文章标题：Characterization of an endoplasmic reticulum stress‐related signature to evaluate immune features and predict prognosis in glioma
期刊：J Cell Mol Med
影响因子:5.3
虽然是个小小的5分文章，但涉及到的分析非常丰富，图表也很多样，我把他的数据拿来做例子进行分析，开启一段更新咯。
流程图
构建模型部分的主要结果：
图A是四个数据集中，用两种算法（log-rank test和单因素cox）p<0.05 选出来的基因。B和C是lasso回归的两张经典图表。
图D是结合逐步回归法，选出的16个基因构成的多因素cox模型。可以看到C-index值是0.86。
这篇文章的后续用了两个数据做测试集，效果都很好，那是因为一开始的时候筛选构建lasso回归模型所使用的基因就是从四个数据集、两种算法取出来的交集，这些基因都是与生存关系非常密切的，所以用他们构建出来的模型，在这四个数据集里表现都不会差的，至于这算不算投机取巧嘛，无法定论，自己衡量就好。
这个系列将会有好几篇，今天先更新第一篇，整理数据。
四个数据的表达矩阵、生存信息表格。
TCGA的LGG和GBM是分开的。后续用代码合并到一起。
(1)就要是取过log、没有异常值的矩阵，标准化过的也可以，因为不做差异分析。
(2)如果是转录组数据，要log之后的标准化数据。（因为这里只做生存分析，不做差异分析，所以没有必要找count数据）
(3)行名都转换成gene symbol
(4)只要tumor样本，不要normal
(1)要有每个样本对应的生存时间和结局事件，并用代码调整顺序，与表达矩阵的样本顺序相同，严格一一对应。
(2)为了后续代码统一，把生存时间和结局事件列名统一起来，都叫“time”和“event”。
(3)至于时间的单位，反正是分别计算的，统不统一无所谓。
数据来源于哪个数据库，不是主要矛盾。重点是分清楚是芯片数据还是转录组数据，是芯片的话要能找到探针注释。如果是转录组数据，则需要分清楚是否标准化，进行了哪种标准化。反正是分别分析，又不需要合并，所以直接使用即可。
Table S1显示样本数量691，TCGA的GBM数据173样本，LGG有529样本。
exp_gbm = read.table("TCGA-GBM.htseq_fpkm.tsv.gz",
header = T,row.names = 1,check.names = F)
exp_lgg = read.table("TCGA-LGG.htseq_fpkm.tsv.gz",
header = T,row.names = 1,check.names = F)
exp1 = as.matrix(cbind(exp_gbm,exp_lgg))
#行名转换为gene symbol
library(stringr)
library(AnnoProbe)
rownames(exp1) = str_split(rownames(exp1),"\\.",simplify = T)[,1];head(rownames(exp1))
## [1] "ENSG00000242268" "ENSG00000270112" "ENSG00000167578" "ENSG00000273842"
## [5] "ENSG00000078237" "ENSG00000146083"
re = annoGene(rownames(exp1),ID_type = "ENSEMBL");head(re)
## SYMBOL biotypes ENSEMBL chr start
## 1 DDX11L1 transcribed_unprocessed_pseudogene ENSG00000223972 chr1 11869
## 2 WASH7P unprocessed_pseudogene ENSG00000227232 chr1 14404
## 3 MIR6859-1 miRNA ENSG00000278267 chr1 17369
## 4 MIR1302-2HG lncRNA ENSG00000243485 chr1 29554
## 6 FAM138A lncRNA ENSG00000237613 chr1 34554
## 7 OR4G4P unprocessed_pseudogene ENSG00000268020 chr1 52473
## end
## 1 14409
## 2 29570
## 3 17436
## 4 31109
## 6 36081
## 7 53312
library(tinyarray)
exp1 = trans_array(exp1,ids = re,from = "ENSEMBL",to = "SYMBOL")
exp1[1:4,1:4]
## TCGA-06-0878-01A TCGA-26-5135-01A TCGA-06-5859-01A TCGA-06-2563-01A
## DDX11L1 0.0000000 0.0221755 0.00000000 0.01797799
## WASH7P 0.6673943 1.7429940 0.65334641 1.57566444
## MIR6859-1 1.2006708 2.1880585 1.51229174 2.17610561
## MIR1302-2HG 0.0000000 0.0000000 0.02520857 0.00000000
dim(exp1)
## [1] 56514 702
#删除正常样本
Group = make_tcga_group(exp1)
table(Group)
## Group
## normal tumor
## 5 697
exp1 = exp1[,Group == "tumor"]
#过滤表达量0值太多的基因
exp1 = exp1[apply(exp1, 1, function(x){sum(x>0)>200}),]
surv_gbm = readr::read_tsv("TCGA-GBM.survival.tsv")
surv_gbm$TYPE = "GBM"
surv_lgg = readr::read_tsv("TCGA-LGG.survival.tsv")
surv_lgg$TYPE = "LGG"
surv1 = rbind(surv_gbm,surv_lgg)
head(surv1)
## # A tibble: 6 x 5
## sample OS `_PATIENT` OS.time TYPE
## <chr> <dbl> <chr> <dbl> <chr>
## 1 TCGA-12-0657-01A 1 TCGA-12-0657 3 GBM
## 2 TCGA-32-1977-01A 0 TCGA-32-1977 3 GBM
## 3 TCGA-19-1791-01A 0 TCGA-19-1791 4 GBM
## 4 TCGA-28-1757-01A 0 TCGA-28-1757 4 GBM
## 5 TCGA-19-2624-01A 1 TCGA-19-2624 5 GBM
## 6 TCGA-41-4097-01A 1 TCGA-41-4097 6 GBM
table(colnames(exp1) %in% surv1$sample)
##
## FALSE TRUE
## 6 691
s = intersect(colnames(exp1),surv1$sample)
exp1 = exp1[,s]
surv1 = surv1[match(s,surv1$sample),]
colnames(surv1)[c(2,4)] = c("event","time")
exp1[1:4,1:4]
## TCGA-06-0878-01A TCGA-26-5135-01A TCGA-06-5859-01A TCGA-06-2563-01A
## WASH7P 0.66739425 1.74299400 0.65334641 1.57566444
## MIR6859-1 1.20067078 2.18805848 1.51229174 2.17610561
## AL627309.1 0.00000000 0.02066275 0.01386984 0.00000000
## CICP27 0.09691981 0.01013527 0.00000000 0.02449211
head(surv1)
## # A tibble: 6 x 5
## sample event `_PATIENT` time TYPE
## <chr> <dbl> <chr> <dbl> <chr>
## 1 TCGA-06-0878-01A 0 TCGA-06-0878 218 GBM
## 2 TCGA-26-5135-01A 1 TCGA-26-5135 270 GBM
## 3 TCGA-06-5859-01A 0 TCGA-06-5859 139 GBM
## 4 TCGA-06-2563-01A 0 TCGA-06-2563 932 GBM
## 5 TCGA-41-2571-01A 1 TCGA-41-2571 26 GBM
## 6 TCGA-28-5207-01A 1 TCGA-28-5207 343 GBM
identical(colnames(exp1),surv1$sample)
## [1] TRUE
共691个有生存信息的tumor样本。
exp2 = read.table("CGGA/CGGA.mRNA_array_301_gene_level.20200506.txt",header = T,row.names = 1)
surv2 = read.table("CGGA/CGGA.mRNA_array_301_clinical.20200506.txt",sep = "\t",header = T,check.names = F)
head(surv2)
## CGGA_ID TCGA_subtypes PRS_type Histology Grade Gender Age OS
## 1 CGGA_11 Classical Primary GBM WHO IV Female 57 155
## 2 CGGA_124 Mesenchymal Primary GBM WHO IV Male 53 414
## 3 CGGA_126 Mesenchymal Primary GBM WHO IV Female 50 1177
## 4 CGGA_168 Mesenchymal Primary GBM WHO IV Male 17 3086
## 5 CGGA_172 Mesenchymal Primary GBM WHO IV Female 57 462
## 6 CGGA_195 Mesenchymal Primary GBM WHO IV Male 48 486
## Censor (alive=0; dead=1) Radio_status (treated=1;un-treated=0)
## 1 1 1
## 2 1 1
## 3 1 1
## 4 0 1
## 5 1 1
## 6 1 1
## Chemo_status (TMZ treated=1;un-treated=0) IDH_mutation_status
## 1 0 Wildtype
## 2 0 Wildtype
## 3 1 Wildtype
## 4 1 Wildtype
## 5 0 Wildtype
## 6 1 Wildtype
## 1p19q_Codeletion_status MGMTp_methylation_status
## 1 <NA> un-methylated
## 2 <NA> un-methylated
## 3 <NA> un-methylated
## 4 <NA> un-methylated
## 5 <NA> un-methylated
## 6 <NA> un-methylated
s = intersect(surv2$CGGA_ID,colnames(exp2))
exp2 = as.matrix(exp2[,s])
surv2 = surv2[match(s,surv2$CGGA_ID),]
colnames(surv2)[c(9,8)] = c("event","time")
exp2[1:4,1:4]
## CGGA_11 CGGA_124 CGGA_126 CGGA_168
## A1BG -0.3603635 0.5649519 0.3047719 0.1749144
## A1CF 2.3413600 1.1707935 2.2081513 0.9652286
## A2BP1 0.0345194 1.0964074 0.3024883 0.0949111
## A2LD1 -0.9130564 0.5108800 0.4253669 -0.1949377
head(surv2)
## CGGA_ID TCGA_subtypes PRS_type Histology Grade Gender Age time event
## 1 CGGA_11 Classical Primary GBM WHO IV Female 57 155 1
## 2 CGGA_124 Mesenchymal Primary GBM WHO IV Male 53 414 1
## 3 CGGA_126 Mesenchymal Primary GBM WHO IV Female 50 1177 1
## 4 CGGA_168 Mesenchymal Primary GBM WHO IV Male 17 3086 0
## 5 CGGA_172 Mesenchymal Primary GBM WHO IV Female 57 462 1
## 6 CGGA_195 Mesenchymal Primary GBM WHO IV Male 48 486 1
## Radio_status (treated=1;un-treated=0)
## 1 1
## 2 1
## 3 1
## 4 1
## 5 1
## 6 1
## Chemo_status (TMZ treated=1;un-treated=0) IDH_mutation_status
## 1 0 Wildtype
## 2 0 Wildtype
## 3 1 Wildtype
## 4 1 Wildtype
## 5 0 Wildtype
## 6 1 Wildtype
## 1p19q_Codeletion_status MGMTp_methylation_status
## 1 <NA> un-methylated
## 2 <NA> un-methylated
## 3 <NA> un-methylated
## 4 <NA> un-methylated
## 5 <NA> un-methylated
## 6 <NA> un-methylated
identical(surv2$CGGA_ID,colnames(exp2))
## [1] TRUE
exp3 = read.table("CGGA/CGGA.mRNAseq_325.RSEM-genes.20200506.txt",header = T,row.names = 1)
exp3 = as.matrix(log2(exp3+1))
surv3 = read.table("CGGA/CGGA.mRNAseq_325_clinical.20200506.txt",sep = "\t",header = T,check.names = F)
head(surv3)
## CGGA_ID PRS_type Histology Grade Gender Age OS
## 1 CGGA_1001 Primary GBM WHO IV Male 11 3817
## 2 CGGA_1006 Primary AA WHO III Male 42 254
## 3 CGGA_1007 Primary GBM WHO IV Female 57 345
## 4 CGGA_1011 Primary GBM WHO IV Female 46 109
## 5 CGGA_1015 Primary GBM WHO IV Male 62 164
## 6 CGGA_1019 Recurrent rGBM WHO IV Male 60 212
## Censor (alive=0; dead=1) Radio_status (treated=1;un-treated=0)
## 1 0 0
## 2 1 1
## 3 1 1
## 4 1 1
## 5 1 1
## 6 1 0
## Chemo_status (TMZ treated=1;un-treated=0) IDH_mutation_status
## 1 1 Wildtype
## 2 1 Wildtype
## 3 1 Wildtype
## 4 0 Wildtype
## 5 0 Wildtype
## 6 1 Wildtype
## 1p19q_codeletion_status MGMTp_methylation_status
## 1 Non-codel un-methylated
## 2 Non-codel un-methylated
## 3 Non-codel un-methylated
## 4 Non-codel un-methylated
## 5 Non-codel un-methylated
## 6 Non-codel methylated
colnames(surv3)[c(8,7)] = c("event","time")
s = intersect(surv3$CGGA_ID,colnames(exp3))
exp3 = exp3[,s]
surv3 = surv3[match(s,surv3$CGGA_ID),]
exp3[1:4,1:4]
## CGGA_1001 CGGA_1006 CGGA_1007 CGGA_1011
## A1BG 3.769772 3.0054000 4.958379 2.933573
## A1BG-AS1 1.641546 1.0908534 2.933573 2.411426
## A2M 8.826294 6.7487296 7.698357 9.467952
## A2M-AS1 2.104337 0.1763228 0.704872 1.384050
head(surv3)
## CGGA_ID PRS_type Histology Grade Gender Age time event
## 1 CGGA_1001 Primary GBM WHO IV Male 11 3817 0
## 2 CGGA_1006 Primary AA WHO III Male 42 254 1
## 3 CGGA_1007 Primary GBM WHO IV Female 57 345 1
## 4 CGGA_1011 Primary GBM WHO IV Female 46 109 1
## 5 CGGA_1015 Primary GBM WHO IV Male 62 164 1
## 6 CGGA_1019 Recurrent rGBM WHO IV Male 60 212 1
## Radio_status (treated=1;un-treated=0)
## 1 0
## 2 1
## 3 1
## 4 1
## 5 1
## 6 0
## Chemo_status (TMZ treated=1;un-treated=0) IDH_mutation_status
## 1 1 Wildtype
## 2 1 Wildtype
## 3 1 Wildtype
## 4 0 Wildtype
## 5 0 Wildtype
## 6 1 Wildtype
## 1p19q_codeletion_status MGMTp_methylation_status
## 1 Non-codel un-methylated
## 2 Non-codel un-methylated
## 3 Non-codel un-methylated
## 4 Non-codel un-methylated
## 5 Non-codel un-methylated
## 6 Non-codel methylated
identical(surv3$CGGA_ID,colnames(exp3))
## [1] TRUE
我没仔细看这个表达矩阵具体是哪种标准化，反正这个数据只是作为例子，我们就不深究到底是啥了，直接拿来用。注意如果是自己要用来发文章的数据，是要看清楚的，没标准化需要自行标准化，cpm，tmp，fpkm都行。
library(tinyarray)
geo = geo_download("GSE16011")
library(stringr)
#只要tumor样本
k = str_detect(geo$pd$title,"glioma");table(k)
## k
## FALSE TRUE
## 8 276
geo$exp = geo$exp[,k]
geo$pd = geo$pd[k,]
# 把行名转换为gene symbol
gpl = GEOquery::getGEO(filename = "GPL8542_family.soft.gz",destdir = ".")
ids = gpl@dataTable@table[,1:2]
library(clusterProfiler)
library(org.Hs.eg.db)
e2s = bitr(ids$ORF,fromType = "ENTREZID",toType = "SYMBOL",OrgDb = "org.Hs.eg.db")
ids = merge(ids,e2s,by.x = "ORF",by.y = "ENTREZID")
ids = ids[,2:3]
colnames(ids) = c("probe_id","symbol")
exp4 = trans_array(geo$exp,ids)
surv4 = geo$pd[,c(1,4,7,9)]
exp4[1:4,1:4]
## GSM405201 GSM405202 GSM405203 GSM405204
## A1BG 7.219401 6.031261 6.707681 6.330666
## A2M 12.206626 13.260587 12.352693 13.044375
## NAT1 5.182989 7.213272 6.570733 6.343490
## NAT2 5.239842 5.260373 5.697435 4.859682
head(surv4)
## title age at diagnosis:ch1 histology:ch1 gender:ch1
## GSM405201 glioma 8 44.57 OD (grade III) Female
## GSM405202 glioma 9 28.69 OD (grade III) Male
## GSM405203 glioma 11 38.58 OD (grade III) Male
## GSM405204 glioma 13 33.89 OD (grade III) Male
## GSM405205 glioma 20 48.03 OD (grade III) Male
## GSM405206 glioma 21 31.53 OD (grade III) Male
identical(rownames(surv4),colnames(exp4))
## [1] TRUE
临床信息表格里没有生存信息，所以从文章附件里找
包非常难装，需要配置java，但这个需求不常用，直接跳过这个过程。
if(!file.exists("exp_surv4.Rdata")){
library(tabulizer)
f <- "00085472can092307-sup-stabs_1-6.pdf"
re <- extract_tables(f,pages = 1:10) #提取前10页的表格。
str(re)
re = do.call(rbind,re)
re[1:4,1:4]
colnames(re) = re[1,]
re = re[-1,]
re = data.frame(re)
re[re==""]=NA
library(readr)
re$Survival..years. = parse_double(re$Survival..years.,locale = locale(decimal_mark = ","))
re$Age.at.diagnosis = parse_double(re$Age.at.diagnosis,locale = locale(decimal_mark = ","))
dim(exp4)
k = re$Reviewed.histological.diagnosis!="control";table(k)
re = re[k,]
re$Database.number = paste("glioma",re$Database.number)
surv4$ID = rownames(surv4)
surv4 = merge(surv4,re,by.x = "title",by.y = "Database.number")
colnames(surv4)[13:14] = c("event","time")
table(surv4$event)
surv4$time = as.integer(surv4$time*365) #天为单位
surv4$event[surv4$event=="Lost to\rfollow up"]=NA
table(surv4$event)
surv4$event=ifelse(surv4$event=="Alive",0,1)
head(surv4)
s = intersect(surv4$ID,colnames(exp4))
exp4 = exp4[,s]
surv4 = surv4[match(s,surv4$ID),]
save(exp4,surv4,file = "exp_surv4.Rdata")
}
load("exp_surv4.Rdata")
exp4[1:4,1:4]
## GSM405234 GSM405235 GSM405236 GSM405237
## A1BG 7.613150 6.995666 7.337393 6.287498
## A2M 13.166457 13.003225 13.814942 12.991301
## NAT1 5.581672 7.470894 7.845210 6.088651
## NAT2 5.206464 4.618245 4.881652 5.011908
head(surv4)
## title age at diagnosis:ch1 histology:ch1 gender:ch1 ID Gender
## 1 glioma 101 57.68 GBM (grade IV) Female GSM405234 Female
## 2 glioma 104 71.09 GBM (grade IV) Male GSM405235 Male
## 3 glioma 105 52.20 GBM (grade IV) Male GSM405236 Male
## 4 glioma 107 51.17 GBM (grade IV) Male GSM405237 Male
## 5 glioma 11 38.58 OD (grade III) Male GSM405203 Male
## 6 glioma 111 37.25 GBM (grade IV) Male GSM405238 Male
## Reviewed.histological.diagnosis Age.at.diagnosis KPS Type.of.surgery
## 1 GBM (grade IV) 57.68 70 Partial resection
## 2 GBM (grade IV) 71.09 80 Partial resection
## 3 GBM (grade IV) 52.20 80 Complete resection
## 4 GBM (grade IV) 51.17 70 Stereotactic biopsy
## 5 OD (grade III) 38.58 <NA> Complete resection
## 6 GBM (grade IV) 37.25 80 Stereotactic biopsy
## Radiotherapy Chemotherapy event time
## 1 yes no 1 226
## 2 yes no 1 76
## 3 yes no 1 375
## 4 yes no 1 149
## 5 yes no 1 3255
## 6 yes no 1 343
identical(surv4$ID,colnames(exp4))
## [1] TRUE
par(mfrow = c(2,2))
boxplot(exp1[,1:10])
boxplot(exp2[,1:10])
boxplot(exp3[,1:10])
boxplot(exp4[,1:10])
save(exp1,surv1,file = "exp_surv1.Rdata")
save(exp2,surv2,file = "exp_surv2.Rdata")
save(exp3,surv3,file = "exp_surv3.Rdata")
save(exp4,surv4,file = "exp_surv4.Rdata")
我主要使用Ruby来执行此操作，但到目前为止我的攻击计划如下:使用gemsrdf、rdf-rdfa和rdf-microdata或mida来解析给定任何URI的数据。我认为最好映射到像schema.org这样的统一模式，例如使用这个yaml文件，它试图描述数据词汇表和opengraph到schema.org之间的转换:#SchemaXtoschema.orgconversion#data-vocabularyDV:name:namestreet-address:streetAddressregion:addressRegionlocality:addressLocalityphoto:i
有时我需要处理键/值数据。我不喜欢使用数组，因为它们在大小上没有限制(很容易不小心添加超过2个项目，而且您最终需要稍后验证大小)。此外，0和1的索引变成了魔数(MagicNumber)，并且在传达含义方面做得很差(“当我说0时，我的意思是head...”)。散列也不合适，因为可能会不小心添加额外的条目。我写了下面的类来解决这个问题:classPairattr_accessor:head,:taildefinitialize(h,t)@head,@tail=h,tendend它工作得很好并且解决了问题，但我很想知道:Ruby标准库是否已经带有这样一个类？ 最佳
我正在尝试使用Curbgem执行以下POST以解析云curl-XPOST\-H"X-Parse-Application-Id:PARSE_APP_ID"\-H"X-Parse-REST-API-Key:PARSE_API_KEY"\-H"Content-Type:image/jpeg"\--data-binary'@myPicture.jpg'\https://api.parse.com/1/files/pic.jpg用这个:curl=Curl::Easy.new("https://api.parse.com/1/files/lion.jpg")curl.multipart_form_
无论您是想搭建桌面端、WEB端或者移动端APP应用，HOOPSPlatform组件都可以为您提供弹性的3D集成架构，同时，由工业领域3D技术专家组成的HOOPS技术团队也能为您提供技术支持服务。如果您的客户期望有一种在多个平台（桌面/WEB/APP，而且某些客户端是“瘦”客户端）快速、方便地将数据接入到3D应用系统的解决方案，并且当访问数据时，在各个平台上的性能和用户体验保持一致，HOOPSPlatform将帮助您完成。利用HOOPSPlatform，您可以开发在任何环境下的3D基础应用架构。HOOPSPlatform可以帮您打造3D创新型产品，HOOPSSDK包含的技术有：快速且准确的CAD
本教程将在Unity3D中混合Optitrack与数据手套的数据流，在人体运动的基础上，添加双手手指部分的运动。双手手背的角度仍由Optitrack提供，数据手套提供双手手指的角度。 01 客户端软件分别安装MotiveBody与MotionVenus并校准人体与数据手套。MotiveBodyMotionVenus数据手套使用、校准流程参照：https://gitee.com/foheart_1/foheart-h1-data-summary.git02 数据转发打开MotiveBody软件的Streaming，开始向Unity3D广播数据；MotionVenus中设置->选项选择Unit
文章目录一、概述简介原理模块二、配置Mysql使用版本环境要求1.操作系统2.mysql要求三、配置canal-server离线下载在线下载上传解压修改配置单机配置集群配置分库分表配置1.修改全局配置2.实例配置垂直分库水平分库3.修改group-instance.xml4.启动监听四、配置canal-adapter1修改启动配置2配置映射文件3启动ES数据同步查询所有订阅同步数据同步开关启动4.验证五、配置canal-admin一、概述简介canal是Alibaba旗下的一款开源项目，Java开发。基于数据库增量日志解析，提供增量数据订阅&消费。Git地址：https://github.co
我正在尝试在Rails上安装ruby，到目前为止一切都已安装，但是当我尝试使用rakedb:create创建数据库时，我收到一个奇怪的错误:dyld:lazysymbolbindingfailed:Symbolnotfound:_mysql_get_client_infoReferencedfrom:/Library/Ruby/Gems/1.8/gems/mysql2-0.3.11/lib/mysql2/mysql2.bundleExpectedin:flatnamespacedyld:Symbolnotfound:_mysql_get_client_infoReferencedf
文章目录1.开发板选择*用到的资源2.串口通信（个人理解）3.代码分析（注释比较详细）1.主函数2.串口1配置3.串口2配置以及中断函数4.注意问题5.源码链接1.开发板选择我用的是STM32F103RCT6的板子，不过代码大概在F103系列的板子上都可以运行，我试过在野火103的霸道板上也可以，主要看一下串口对应的引脚一不一样就行了，不一样的就更改一下。*用到的资源keil5软件这里用到了两个串口资源，采集数据一个，串口通信一个，板子对应引脚如下：串口1，TX：PA9，RX：PA10串口2，TX：PA2，RX：PA32.串口通信（个人理解）我就从串口采集传感器数据这个过程说一下我自己的理解，
SPI接收数据左移一位问题目录SPI接收数据左移一位问题一、问题描述二、问题分析三、探究原理四、经验总结最近在工作在学习调试SPI的过程中遇到一个问题——接收数据整体向左移了一位（1bit）。SPI数据收发是数据交换，因此接收数据时从第二个字节开始才是有效数据，也就是数据整体向右移一个字节（1byte）。请教前辈之后也没有得到解决，通过在网上查阅前人经验终于解决问题，所以写一个避坑经验总结。实际背景：MCU与一款芯片使用spi通信，MCU作为主机，芯片作为从机。这款芯片采用的是它规定的六线SPI，多了两根线：RDY和INT，这样从机就可以主动请求主机给主机发送数据了。一、问题描述根据从机芯片手
前言一般来说，前端根据后台返回code码展示对应内容只需要在前台判断code值展示对应的内容即可，但要是匹配的code码比较多或者多个页面用到时，为了便于后期维护，后台就会使用字典表让前端匹配，下面我将在微信小程序中通过wxs的方法实现这个操作。为什么要使用wxs？{{method(a,b)}}可以看到，上述代码是一个调用方法传值的操作，在vue中很常见，多用于数据之间的转换，但由于微信小程序诸多限制的原因，你并不能优雅的这样操作，可能有人会说，为什么不用if判断实现呢？但是if判断的局限性在于如果存在数据量过大时，大量重复性操作和if判断会让你的代码显得异常冗余。wxswxs相当于是一个独立