这个错误通常是由于递归调用栈深度过大导致的，可能是函数 color_branches 在处理较大的树形结构时出现了栈溢出。你可以尝试以下几种解决方法： 增加栈的大小：通过增加 R 的栈大小来避免栈溢出，可以通过以下命令来调整： options(expressions = 500000) 优化代码：检查 color_branches 函数是否存在不必要的递归或内存占用，考虑通过迭代方式代替递归来降低栈的使用。 分割数据：如果数据量过大，尝试将 dendtree.psim.re 拆分为较小的树，逐步处理每一部分。 调整树的深度：如果树的深度过大，可以尝试减少树的深度或通过简化数据集来减少计算负担。 使用64位版本的 R：如果你使用的是32位版本的 R，考虑切换到64位版本来增加栈空间的限制。 这些方法可以帮助你缓解或解决 C stack usage too close to the limit 的问题。

你好！请问这个问题后来解决了嘛？

running command '"D:\AppData\GEOSENCEPRO\Pro\bin\Python\envs\arcgispro-py3\Lib\site-packages\osgeo\gdalinfo.exe" "F:/mcd19A1/h20v09/MCD19A1.A2000337.h20v09.061.2022161160225.hdf"' had status 1 Error in split1[[1]]: subscript out of bounds 数组越界了

如果您在处理 MCD19A1 数据集时得到了两个相同的波段，这可能是因为您错误地选择了相同的波段。在 R 中，可以使用 raster 包来处理遥感数据。首先，您可以使用 raster() 函数加载 MCD19A1 数据集。然后，使用 raster::stack() 函数将数据集中的不同波段堆叠为一个多波段文件。最后，您可以使用 raster::subset() 函数选择您感兴趣的波段进行进一步的分析。 以下是一个示例代码，说明如何处理 MCD19A1 数据集： library(raster) # 加载 MCD19A1 数据集 mcd19a1 <- raster("path_to_mcd19a1.tif") # 检查数据集中的波段数量 print(mcd19a1) # 将数据集的不同波段堆叠为一个多波段文件 mcd19a1_stack <- stack("path_to_mcd19a1_band1.tif", "path_to_mcd19a1_band2.tif", "path_to_mcd19a1_band3.tif") # 检查堆叠后的多波段文件 print(mcd19a1_stack) # 选择感兴趣的波段进行进一步分析 mcd19a1_subset <- subset(mcd19a1_stack, select = c(1, 2)) # 选择第1和第2个波段 # 检查选择的波段 print(mcd19a1_subset) 请确保替换代码中的 "path_to_mcd19a1.tif" 为实际的 MCD19A1 数据集文件路径，并根据您感兴趣的波段数量和名称更新堆叠和选择的波段代码。

无效字符索引,dn[[1]]有问题，因为 give.dn=FALSE

R版本过新，退回到4.1.3以前。

具体说明一下呢？

您好，您这个属于安装有问题，建议卸载重装。 1. 首先C盘的用户名最好不要使用中文用户名，windows在不同的编码情况下解析中文路径极易报错。 2. 你的R语言环境工作区安装在C盘下面，是否是安装有误？

if Instr(strTemp,".") > 0 then strFext=Mid(strTemp,InstrRev(strTemp,".")+1)

您好,文章相关问题还请在文章底部留言

https://cloud.tencent.com/developer/article/1354569 是这篇文章吗？可以前往作者专栏文章底部留言提问喔！

是这篇文章吗 https://cloud.tencent.com/developer/article/1607198 可以前往专栏文章底部留言向作者提问喔

楼主的问题解决了吗？我也遇到了这样的问题诶

检查一下origin.csv读进来后的数据类型

你这个是网站被封了，检查下网站自身内容

请问问题解决了吗？

这里是一个fread从data.table1.8.7开始使用的例子 例子来自帮助页面fread，与我的Windows XP Core 2 Duo E8400的时机。 library(data.table) # Demo speedup n=1e6 DT = data.table( a=sample(1:1000,n,replace=TRUE), b=sample(1:1000,n,replace=TRUE), c=rnorm(n), d=sample(c("foo","bar","baz","qux","quux"),n,replace=TRUE), e=rnorm(n), f=sample(1:1000,n,replace=TRUE) ) DT[2,b:=NA_integer_] DT[4,c:=NA_real_] DT[3,d:=NA_character_] DT[5,d:=""] DT[2,e:=+Inf] DT[3,e:=-Inf] 标准的read.table write.table(DT,"test.csv",sep=",",row.names=FALSE,quote=FALSE) cat("File size (MB):",round(file.info("test.csv")$size/1024^2),"\n") ## File size (MB): 51 system.time(DF1 <- read.csv("test.csv",stringsAsFactors=FALSE)) ## user system elapsed ## 24.71 0.15 25.42 # second run will be faste system.time(DF1 <- read.csv("test.csv",stringsAsFactors=FALSE)) ## user system elapsed ## 17.85 0.07 17.98 优化的read.table system.time(DF2 <- read.table("test.csv",header=TRUE,sep=",",quote="", stringsAsFactors=FALSE,comment.char="",nrows=n, colClasses=c("integer","integer","numeric", "character","numeric","integer"))) ## user system elapsed ## 10.20 0.03 10.32 FREAD require(data.table) system.time(DT <- fread("test.csv")) ## user system elapsed ## 3.12 0.01 3.22 sqldf require(sqldf) system.time(SQLDF <- read.csv.sql("test.csv",dbname=NULL)) ## user system elapsed ## 12.49 0.09 12.69 # sqldf as on SO f <- file("test.csv") system.time(SQLf <- sqldf("select * from f", dbname = tempfile(), file.format = list(header = T, row.names = F))) ## user system elapsed ## 10.21 0.47 10.73 ff / ffdf require(ff) system.time(FFDF <- read.csv.ffdf(file="test.csv",nrows=n)) ## user system elapsed ## 10.85 0.10 10.99 综上所述： ## user system elapsed Method ## 24.71 0.15 25.42 read.csv (first time) ## 17.85 0.07 17.98 read.csv (second time) ## 10.20 0.03 10.32 Optimized read.table ## 3.12 0.01 3.22 fread ## 12.49 0.09 12.69 sqldf ## 10.21 0.47 10.73 sqldf on SO ## 10.85 0.10 10.99 ffdf

这是一种如果想准确地获得输出列名，可以混合使用stringr。潮汐的方法。它的基础是你想先gather分数栏和left_join查找表，使您的值与分数匹配。然后，剩下的只是操作，以便返回到所需的输出格式。为此，我们需要创建我们希望使用的列名。gather和unite，最后spread退回去。注意你需要rowid_to_column在开始的时候spread将知道要在哪些行上放置什么观察。 item1 <- c(NA, 1, NA, 4) item2 <- c(NA, 2, NA, 3) item3 <- c(NA, 3, NA, NA) item57 <- c(NA, 4, 4, 1) mydata <- data.frame(item1, item2, item3, item57) #Lookup values based on item score lookup <- data.frame(score = 1:4, value=c(6, 7, 8, 10)) library(tidyverse) mydata %>% rowid_to_column(var = "participant") %>% gather(items, score, starts_with("item")) %>% left_join(lookup) %>% gather(coltype, val, score:value) %>% unite(colname, coltype, items) %>% spread(colname, val) #> Joining, by = "score" #> participant score_item1 score_item2 score_item3 score_item57 value_item1 #> 1 1 NA NA NA NA NA #> 2 2 1 2 3 4 6 #> 3 3 NA NA NA 4 NA #> 4 4 4 3 NA 1 10 #> value_item2 value_item3 value_item57 #> 1 NA NA NA #> 2 7 8 10 #> 3 NA NA 10 #> 4 8 NA 6

对于单个矢量： x <- c(1,2,NA,4,5) x[is.na(x)] <- 0 对于一个data.frame，从上面做出一个函数，然后apply到列。

你还可以使用unloadNamespace命令，如下所示： unloadNamespace("sqldf") 该函数在卸载之前先分离名称空间。