怎样把新鲜的叶子去除叶肉，剩下叶脉做标本

Posted 2023-05-07

1、首先挑选叶脉清晰，叶肉饱满的叶子，如下图所示：

2、然后在一个锅中倒入适量清水，如下图所示：

3、接着倒入适量的洗衣粉，如下图所示：

4、将需要做成透明书签的叶子放入锅中，如下图所示：

5、之后小火煮20分钟，煮至叶子变软变色，如下图所示：

6、之后取出用软毛牙刷开始轻轻的刷叶子上的叶肉，如下图所示：

7、当两边的叶肉都刷干净时，叶子就会变成透明的，如下图所示：

8、最后用书本夹住定型，叶脉标本就完成了。

参考技术A 简单的方法
将水煮到80度左右后，将叶子放进去，煮沸至叶肉发黄后，再继续浸泡至水温降至40度左右，用手指或软的牙刷将叶肉去除即可。最后设计好后，可拿到照相馆塑封。
复杂的方法
【制作】
1：
（1）大烧杯里加入100mL水，再加入约3.5g氢氧化钠、2.5g无水碳酸钠，放在石棉网上加热到沸。取几片坚韧的树叶放入上述腐蚀液中连续煮沸6～10分钟，这时常用玻棒或镊子轻轻翻动。
（2）当叶肉煮烂后，用镊子取出叶片，放在清水中漂洗。当叶片上残留碱液漂洗干净后取出，把叶片平铺在一块木板上（或平铺在手心上），用小试管刷或毛质柔软的旧牙刷轻轻刷掉叶片两面已烂的叶肉，一边刷一边常用小流量的自来水冲洗，直到只留下叶脉。
（3）刷净的叶脉片，漂洗后放在玻璃片上晾干。当晾到半干半湿状时涂上所需的各种染料，然后夹在书页中等它自然晾干、压平。干燥后在叶柄上系一根彩色丝绸带，便制得一片叶脉清晰、色质艳丽、美观实用的书签。
2：
1、选择叶片。 选择叶脉粗壮而密的树叶。一般以常绿木本植物为好。如桂花叶、石楠叶、木瓜叶、桉枝叶、茶树叶等。在叶片充分成熟并开始老化的夏末或秋季选叶制作。
2、用碱液煮叶片。碱液的配置：按1升水计算，碳酸钠(苏打)70克，氢氧化钠50克(以上两种药品化学品商店有售)，也可用石灰水代替碱液，在搪瓷杯或沙锅内将配好的碱液煮沸后放入洗净的叶子适量，煮沸，并用筷子轻轻拨动叶子 ，防止叶片叠压，使其均匀受热。煮沸5分钟左右，待叶子变黑后，捞取一片叶子，放入盛有清水的塑料盆中。检查叶肉受腐蚀和易剥离情况，如易分离即可将叶片全部捞出，放入盛有清水的塑料盆中，再逐片进行叶肉与叶脉的分离。
3、去掉叶肉。 将煮后的叶子放在手掌上或玻璃板上，用旧牙刷柄光滑处在叶面上轻轻擦试，受腐蚀的叶肉即可被擦掉，然后在水龙头下面冲洗，继续擦试，直到叶肉全部去掉。
4、漂白叶脉。 将刷洗净的叶脉放在漂白粉溶液中漂白后捞出，用清水冲洗后夹在旧书报纸中，吸干水分后取出，即可成为叶脉书签使用。
5、染色、绘图、写字。 用红、蓝墨水或其它染色剂染成你所喜爱的颜色，亦可在上面作画、写字，最后系上丝线即成。
【说明】树叶宜选用白杨树、桂花树等质地较柔韧的叶。在洗刷时必须极仔细小心，切忌急于求成，否则叶脉易刷坏。本回答被提问者采纳 参考技术B 我做过叶脉拼图
找新鲜完整的叶片 放在沸水中烫熟 用毛刷刷去叶片背面的肉汁部分 清洗干净即可 参考技术C 新鲜树叶直接用鞋刷的有毛那面拍就行。这个就是保存时间较短。还有比较复杂的，用酸煮，然后浸泡在福尔马林。 参考技术D 很难

sklearn当中怎样去除数据与结果无关的属性

做如下移动即可

数据预处理完整代码

# -------------------------- 请调整你的数据预处理过程 ---------------------------
## 输入：
#### data 为 pandas.DataFrame类型数据
#### imputer 为缺失值填充方式
#### scaler 为数据归一化方式
## 输出：
#### data_norm 为处理后的数据，为 pandas.DataFrame类型数据
def preprocess_data(data, imputer=None, scaler=None):
    
    column_name = ['Year', 'Life expectancy ', 'infant deaths', 'Alcohol',
               'percentage expenditure', 'Hepatitis B', 'Measles ', ' BMI ', 'under-five deaths ',
               'Polio', 'Total expenditure', 'Diphtheria ', ' HIV/AIDS', 'GDP', 'Population',
               ' thinness  1-19 years', ' thinness 5-9 years', 'Income composition of resources',
               'Schooling']
    data = data.drop(["Country", "Status"], axis=1)
    
    if imputer==None:
        imputer = KNNImputer(n_neighbors=3,missing_values=np.nan)
#         imputer = SimpleImputer(strategy='mean', missing_values=np.nan)
        imputer = imputer.fit(data[column_name])
    data[column_name] = imputer.transform(data[column_name])
    
    if scaler==None:
        scaler = MinMaxScaler(feature_range=(-1, 1))
        scaler = scaler.fit(data)
    data_norm = pd.DataFrame(scaler.transform(data), columns=data.columns)
    
    data_norm = data_norm.drop(['Year'], axis = 1)
    
    return data_norm, imputer, scaler

但是随机森林可能根本不需要特征选择？