【R语言 个性化词云图绘制(MamBa never out)】

最近NBA季后赛打的热火朝天,似曾相识间把我拉回到了大学校园里那个午后的操场,网上爬取点季后赛历史个人得分榜数据,绘制一下词云图,给枯燥的工作生活添加一剂趣味~

爬取数据准备
library(rvest)
##安装wordcloud2包,需要在github中安装,直接从cran上安装的在自定义文字时会报错##
library(devtools)
library(jsonlite)
devtools::install_github("lchiffon/wordcloud2")##可能是该包作者一直在GitHub中对函数进行维护##
library(wordcloud2)

###爬取NBA季后赛得分数据###
url<-"https://baike.baidu.com/item/NBA%E5%AD%A3%E5%90%8E%E8%B5%9B%E5%BE%97%E5%88%86%E6%A6%9C/7428078?starMapFrom=starMapContent"
web_mess<-read_html(url,mode="wb")
score<-web_mess%>%html_table(trim = T)%>%data.frame()###由于此数据以表格的形式存放,故利用html_table()读取##
绘制常规词云图
###绘制季后赛得分榜前100名词云图###
score100<-score[,2:3]%>%setNames(c("word","freq"))
set.seed(101)
wordcloud2(score100,size=0.2,backgroundColor = "black",color = "random-light",rotateRatio = 1,fontWeight = "bold")
绘图结果

词云图1

绘制文字词云图
###绘制自定义文字###
letterCloud(score100,size=0.2,word = "A",backgroundColor="black",color="random-light")
绘图结果

词云图2

绘制个性化词云图
###绘制自定义图片###
mamba<-("f://data//kobe//mamba.png")###图片应为黑图白底,figPath用于指定###
wordcloud2(score100,size=0.1,backgroundColor = "black",color = "random-light",rotateRatio = 1,fontWeight = "bold",figPath = mb)
绘图结果

mamba

### Mamba 安装配置及常见问题解决方案 #### 离线安装指南 对于希望简化安装过程并避免网络连接带来的不确定性,可以采用无脑式的离线安装方案。该方法特别针对Mamba2进行了优化,使得整个流程更加直观易懂[^1]。 ```bash # 下载对应版本的Mamba包到本地 wget http://example.com/path/to/mamba-package.tar.gz # 解压文件至指定目录 tar -xzvf mamba-package.tar.gz -C /desired/installation/directory/ # 添加环境变量以便全局调用 echo 'export PATH="/desired/installation/directory/bin:$PATH"' >> ~/.bashrc source ~/.bashrc ``` #### Windows 11 特定错误处理 当在Windows 11操作系统上尝试运行某些依赖于特定CUDA版本的功能时,可能会遭遇`RuntimeError: mamba_ssm is only supported on CUDA 11.6 and above.`这样的报错提示。这表明当前使用的CUDA库版本低于最低要求,需升级至至少11.6版才能正常使用相关特性[^2]。 #### Minimal 实现解析 如果追求极致简洁的应用场景,则可考虑使用名为`mamba-minimal`的小型化实现方式。此项目提供了单个Python脚本即可完成核心功能部署的可能性,并且完全兼容PyTorch生态体系[^3]。 ```python from torch import nn class MambaMinimalSSM(nn.Module): def __init__(self, input_size=784, hidden_sizes=[50], output_size=10): super().__init__() layers = [] prev_size = input_size for hsize in hidden_sizes: layers.append(nn.Linear(prev_size, hsize)) layers.append(nn.ReLU()) prev_size = hsize layers.append(nn.Linear(prev_size, output_size)) self.model = nn.Sequential(*layers) def forward(self, x): return self.model(x) ``` #### U-Mamba 使用建议 面向生物医学领域内的图像分割任务,U-Mamba凭借其独特的架构设计——融合了残差学习机制与传统Mamba算法的优势,在提高模型精度方面表现出色。初学者应当注意按照官方文档指示搭建合适的实验平台,确保所有必要的软件组件均已正确安装到位[^4]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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