星码
星码

数学建模 --- K-means、系统聚类 与 DBSCAN

聚类

    • 聚类
      • 聚类需要注意的问题
      • 数据量纲不一致时
      • 1. K-means
      • 2. K-means++
      • 3. 系统(层次)聚类 --- 可以通过聚类谱系图选择合适的类别数
        • 思想
        • 聚类谱系图(聚类图)
        • 距离
          • 数据格式
          • 样本间的距离
          • 类之间的距离
            • 组间平均连接法
            • 组内平均连接法
            • 重心法
          • 指标与指标间的距离
      • 4. DBSCAN --- 不用预先指定个数
        • 基本概念
    • SPSS求聚类
      • SPSS K-means++聚类
      • SPSS 系统聚类
    • 系统聚类方法中 直接估计聚类数量 --- 聚合系数折线图
      • 画图
      • 分析得到类别数
    • SPSS将聚类的结果进行绘图

聚类

聚类需要注意的问题

数学建模 --- K-means、系统聚类 与 DBSCAN_第1张图片

数据量纲不一致时

要对每个指标进行限减去均值再除以标准差
数学建模 --- K-means、系统聚类 与 DBSCAN_第2张图片

1. K-means

数学建模 --- K-means、系统聚类 与 DBSCAN_第3张图片

  • 聚类的效果与初始点的选择有关

数学建模 --- K-means、系统聚类 与 DBSCAN_第4张图片

数学建模 --- K-means、系统聚类 与 DBSCAN_第5张图片

2. K-means++

选择初始聚类中心之间相互距离尽可能要远
数学建模 --- K-means、系统聚类 与 DBSCAN_第6张图片

3. 系统(层次)聚类 — 可以通过聚类谱系图选择合适的类别数

把最为接近的点聚为一类

思想

因为查重，不可直接使用
数学建模 --- K-means、系统聚类 与 DBSCAN_第7张图片

数学建模 --- K-means、系统聚类 与 DBSCAN_第8张图片

  • 过程中类的个数为一后，得到聚类图，可以根据聚类图后决定分类的个数

聚类谱系图(聚类图)

数学建模 --- K-means、系统聚类 与 DBSCAN_第9张图片

距离

这些距离最后得到的聚类图不同，但可以根据比较容易解释的聚类图，来进行选距离

数据格式

数学建模 --- K-means、系统聚类 与 DBSCAN_第10张图片

样本间的距离

数学建模 --- K-means、系统聚类 与 DBSCAN_第11张图片

  • 绝对值距离：一般用于网状结构(一般不能直接按直线进行计算)
类之间的距离

将样本划分为类后，需要定义每个类之间的距离
数学建模 --- K-means、系统聚类 与 DBSCAN_第12张图片

组间平均连接法

数学建模 --- K-means、系统聚类 与 DBSCAN_第13张图片

组内平均连接法

数学建模 --- K-means、系统聚类 与 DBSCAN_第14张图片

重心法

数学建模 --- K-means、系统聚类 与 DBSCAN_第15张图片

指标与指标间的距离

一般用于将各个指标进行分类 而不是 将各个样本进行分类
数学建模 --- K-means、系统聚类 与 DBSCAN_第16张图片

4. DBSCAN — 不用预先指定个数

可以有效处理异常数据
数学建模 --- K-means、系统聚类 与 DBSCAN_第17张图片

基本概念

数学建模 --- K-means、系统聚类 与 DBSCAN_第18张图片
数学建模 --- K-means、系统聚类 与 DBSCAN_第19张图片

SPSS求聚类

SPSS K-means++聚类

数学建模 --- K-means、系统聚类 与 DBSCAN_第20张图片

  • 界面
    数学建模 --- K-means、系统聚类 与 DBSCAN_第21张图片
  1. 变量：代表各个指标
  2. 标注依据：对什么进行聚类，得到的聚类结果以该指标进行标注
  3. 聚类数：要得到几类
  • 迭代按钮
    数学建模 --- K-means、系统聚类 与 DBSCAN_第22张图片
  • 保存按钮
    数学建模 --- K-means、系统聚类 与 DBSCAN_第23张图片
    聚类成员：会生成一个新的变量，会得到聚类后属于哪一类

数学建模 --- K-means、系统聚类 与 DBSCAN_第24张图片

  • 选项按钮
    数学建模 --- K-means、系统聚类 与 DBSCAN_第25张图片

SPSS 系统聚类

数学建模 --- K-means、系统聚类 与 DBSCAN_第26张图片

  • 方法按钮中
  1. 聚类方法：类与类之间的距离方法
  2. 区间：点与点之间的方法
  3. 标准化：量纲不同需要进行标准化
  • 保存按钮中
    先选择无，输出聚类谱系图(聚类图)后
    再选择 单个解 输入想要的聚类数

系统聚类方法中 直接估计聚类数量 — 聚合系数折线图

数学建模 --- K-means、系统聚类 与 DBSCAN_第27张图片

  • 所有类的总畸变程度 == 聚合系数

由上述定义：在类别数增加时，聚合系数会不断减小

  • 例如：
    数学建模 --- K-means、系统聚类 与 DBSCAN_第28张图片

画图

  1. 在得到的 系统聚类 结果中，有集中计划
  2. 将集中计划系数一栏复制到excel表中并按照降序排好数学建模 --- K-means、系统聚类 与 DBSCAN_第29张图片
  3. excel画图
    数学建模 --- K-means、系统聚类 与 DBSCAN_第30张图片

分析得到类别数

  • 根据所画的图，图中聚合系数下降快到下降慢的点对应的类别数为所选择的类别数
  • 可以根据这个图得到类别数，如果类别数也符合解释的画，也可以直接在SPSS软件中使用该类别数K

SPSS将聚类的结果进行绘图

适用于指标不大于3个，类别数不是很多的聚类
数学建模 --- K-means、系统聚类 与 DBSCAN_第31张图片

数学建模 --- K-means、系统聚类 与 DBSCAN_第32张图片

你可能感兴趣的:(聚类,数学建模)

  • 机器学习之KMeans算法 知舟不叙 机器学习算法kmeans
    文章目录引言1.KMeans算法简介2.KMeans算法的数学原理3.KMeans算法的步骤3.1初始化簇中心3.2分配数据点3.3更新簇中心3.4停止条件4.KMeans算法的优缺点4.1优点4.2缺点5.KMeans算法的应用场景5.1图像分割5.2市场细分5.3文档聚类5.4异常检测6.Python实现KMeans算法7.总结引言KMeans算法是机器学习中最经典的无监督学习算法之一，广泛应
  • 机器学习流程—数据预处理 清洗 不二人生 机器学习机器学习人工智能数据预处理
    文章目录机器学习流程—数据预处理清洗定义问题数据预处理数据加载与展示重复数据处理数据类型空值处理无关特征删除数据分布删除异常值生成标签和特征数据分割机器学习流程—数据预处理清洗数据处理是将数据从给定形式转换为更可用和更理想的形式的任务，即使其更有意义、信息更丰富。使用机器学习算法、数学建模和统计知识，整个过程可以自动化。这个完整过程的输出可以是任何所需的形式，如图形、视频、图表、表格、图像等等，具
  • 基于改进ISODATA算法的负荷场景曲线聚类（matlab代码） 电力程序小学童 聚类matlabISODATA算法风电光伏
    目录1主要内容聚类中心选取步骤核方法2部分代码3程序结果4程序链接1主要内容程序复现文献《基于机器学习的短期电力负荷预测和负荷曲线聚类研究》第三章《基于改进ISODATA算法的负荷场景曲线聚类》模型，该方法不止适用于负荷聚类，同样适用于风光等可再生能源聚类，只需要改变聚类的数据即可，该方法的通用性和可创新性强。该代码实现一种基于改进ISODATA算法的负荷场景曲线聚类方法，代码中，主要做了四种聚类
  • 《基于机器学习的负荷曲线聚类算法对比与改进：K-L-isodata的创新性研究》 TWHiwhjig 机器学习算法聚类
    基于机器学习的负荷曲线聚类包括kmeansisodata和改进的L-isodata以及在其基础上再次进行改进的K-L-isodata(有创新性)，四者通过评价指标进行了对比精品代码可修改性极高有参考文献ID:93150688324967700自律的电气人基于机器学习的负荷曲线聚类是一种基于数据分析和模式识别的技术，它可以帮助我们对系统的负荷变化进行分类和理解。在负荷曲线聚类的研究中，K-means
  • PostgreSQL vs MySQL——哪种关系数据库更好? 全能资料库 postgresqlmysql数据库
    PostgreSQL和MySQL是世界上最流行的两种关系数据库管理系统(RDMS)。包括商业企业和开源基金会在内的所有市场人口都在使用它们。它们的共同点是强大的网络容错能力和对数据聚类的支持。这篇文章的主题是将它们区分开来。RDMS起源和历史1973年,加州大学伯克利分校启动了一个名为“Ingres”的项目,为关系数据库管理系统制定新标准。该项目是用C编写的,并根据开源许可证向公众发布。根据[Wi
  • 数据挖掘导论——第七章：聚类 Wis4e 数据挖掘聚类人工智能
    什么是聚类？数据间的相似性和距离的测量方式有哪些？数据标准化如何进行距离计算？层次聚类的思想和流程？K-均值聚类的思想和流程？距离的计算方式如何影响聚类结果？聚类的要素，包括数据，差异性/相似性测量方式，聚类算法（标准化执行程序或流程）理解相似性和差异性的度量（p40）。Jaccard和余弦相似性度量。以下内容由AI生成：余弦相似度（CosineSimilarity）是一种衡量两个向量在方向上相似
  • 【sklearn 05】sklearn功能模块 @金色海岸 sklearn人工智能python
    sklearn功能模块分类：识别某个对象属于那个类别回归：预测与对象相关联的连续值属性聚类：将相似对象自动分组降维：减少要考虑的随机变量的数量模型选择：比较、验证、选择参数和模型预处理：特征提取和归一化
  • 【数学建模】一致矩阵的应用及其在层次分析法(AHP)中的性质 烟锁池塘柳0 数学建模数学建模
    一致矩阵在层次分析法(AHP)中的应用与性质在层次分析法(AHP)中，一致矩阵是判断矩阵的一种理想状态，它反映了决策者判断的完全合理性和一致性，也就是为了避免决策者认为“A比B重要，B比C重要，但是C又比A重要”的矛盾。本文将详细介绍一致矩阵的定义、性质及其在AHP中的重要意义。关于层次分析法(AHP)的介绍，可以参考：【数学建模】层次分析法(AHP)详解及其应用。一、一致矩阵的定义定义：设A=[
  • 【sklearn 02】监督学习、非监督下学习、强化学习 @金色海岸 sklearn学习人工智能
    监督学习、非监督学习、强化学习**机器学习通常分为无监督学习、监督学习和强化学习三类。-第一类：无监督学习（unsupervisedlearning），指的是从信息出发自动寻找规律，分析数据的结构，常见的无监督学习任务有聚类、降维、密度估计、关联分析等。-第二类：监督学习（supervisedlearning），监督学习指的是使用带标签的数据去训练模型，并预测未知数据的标签。监督学习有两种，当预测
  • 新手村：数据预处理-异常值检测方法 嘉羽很烦 机器学习机器学习
    机器学习中异常值检测方法一、前置条件知识领域要求编程基础Python基础（变量、循环、函数）、JupyterNotebook或PyCharm使用。统计学基础理解均值、中位数、标准差、四分位数、正态分布、Z-score等概念。机器学习基础熟悉监督/无监督学习、分类、聚类、回归等基本概念。数据预处理数据清洗、特征缩放（标准化/归一化）、数据可视化（Matplotlib/Seaborn）。二、渐进式学习
  • Python精进系列： K-Means 聚类算法调用库函数和手动实现对比分析 进一步有进一步的欢喜 Python精进系列算法pythonkmeans
    一、引言在机器学习领域，聚类分析是一种重要的无监督学习方法，用于将数据集中的样本划分为不同的组或簇，使得同一簇内的样本具有较高的相似性，而不同簇之间的样本具有较大的差异性。K-Means聚类算法是最常用的聚类算法之一，它以其简单性和高效性在数据挖掘、图像分割、模式识别等领域得到了广泛应用。本文将详细介绍K-Means聚类算法，并分别给出调用现成函数和不调用任何现成函数实现K-Means聚类的代码示
  • 【Python机器学习】2.2. 聚类分析算法理论：K均值聚类(KMeans Analysis)、KNN(K近邻分类)、均值漂移聚类(MeanShift) SomeB1oody Python机器学习机器学习算法python聚类分类算法
    喜欢的话别忘了点赞、收藏加关注哦（关注即可查看全文），对接下来的教程有兴趣的可以关注专栏。谢谢喵！(=･ω･=)2.2.1.K均值聚类(KMeansAnalysis)K均值算法是以空间中K个点为中心进行聚类，对最靠近他们的对象归类，是聚类算法中最为基础但也最为重要的算法。数学原理计算数据点与各簇中心点的距离：dist(xi,ujt){dist}(x_i,u_j^t)dist(xi,ujt)然后根据
  • 小白零基础学数学建模系列-Day1-数学建模入门介绍与案例实践 川川菜鸟 数学建模小白到精通系列数学建模
    目录一、数学建模的定义和重要性1.1什么是数学建模？1.2数学建模的重要性二、常见的数学建模方法概述2.1线性模型和案例2.1.1特点2.1.2应用2.1.3问题2.1.4模型2.1.5数学表达式2.1.6求解算法2.2非线性模型和案例2.2.1特点2.2.2应用2.2.3问题2.2.4模型2.2.5数学表达式2.2.6算法2.3动态模型2.3.1特点2.3.2应用2.3.3常见问题2.3.4模型
  • python手写kmeans算法 菜鸟懿 机器学习聚类算法python
    kmean聚类是最基础和常见的算法，工程上使用比较常见，spark,sklearn都有实现，本文手写实现kmeans#!/usr/bin/pythonimportsysimportrandomimportmathdefcreate_rand_points(max_x,max_y,count):"""Createcountpoints(0-x),(0-y)."""points=[]foriinran
  • 数学建模之数学模型-3：动态规划 ^ω^宇博 数学模型数学建模动态规划算法
    文章目录动态规划基本概念阶段状态决策策略状态转移方程指标函数最优指标函数动态规划的求解前向算法后向算法二者比较应用案例一种中文分词的动态规划模型摘要引言动态规划的分词模型问题的数学描述消除状态的后效性选择优化条件算法描述和计算实例算法的效率分析和评价结束语参考文献动态规划基本概念一个多阶段决策过程最优化问题的动态规划模型包括以下666个要素：以下是对动态规划中阶段、状态、决策、策略、状态转移方程、
  • 数据挖掘技术介绍 柒柒钏 数据挖掘数据挖掘人工智能
    数据挖掘技术介绍分类聚类关联规则挖掘预测异常检测特征选择与降维文本挖掘序列模式挖掘深度学习集成学习数据挖掘（DataMining）是一种从大量数据中提取有用信息和模式的技术，旨在从数据中发现隐藏的规律、趋势或关系，从而为决策提供支持。分类定义：是一种监督学习方法，用于将数据分为不同的类别。功能：根据已标记的训练数据，学习一个模型，用于预测新数据的类别。方法：决策树、支持向量机、神经网络、逻辑回归、
  • 手写机器学习算法系列——K-Means聚类算法(一) 木有鱼丸223 手写机器学习算法系列机器学习算法聚类
    代码仓库(数字空间项目，GN可上)不想看的话，我也将代码上传到本博客中。1.聚类算法简介在数据科学和机器学习领域，聚类(Clustering)算法是一种无监督学习方法，它将相似的对象分到同一个组，而不同的对象则被分到不同的组。这种算法的主要目标是根据数据的特征进行分组，以此找出数据的内在结构。聚类算法的一个核心特点就是它并不需要预先知道数据的类别，而是通过算法自动进行分组。在实际应用中，我们常见的
  • 文本挖掘+情感分析+主题建模+K-Meas聚类+词频统计+词云（景区游客评论情感分析） 请为小H留灯 聚类机器学习支持向量机人工智能深度学习
    本文通过情感分析技术对景区游客评论进行深入挖掘，结合数据预处理、情感分类和文本挖掘，分析游客评价与情感倾向。利用朴素贝叶斯和SVM等模型进行情感预测，探讨满意度与情感的关系。通过KMeans聚类和LDA主题分析，提取游客关心的话题，提供优化建议，为未来研究提供方向。1.引言1.1背景与目的1.2旅游业发展与游客评论的重要性2.数据处理与分析2.1数据加载与预处理2.2游客评分与点赞量分析3.评论内
  • 自然语言处理：文本聚类 老赵爱学习 python文本聚类k均值聚类算法高斯混合模型的最大期望值算法无监督朴素贝叶斯模型自然语言处理人工智能
    介绍大家好，博主又来和大家分享自然语言处理领域的知识了。今天给大家分享的内容是自然语言处理中的文本聚类。文本聚类在自然语言处理领域占据着重要地位，它能将大量无序的文本按照内容的相似性自动划分成不同的类别，极大地提高了文本处理和信息提取的效率。就好比在一个大型图书馆中，文本聚类能够像智能管理员一样，把各种书籍按照主题分类摆放，方便读者快速找到所需资料。而实现文本聚类的方法有很多，其中k均值聚类算法、
  • 从零开始：基于LLM大模型构建智能应用程序的完整指南 AI天才研究院 ChatGPT人工智能
    目录从零开始：基于LLM大模型构建智能应用程序的完整指南什么是LLM大模型如何利用LLM大模型构建智能应用程序1.收集和准备数据2.构建LLM大模型3.集成和部署4.监测和维护使用特定于私有领域的数据增强LLM检索增强生成(RAG)数据预处理、分块和检索技术零射击与少量射击提示和指导LLM大模型使用LLM进行推荐和聚类任务改善组织内的搜索体验考虑以上所有解锁的利基应用程序参考最近，围绕大型语言模型
  • C++ 实现 ROS 2 点云欧几里得聚类 c++
    C++实现ROS2点云欧几里得聚类在LivoxMid-360采集的sensor_msgs::msg::PointCloud2点云数据上进行欧几里得聚类（EuclideanClusterExtraction），具体流程如下：✅1.订阅PointCloud2并转换为pcl::PointCloud解释：sensor_msgs::msg::PointCloud2是ROS2点云消息格式，PCL不能直接处理。
  • sparkML入门，通俗解释机器学习的框架和算法 Tometor spark-ml机器学习算法回归数据挖掘人工智能scala
    一、机器学习的整体框架（类比烹饪）假设你要做一道菜，机器学习的过程可以类比为：步骤-->烹饪类比-->机器学习对应1.确定目标|想做什么菜（红烧肉/沙拉）|明确任务(分类/回归/聚类)2.准备食材|买菜、洗菜、切菜|数据收集与预处理3.设计食谱|决定烹饪步骤和调料|选择算法和模型设计4.试做并尝味道|调整火候和调味|模型训练与调参5.最终成品|端上桌的菜|模型部署与应用二、机器学习的核心流程1.数
  • KMeans实战——聚类和轮廓系数评估啤酒数据集 巷955 机器学习人工智能
    原理：在数据分析和机器学习中，聚类是一种常用的无监督学习方法，用于将数据集中的样本划分为若干个簇，使得同一簇内的样本相似度较高，而不同簇之间的样本相似度较低。KMeans算法是其中最常用的聚类算法之一。本文将介绍如何使用KMeans算法对啤酒数据集进行聚类，并使用轮廓系数（SilhouetteScore）来评估聚类结果的质量。1.数据准备首先，我们需要导入必要的库并加载数据集。本文使用的数据集是一
  • 【AI论文】SEAP: 无训练稀疏专家激活修剪，解锁大型语言模型的潜力 东临碣石82 人工智能语言模型深度学习
    摘要：大型语言模型在各种自然语言处理任务中取得了显著成功，然而其在推理过程中的高计算成本仍然是一个主要瓶颈。本文介绍了稀疏专家激活修剪（SEAP）方法，这是一种无需训练的修剪方法，通过选择性地保留与任务相关的参数来降低推理开销。受大型语言模型中隐藏状态和激活值的聚类模式启发，SEAP识别出特定于任务的专家激活模式，并在保持任务性能和提高计算效率的同时对模型进行修剪。实验结果表明，SEAP在保持竞争
  • 数据挖掘导论Pangaea-Ning Tan 读书笔记——（第一，二，三章） 小黄人的黄 数据挖掘数据挖掘
    《数据挖掘导论》Pang-NingTan，MichaelSteinbach，VipinKumar读书笔记，第一章绪论数据挖掘任务预测任务描述任务分类任务回归任务聚类分析关联分析异常检测章节导读数据挖掘数据处理第2章第3章分类第4章决策树过拟合性能评估等第5章
  • 人工智能机器学习算法分类全解析 power-辰南 人工智能人工智能机器学习算法python
    目录一、引言二、机器学习算法分类概述（一）基于学习方式的分类1.监督学习（SupervisedLearning）2.无监督学习（UnsupervisedLearning）3.强化学习（ReinforcementLearning）（二）基于任务类型的分类1.分类算法2.回归算法3.聚类算法4.降维算法5.生成算法（三）基于模型结构的分类1.线性模型2.非线性模型3.基于树的模型4.基于神经网络的模型
  • 国赛数学建模高教社杯历届优秀论文全集 BanDeng001 数学建模数学建模
    2004到2024高教社杯全国大学生数学建模竞赛题目及优秀论文1往届高教社杯题目2024年：A题：“板凳龙”闹元宵B题：生产过程中的决策问题C题：农作物的种植策略D题：反潜航空深弹命中概率问题E题：交通流量管控2023年：A题：定日镜场的优化设计B题：多波束测线问题C题：蔬菜类商品的自动定价与补货决策D题：圈养湖羊的空间利用率E题：黄河水沙检测数据分析2022年：A题：波浪能最大输出功率设计B题：
  • 【数学建模】001 反方向的钟儿 数学建模数学建模算法笔记
    数学建模方法论层次分析法：确定评级价指标形成评价体系1.评价的目标是什么2.评价标准是什么3.可选方案有哪些以此来选择最优方案“两两”比较发来确定指标重要性可以画图列表，产生几个比较变量：产生一系列正互反矩阵，进而产生判断矩阵，可以得出各个评判指标之间的权重向量一致矩阵和不一致矩阵
  • 机器学习中的谱方法（Spectral Methods）与核方法（Kernel Methods） Cachel wood python机器学习和数据挖掘机器学习人工智能djangosklearnpython开发语言
    文章目录机器学习中的谱方法（SpectralMethods）与核方法（KernelMethods）1.谱方法（SpectralMethods）核心思想关键技术示例：谱聚类2.核方法（KernelMethods）核心思想关键技术示例：核SVM3.谱方法与核方法的对比4.核心联系5.如何选择？6.总结机器学习中的谱方法（SpectralMethods）与核方法（KernelMethods）谱方法和核方
  • 【时间序列聚类】从数据中发现隐藏的模式 T-I-M 机器学习人工智能时间序列
    在大数据时代，时间序列数据无处不在。无论是股票市场的价格波动、天气的变化趋势，还是用户的点击行为，这些数据都随着时间推移而产生。然而，面对海量的时间序列数据，我们如何从中提取有价值的信息？答案之一就是时间序列聚类。本文将以通俗易懂的方式，带你了解时间序列聚类的基本概念、应用场景以及实现思路，并希望能为你提供一些启发。什么是时间序列聚类？简单来说，时间序列聚类是一种将相似的时间序列归为一类的技术。它
  • apache ftpserver-CentOS config gengzg apache
    <server xmlns="http://mina.apache.org/ftpserver/spring/v1" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation=" http://mina.apache.o
  • 优化MySQL数据库性能的八种方法 AILIKES sqlmysql
    1、选取最适用的字段属性 　　MySQL可以很好的支持大数据量的存取，但是一般说来，数据库中的表越小，在它上面执行的查询也就会越快。因此，在创建表的时候，为了获得更好的 性能，我们可以将表中字段的宽度设得尽可能小。例如，在定义邮政编码这个字段时，如果将其设置为CHAR(255),显然给数据库增加了不必要的空间，甚至使用VARCHAR这种类型也是多余的，因为CHAR(6)就可以很
  • JeeSite 企业信息化快速开发平台 Kai_Ge JeeSite
    JeeSite 企业信息化快速开发平台 平台简介 JeeSite是基于多个优秀的开源项目，高度整合封装而成的高效，高性能，强安全性的开源Java EE快速开发平台。 JeeSite本身是以Spring Framework为核心容器，Spring MVC为模型视图控制器，MyBatis为数据访问层， Apache Shiro为权限授权层，Ehcahe对常用数据进行缓存，Activit为工作流
  • 通过Spring Mail Api发送邮件 120153216 邮件main
    原文地址：http://www.open-open.com/lib/view/open1346857871615.html 使用Java Mail API来发送邮件也很容易实现，但是最近公司一个同事封装的邮件API实在让我无法接受，于是便打算改用Spring Mail API来发送邮件，顺便记录下这篇文章。 【Spring Mail API】 Spring Mail API都在org.spri
  • Pysvn 程序员使用指南 2002wmj SVN
    源文件:http://ju.outofmemory.cn/entry/35762 这是一篇关于pysvn模块的指南. 完整和详细的API请参考 http://pysvn.tigris.org/docs/pysvn_prog_ref.html. pysvn是操作Subversion版本控制的Python接口模块. 这个API接口可以管理一个工作副本, 查询档案库, 和同步两个. 该
  • 在SQLSERVER中查找被阻塞和正在被阻塞的SQL 357029540 SQL Server
    SELECT  R.session_id AS BlockedSessionID ,          S.session_id AS BlockingSessionID ,          Q1.text AS Block
  • Intent 常用的用法备忘 7454103 .netandroidGoogleBlogF#
    Intent     应该算是Android中特有的东西。你可以在Intent中指定程序 要执行的动作（比如：view,edit,dial），以及程序执行到该动作时所需要的资料 。都指定好后，只要调用startActivity()，Android系统 会自动寻找最符合你指定要求的应用 程序，并执行该程序。 下面列出几种Intent 的用法 显示网页:
  • Spring定时器时间配置 adminjun spring时间配置定时器
    红圈中的值由6个数字组成，中间用空格分隔。第一个数字表示定时任务执行时间的秒，第二个数字表示分钟，第三个数字表示小时，后面三个数字表示日，月，年，< xmlnamespace prefix ="o" ns ="urn:schemas-microsoft-com:office:office" /> 测试的时候，由于是每天定时执行，所以后面三个数
  • POJ 2421 Constructing Roads 最小生成树 aijuans 最小生成树
    来源：http://poj.org/problem?id=2421 题意：还是给你n个点，然后求最小生成树。特殊之处在于有一些点之间已经连上了边。 思路：对于已经有边的点，特殊标记一下，加边的时候把这些边的权值赋值为0即可。这样就可以既保证这些边一定存在，又保证了所求的结果正确。 代码： #include <iostream> #include <cstdio>
  • 重构笔记——提取方法（Extract Method） ayaoxinchao java重构提炼函数局部变量提取方法
    提取方法（Extract Method）是最常用的重构手法之一。当看到一个方法过长或者方法很难让人理解其意图的时候，这时候就可以用提取方法这种重构手法。   下面是我学习这个重构手法的笔记：   提取方法看起来好像仅仅是将被提取方法中的一段代码，放到目标方法中。其实，当方法足够复杂的时候，提取方法也会变得复杂。当然，如果提取方法这种重构手法无法进行时，就可能需要选择其他
  • 为UILabel添加点击事件 bewithme UILabel
        默认情况下UILabel是不支持点击事件的，网上查了查居然没有一个是完整的答案，现在我提供一个完整的代码。   UILabel *l = [[UILabel alloc] initWithFrame:CGRectMake(60, 0, listV.frame.size.width - 60, listV.frame.size.height)]
  • NoSQL数据库之Redis数据库管理(PHP-REDIS实例) bijian1013 redis数据库NoSQL
    一.redis.php <?php //实例化 $redis = new Redis(); //连接服务器 $redis->connect("localhost"); //授权 $redis->auth("lamplijie"); //相关操
  • SecureCRT使用备注 bingyingao secureCRT每页行数
    SecureCRT日志和卷屏行数设置 一、使用securecrt时，设置自动日志记录功能。 1、在C:\Program Files\SecureCRT\下新建一个文件夹(也就是你的CRT可执行文件的路径），命名为Logs； 2、点击Options -> Global Options -> Default Session -> Edite Default Sett
  • 【Scala九】Scala核心三：泛型 bit1129 scala
    泛型类 package spark.examples.scala.generics class GenericClass[K, V](val k: K, val v: V) { def print() { println(k + "," + v) } } object GenericClass { def main(args: Arr
  • 素数与音乐 bookjovi 素数数学haskell
        由于一直在看haskell，不可避免的接触到了很多数学知识，其中数论最多，如素数，斐波那契数列等，很多在学生时代无法理解的数学现在似乎也能领悟到那么一点。     闲暇之余，从图书馆找了<<The music of primes>>和<<世界数学通史>>读了几遍。其中素数的音乐这本书与软件界熟知的&l
  • Java-Collections Framework学习与总结-IdentityHashMap BrokenDreams Collections
            这篇总结一下java.util.IdentityHashMap。从类名上可以猜到，这个类本质应该还是一个散列表，只是前面有Identity修饰，是一种特殊的HashMap。         简单的说，IdentityHashMap和HashM
  • 读《研磨设计模式》-代码笔记-享元模式-Flyweight bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ import java.util.ArrayList; import java.util.Collection; import java.util.HashMap; import java.util.List; import java
  • PS人像润饰&调色教程集锦 cherishLC PS
      1、仿制图章沿轮廓润饰——柔化图像，凸显轮廓 http://www.howzhi.com/course/retouching/   新建一个透明图层，使用仿制图章不断Alt+鼠标左键选点，设置透明度为21%，大小为修饰区域的1/3左右（比如胳膊宽度的1/3），再沿纹理方向（比如胳膊方向）进行修饰。   所有修饰完成后，对该润饰图层添加噪声，噪声大小应该和
  • 更新多个字段的UPDATE语句 crabdave update
    更新多个字段的UPDATE语句                    update tableA a set (a.v1, a.v2, a.v3, a.v4) = --使用括号确定更新的字段范围
  • hive实例讲解实现in和not in子句 daizj hivenot inin
    本文转自：http://www.cnblogs.com/ggjucheng/archive/2013/01/03/2842855.html 当前hive不支持 in或not in 中包含查询子句的语法，所以只能通过left join实现。 假设有一个登陆表login(当天登陆记录,只有一个uid),和一个用户注册表regusers(当天注册用户，字段只有一个uid)，这两个表都包含
  • 一道24点的10+种非人类解法（2,3,10,10） dsjt 算法
    这是人类算24点的方法？！！！ 事件缘由：今天晚上突然看到一条24点状态，当时惊为天人，这NM叫人啊？以下是那条状态 朱明西 : 24点，算2 3 10 10，我LX炮狗等面对四张牌痛不欲生，结果跑跑同学扫了一眼说，算出来了，2的10次方减10的3次方。。我草这是人类的算24点啊。。 然后么。。。我就在深夜很得瑟的问室友求室友算 刚出完题，文哥的暴走之旅开始了 5秒后
  • 关于YII的菜单插件 CMenu和面包末breadcrumbs路径管理插件的一些使用问题 dcj3sjt126com yiiframework
    在使用 YIi的路径管理工具时，发现了一个问题。                    <?php         
  • 对象与关系之间的矛盾：“阻抗失配”效应[转] come_for_dream 对象
    概述   “阻抗失配”这一词组通常用来描述面向对象应用向传统的关系数据库（RDBMS）存放数据时所遇到的数据表述不一致问题。C++程序员已经被这个问题困扰了好多年，而现在的Java程序员和其它面向对象开发人员也对这个问题深感头痛。   “阻抗失配”产生的原因是因为对象模型与关系模型之间缺乏固有的亲合力。“阻抗失配”所带来的问题包括：类的层次关系必须绑定为关系模式（将对象
  • 学习编程那点事 gcq511120594 编程互联网
    一年前的夏天，我还在纠结要不要改行，要不要去学php？能学到真本事吗？改行能成功吗？太多的问题，我终于不顾一切，下定决心，辞去了工作，来到传说中的帝都。老师给的乘车方式还算有效，很顺利的就到了学校，赶巧了，正好学校搬到了新校区。先安顿了下来，过了个轻松的周末，第一次到帝都，逛逛吧！ 接下来的周一，是我噩梦的开始，学习内容对我这个零基础的人来说，除了勉强完成老师布置的作业外，我已经没有时间和精力去
  • Reverse Linked List II hcx2013 list
    Reverse a linked list from position m to n. Do it in-place and in one-pass. For example:Given 1->2->3->4->5->NULL, m = 2 and n = 4, return 
  • Spring4.1新特性——页面自动化测试框架Spring MVC Test HtmlUnit简介 jinnianshilongnian spring 4.1
    目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
  • Hadoop集群工具distcp liyonghui160com
        1. 环境描述 两个集群：rock 和 stone rock无kerberos权限认证，stone有要求认证。 1. 从rock复制到stone，采用hdfs Hadoop distcp -i hdfs://rock-nn:8020/user/cxz/input hdfs://stone-nn:8020/user/cxz/运行在rock端，即源端问题：报版本
  • 一个备份MySQL数据库的简单Shell脚本 pda158 mysql脚本
    　　主脚本（用于备份mysql数据库）： 　　该Shell脚本可以自动备份 数据库。只要复制粘贴本脚本到文本编辑器中，输入数据库用户名、密码以及数据库名即可。我备份数据库使用的是mysqlump 命令。后面会对每行脚本命令进行说明。 　　 1. 分别建立目录“backup”和“oldbackup” 　　#mkdir /backup 　　#mkdir /oldbackup 　
  • 300个涵盖IT各方面的免费资源（中）——设计与编码篇 shoothao IT资源图标库图片库色彩板字体
    A. 免费的设计资源 Freebbble:来自于Dribbble的免费的高质量作品。 Dribbble:Dribbble上“免费”的搜索结果——这是巨大的宝藏。 Graphic Burger:每个像素点都做得很细的绝佳的设计资源。 Pixel Buddha:免费和优质资源的专业社区。 Premium Pixels:为那些有创意的人提供免费的素材。
  • thrift总结 - 跨语言服务开发 uule thrift
    官网 官网JAVA例子 thrift入门介绍 IBM-Apache Thrift - 可伸缩的跨语言服务开发框架 Thrift入门及Java实例演示 thrift的使用介绍   RPC    POM： <dependency> <groupId>org.apache.thrift</groupId>
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他