qq_43498494
qq_43498494

机器学习之--sklearn介绍

文章目录

    • 机器学习框架
    • sklearn框架结构
      • 启动notebook
    • 算法一---KNN
    • KNN算法入门---K分类，近邻
    • KNN算法调参数--准确率
    • KNN手写数字识别
      • 图像二值化处理

机器学习框架

数据挖掘：我们从数据中找出有规律的规则。数据分析：对数据分类处理，找出内在规律。这就是机器学习。
机器学习之--sklearn介绍_第1张图片
机器学习之--sklearn介绍_第2张图片
机器学习之--sklearn介绍_第3张图片
机器学习之--sklearn介绍_第4张图片
机器学习之--sklearn介绍_第5张图片
机器学习之--sklearn介绍_第6张图片

sklearn框架结构

机器学习之--sklearn介绍_第7张图片
机器学习之--sklearn介绍_第8张图片
机器学习之--sklearn介绍_第9张图片
会将依赖库也同时安装。
机器学习之--sklearn介绍_第10张图片
机器学习之--sklearn介绍_第11张图片
机器学习之--sklearn介绍_第12张图片

启动notebook

机器学习之--sklearn介绍_第13张图片
机器学习之--sklearn介绍_第14张图片
机器学习之--sklearn介绍_第15张图片
机器学习之--sklearn介绍_第16张图片
机器学习之--sklearn介绍_第17张图片
机器学习之--sklearn介绍_第18张图片
机器学习之--sklearn介绍_第19张图片
机器学习之--sklearn介绍_第20张图片
6个子文件夹模块
机器学习之--sklearn介绍_第21张图片

算法一—KNN

机器学习之--sklearn介绍_第22张图片

KNN算法入门—K分类，近邻

机器学习之--sklearn介绍_第23张图片
机器学习之--sklearn介绍_第24张图片
机器学习之--sklearn介绍_第25张图片
机器学习之--sklearn介绍_第26张图片
机器学习之--sklearn介绍_第27张图片
建立一个子python代码
机器学习之--sklearn介绍_第28张图片
机器学习之--sklearn介绍_第29张图片
机器学习之--sklearn介绍_第30张图片
计算机不可以对文本数据进行加载与运算，逻辑运算。对于文本数据计算机只能去拼接数据。

机器学习之--sklearn介绍_第31张图片
机器学习之--sklearn介绍_第32张图片
在这里插入图片描述
机器学习之--sklearn介绍_第33张图片
机器学习之--sklearn介绍_第34张图片
机器学习之--sklearn介绍_第35张图片
机器学习之--sklearn介绍_第36张图片
机器学习之--sklearn介绍_第37张图片
机器学习之--sklearn介绍_第38张图片
机器学习之--sklearn介绍_第39张图片
机器学习之--sklearn介绍_第40张图片
机器学习之--sklearn介绍_第41张图片
petal为花瓣
机器学习之--sklearn介绍_第42张图片
机器学习之--sklearn介绍_第43张图片
机器学习之--sklearn介绍_第44张图片
机器学习之--sklearn介绍_第45张图片
机器学习之--sklearn介绍_第46张图片
机器学习之--sklearn介绍_第47张图片
机器学习之--sklearn介绍_第48张图片

KNN算法调参数–准确率

在这里插入图片描述
在这里插入图片描述机器学习之--sklearn介绍_第49张图片
机器学习之--sklearn介绍_第50张图片
机器学习之--sklearn介绍_第51张图片
机器学习之--sklearn介绍_第52张图片
机器学习之--sklearn介绍_第53张图片
机器学习之--sklearn介绍_第54张图片
机器学习之--sklearn介绍_第55张图片
机器学习之--sklearn介绍_第56张图片
机器学习之--sklearn介绍_第57张图片
机器学习之--sklearn介绍_第58张图片
机器学习之--sklearn介绍_第59张图片
机器学习之--sklearn介绍_第60张图片
机器学习之--sklearn介绍_第61张图片
机器学习之--sklearn介绍_第62张图片
K值更不能超过样本总量
机器学习之--sklearn介绍_第63张图片

KNN手写数字识别

机器学习之--sklearn介绍_第64张图片机器学习之--sklearn介绍_第65张图片
bitmap图片都是一位一位的，一个bit一个bit的，所以bitmap是一种基础的图片，也是一种图片格式。
机器学习之--sklearn介绍_第66张图片
机器学习之--sklearn介绍_第67张图片
机器学习之--sklearn介绍_第68张图片
机器学习之--sklearn介绍_第69张图片
机器学习之--sklearn介绍_第70张图片
机器学习之--sklearn介绍_第71张图片
机器学习之--sklearn介绍_第72张图片
1个子文件夹中有500张图片，有10个子文件夹，即0-9；
机器学习之--sklearn介绍_第73张图片
机器学习之--sklearn介绍_第74张图片
机器学习之--sklearn介绍_第75张图片
机器学习之--sklearn介绍_第76张图片
机器学习之--sklearn介绍_第77张图片
机器学习之--sklearn介绍_第78张图片
机器学习之--sklearn介绍_第79张图片
机器学习之--sklearn介绍_第80张图片
机器学习之--sklearn介绍_第81张图片
机器学习之--sklearn介绍_第82张图片
机器学习之--sklearn介绍_第83张图片
机器学习之--sklearn介绍_第84张图片
机器学习之--sklearn介绍_第85张图片
机器学习之--sklearn介绍_第86张图片
机器学习之--sklearn介绍_第87张图片
将长与宽这两维度合在一个维度上了，但是原来4000个样本现在还是4000个样本。
机器学习之--sklearn介绍_第88张图片
机器学习之--sklearn介绍_第89张图片
机器学习之--sklearn介绍_第90张图片
机器学习之--sklearn介绍_第91张图片
在这里插入图片描述
机器学习之--sklearn介绍_第92张图片
机器学习之--sklearn介绍_第93张图片
机器学习之--sklearn介绍_第94张图片
机器学习之--sklearn介绍_第95张图片
机器学习之--sklearn介绍_第96张图片
机器学习之--sklearn介绍_第97张图片
机器学习之--sklearn介绍_第98张图片

机器学习之--sklearn介绍_第99张图片
机器学习之--sklearn介绍_第100张图片

图像二值化处理

机器学习之--sklearn介绍_第101张图片
二值化效果
机器学习之--sklearn介绍_第102张图片
机器学习之--sklearn介绍_第103张图片
机器学习之--sklearn介绍_第104张图片
机器学习之--sklearn介绍_第105张图片
在这里插入图片描述
机器学习之--sklearn介绍_第106张图片
机器学习之--sklearn介绍_第107张图片
机器学习之--sklearn介绍_第108张图片机器学习之--sklearn介绍_第109张图片
机器学习之--sklearn介绍_第110张图片
机器学习之--sklearn介绍_第111张图片
机器学习之--sklearn介绍_第112张图片
机器学习之--sklearn介绍_第113张图片
图像二值化操作对于验证测试数据来说比较好，因为有的测试图片颜色不纯，我只要经过二值化处理后变成纯黑与纯白，即更便于机器识别。

你可能感兴趣的:(sklearn)

  • 使用scorecardpy库计算woe分箱和iv值 亲持红叶 机器学习风控相关算法人工智能机器学习
    woe分箱_iv值计算基于scorecardpy库，乳腺癌数据集importpandasaspdimportnumpyasnpfromsklearn.datasetsimportload_breast_cancerimportscorecardpyasscfromtqdmimportnotebookcancer=load_breast_cancer()df=pd.DataFrame(cancer.
  • pythonnumpy库离线安装_linux Python2.7 离线安装pip、numpy、scipy、sklearn等 weixin_39974932
    服务器是离线的，只能离线安装安装pip1.先安装setuptools下载地址：https://pypi.python.org/pypi/setuptools#downloads将下载后的文件解压，进入到解压后的文件所在的目录执行命令：pythonsetup.pyinstall2安装pip下载地址：https://pypi.python.org/pypi/pip#downloads将下载后的文件解压
  • 机器学习特征重要性之feature_importances_属性与permutation_importance方法 一叶_障目 机器学习python数据挖掘
    一、feature_importances_属性在机器学习中，分类和回归算法的feature_importances_属性用于衡量每个特征对模型预测的重要性。这个属性通常在基于树的算法中使用，通过feature_importances_属性，您可以了解哪些特征对模型的预测最为重要，从而可以进行特征选择或特征工程，以提高模型的性能和解释性。1、决策树1.1.sklearn.tree.Decision
  • 机器学习-期末测试 难以触及的高度 机器学习python人工智能
    机器学习-期末测试线性回归1.代码展示#coding=UTF-8#拆分训练集和测试集importmatplotlib.pyplotaspltfromsklearn.model_selectionimporttrain_test_split#是线性回归类是sklearn写好的根据梯度下降法fromsklearn.linear_modelimportLinearRegressionimportpand
  • python错误：No module named 'sklearn.cross_validation' 小炸鸡钟熊 python
    调用fromsklearn.cross_validationimporttrain_test_split时，发现错误：Nomodulenamed'sklearn.cross_validation’更改为sklearn.model_selection即可fromsklearn.model_selectionimporttrain_test_split
  • 解决 No module named ‘sklearn‘ lllxzzz sklearnpython机器学习
    第一反应是：pipinstallsklearn会出现错误。正确的应该是：pipinstallscikit-learn
  • 【Python】已解决：ModuleNotFoundError: No module named ‘sklearn‘ 屿小夏 pythonsklearn人工智能
    个人简介：某不知名博主，致力于全栈领域的优质博客分享|用最优质的内容带来最舒适的阅读体验！文末获取免费IT学习资料！文末获取更多信息精彩专栏推荐订阅收藏专栏系列直达链接相关介绍书籍分享点我跳转书籍作为获取知识的重要途径，对于IT从业者来说更是不可或缺的资源。不定期更新IT图书，并在评论区抽取随机粉丝，书籍免费包邮到家AI前沿点我跳转探讨人工智能技术领域的最新发展和创新，涵盖机器学习、深度学习、自然
  • 机器学习数据预处理preprocessing之KernelCenterer 一叶_障目 机器学习人工智能
    sklearn.preprocessing.KernelCenterer对矩阵XXX执行中心化操作，即使得核矩阵的行和列的均值为零给定二维矩阵XXX，可以下式得到其核变换矩阵KKK：K(X,X)=ϕ(X).ϕ(X)TK(X,X)=\phi(X).\phi(X)^TK(X,X)=ϕ(X).ϕ(X)T式中ϕ(X)\phi(X)ϕ(X)是一种将XXX从原始空间映射到希尔伯特空间的函数希尔伯特空间是一种完
  • 超简单|Python实现机器学习算法——KNN birdcome python机器学习KNN算法
    超简单|Python实现机器学习算法——KNNKNN算法简介算法实现步骤如何用python实现KNN算法Scikit-learn算法库实现KNN分类器Sklearn建模流程KNN算法简介KNN算法（k近邻算法）是一种有监督分类算法，它的原理非常简单，下面以一个简单的例子引入。已知两种酒的标签：赤霞珠和黑皮诺，在这个情景中，我们对酒进行分类的依据是酒精浓度和颜色深度，如下图所示：红色代表赤霞珠，紫色
  • python 代码实现了一个条件生成对抗网络（Conditional Generative Adversarial Network，CGAN），用于生成与给定的理化值相关的光谱数据 max500600 算法开发语言python生成对抗网络开发语言
    importtensorflowastfimportnumpyasnpimportpandasaspdimportosimportmatplotlib.pyplotaspltfromsklearn.model_selectionimporttrain_test_splitfromtensorflow.keras.layersimportAdd,BatchNormalizationos.enviro
  • K近邻算法_分类鸢尾花数据集 _feivirus_ 算法机器学习和数学分类机器学习K近邻
    importnumpyasnpimportpandasaspdfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score1.数据预处理iris=load_iris()df=pd.DataFrame(data=ir
  • python画出分子化学空间分布（UMAP） Sakaiay python
    利用umap画出分子化学空间分布图安装pipinstallumap-learn下面是用一个数据集举的例子importtorchimportumapimportpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltimportseabornassnsfromsklearn.manifoldimportTSNEfromrdkit.Chemimport
  • 分类算法可视化方法 dundunmm 数据挖掘分类数据挖掘人工智能可视化
    可视化方法可以用于帮助理解分类算法的决策边界、性能和在不同数据集上的行为。下面列举几个常见的可视化方法。1.决策边界可视化这种方法用于可视化不同分类算法在二维特征空间中如何分隔不同类别。对于理解决策树、支持向量机（SVM）、逻辑回归和k近邻（k-NN）等模型的行为非常有用。importnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.datasets
  • conda安装包报PackagesNotFoundError错误 张遥 数据分析pythonanaconda
    先查找包(base)bash-3.2$anacondasearch-tcondasklearn返回包的相关信息根据对应的包的包名使用如下命令(base)bash-3.2$anacondashowcorjos/sklearn-pandas会直接给出安装命令condainstall--channelhttps://conda.anaconda.org/corjossklearn-pandas
  • 【ML】支持向量机SVM及Python实现（详细） 2401_84009698 程序员支持向量机python算法
    fromsklearn.preprocessingimportStandardScalerfrommatplotlib.colorsimportListedColormapfromsklearn.svmimportSVC###2.1加载数据样本加载样本数据及其分类标签iris=datasets.load_iris()X=iris.data[:,[2,3]]#按花瓣划分#X=iris.data[:,
  • python3.7安装keras教程_python 3.7 安装 sklearn keras(tf.keras) weixin_39641103
    #1sklearn一般方法网上有很多教程，不再赘述。注意顺序是numpy+mkl，然后scipy的环境，scipy，然后sklearn#2anocondaanaconda原始的环境已经自带了sklearn，这里说一下新建环境（比如创建了一个tensorflow的环境），activatetensorflow2.0，然后condainstallsklearn即可，会帮你把各种需要的库都安装。#kera
  • # Seaborn热图修改画布大小|Seaborn热图修改横纵坐标大小|Seaborn删除注释|Seaborn删除调色板|Seaborn注释添加标注文字|Seaborn删除刻度线 Red Red 生信小技巧python开发语言ux笔记学习方法
    Seaborn热图修改画布大小|Seaborn热图修改横纵坐标大小|Seaborn删除注释|Seaborn删除调色板|Seaborn注释添加标注文字|Seaborn删除刻度线查看图片importmatplotlibaspltplt.show()修改画布大小#导入需要用到的相关包importseabornassnsimportpandasaspdimportmatplotlibfromsklearn
  • 推荐算法学习记录2.2——kaggle数据集的动漫电影数据集推荐算法实践——基于内容的推荐算法、协同过滤推荐 萱仔学习自我记录 推荐算法学习pythonmatplotlib开发语言
    1、基于内容的推荐：这种方法根据项的相关信息（如描述信息、标签等）和用户对项的操作行为（如评论、收藏、点赞等）来构建推荐算法模型。它可以直接利用物品的内容特征进行推荐，适用于内容较为丰富的场景。‌#1.基于内容的推荐算法fromsklearn.feature_extraction.textimportTfidfVectorizerfromsklearn.metrics.pairwiseimport
  • 30、基于SelectFromModel和LassoCV的特征选择 凌晨思索
    30、基于SelectFromModel和LassoCV的特征选择importmatplotlib.pyplotaspltimportnumpyasnpfromsklearn.datasetsimportload_diabetesfromsklearn.feature_selectionimportSelectFromModelfromsklearn.linear_modelimportLasso
  • 01-30 姬汉斯
    今天看的是关于文档识别和分类的处理案例。利用多项式贝叶斯公式计算TF-IDF值，以此计算出文档中的词频，文档频率等数据属性，TFIDFVectorizer类用于进行整理，NTLK包进行标注处理，计算文档中各个字符的权重，通过分类器进行分类处理。Sklearn在其中依然有巨大作用，还在熟悉其特性
  • Python处理大数据，如何提高处理速度 RS& #pythonpython大数据pandas
    Python处理大数据，如何提高处理速度？一、利用大数据分析工具Dask：https://dask.org/Dask简介：Dask支持Pandas的DataFrame和NumpyArray的数据结构，并且既可在本地计算机上运行，也可以扩展到在集群上运行。Dask可支持pandas、Numpy、Sklearn、XGBoost、XArray、RAPIDS等等。原理及使用方法：https://blog.
  • 自动安装第三方库python,python第三方库自动安装脚本 杏仁菌子 自动安装第三方库python
    #python第三方库自动安装脚本，需要在cmd中运行此脚本#BatchInstall.pyimportoslibs={"numpy","matplotlib","pillow","sklearn","requests",\"jieba","beautifulsoup4","wheel","networkx","sympy",\"pyinstaller","django","flask","wer
  • XGBoost调参demo（Python） 妄念驱动 机器学习算法python机器学习XGBoostpython
    XGBoost我们用的是保险公司的一份数据#各种库importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.linear_modelimportLogisticRegressionfromsklearn.ensembleimportRandomForestClassifierfromsklearn.metricsi
  • 机器学习实战----波士顿房价预测模型 永远偷渡不了的非洲人 机器学习机器学习sklearnpython
    波士顿房价模型预测是一个回归问题，可以采用r2_score方法来作为评价指标。importnumpyasnpimportpandasaspdfromsklearn.metricsimportr2_score#从sklearn的数据库中导入波士顿房产数据fromsklearn.datasetsimportload_bostonfromsklearn.model_selectionimporttrai
  • python机器学习算法--贝叶斯算法 在下小天n 机器学习python机器学习算法
    1.贝叶斯定理在20世纪60年代初就引入到文字信息检索中，仍然是文字分类的一种热门（基准）方法。文字分类是以词频为特征判断文件所属类型或其他（如垃圾邮件、合法性、新闻分类等）的问题。原理牵涉到概率论的问题，不在详细说明。sklearn.naive_bayes.GaussianNB(priors=None,var_smoothing=1e-09)#Bayes函数·priors：矩阵，shape=[n
  • Python中sklearn实现随机森林RF回归与变量重要性影响程度排序分析 疯狂学习GIS
      本文详细介绍在Python中，实现随机森林（RandomForest，RF）回归与变量重要性分析、排序的代码编写与分析过程。其中，关于基于MATLAB实现同样过程的代码与实战，大家可以点击查看这篇博客1（https://blog.csdn.net/zhebushibiaoshifu/article/details/114806478）。  本文分为两部分，第一部分为代码的分段讲解，第二部分为完
  • 机器学习小组第三周：简单的数据预处理和特征工程 -Helslie 机器学习机器学习
    学习目标●无量纲化：最值归一化、均值方差归一化及sklearn中的Scaler●缺失值处理●处理分类型特征：编码与哑变量●处理连续型特征：二值化与分段学习资料首先，参考：《机器学习的敲门砖：归一化与KD树》及《特征工程系列：特征预处理（上）》中相关部分。其次，其他知识点可参考推荐博文：sklearn中的数据预处理和特征工程。20200311数据归一化在量纲不同的情况下，对于部分算法不能反映样本中每
  • Python图像纹理分割 2401_84585316 程序员python开发语言
    将下图左右两种不同类型的纹理区域分开，方法输出结果是一幅与该图像等大小的二值图像，左边为0，右边为1，或者相反，灰色边框线在设计的方法中不作考虑，自行去除。2️⃣实现源码importmatplotlib.imageasmpimgimportmatplotlib.pyplotaspltimportnumpyasnpfromcv2importcv2fromsklearn.multiclassimpor
  • 鸢尾花的简单分类器 Oneshot_fea8
    importpandasaspdfromsklearn.model_selectionimporttrain_test_splitfromscipy.spatial.distanceimporteuclideanimportnumpyasnpDATA_FILE='./data_ai/Iris.csv'SPECIES=['Iris-setosa',#山鸢尾'Iris-versicolor',#变色鸢
  • ARIMA-temp-humidity TuringSnowy 笔记
    importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltfromstatsmodels.tsa.statespace.sarimaximportSARIMAXfromstatsmodels.graphics.tsaplotsimportplot_acf,plot_pacffromsklearn.metricsimportmean_squ
  • Java开发中，spring mvc 的线程怎么调用？ 小麦麦子 springmvc
    今天逛知乎，看到最近很多人都在问spring mvc 的线程http://www.maiziedu.com/course/java/ 的启动问题，觉得挺有意思的，那哥们儿问的也听仔细，下面的回答也很详尽，分享出来，希望遇对遇到类似问题的Java开发程序猿有所帮助。 问题：     在用spring mvc架构的网站上，设一线程在虚拟机启动时运行，线程里有一全局
  • maven依赖范围 bitcarter maven
    1.test 测试的时候才会依赖，编译和打包不依赖，如junit不被打包 2.compile 只有编译和打包时才会依赖 3.provided 编译和测试的时候依赖，打包不依赖，如：tomcat的一些公用jar包 4.runtime 运行时依赖，编译不依赖 5.默认compile 依赖范围compile是支持传递的，test不支持传递 1.传递的意思是项目A，引用
  • Jaxb org.xml.sax.saxparseexception : premature end of file darrenzhu xmlprematureJAXB
    如果在使用JAXB把xml文件unmarshal成vo(XSD自动生成的vo)时碰到如下错误： org.xml.sax.saxparseexception : premature end of file 很有可能时你直接读取文件为inputstream，然后将inputstream作为构建unmarshal需要的source参数。InputSource inputSource = new In
  • CSS Specificity 周凡杨 html权重Specificitycss
      有时候对于页面元素设置了样式，可为什么页面的显示没有匹配上呢？ because specificity CSS 的选择符是有权重的，当不同的选择符的样式设置有冲突时，浏览器会采用权重高的选择符设置的样式。     规则：   HTML标签的权重是1 Class 的权重是10 Id 的权重是100
  • java与servlet g21121 servlet
    servlet 搞java web开发的人一定不会陌生，而且大家还会时常用到它。 下面是java官方网站上对servlet的介绍： java官网对于servlet的解释 写道 Java Servlet Technology Overview Servlets are the Java platform technology of choice for extending and enha
  • eclipse中安装maven插件 510888780 eclipsemaven
    1.首先去官网下载 Maven： http://www.apache.org/dyn/closer.cgi/maven/binaries/apache-maven-3.2.3-bin.tar.gz 下载完成之后将其解压， 我将解压后的文件夹：apache-maven-3.2.3， 并将它放在 D:\tools目录下， 即 maven 最终的路径是：D:\tools\apache-mave
  • jpa@OneToOne关联关系 布衣凌宇 jpa
    Nruser里的pruserid关联到Pruser的主键id，实现对一个表的增删改，另一个表的数据随之增删改。 Nruser实体类 //***************************************************************** @Entity @Table(name="nruser") @DynamicInsert @Dynam
  • 我的spring学习笔记11-Spring中关于声明式事务的配置 aijuans spring事务配置
    这两天学到事务管理这一块，结合到之前的terasoluna框架，觉得书本上讲的还是简单阿。我就把我从书本上学到的再结合实际的项目以及网上看到的一些内容，对声明式事务管理做个整理吧。我看得Spring in Action第二版中只提到了用TransactionProxyFactoryBean和<tx:advice/>,定义注释驱动这三种，我承认后两种的内容很好，很强大。但是实际的项目当中
  • java 动态代理简单实现 antlove javahandlerproxydynamicservice
    dynamicproxy.service.HelloService package dynamicproxy.service; public interface HelloService { public void sayHello(); }   dynamicproxy.service.impl.HelloServiceImpl package dynamicp
  • JDBC连接数据库 百合不是茶 JDBC编程JAVA操作oracle数据库
             如果我们要想连接oracle公司的数据库，就要首先下载oralce公司的驱动程序，将这个驱动程序的jar包导入到我们工程中;   JDBC链接数据库的代码和固定写法;     1,加载oracle数据库的驱动;     &nb
  • 单例模式中的多线程分析 bijian1013 javathread多线程java多线程
    谈到单例模式，我们立马会想到饿汉式和懒汉式加载，所谓饿汉式就是在创建类时就创建好了实例，懒汉式在获取实例时才去创建实例，即延迟加载。 饿汉式： package com.bijian.study; public class Singleton { private Singleton() { } // 注意这是private 只供内部调用 private static
  • javascript读取和修改原型特别需要注意原型的读写不具有对等性 bijian1013 JavaScriptprototype
            对于从原型对象继承而来的成员，其读和写具有内在的不对等性。比如有一个对象A，假设它的原型对象是B，B的原型对象是null。如果我们需要读取A对象的name属性值，那么JS会优先在A中查找，如果找到了name属性那么就返回；如果A中没有name属性，那么就到原型B中查找name，如果找到了就返回；如果原型B中也没有
  • 【持久化框架MyBatis3六】MyBatis3集成第三方DataSource bit1129 dataSource
    MyBatis内置了数据源的支持，如：   <environments default="development"> <environment id="development"> <transactionManager type="JDBC" /> <data
  • 我程序中用到的urldecode和base64decode,MD5 bitcarter cMD5base64decodeurldecode
    这里是base64decode和urldecode，Md5在附件中。因为我是在后台所以需要解码： string Base64Decode(const char* Data,int DataByte,int& OutByte) { //解码表 const char DecodeTable[] = { 0, 0, 0, 0, 0, 0
  • 腾讯资深运维专家周小军：QQ与微信架构的惊天秘密 ronin47
    社交领域一直是互联网创业的大热门，从PC到移动端，从OICQ、MSN到QQ。到了移动互联网时代，社交领域应用开始彻底爆发，直奔黄金期。腾讯在过去几年里，社交平台更是火到爆，QQ和微信坐拥几亿的粉丝，QQ空间和朋友圈各种刷屏，写心得，晒照片，秀视频，那么谁来为企鹅保驾护航呢？支撑QQ和微信海量数据背后的架构又有哪些惊天内幕呢？本期大讲堂的内容来自今年2月份ChinaUnix对腾讯社交网络运营服务中心
  • java-69-旋转数组的最小元素。把一个数组最开始的若干个元素搬到数组的末尾，我们称之为数组的旋转。输入一个排好序的数组的一个旋转，输出旋转数组的最小元素 bylijinnan java
    public class MinOfShiftedArray { /** * Q69 旋转数组的最小元素 * 把一个数组最开始的若干个元素搬到数组的末尾，我们称之为数组的旋转。输入一个排好序的数组的一个旋转，输出旋转数组的最小元素。 * 例如数组{3, 4, 5, 1, 2}为{1, 2, 3, 4, 5}的一个旋转，该数组的最小值为1。 */ publ
  • 看博客，应该是有方向的 Cb123456 反省看博客
    看博客，应该是有方向的:  我现在就复习以前的，在补补以前不会的，现在还不会的，同时完善完善项目，也看看别人的博客.  我刚突然想到的:  1.应该看计算机组成原理，数据结构，一些算法，还有关于android,java的。  2.对于我，也快大四了，看一些职业规划的，以及一些学习的经验，看看别人的工作总结的.    为什么要写
  • [开源与商业]做开源项目的人生活上一定要朴素,尽量减少对官方和商业体系的依赖 comsci 开源项目
         为什么这样说呢？  因为科学和技术的发展有时候需要一个平缓和长期的积累过程，但是行政和商业体系本身充满各种不稳定性和不确定性，如果你希望长期从事某个科研项目，但是却又必须依赖于某种行政和商业体系，那其中的过程必定充满各种风险。。。       所以，为避免这种不确定性风险，我
  • 一个 sql优化 （[精华] 一个查询优化的分析调整全过程！很值得一看 ） cwqcwqmax9 sql
    见   http://www.itpub.net/forum.php?mod=viewthread&tid=239011 Web翻页优化实例 提交时间: 2004-6-18 15:37:49      回复    发消息  环境： Linux ve
  • Hibernat and Ibatis dashuaifu Hibernateibatis
    Hibernate  VS  iBATIS 简介 Hibernate 是当前最流行的O/R mapping框架，当前版本是3.05。它出身于sf.net，现在已经成为Jboss的一部分了 iBATIS 是另外一种优秀的O/R mapping框架，当前版本是2.0。目前属于apache的一个子项目了。 相对Hibernate“O/R”而言，iBATIS 是一种“Sql Mappi
  • 备份MYSQL脚本 dcj3sjt126com mysql
    #!/bin/sh # this shell to backup mysql #[email protected] (QQ:1413161683 DuChengJiu) _dbDir=/var/lib/mysql/ _today=`date +%w` _bakDir=/usr/backup/$_today [ ! -d $_bakDir ] && mkdir -p
  • iOS第三方开源库的吐槽和备忘 dcj3sjt126com ios
    转自 ibireme的博客   做iOS开发总会接触到一些第三方库，这里整理一下，做一些吐槽。   目前比较活跃的社区仍旧是Github，除此以外也有一些不错的库散落在Google Code、SourceForge等地方。由于Github社区太过主流，这里主要介绍一下Github里面流行的iOS库。   首先整理了一份 Github上排名靠
  • html wlwmanifest.xml eoems htmlxml
    所谓优化wp_head()就是把从wp_head中移除不需要元素，同时也可以加快速度。 步骤： 加入到function.php remove_action('wp_head', 'wp_generator'); //wp-generator移除wordpress的版本号，本身blog的版本号没什么意义，但是如果让恶意玩家看到，可能会用官网公布的漏洞攻击blog remov
  • 浅谈Java定时器发展 hacksin java并发timer定时器
    java在jdk1.3中推出了定时器类Timer,而后在jdk1.5后由Dou Lea从新开发出了支持多线程的ScheduleThreadPoolExecutor，从后者的表现来看，可以考虑完全替代Timer了。 Timer与ScheduleThreadPoolExecutor对比： 1.    Timer始于jdk1.3,其原理是利用一个TimerTask数组当作队列
  • 移动端页面侧边导航滑入效果 ini jqueryWebhtml5cssjavascirpt
    效果体验：http://hovertree.com/texiao/mobile/2.htm可以使用移动设备浏览器查看效果。效果使用到jquery-2.1.4.min.js，该版本的jQuery库是用于支持HTML5的浏览器上，不再兼容IE8以前的浏览器，现在移动端浏览器一般都支持HTML5，所以使用该jQuery没问题。HTML文件代码： <!DOCTYPE html> <h
  • AspectJ+Javasist记录日志 kane_xie aspectjjavasist
    在项目中碰到这样一个需求，对一个服务类的每一个方法，在方法开始和结束的时候分别记录一条日志，内容包括方法名，参数名+参数值以及方法执行的时间。   @Override public String get(String key) { // long start = System.currentTimeMillis(); // System.out.println("Be
  • redis学习笔记 MJC410621 redisNoSQL
    1)nosql数据库主要由以下特点：非关系型的、分布式的、开源的、水平可扩展的。 1，处理超大量的数据 2，运行在便宜的PC服务器集群上， 3，击碎了性能瓶颈。 1)对数据高并发读写。 2)对海量数据的高效率存储和访问。 3)对数据的高扩展性和高可用性。 redis支持的类型： Sring 类型 set name lijie get name lijie set na
  • 使用redis实现分布式锁 qifeifei
    在多节点的系统中，如何实现分布式锁机制，其中用redis来实现是很好的方法之一，我们先来看一下jedis包中，有个类名BinaryJedis,它有个方法如下：   public Long setnx(final byte[] key, final byte[] value) { checkIsInMulti(); client.setnx(key, value); ret
  • BI并非万能，中层业务管理报表要另辟蹊径 张老师的菜 大数据BI商业智能信息化
           BI是商业智能的缩写，是可以帮助企业做出明智的业务经营决策的工具，其数据来源于各个业务系统，如ERP、CRM、SCM、进销存、HER、OA等。        BI系统不同于传统的管理信息系统，他号称是一个整体应用的解决方案，是融入管理思想的强大系统：有着系统整体的设计思想，支持对所有
  • 安装rvm后出现rvm not a function 或者ruby -v后提示没安装ruby的问题 wudixiaotie function
    1.在~/.bashrc最后加入 [[ -s "$HOME/.rvm/scripts/rvm" ]] && source "$HOME/.rvm/scripts/rvm"  2.重新启动terminal输入：   rvm use ruby-2.2.1 --default  把当前安装的ruby版本设为默
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他