QGIS是一个开源的GIS软件，对于遥感测算，地图绘制，可视化地理数据有重要作用。并且经常面临二次开发的需求，下面将详细描述如何使用docker在linux上编译windows版本的应用程序。
注：本文写于大二时期，只有英文版本,并且当时英文写作水平有限😩



## Compiling QGIS with docker
### 1 Overview

This essay contains following four sections:
- installing docker on Linux Os
- using docker images
- using docker containers
- compiling QGIS inside docker container


If you had installed docker on your computer and comprehended the concept of docker container
and docker image. We recommend you read the fourth section directly.
### 2 Installing


Base centos:
```
$ sudo yum install docker-ce
```

Base ubuntu:
```
$ sudo apt-get install docker-ce docker-ce-cli containerd.io`
```

### 3 Docker Image

This section introduces methods of applying docker images and related terms. On the prompt
command type:
```
$ docker images
```


| REPOSITORY | TAG | IMAGE ID | CREATED | SIZE |
| --- | --- | --- |  --- | --- |
| ubuntu |  latest | xxx | 7days ago| xxMB|


Then you  will get the above, this command listed all localimages, where "REPOSITORY" is resource
of the image and "IMAGE ID" is an unique ID for every image that docker engine generate randomly.

"TAG" is a representation of different edition image. "SIZE" represents the size of image. The more
commands you run in the container, the bigger the image that from container commit(especially apt
upgrade!) .

When we want to utilize image provided by other people:
```
$ docker pull {repository:tag}
```

If you want to remove one of your images:
```
$ docker rm ubuntu
```

### 4 Docker Container

The container is just like sandboxes that can run applications inside, which is dynamic and able
to convert into images. To search all running containers, type the following:

```bash
$ docker ps
```

Then will get the following:

| CONTAINER ID | IMAGE  | COMMAND     | CREATED   | STATUS   | PORTS  | NAMES              |
|--------------|--------|-------------|-----------|----------|--------|--------------------|
| xxx          | ubuntu | "bin/bash"  | 7 days ago| EXIT(0)  | xx:xx  | generate randomly  |


To list all containers, including running and suspended containers, use:

```bash
$ docker ps -a
```

To start a container:

```bash
$ docker run -i -t {image_id} /bin/bash
```

* **\-i**: Standard input and output.
* **\-t**: Terminal.
* **/bin/bash**: Automatically executes the command inside the container.

Alternatively, you can use:

```bash
$ docker exec -it {container_name} /bin/bash
```

This keeps the container in the "UP" status, even if you use the `exit` command inside.

### 5\. Start to Compile QGIS

This section describes how to build the QGIS project using Docker. Assuming you have Docker installed:

1. Pull the image with Mingw dependencies from the official repository:

   ```bash
   $ docker pull ghcr.io/qgis/qgis/qgis3-mingw-buildenv-stages:1
   ```

2. Run a container on this image and keep it running:

   ```bash
   $ docker run -it ghcr.io/qgis/qgis/qgis3-mingw-buildenv-stages:1 /bin/bash
   ```

3. To exit the container:

   ```bash
   $ exit
   ```

4. Restart the container:

   ```bash
   $ docker restart {container_name}
   ```

   Replace `{}` with the container name or ID.

5. Copy QGIS project files into the running container:

   ```bash
   $ docker cp ./QGIS {container_name}:/workspace
   ```

6. Enter the container and change the directory:

   ```bash
   $ docker exec -it {container_id} /bin/bash
   # cd /workspace/QGIS/ms-windows/mingw
   ```

7. Run the build shell scripts:

   ```bash
   # ./build.sh
   ```

8. After a while, a `/dist` folder will be generated. Compress and copy it to the host system:

   ```bash
   # tar -cvfz dist.tar.gz ./dist
   # exit
   ```

9. Finally, download the compressed file to the Windows system using the "sftp" protocol.

使用docker交叉编译QGIS

青岛只有夏季和冬季 --不知道谁说的

随着日历翻到10月，天气逐渐转凉，我也开始增添衣物。往年都是自己被冻到发抖的时候才想起买点厚衣服，不知道怎么穿，不知道怎么买，导致我在青岛冬天的幸福指数始终不高。因为经常被低温和大风折磨。每年买的厚衣服基本上穿一次就不想穿了，经常季抛。今年决定好好生活，改变一下往年的穿衣搭配，讲究一个科学御寒，本文将尽可能详细的描述秋冬季穿搭，包括冬季跑步的穿搭。




冬季穿衣主打一个**多层次**， 多层的衣服中间存在一个空气层，可以有效的保温和隔离寒冷。与之相反的穿法就是一件厚厚的羽绒服+一件薄薄长袖衫，这样虽然方便，室内可以脱掉羽绒服，室外穿上，但是实际的保温效果其实一般般，尤其是青岛的大风天气。

于我而言，希望冬天也可以跑跑步，为了避免跑完步后出汗带来的失温风险，多层搭配需要一定的讲究。运动型多层次穿衣主要分为3层：
1. 速干层
2. 保暖层
3. 额外保暖层（可选）
4. 隔离层

速干层的主要特点是：轻薄，吸汗，非棉。目的是运动后能够迅速排走湿气，蒸发汗液。
保暖层则一般是卫衣，不过最好买运动型卫衣，避免棉材质的卫衣，因为这一层的保暖卫衣也要承担一定的汗水蒸发功能
额外保暖层则是在非常低的温度下或者大风天气补充的保暖，可以选择羽绒马甲或者棉服。
隔离层则是对抗青岛大风的主要手段，一般选择运动夹克，具备防风和防水。不过透气比较差，因为防风和透气难以兼得，考虑到青岛海边的气候，尽量还是选择防风较好的夹克才可以更好的保暖。

对于下半身来说相对简单，穿一条速干打底裤+运动裤即可。如果不运动的话也可以穿保暖内裤+运动裤。

此外根据温度和风级选择一定的“配件”，比如手套和帽子，这样可以有效的减少皮肤裸露层度，降低身体与环境的热量交换。

最后附上一张跑步穿搭指示图：

![image.png](/static/img/f225677f0179fa7fd7bc3d02fcf7e077.image.webp)

青岛秋冬季穿衣指南

# OpenGL 学习笔记

### 配套使用的库

**GLAD** **(OpenGL Extension Wrangler)**：一个用于加载 OpenGL 扩展的库,管理OpenGL的指针和上下文

**GLFW(Graphics Library Framework)**：是一个用于创建窗口和处理用户输入的库




## 基础渲染窗口流程

1. 初始化GLFW窗口配置，比如使用GL的版本和模式
2. 使用GLFW创建窗口，设置窗口尺寸
3. 使用GLFW设置窗口环境，和编写窗口改变的回调函数(optional)
4. 使用GLAD加载所有GL的函数指针
5. 在窗口渲染循环中，编写渲染逻辑：比如交换帧缓冲区，监听输入



## 渲染三角形

### 关键词

* 顶点数组对象：Vertex Array Object，VAO
* 顶点缓冲对象：Vertex Buffer Object，VBO
* 元素缓冲对象：Element Buffer Object，EBO 或 索引缓冲对象 Index Buffer Object，IBO

图形渲染管线：3D坐标转为2D坐标的处理过程，第一部分把你的3D坐标转换为2D坐标，第二部分是把2D坐标转变为实际的有颜色的像素。

着色器：GPU上有很多个核心，每个核心上都有渲染管线的程序，程序就叫着色器。OpenGL着色器是用OpenGL着色器语言(OpenGL Shading Language, **GLSL**)写成的。

顶点着色器(Vertex Shader):它把一个单独的顶点作为输入。顶点着色器主要的目的是把3D坐标转为另一种3D坐标，同时顶点着色器允许我们对顶点属性（颜色）进行一些基本处理

图元(Primitive)：决定顶点数据渲染的类型，可以是点，线，三角形。e.g:GL_POINTS、GL_TRIANGLES、GL_LINE_STRIP。

几何着色器(Geometry Shader):几何着色器把图元形式的一系列顶点的集合作为输入，它可以通过产生新顶点构造出新的（或是其它的）图元来生成其他形状。例子中，它生成了另一个三角形。

光栅化阶段(Rasterization Stage):这里它会把图元映射为最终屏幕上相应的像素，生成供片段着色器(Fragment Shader)使用的片段(Fragment)。在片段着色器运行之前会执行裁切(Clipping)。裁切会丢弃超出你的视图以外的所有像素，用来提升执行效率。

片段着色器:主要目的是计算一个像素的最终颜色，这也是所有OpenGL高级效果产生的地方。通常，片段着色器包含3D场景的数据（比如光照、阴影、光的颜色等等），这些数据可以被用来计算最终像素的颜色。

Alpha测试和混合(Blending):这个阶段检测片段的对应的深度（和模板(Stencil)）值（后面会讲），用它们来判断这个像素是其它物体的前面还是后面，决定是否应该丢弃。这个阶段也会检查alpha值（alpha值定义了一个物体的透明度）并对物体进行混合(Blend)。所以，即使在片段着色器中计算出来了一个像素输出的颜色，在渲染多个三角形的时候最后的像素颜色也可能完全不同。

### 渲染管线流程

![image-20240123155408794.png](/static/img/acea97b3739fe2c51ea607ad8dc545c4.image-20240123155408794.webp)


对于大多数场合，我们只需要配置**顶点和片段着色器**就行了。**几何着色器**是可选的，通常使用它默认的着色器就行了。（图中蓝色的部分是可以人为修改的）

**标准化设备坐标(Normalized Device Coordinates, NDC)**:顶点坐标已经在顶点着色器中处理过，它们就应该是**标准化设备坐标**了。OpenGL仅当3D坐标在3个轴（x、y和z）上-1.0到1.0的范围内时才处理它。(0, 0)坐标是这个图像的中心，而不是左上角

### 正式开始渲染

假设我们现在要渲染一个物体在屏幕中，首先必须要有物体的顶点坐标。然后至少要有一个顶点shader程序和一个片段shader程序。在顶点着色器中，**只需要关注输入的数据处理**，顶点坐标是输入，需要对输入的顶点向量处理和解释。在片段着色器中，**不需要关注输入，只需要关注输出**：光栅化后的像素最后应该是什么颜色（光照和反射导致颜色变化）。

### 准备数据

在渲染前，还有一个工作：将顶点数据发送给显卡，缓存在显存中。这个步骤涉及到VBO（顶点缓冲对象，类似一个3D模型的顶点组成的顶点数组对象）

```c++
unsigned int VBO = glGenBuffers(1, &VBO);
```

以上代码表示生成一个VBO并赋予一个独一无二的ID，此时并没有数据。

```c++
glBindBuffer(GL_ARRAY_BUFFER, VBO);  
```

以上代码将VBO绑定到GL_ARRAY_BUFFER类型的缓冲区，每种缓冲区只能绑定一个缓冲对象，OpenGL中有多种类型的缓冲区，每种类型的缓冲区都有特定的用途。**GL_ARRAY_BUFFER类型的缓冲区用于存储顶点属性数据，如顶点坐标、法线、颜色等**。**GL_ELEMENT_ARRAY_BUFFER**用于存储图元索引数据，比如绘制三角形、四边形等的顶点索引。还有纹理缓冲区等等。

接下来就是将顶点数据**拷贝到绑定的缓冲区**，通过以下函数实现：

```c++
glBufferData(GL_ARRAY_BUFFER, sizeof(vertices), vertices, GL_STATIC_DRAW);
```

如果要更换绑定的缓冲对象，就需要调用以下函数实现解绑的效果：

```c++
glBindBuffer(GL_ARRAY_BUFFER, 0);  
```

现在我们已经把顶点数据储存在显卡的内存中，用VBO这个顶点缓冲对象管理。

从以上代码来看啊，每次绘制一个物体都需要绑定缓冲区，然后解释顶点数据。不同对象的解释方法不同，为了简便操作，出现了VAO。 

VAO并不是必须的，VBO可以独立使用，VBO缓存了数据，而数据的使用 方式（glVertexAttribPointer 指定的数据宽度等信息）并没有缓存，VBO将顶点信息放到GPU中，GPU在渲染时去缓存中取数据，二者中间的桥梁是GL-Context。GL-Context整个程序一般只有一个，所以如果一个渲染流程里有两份不同的绘制代码，当切换VBO时（有多个VBO时，通过glBindBuffer切换 ），**数据使用方式信息就丢失了**。而GL-context就负责在他们之间进行切换。这也是为什么要在渲染过程中，在每份绘制代码之中会有glBindbuffer、glEnableVertexAttribArray、glVertexAttribPointer。VAO记录该次绘制所需要的所有VBO所需信息，把它保存到VBO特定位置，绘制的时候直接在这个位置取信息绘制。　

 VAO为我们解决了这个大麻烦，当配置顶点属性数据的时候，只需要将配置函数调用执行一次，随后再绘制该物体的时候就只需要绑定相应的VAO即可，这样，我们就可以通过绑定不同的VAO（提醒，与VBO一样，同一时刻只能绑定一个VAO），使得在不同的顶点数据和属性配置切换变得非常简单。VAO记录的是一次绘制中所需要的信息，这包括“数据在哪里glBindBuffer”、“数据的格式是怎么样的glVertexAttribPointer”、shader-attribute的location的启用glEnableVertexAttribArray。

### 顶点着色器

着色器根据渲染端的不同使用不同的语言，openGL使用GLSL语言，比较接近C语言。下面给出顶点着色器的代码，可以用字符串表示，也可以用文件存放并加载。

```glsl
#version 330 core layout (location = 0) in vec3 aPos; 
void main() 
{    gl_Position = vec4(aPos.x, aPos.y, aPos.z, 1.0); }
```







【1】https://blog.csdn.net/p942005405/article/details/103770259

【2】https://learnopengl-cn.github.io/01%20Getting%20started/04%20Hello%20Triangle/

opengl基础

# pip和conda换源命令行
pip和conda默认使用的下载链接一般是国外，导致下载速度十分缓慢，以下是换源命令，更换国内的下载源可以更快的下载包。



## pip换源

```csharp
pip config set global.index-url https://pypi.mirrors.ustc.edu.cn/simple/
```

注：尽量使用中科大的源，而不是清华的，中科大的速度大约是清华的10倍左右

## conda换源

在.condarc隐藏文件中覆盖写入：

```text
channels:
  - https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
  - https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
  - https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
ssl_verify: true
```

pip和conda换源

# pandas 常用操作
本文写于大二，由于原博客网站到期，文章尘封已久。现重新排版，对文章进行勘误和加入新的内容。

pandas是一个python的数据处理库，一般搭配numpy使用。在pandas当中数据被抽象成excel表格，使用一种
Dataframe的数据类型。类似一个excel表格，有列名，有索引。经常我们会访问某一列的数据，直接使用列名就可以访问 Dataframe['longitude'], 不过返回的是Series类的数据 ，为了方便操作，可以使用data.values直接转换成 数组类型.（很方便配合matpylotlib绘图！！！）大部分的函数操作都是围绕表格的行或列进行操作，以下是总结的一些常用函数操作。不必记住，需要的时候查询即可。



## 读取数据

通常数据储存在csv或者excel中，调用数据集如下：

```python
import pandas as pd   # 导入模块

data = pd.read_csv()  # 读取csv

data2 = pd.read_excel()  # 读取xls 或者 xlsx
```

## 查看数据信息

```python
print(data.shape)     # 查看数据的维度

print(data.info())    # 查看数据的基本信息

print(data.head())    # 查看数据的前五行

print(data.tail(10))    #查看末尾的10行
 
print(data.isnull())  # 查看所有数据是否有空值，有则为True

print(data.columns)   # 查看数据的所有列名称（不常用）

print(data['longitude'].unique())  # 查看某‘longitude’列唯一数据
```

## 清洗数据

### 填充与替换数据

```python
pd.fillna(value=0) # 将空值用0填充

data['prince'].fillna(df['prince'].mean()) # 用该列的平均数填充该列的空值，或者用其它值填充

data['city'].replace('sh', 'shanghai') # 某列数据替换，将sh替换成shanghai
```

### 提取或去除特定的数据

```python

#筛选符合条件的数据 ！！！很常用
DataFrame2['latitude'].max()      #取某列的最值
 
DataFrame2 = DataFrame[(DataFrame['timestamp'] > "2019-01-03 UTC") & (DataFrame['timestamp']<"2019-01-04 UTC")]
    
 #根据时间去筛选的，每个约束条件需要用括号，约束条件的关系 可以使用 "&" 或者 "|" 表示
 
tmp = tmp.drop_duplicates('carsList')  #筛选某列重复的数据 ！ 可以多个列名
res = DataFrame.drop_duplicates(['latitude', 'longitude'])   #多个列名 经纬度都相同的重复数据会被清洗(and 的重复逻辑，都要重复才会被删除)

tmp['carsList'].count()  #计算某列的非空数据量

res = DataFrame.duplicated(['latitude', 'longitude', 'carsList'])  #返回一个series的布尔数据，重复的数据为True

print(df[result])  提取重复的数据 ，逻辑为真的返回dataframe
```

| index | a    | b    |
| ----- | ---- | ---- |
| 0     | 1    | 1    |
| 1     | 1    | 2    |
| 2     | 3    | 2    |

去除存在列数据一样的行后：

| index | a    | b    |
| ----- | ---- | ---- |
| 1     | 1    | 2    |
| 2     | 3    | 2    |

实现代码：

```python
df = pd.DataFrame(dic)
(df)
(df.loc[~(df[] == df[])])
```

## 大文件处理

涉及到一些数据量略大一点，用pd.read_csv()读取数据似乎比较慢，经过测试 使用hdf5文件类型速度快大约10倍。 除此之外，将数据保存为pickle格式（二进制），读取速度也是非常快。

将dataframe保存为h5格式

```python
store = pd.HDFStore("E:\\gps2020_9.h5")
store['df'] = data    # data是 dataframe
store.close()
```

读取h5格式的文件

```python
data = pd.read_hdf(hdf_fp, key='df')           # key是自己指定的 ,键的值可以自定义  类似与metadata 比较像namespace
```

## 时间处理

关于pandas时间处理， 由于很多数据带有时间字段， 通常会提取某段时间数据，除了上面提到的方法，还可以通过pandas的api转换object的类型为 datetime.datetime

```python
data['RECDATETIME'] = pd.to_datetime(data['RECDATETIME'])
```

关于时间戳转换问题，需要将正常时间转换为unix时间戳。

第一种：

```
data['RECDATETIME'] = pd.to_datetime(data['RECDATETIME']).map(pd.Timestamp.timestamp)
```

第二种：

```
['RECDATETIME'] = (data['RECDATETIME'].astype(int)/10**9).astype('int')
```

## 分类处理

pandas 分类处理： 有时候数据需要根据某个字段名分类，比如全校的成绩表，根据班级不同分班处理

```python
group = data.groupby('STATIONSEQNUM')       # 根据 stationseqnum分类 实际上可以传入一个列表，根据多字段分类
lon = group['LONGITUDE'].agg([np.mean])     # agg  聚合,得到某类的均值 或者 最值
print(group.groups)                         # 查看分类情况
```

## 数据拼接

dataframe 拼接： 由于用的不多，需要的时候再添加

```python
df = pd.concat([lon, lat], axis=1)        # 按列拼接
df = pd.concat([lon, lat])                # 按行拼接
```

注意 ： pd.contact 不考虑 index 只管拼接 ， merge join这些属于合并，会考虑索引对齐 填充等问题

## 更改列名

```python
df.rename(columns={'mean': 'LONGITUDE', 'mean1': 'LATITUDE'}, inplace=True)
```

## 切片操作

无论是dataframe 还是 serious数据类型都有loc方法，根据index进行切片(默认的index是数字),且两边都是闭区间。 df.loc[row1:row2,col1:col2]  , 注意：使用的是中括号

```python
>>>df
          a         b         c         d
1 -0.172949  0.768195 -0.379333  0.658013
2  0.773844 -0.732390  0.589150  0.395631
3  0.204580 -0.937462  0.916332 -0.424054
4  0.641465  1.603234  1.458837  0.373705
5 -1.204567 -1.188565  1.592697  1.871696
6  0.438288 -0.815811  0.592899  0.793396

>>>print(df.loc['2':'4', 'a'])

2    0.773844
3    0.204580
4    0.641465
Name: a, dtype: float64



# 用于筛选数据
>>>df
   a  b  c
x  1  2  3
y  2  1  3
z  2  4  6

>>>print(df.loc[(df['a']>1) & (df['b']>1)])

   a  b  c
z  2  4  6
```

有时候在处理数据的时候，不小心产生了很多unnmaed列，如果没有作用，会占用不少内存，如果要去除：

```.
data = data.loc[:, ~data.columns.str.contains("^Unnamed")]
```

## 分组排序

根据不同的列进行先后排序，可以先排序‘productid’的字段，再排序时间字段

e.g:

```
data = data.sort_values(by=['PRODUCTID', 'RECDATETIME'])
```

pandas数据处理常用操作

Welcome to my tech blog! Here, I document my coding journey and explore various technologies, focusing on practical solutions and streamlined techniques. From programming insights to tool recommendations, I share hands-on experiences that help sharpen your skills. Let’s learn and grow together!