，如果我們發現存在差異，則需要檢查組差異的位置，

基本上，事后檢驗告訴研究者哪些組彼此不同，

此時，你可以運行事后檢驗，這是t檢驗，用于檢驗組之間的均值差異，可以進行多個比較測驗來控制I型錯誤率，包括Bonferroni、Scheffe、Dunnet和Tukey測驗，

現在，讓我們用一些真實的資料來理解每種型別的方差分析測驗，并使用Python，

Python中的單向方差分析測驗

我從一個正在進行的Kaggle競賽中下載了這些資料:https://www.kaggle.com/sudalairajkumar/covid19-in-india

在此測驗中，我們將嘗試分析區域或狀態的密度與日冕例數之間的關系，因此，我們將根據每個州的人口密度來映射每個州，

首先匯入所有必需的庫和資料：

import pandas as pd
import numpy as np

import scipy.stats as stats
import os
import random

import statsmodels.api as sm
import statsmodels.stats.multicomp

from statsmodels.formula.api import ols
from statsmodels.stats.anova import anova_lm
import matplotlib.pyplot as plt
from scipy import stats
import seaborn as sns

從目錄加載資料：

StatewiseTestingDetails=pd.read_csv('./StatewiseTestingDetails.csv')
population_india_census2011=pd.read_csv('./population_india_census2011.csv')

StatewiseTestingDetails包含有關每個州一天中陽性和陰性病例總數的資訊，而human_india_census2011包含有關每個州的密度的資訊以及有關人口的其他相關資訊，

population_india_census2011.head() 
StatewiseTestingDetails.head() #了解資料
StatewiseTestingDetails['Positive'].sort_values().head() #排序

從上面的代碼片段中，我們可以看到有幾個州在一天內有0個日冕案例或沒有日冕案例，所以讓我們看看這樣的州：

StatewiseTestingDetails['State'][StatewiseTestingDetails['Positive']==1].unique()

我們看到，Nagaland和Sikkim在一天內也沒有日冕病例，另一方面，Arunachal和Mizoram一天只有一個日冕病例，

估算缺失值：我們注意到“Positive”列中有許多缺失值，因此，讓我們用每個州的Positive中值來估算這些缺失的值：

stateMedianData=https://www.cnblogs.com/panchuangai/p/StatewiseTestingDetails.groupby('State')[['Positive']].median().reset_index().rename(columns={'Positive':'Median'})
stateMedianData.head()

for index,row in StatewiseTestingDetails.iterrows():

    if pd.isnull(row['Positive']):

        StatewiseTestingDetails['Positive'][index]=int(stateMedianData['Median'][stateMedianData['State']==row['State']])

#合并StatewiseTestingDetails & population_india_census2011
data=https://www.cnblogs.com/panchuangai/p/pd.merge(StatewiseTestingDetails,population_india_census2011,on='State')

現在我們可以撰寫一個函式，根據每個州的密度創建一個密度組bucket，其中Dense1<Dense2<Dense3<Dense4：

def densityCheck(data):
    data['density_Group']=0
    for index,row in data.iterrows():
        status=None
        i=row['Density'].split('/')[0]
        try:
            if (',' in i):
                i=int(i.split(',')[0]+i.split(',')[1])
            elif ('.' in i):
                i=round(float(i))
            else:
                i=int(i)
        except ValueError as err:
            pass
        try:
            if (0<i<=300):
                status='Dense1'
            elif (300<i<=600):
                status='Dense2'
            elif (600<i<=900):
                status='Dense3'
            else:
                status='Dense4'
        except ValueError as err:
            pass
        data['density_Group'].iloc[index]=status
    return data

現在，用密度組映射每個州，我們可以匯出這些資料，以便以后在雙向方差分析測驗中使用：

data=https://www.cnblogs.com/panchuangai/p/densityCheck(data)
#匯出
stateDensity=data[['State','density_Group']].drop_duplicates().sort_values(by='State')

讓我們對可以用于方差分析測驗的資料集進行重新排列：

df=pd.DataFrame({'Dense1':data[data['density_Group']=='Dense1']['Positive'],
                 'Dense2':data[data['density_Group']=='Dense2']['Positive'],
                 'Dense3':data[data['density_Group']=='Dense3']['Positive'],
                 'Dense4':data[data['density_Group']=='Dense4']['Positive']})

我們的ANOVA檢驗假設之一是應隨機選擇樣本，并且樣本應接近高斯分布，因此，讓我們從每個因子或水平中選擇10個隨機樣本：

np.random.seed(1234)
dataNew=pd.DataFrame({'Dense1':random.sample(list(data['Positive'][data['density_Group']=='Dense1']), 10),
'Dense2':random.sample(list(data['Positive'][data['density_Group']=='Dense1']), 10),
'Dense3':random.sample(list(data['Positive'][data['density_Group']=='Dense1']), 10),
'Dense4':random.sample(list(data['Positive'][data['density_Group']=='Dense1']), 10)})

讓我們繪制日冕案例數量的密度分布圖，以檢查它們在不同密度組中的分布：

我們可以清楚地看到資料不遵循高斯分布，

有不同的資料轉換方法可以使資料接近高斯分布，我們進行Box-Cox變換：

dataNew['Dense1'],fitted_lambda = stats.boxcox(dataNew['Dense1'])
dataNew['Dense2'],fitted_lambda = stats.boxcox(dataNew['Dense2'])
dataNew['Dense3'],fitted_lambda = stats.boxcox(dataNew['Dense3'])
dataNew['Dense4'],fitted_lambda = stats.boxcox(dataNew['Dense4'])

現在讓我們再次繪制它們的分布圖來檢查：

方法1：使用statsmodels模塊進行單向方差分析

Python中有兩種方法可以執行ANOVA測驗，一個是stats.f_oneway()方法：

F, p = stats.f_oneway(dataNew['Dense1'],dataNew['Dense2'],dataNew['Dense3'],dataNew['Dense4'])
## 看看整體模型是否重要
print('F-Statistic=%.3f, p=%.3f' % (F, p))

我們發現p值<0.05，因此，我們可以拒絕零假設——不同密度組之間沒有差異，

方法2：用OLS模型進行單因素方差分析

正如我們在回歸中所知道的，我們可以對每個輸入變數進行回歸，并檢查其對目標變數的影響，所以，我們將遵循同樣的方法，我們在線性回歸中遵循的方法，

model = ols('Count ~ C(density_Group)', newDf).fit()
model.summary()


## 看看整體模型是否重要
print(f"Overall model F({model.df_model: .0f},{model.df_resid: .0f}) = {model.fvalue: .3f}, p = {model.f_pvalue: .4f}")

#創建方差分析表
res = sm.stats.anova_lm(model, typ= 2)
res

從以上輸出結果可以看出，p值小于0.05，因此，我們可以拒絕不同密度組之間沒有差異的零假設，

F-statistic= 5.817，p-value= https://www.cnblogs.com/panchuangai/p/0.002，這表明density_Group對日冕陽性病例有總體顯著影響，但是，我們尚不知道desnity_groups之間的區別在哪里，因此，基于p值，我們可以拒絕H0；就面積密度和日冕例數而言，沒有顯著差異，

事后比較檢驗

當我們進行方差分析時，我們試圖確定各組之間是否存在統計學上的顯著差異，那么，如果我們發現統計學意義呢？

如果發現存在差異，則需要檢查組差異的位置，因此，我們將使用Tukey HSD測驗來確定差異所在：

mc = statsmodels.stats.multicomp.MultiComparison(newDf['Count'],newDf['density_Group'])
mc_results = mc.tukeyhsd()
print(mc_results)

Tuckey HSD測驗清楚地表明，Group1 – Group3，Group1 – Group4，Group2 – Group3和Group3 – Group4之間存在顯著差異，

這表明，除上述兩組外，所有其他日冕病例數的成對比較均拒絕零假設，且無統計學顯著性差異，

假設檢驗/模型診斷

正態分布假設檢驗

當使用線性回歸和方差分析模型時，假設與殘差有關，而不是變數本身，

方法1:Shapiro-Wilk試驗：
### 正態性假設檢查
w, pvalue = https://www.cnblogs.com/panchuangai/p/stats.shapiro(model.resid)
print(w, pvalue)

從上面的代碼片段中，我們看到所有密度組的p值都大于0.05，因此，我們可以得出結論，它們遵循高斯分布，

方法2:Q-Q圖試驗：

我們可以使用Q-Q圖來檢驗這個假設：

res = model.resid
fig = sm.qqplot(res, line='s')
plt.show()

從上圖中，我們看到所有資料點都靠近45度線，因此我們可以得出結論，它遵循正態分布，

方差假設檢驗的同質性檢查

應針對分類變數的每個級別檢查方差假設的同質性，我們可以使用Levene檢驗來檢驗組之間的均等方差，

w, pvalue = https://www.cnblogs.com/panchuangai/p/stats.bartlett(newDf['Count'][newDf['density_Group']=='Dense1'], newDf['Count'][newDf['density_Group']=='Dense2']
                           , newDf['Count'][newDf['density_Group']=='Dense3'], newDf['Count'][newDf['density_Group']=='Dense4'])
print(w, pvalue)

## Levene 方差測驗
stats.levene(dataNew['Dense1'],dataNew['Dense2'],dataNew['Dense3'],dataNew['Dense4'])

我們發現所有密度組的p值都大于0.05，因此，我們可以得出結論，各組具有相等的方差，

Python中的雙向方差分析測驗

同樣，使用相同的資料集，我們將試圖了解一個地區或州的密度、人口年齡和日冕病例數量之間是否存在顯著關系，因此，我們將根據居住在其中的人口密度繪制每個州的地圖，

讓我們匯入資料并檢查是否存在任何資料歧義：

individualDetails=pd.read_csv('./individualDetails.csv',parse_dates=[2])
stateDensity=pd.read_csv('./stateDensity.csv')

從上面的代碼片段中，我們可以看到沒有感染嬰兒的記錄，接下來，檢查資料中是否缺少值：

individualDetails.isna().sum()

print('Percentage of missing values in age & gender columns respectively :', \
      (individualDetails['age'].isna().sum()/individualDetails.shape[0])*100,'%',\
      (individualDetails['gender'].isna().sum()/individualDetails.shape[0])*100,'%')

我們發現在年齡和性別欄中分別有超過91%和80%的條目丟失，所以我們需要設計一種方法來估算它們，

在這里，我將以各州的性別中位數和各州的性別中位數估算年齡，因此，我將計算中位數和眾數：

ageMedianPerState=individualDetails[~individualDetails['age'].isna()]
ageMedianPerState['age']=ageMedianPerState['age'].astype(str).astype(int)
ageMedianPerState=ageMedianPerState.groupby('State')[['age']].median().reset_index()
ageMedianPerState['age']=ageMedianPerState['age'].apply(lambda x:math.ceil(x))

#通過COVID-19查找每個州的最常感染的性別
genderModePerState=individualDetails.groupby(['State'])['gender'].agg(pd.Series.mode).to_frame().reset_index()

#這沒有獲得有關總體性別的資訊性別
genderModePerState=genderModePerState[genderModePerState['State']!='Arunachal Pradesh']

#現在在年齡和性別欄填充丟失的值
for index,row in individualDetails.iterrows():
    if row['State']=='Arunachal Pradesh':    
        individualDetails.drop([index],inplace=True)
        continue
    if pd.isnull(row['age']):
        individualDetails['age'][index]=list(ageMedianPerState['age'][ageMedianPerState['State']=='West Bengal'].values)[0]
    if pd.isnull(row['gender']):
        if len(genderModePerState['gender'][genderModePerState['State']==row['State']].values)>0:
            individualDetails['gender'][index]=(genderModePerState['gender'][genderModePerState['State']==row['State']].values[0])

現在，讓我們合并individualDetails和stateDensity資料幀，為我們創建一個整體資料集：

data = https://www.cnblogs.com/panchuangai/p/pd.merge(individualDetails,stateDensity,on='State',how='left').reset_index(drop=True)

現在我們可以創建年齡組桶：

data.dropna(subset=['density_Group'],inplace=True)
data.reset_index(drop=True,inplace=True)

合并資料以獲得一個資料集，其中每個人都映射了他們的年齡組和各自的州密度組：

patient_Count=data.groupby(['diagnosed_date','density_Group'])[['diagnosed_date']].count().\

                        rename(columns={'diagnosed_date':'Count'}).reset_index()

data=https://www.cnblogs.com/panchuangai/p/pd.merge(data,patient_Count,on=['diagnosed_date','density_Group'],how='inner')

newData=https://www.cnblogs.com/panchuangai/p/data.groupby(['density_Group','age_Group'])['Count'].apply(list).reset_index()

newData.head()

np.random.seed(1234)

AnovaData=https://www.cnblogs.com/panchuangai/p/pd.DataFrame(columns=['density_Group','age_Group','Count'])

for index,row in newData.iterrows():
    count=17
    tempDf=pd.DataFrame(index=range(0,count),columns=['density_Group','age_Group','Count'])

    tempDf['age_Group']=newData['age_Group'][index]

    tempDf['density_Group']=newData['density_Group'][index]

    tempDf['Count']=random.sample(list(newData['Count'][index]),count)

    AnovaData=https://www.cnblogs.com/panchuangai/p/pd.concat([AnovaData,tempDf],axis=0)

檢查資料中Count列的分布，并使用箱線圖方法檢查資料中是否存在例外值：

plt.hist(AnovaData['Count'])
plt.show() sns.kdeplot(AnovaData['Count'],cumulative=False,bw=2)

我們發現在我們的資料中有許多例外值，甚至計數變數的分布也不是高斯分布，因此，我們將使用Box-Cox變換方法來處理這種情況：

sns.boxplot(x='age_Group', y='Count',
                 data=https://www.cnblogs.com/panchuangai/p/AnovaData,
                 palette="colorblind")


AnovaData['Count']=AnovaData['Count'].astype(int)

## 資料轉換
AnovaData['newCount'],fitted_lambda = stats.boxcox(AnovaData['Count'])

import matplotlib.pyplot as plt
sns.kdeplot(AnovaData['newCount'],cumulative=False,bw=2)

現在讓我們使用OLS模型來檢驗我們的假設：

## 擬合OlS模型-方法1
model2 = ols('newCount ~ C(age_Group)+ C(density_Group)', AnovaData).fit()

print(f"Overall model F({model2.df_model: },{model2.df_resid: }) = {model2.fvalue: }, p = {model2.f_pvalue: }")
model2.summary()


## 創建方差分析表
res2 = sm.stats.anova_lm(model2, typ=2)
res2

#檢驗殘差的正態分布
res = model2.resid
fig = sm.qqplot(res, line='s')
plt.show()

從上面的Q-Q圖，我們可以看到殘差幾乎是正態分布的（盡管在最末端的點可以被貼現），因此，我們可以得出結論，它滿足方差分析檢驗的正態性假設，

#方法2-檢查組之間的互動
formula = 'newCount ~ C(age_Group) *C(density_Group)'
model = ols(formula, AnovaData).fit()
model.summary()


aov_table = anova_lm(model, typ=2)
print(aov_table.round(4))

結果的解釋

通過ANOVA分析獲得的日冕病例數，年齡組和密度組以及相互作用的P值具有統計學意義（P <0.05），我們得出結論，density_Group的型別顯著影響日冕的結果，

age_Group顯著影響日冕病例的結果，age_Group和density_Group的相互作用也顯著影響日冕病例的結果，

事后檢驗

最后，讓我們確定哪些組在統計上是不同的，我們將使用Tuckey HSD方法：

mc = statsmodels.stats.multicomp.MultiComparison(AnovaData['newCount'],AnovaData['density_Group'])
mc_results = mc.tukeyhsd()
print(mc_results)


mc = statsmodels.stats.multicomp.MultiComparison(AnovaData['newCount'],AnovaData['age_Group'])
mc_results = mc.tukeyhsd()
print(mc_results)

從上面的Tuckey HSD測驗結果中，我們可以清楚地看到，密度組中的Group1 – Group3，Group1 – Group4與年齡組中的Young – Adult＆Young –old組之間也存在顯著差異，

因此，Tukey HSD的上述結果表明，除上述組外，日冕病例數的所有其他成對比較均拒絕了原假設，并且表明沒有統計學上的顯著差異，

結尾

在病毒大流行時期，我試著用一個相關的案例來解釋方差分析，你可以克隆我的Github存盤庫來下載全部代碼和資料：https://github.com/Praveen76/ANOVA-Test-COVID-19

原文鏈接：https://www.analyticsvidhya.com/blog/2020/06/introduction-anova-statistics-data-science-covid-python/

歡迎關注磐創AI博客站：
http://panchuang.net/

sklearn機器學習中文官方檔案：
http://sklearn123.com/

歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/14686.html

標籤：其他

上一篇：Tensorflow 2.0 DLL load failed: 找不到指定的模塊

下一篇：深入淺出Transformer

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂