11.16~11.19绘制图表，导入EXCEL中数据，进行拟合

这个错误通常是由于传递给curve_fit函数的数据类型不正确引起的。根据你提供的代码和错误信息，有几个可能的原因：

  1. 数据类型错误：请确保ce_data、lg_data和product_data是NumPy数组或类似的可迭代对象，且其元素的数据类型为浮点数。你可以使用print(type(ce_data))等语句检查数据类型。

  2. 数据维度不匹配：curve_fit函数的第一个参数是要拟合的模型函数，其后的参数应该是要拟合的数据。根据你的代码，模型函数是reaction_model，而数据是(ce_data, lg_data)和product_data。请确保数据的维度匹配，即ce_data、lg_data和product_data具有相同的长度或形状。

  3. 数据元素过于复杂：错误信息中的"object too deep for desired array"提示可能是由于数据元素过于复杂而导致的。在使用curve_fit函数之前，确保数据不包含任何复杂对象或嵌套结构。如果数据中包含复杂对象，可以尝试将其转换为简单的数值或处理数据以满足函数的要求。

检查以上可能的原因，并根据需要调整代码和数据类型，以解决这个错误。

绘制图表

  • fig = plt.figure() 创建一个新的图形窗口。
  • ax = fig.add_subplot(111, projection='3d') 在图形窗口中添加一个三维子图（子图索引为111），并指定投影方式为3D。
  • ax.scatter(x1, x2, y, c='b', marker='o') 在三维子图中绘制散点图，其中x1和x2表示两个自变量的值，y表示因变量的值。参数c设置散点的颜色为蓝色（'b'），marker设置散点的形状为圆形（'o'）。

多项式回归

将excel导入进python

只有excel和py的主文件在同一目录下时才可以只写文件名，不然就必须写地址，即使在桌面上也不可以

data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')

还有就是地址可以用/，用\可能会出现转义字符 

import pandas as pd
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression

# 读取Excel文件
data = pd.read_excel('data.xlsx')

# 提取自变量和因变量数据
X = data['自变量列名'].values.reshape(-1, 1)  # 将自变量数据转换为二维数组
Y = data['因变量列名'].values.reshape(-1, 1)  # 将因变量数据转换为二维数组

# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)

# 拟合模型
model = LinearRegression()
model.fit(X_poly, Y)

# 进行预测
Y_pred = model.predict(X_poly)

# 打印拟合结果
print(Y_pred)

# 可以继续进行可视化等操作...
# 生成一系列连续的自变量值，用于绘制曲线
X_plot = np.linspace(0, 1.2, 100).reshape(-1, 1)
X_plot_poly = poly_features.transform(X_plot)

# 进行预测
Y_pred = model.predict(X_plot_poly)

# 绘制原始数据点
plt.scatter(X, Y, color='blue', label='原始数据')

# 绘制拟合曲线
plt.plot(X_plot, Y_pred, color='red', label='拟合曲线')

# 设置图例和标签
plt.legend()
plt.xlabel('自变量')
plt.ylabel('因变量')
plt.title('多项式回归拟合')

# 显示图形
plt.show()
import pandas as pd
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
# 读取Excel文件
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')

# 提取自变量和因变量数据
X = data['DFA/CS'].values.reshape(-1, 1)  # 将自变量数据转换为二维数组
Y = data['Tar yield'].values.reshape(-1, 1)  # 将因变量数据转换为二维数组

# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)

# 拟合模型
model = LinearRegression()
model.fit(X_poly, Y)

# 进行预测
Y_pred = model.predict(X_poly)

# 打印拟合结果
print(Y_pred)

# 可以继续进行可视化等操作...
# 生成一系列连续的自变量值，用于绘制曲线
X_plot = np.linspace(0, 1.2, 100).reshape(-1, 1)
X_plot_poly = poly_features.transform(X_plot)

# 进行预测
Y_pred = model.predict(X_plot_poly)

# 绘制原始数据点
plt.scatter(X, Y, color='blue', label='point')

# 绘制拟合曲线
plt.plot(X_plot, Y_pred, color='red', label='curve')

# 设置图例和标签
plt.legend()
plt.xlabel('DFA/CS')
plt.ylabel('Tar yelid')
plt.title('curve')

# 显示图形
plt.show()

在从Excel提取自变量和因变量后，将它们转换为二维数组的原因是为了与某些库和函数的要求相匹配。

许多机器学习和数据分析库（如scikit-learn、NumPy等）通常期望输入数据是二维数组的形式，其中每个样本位于行中，每个特征位于列中。通过将自变量和因变量转换为二维数组，可以将数据结构化并满足库和函数的要求。

对于自变量，如果你只有一个自变量列，你可以使用NumPy的`reshape`函数将其转换为二维数组。假设自变量数组为`X`，你可以使用以下代码转换为二维数组：

```python
import numpy as np
X = np.array(X).reshape(-1, 1)
```

这将将`X`数组从一维数组转换为二维数组，其中样本位于行中，特征位于列中。`-1`参数表示自动推断行数，`1`表示列数为1。

对于因变量，如果你有多个因变量列，你可以将它们合并为一个二维数组。假设因变量数组为`Y1`、`Y2`、`Y3`，你可以使用以下代码将它们合并为一个二维数组：

```python
import numpy as np
Y = np.column_stack((Y1, Y2, Y3))
```

这将使用`column_stack`函数将`Y1`、`Y2`和`Y3`列堆叠在一起，形成一个二维数组，其中每个列对应一个因变量。

通过将自变量和因变量转换为二维数组，你可以更方便地使用各种库和函数进行数据分析、建模和拟合操作。

希望这能解答你的问题！如果还有其他问题，请随时提问。

import pandas as pd
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
# 读取Excel文件
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')

# 提取自变量和因变量数据
X = data['DFA/CS'].values. Reshape(-1, 1)  # 将自变量数据转换为二维数组
Y1 = data['Tar yield'].values. Reshape(-1, 1)  # 将因变量数据转换为二维数组
Y2 = data['Water yield'].values. Reshape(-1, 1)
Y3 = data['Char yield'].values. Reshape(-1, 1)
Y4 = data['Syngas yield'].values.reshape(-1, 1)
# 创建多项式特征
poly_features = PolynomialFeatures(degree=2)
X_poly = poly_features.fit_transform(X)

# 拟合模型
model = LinearRegression()
model.fit(X_poly, Y1)
model.fit(X_poly, Y2)
model.fit(X_poly, Y3)
model.fit(X_poly, Y4)
# 进行预测
Y_pred = model.predict(X_poly)

# 打印拟合结果
print(Y_pred)

# 可以继续进行可视化等操作...
# 生成一系列连续的自变量值，用于绘制曲线
X_plot = np.linspace(0, 1.2, 100).reshape(-1, 1)
X_plot_poly = poly_features.transform(X_plot)

# 进行预测
Y_pred = model.predict(X_plot_poly)

# 绘制原始数据点
plt.scatter(X, Y, color='blue', label='point')

# 绘制拟合曲线
plt.plot(X_plot, Y_pred, color='red', label='curve')

# 设置图例和标签
plt.legend()
plt.xlabel('DFA/CS')
plt.ylabel('Tar yelid')
plt.title('curve')

# 显示图形
plt.show()
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# 从Excel文件中读取数据
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')

# 提取自变量数据列
x = data['DFA/CS'].values

# 提取多个因变量数据列
y_columns = ['Tar yield', 'Water yield', 'Char yield','Syngas yield']  # 替换为实际的数据列名称

# 自定义拟合函数
def func(x, a, b):
    return a * x + b

# 创建图形窗口和子图
fig, axs = plt.subplots(len(y_columns), 1, figsize=(8, 6), sharex=True)

# 遍历每个因变量数据列
for i, y_column in enumerate(y_columns):
    # 提取因变量数据列
    y = data[y_column].values

    # 执行拟合
    params, _ = curve_fit(func, x, y)

    # 生成拟合曲线
    fit = func(x, *params)

    # 绘制原始数据点和拟合曲线
    axs[i].scatter(x, y, label='Data')
    axs[i].plot(x, fit, label='Fit')

    # 添加图例
    axs[i].legend()

# 设置整体图形的标题和横轴标签
fig.suptitle('Fitted Curves')
plt.xlabel('X')

# 调整子图之间的间距
plt.tight_layout()

# 显示图形
plt.show()

得到EXCEL中，

每个单元格在其所在行中的占比

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# 从Excel文件中读取数据
data = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')

# 提取自变量数据列
x = data['DFA/CS'].values

# 提取多个因变量数据列
y_columns = ['Tar yield', 'Water yield', 'Char yield','Syngas yield']  # 替换为实际的数据列名称

# 多项式拟合阶数
degree = 2

# 创建图形窗口和子图
fig, axs = plt.subplots(len(y_columns), 1, figsize=(8, 6), sharex=True)

# 遍历每个因变量数据列
for i, y_column in enumerate(y_columns):
    # 提取因变量数据列
    y = data[y_column].values

    # 执行拟合
    coeffs = np.polyfit(x, y, degree)
    poly = np.poly1d(coeffs)
    fit = poly(x)


    # 绘制原始数据点和拟合曲线
    axs[i].scatter(x, y, label='Data')
    axs[i].plot(x, fit, label='Fit')

    # 添加图例
    axs[i].legend()
 # 输出拟合函数的具体信息
    print(f"Fitted function for {y_column}:")
    print(poly)

# 设置整体图形的标题和横轴标签
fig.suptitle('Fitted Curves')
plt.xlabel('X')

# 调整子图之间的间距
plt.tight_layout()

# 显示图形
plt.show()
import pandas as pd
import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

# 自定义指数函数
def exponential_func(x, a, b, c):
    return a * np.exp(b * x) + c

# 从Excel文件中读取数据
df = pd.read_excel('C:/Users/26861/Desktop/Annex I- Pyrolysis Product Yields of Three Pyrolysis Combinations.xlsx')
x_data = df['DFA/CS'].values
y_data = df[['Tar yield', 'Water yield', 'Char yield','Syngas yield']].values.T


print(x_data,y_data)
# 创建子图
fig, axs = plt.subplots(2, 2, figsize=(10, 8))

# 针对每个因变量进行拟合和绘图
for i, ax in enumerate(axs.flat):
    y = y_data[i]  # 当前因变量的数据

    # 进行拟合
    popt, pcov = curve_fit(exponential_func, x_data, y, maxfev=10000)  # 增加maxfev的值

    # 绘制拟合曲线
    x_fit = np.linspace(min(x_data), max(x_data), 100)
    y_fit = exponential_func(x_fit, *popt)
    ax.plot(x_fit, y_fit, label='Fit Curve')

    # 绘制原始数据点
    ax.scatter(x_data, y, label='Data')

    # 显示方程信息
    equation_info = f'y = {popt[0]:.2f} * exp({popt[1]:.2f} * x) + {popt[2]:.2f}'
    ax. Text(2, max(y) / 2, equation_info)

    ax.set_xlabel('x')
    ax.set_ylabel('y')
    ax.set_title(f'Fit Curve for Variable {i+1}')
    ax.legend()

# 调整子图布局
plt.tight_layout()

# 显示图表
plt.show()
return a * np.exp(-(x - b)**2 / (2 * c**2)) + d
# 非线性最小二乘拟合
popt, pcov = curve_fit(exponential_func, x_data, y_data, maxfev=100000,p0=(1, -1, 1))

拟合时初始值很重要

curve_fit就是最小二乘拟合

对于单调减的初始值设为-1，开始时增加的，设为1

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

x_data = np.array([0., 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.])
y_data = np.array([19.46, 17.25, 15.43, 14.14, 13.89, 13.21, 12.84, 12.57, 12.13])

def exponential_func(x, a, b, c, d):
    return a * np.exp(b * x + d) + c

popt, pcov = curve_fit(exponential_func, x_data, y_data, p0=(1, -1, 1, 0))

a_fit, b_fit, c_fit, d_fit = popt
expression = f"{a_fit:.4f} * exp({b_fit:.4f} * x + {d_fit:.4f}) + {c_fit:.4f}"
print("expression：", expression)

x_fit = np.linspace(min(x_data), max(x_data), 100)
y_fit = exponential_func(x_fit, *popt)

plt.plot(x_fit, y_fit, label='Predicted value')
plt.scatter(x_data, y_data, label='Actual')
plt.xlabel('Mixing ratio of DFA/CS')
plt.ylabel('Tar yield')
plt.title('Kinetic model')
plt.legend()
plt.show()

y_pred = exponential_func(x_data, *popt)
comparison_table = np.column_stack((x_data, y_data, y_pred))
print("\nA table comparing predicted values to actual values：")
print("r     Actual      Predicted value")
print("-------------------------")
for row in comparison_table:
    print(f"{row[0]:.1f}    {row[1]:.2f}    {row[2]:.2f}")

多元线性回归拟合以及摘要 

import pandas as pd
import numpy as np
import statsmodels.api as sm
# 指定 Excel 文件路径
excel_file = 'C:/Users/26861/Desktop/Annex II-Pyrolysis Gas Yields of Three Pyrolysis Combinations.xlsx'
# 提取 X 列的数据作为自变量
df = pd.read_excel(excel_file)

X = df[['H2CE', 'H2LG']]
y = df['H2CS']

# 添加常数列
X = sm.add_constant(X)

# 拟合多元线性回归模型
model = sm.OLS(y, X)
results = model.fit()

# 打印回归结果摘要
print(results.summary())
equation = 'y = {:.4f} + {:.4f}*X1 + {:.4f}*X2 '.format(results.params['const'], results.params['H2CE'], results.params['H2LG'])
print(equation)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/167905.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

Altium Designer 相同模块的布局布线复用-AD

Altium Designer 相同模块的布局布线复用-AD

1、利用交互式布线，将两个相同模块的元器件在PCB上分块显示。 在原理图中，框选某一模块电路、按快捷键 TS 切换到PCB编辑界面、工具>器件摆放>在矩形区域内排列（可将模块中的器件都集中放置到矩形框内）。2、为模块电路添加 …
阅读更多...
spring-boot-maven-plugin插件 —— 重新打包命名

spring-boot-maven-plugin插件 —— 重新打包命名

如果需要重新打包的 jar 具有与项目的 artifactId 属性定义的本地名称不同的名称&#xff0c;只需使用标准 finalName&#xff0c;如下例所示&#xff1a; <build><!-- 打包重命名&#xff0c;打包后文件名称&#xff1a;项目名 --><finalName>${project.ar…
阅读更多...
【如何让你的建筑设计更高效】推荐7个3DMAX建筑设计的实用插件

【如何让你的建筑设计更高效】推荐7个3DMAX建筑设计的实用插件

3DMAX是创建具有复杂对象和照片级真实感材质的大型三维项目的绝佳工具。它有用于粒子模拟和参数化建模的内置工具&#xff0c;只要有足够的时间和练习&#xff0c;你就可以创建任何东西。然而&#xff0c;总有改进的余地。许多第三方开发人员已经发布了自己的扩展&#xff0c;也…
阅读更多...
课程设计：C++实现哈夫曼编码

课程设计：C++实现哈夫曼编码

功能实现&#xff1a; //1:先计算每个字符的权重//2&#xff1a;构建哈夫曼树//3&#xff1a;得出每个字符的哈夫曼编码。//4:根据哈夫曼编码转化为字符 代码实现&#xff1a; // 哈夫曼编码.cpp : 此文件包含 "main" 函数。程序执行将在此处开始并结束。 //1:先计…
阅读更多...
[ 云计算 | AWS 实践 ] 使用 Java 更新现有 Amazon S3 对象

[ 云计算 | AWS 实践 ] 使用 Java 更新现有 Amazon S3 对象

本文收录于【#云计算入门与实践 - AWS】专栏中&#xff0c;收录 AWS 入门与实践相关博文。 本文同步于个人公众号&#xff1a;【云计算洞察】 更多关于云计算技术内容敬请关注&#xff1a;CSDN【#云计算入门与实践 - AWS】专栏。 本系列已更新博文&#xff1a; [ 云计算 | …
阅读更多...
用css实现原生form中radio单选框和input的hover已经focus的样式

用css实现原生form中radio单选框和input的hover已经focus的样式

一.问题描述&#xff1a;用css实现原生form中radio单选框和input的hover已经focus的样式 在实际的开发中&#xff0c;一般公司ui都会给效果图&#xff0c;比如单选按钮radio样式&#xff0c;input输入框hover的时候样式&#xff0c;以及focus的时候样式&#xff0c;等等&#…
阅读更多...
C++学习笔记——C++ deque和vector的区别

C++学习笔记——C++ deque和vector的区别

C中的std::deque&#xff08;双端队列&#xff09;和std::vector&#xff08;向量&#xff09;是两种不同的容器类型&#xff0c;它们有以下区别&#xff1a; 内部实现方式不同&#xff1a;std::deque使用了一种双端队列的数据结构&#xff0c;它由多个块&#xff08;chunks&am…
阅读更多...
软件外包开发需要注意的问题

软件外包开发需要注意的问题

软件外包开发是一种常见的业务模式&#xff0c;但在选择和合作外包团队时需要注意一些关键问题&#xff0c;以确保项目的成功和顺利进行。以下是一些在软件外包开发过程中需要注意的问题&#xff0c;希望对大家有所帮助。北京木奇移动技术有限公司&#xff0c;专业的软件外包开…
阅读更多...
[oeasy]python001_先跑起来_python_三大系统选择_windows_mac_linux

[oeasy]python001_先跑起来_python_三大系统选择_windows_mac_linux

先跑起来 &#x1f94a; Python 什么是 Python&#xff1f; Python [ˈpaɪθɑ:n]是 一门 适合初学者 的编程语言 类库 众多 几行代码 就能 出 很好效果 应用场景丰富 在 各个应用领域 都有 行内人制作的 python 工具类库 非常专业、 好用 特别是 人工智能领域 pytho…
阅读更多...
C++ DAY03 类与对象

C++ DAY03 类与对象

概述 对象&#xff1a;真实存在的事物 类&#xff1a; 多个对象抽取其共同点形成的概念 静态特征提取出的概念称为成员变量, 又名属性 动态特征提取出的概念称为成员函数, 又名方法 类与对象的关系 在代码中先有类后有对象 一个类可以有多个对象 多个对象可以属于同一个…
阅读更多...
HashMap会用就行了？一文解决HashMap的底层问题

HashMap会用就行了？一文解决HashMap的底层问题

前言 我们的手机通讯录之所以能快速定位到特定联系人&#xff0c;就是因为它运用了HashMap底层的原理。手机通讯录将每个联系人的姓名作为键&#xff0c;电话号码作为对应的值&#xff0c;通过这个键值对的方式实现了快速的数据定位和获取。就像你通过关键字快速找到对应的联系…
阅读更多...
vue动态配置路由

vue动态配置路由

文章目录 前言定义项目页面格式一、vite 配置动态路由新建 /router/utils.ts引入 /router/utils.ts 二、webpack 配置动态路由总结如有启发&#xff0c;可点赞收藏哟~ 前言 项目中动态配置路由可以减少路由配置时间&#xff0c;并可减少配置路由出现的一些奇奇怪怪的问题 路由…
阅读更多...
你学了Python之后让你成为行业卷王，升职加薪更有优势

你学了Python之后让你成为行业卷王，升职加薪更有优势

都说Python能够实现自动化&#xff0c;那么Python具体能应用在哪些地方?哪些岗位学了Python更有优势?今天我们来看看一些大神将Python应用的出神入化的成果。 在这之前&#xff0c;先跟为大家分享个真实的故事。我朋友小宇前段时间为了一个品牌设计的大项目&#xff0c;想方案…
阅读更多...
Elasticsearch 和 LangChain 合作开发可用于生产的 RAG 模板

Elasticsearch 和 LangChain 合作开发可用于生产的 RAG 模板

作者&#xff1a;Aditya Tripathi 在过去的几个月里&#xff0c;我们一直与 LangChain 团队密切合作&#xff0c;他们在推出 LangServe 和 LangChain 模板方面取得了进展&#xff01; LangChain Templates 是一组用于构建生产质量的生成式 AI 应用程序的参考架构。 你可以在此处…
阅读更多...
QMI8658A Datasheet Rev A-勘误表

QMI8658A Datasheet Rev A-勘误表

QMI8658A Datasheet Rev A-勘误表 1. Reset Register2. CTRL9 Command List3. Temp Sensor Output 1. Reset Register 在5.9章节 和 7.4 章节对复位操作的写入数据&#xff0c;有笔误 正确的数据是&#xff1a; 0xB0 2. CTRL9 Command List 在 5.10.2 章节 Table 28. List…
阅读更多...
汇编-loop循环指令

汇编-loop循环指令

LOOP指令是根据ECX计数器循环&#xff0c;将语句块重复执行特定次数。 ECX自动作为计数器&#xff0c; 每重复循环一次就递减1。 语法如下所示&#xff1a; 循环目的地址必须在距离当前位置计数器的-128到127字节范围内 LOOP指令的执行有两个步骤&#xff1a; 第一步&…
阅读更多...
SpringBoot的启动流程

SpringBoot的启动流程

一、SpringBoot是什么&#xff1f; springboot是依赖于spring的&#xff0c;比起spring&#xff0c;除了拥有spring的全部功能以外&#xff0c;springboot无需繁琐的xml配置&#xff0c;这取决于它自身强大的自动装配功能&#xff1b;并且自身已嵌入Tomcat、Jetty等web容器&am…
阅读更多...
GreatSQL社区与Amazon、Facebook、Tencent共同被MySQL致谢

GreatSQL社区与Amazon、Facebook、Tencent共同被MySQL致谢

一、来自MySQL官方的感谢 在 2023-10-25 MySQL 官方发布的 8.2 版本 Release Notes 中&#xff0c;GreatSQL 社区核心开发者 Richard Dang 和 Hao Lu &#xff0c;分别收到了来自 MySQL 官方的贡献感谢&#xff0c;与Amazon、Facebook(Meta)、Tencent等一并出现在感谢清单中。…
阅读更多...
2023年电子工程师大会暨第三届社区年度颁奖活动--【其利天下技术】

2023年电子工程师大会暨第三届社区年度颁奖活动--【其利天下技术】

华秋电子发烧友将于2023年11月23日在深圳举办一场盛大的技术交流活动&#xff0c;即“2023年电子工程师大会暨第三届社区年度颁奖活动”。本次活动邀请了各大高校教授、企业高管、行业专家和电子工程师们齐聚一堂&#xff0c;围绕“开源硬件”、“OpenHarmony RISC-V”、“工程…
阅读更多...
【技术指南资料】编码器与正交译码器

【技术指南资料】编码器与正交译码器

我想提出一个关于PicoScope7新的译码器功能讨论。它已经推出一段时间&#xff0c;但你可能不知道这在汽车领域是扮演相当重要的角色。 正交译码器被用在转子位置传感器来转换关于旋转轴角度及方向的信息。 举例来说&#xff0c;它在电机上采用一对二进制的信号型式。 这种传感器…
阅读更多...
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站