sf@1.1-1

Simple Features for R

2026-05-06 GPL-2 | MIT + file LICENSE
安装
install.packages("sf", version = "1.1-1")
remotes::install_cran("sf", version = "1.1-1")
依赖
Imports
包名版本约束
DBI >= 0.8
classInt >= 0.4-1
grDevices *
graphics *
grid *
s2 >= 1.1.0
stats *
tools *
units >= 0.7-0
utils *
Depends
R>= 4.1.0
methods*
Suggests
Matrix*
RPostgreSQL*
RPostgres>= 1.1.0
RSQLite*
blob*
covr*
dplyr>= 1.0.0
ggplot2*
knitr*
lwgeom>= 0.2-14
maps*
mapview*
microbenchmark*
nanoarrow*
odbc*
pbapply*
pillar*
pool*
raster*
rlang*
rmarkdown*
sp>= 1.2-4
spatstat>= 2.0-1
spatstat.geom*
spatstat.linnet*
spatstat.random*
spatstat.utils*
stars>= 0.6-0
terra*
testthat>= 3.0.0
tibble>= 1.4.1
tidyr>= 1.2.0
tidyselect>= 1.0.0
tmap>= 2.0
vctrs*
wk>= 0.9.0
LinkingTo
Rcpp*
版本列表
1.1-1 2026-05-06
相关教程
时序分类：从距离度量到深度神经网络
综述时间序列分类方法，涵盖基于距离、基于特征和基于深度学习的模型及其在行为识别等上的应用。
Prefix-Tuning：为 Transformer 每层添加可学习前缀
掌握 Prefix-Tuning 技术，在每一层激活前拼接可训练前缀向量，以极少参数控制模型适应生成任务。
RWKV：结合 RNN 效率与 Transformer 表达力的架构
学习 RWKV 如何将注意力机制改造为线性循环形式，兼具高效并行训练和 O(1) 推理复杂度的优势。
PatchTST：将时间序列分割为 Patch 的 Transformer
将时间序列切分为子序列 Patch，并使用通道独立策略和自监督预训练，在长期预测中取得 SOTA 性能。
Informer：用于长序列预测的高效 Transformer
学习 Informer 如何通过概率稀疏注意力机制和自注意力蒸馏，在长序列时间序列预测中大幅降低计算复杂度。