meng_shangjy

一次、二次、三次指数平滑计算思想及代码

一般常用到的指数平滑法为一次指数平滑、二次指数平滑和三次指数平滑，高次指数平滑一般比较难见到，因此本文着重介绍了一次、二次和三次指数平滑的特点与不同。

一次指数平滑一般应用于直线型数据，且一次指数平滑具有滞后性，可以说明有明显的时间性、季节性。

二次指数平滑一般也应用于直线型，但是效果会比一次指数平滑好很多，也就相当于加强版的一次指数平滑。

三次指数平滑可以应用于抛物线型的数据，因为数据在二次平滑过后还是具有斜率，那么可以继续使用三次指数平滑。

初值：不管什么指数平滑都会有个初值，假如数据大于20项，那么初值就可以认定为第一个数据，或者利用下列公式计算也行；假如数据小于20项，则初始值为：

低于20项一般取3，大于20的看着取就行了。

一次指数平滑：

一次指数平滑需要滞后一期，给定平滑系数，那么一次指数平滑的计算公式为：

预测第期的数值则是上一期的实际值与预测值的加权平均，预测公式为：

二次指数平滑：

给定平滑系数，那么二次指数平滑的计算公式为：

预测未来期的值的计算公式为：

其中：

三次指数平滑：

给定平滑系数，那么三次指数平滑的计算公式为：

预测未来期的值的计算公式为：

其中：

下面举例说明，数据如下：

253993	275396.2	315229.5	356949.6	400158.2	442431.7	495102.9	570164.8	640993.1	704250.4	767455.4	781807.8	776332.3	794161.7	834177.7	931651.5	1028390	1114914
133	88	150	123	404	107	674	403	243	257	900	1043	1156	895	1200	1038	1024	1283

引入均方误差概念来判断平滑系数是否准确：

要使最小则构成了一个关于的函数，由此可以得到最优的平滑系数，这里可以引入线性规划的思想来求得最优解

但是：

python没有线性规划的包，所以就没有细致的代码写出来了，不过经过手动计算尝试这样子是可行的

在python3下编程，一次指数平滑代码为：

 1         S1_1 = [] 2         for m in range(0, len(info_data_id)): 3             S1_1_empty = [] 4             x = 0 5             for n in range(0, 3): 6                 x = x + int(info_data_sales[m][n]) 7             x = x / 3 8             S1_1_empty.append(x) 9             S1_1.append(S1_1_empty)10         # print(S1_1)11 12         a = []  ##这是用来存放阿尔法的数组13         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法)14         for i in range(0, len(info_data_sales)):15             v = input('请输入第' + str(i + 1) + '组数据的a：')16             a.append(v)17 18         for i in range(0, len(info_data_sales)):19             MSE = 020             for j in range(0, len(info_data_sales[i])):21                 S1_1[i].append(22                     float(a[i]) * int(info_data_sales[i][j]) + (1 - float(a[i])) * int(S1_1[i][j]))  ##计算预估值23                 MSE = (int(S1_1[i][j]) - int(info_data_sales[i][j])) ** 2 + MSE24                 # print(info_data_sales[i][j], S1_1[i][j])25             MSE = (MSE ** (1 / 2)) / int(len(info_data_sales[i]))  ##得到均方误差26             info_MSE.append(MSE)27         # print(info_MSE)28         # print(S1_1)29         for i in range(0, len(S1_1)):30             print('第' + str(i + 1) + '组的一次平滑预估值为:' + str(S1_1[i][len(S1_1[i]) - 1]) + '；均方误差为：' + str(info_MSE[i]))

二次指数平滑代码为：

 1         S2_1 = [] 2         S2_2 = [] 3         for m in range(0, len(info_data_id)): 4             S2_1_empty = [] 5             x = 0 6             for n in range(0, 3): 7                 x = x + float(info_data_sales[m][n]) 8             x = x / 3 9             S2_1_empty.append(x)10             S2_1.append(S2_1_empty)11             S2_2.append(S2_1_empty)12         # print(S2_2)13         a = []  ##这是用来存放阿尔法的数组14         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法)15         for i in range(0, len(info_data_sales)):16             v = float(input('请输入第' + str(i + 1) + '组数据的a：'))17             a.append(v)18 19         ##下面是计算一次指数平滑的值20         S2_1_new1 = []21         for i in range(0, len(info_data_sales)):22             S2_1_new = [[]] * len(info_data_id)23             for j in range(0, len(info_data_sales[i])):24                 if j == 0:25                     S2_1_new[i].append(26                         float(a[i]) * float(info_data_sales[i][j]) + (1 - float(a[i])) * float(S2_1[i][j]))27                 else:28                     S2_1_new[i].append(float(a[i]) * float(info_data_sales[i][j]) + (1 - float(a[i])) * float(29                         S2_1_new[i][j - 1]))  ##计算一次指数的值30             S2_1_new1.append(S2_1_new[i])31         # print(S2_1_new1)32         # print(len(S2_1_new1[i]))33 34         ##下面是计算二次指数平滑的值35         S2_2_new1 = []36         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法)37         for i in range(0, len(info_data_sales)):38             S2_2_new = [[]] * len(info_data_id)39             MSE = 040             for j in range(0, len(info_data_sales[i])):41                 if j == 0:42                     S2_2_new[i].append(float(a[i]) * float(S2_1_new1[i][j]) + (1 - float(a[i])) * float(S2_2[i][j]))43                 else:44                     S2_2_new[i].append(float(a[i]) * float(S2_1_new1[i][j]) + (1 - float(a[i])) * float(45                         S2_2_new[i][j - 1]))  ##计算二次指数的值46                 MSE = (int(S2_2_new[i][j]) - int(info_data_sales[i][j])) ** 2 + MSE47             MSE = (MSE ** (1 / 2)) / int(len(info_data_sales[i]))48             info_MSE.append(MSE)49             S2_2_new1.append(S2_2_new[i])50         # print(S2_2_new1)51         # print(len(S2_2_new1[i]))52 53         ##下面是计算At、Bt以及每个预估值Xt的值，直接计算预估值，不一一列举Xt的值了54         u = input('你要预估多少期？')55         Xt = []56         for i in range(0, len(info_data_sales)):57             At = (float(S2_1_new1[i][len(S2_1_new1[i]) - 1]) * 2 - float(S2_2_new1[i][len(S2_2_new1[i]) - 1]))58             Bt = (float(a[i]) / (1 - float(a[i])) * (59             float(S2_1_new1[i][len(S2_1_new1[i]) - 1]) - float(S2_2_new1[i][len(S2_2_new1[i]) - 1])))60             Xt.append(At + Bt * int(u))61             print('第' + str(i + 1) + '组的二次平滑预估值为:' + str(Xt[i]) + '；均方误差为：' + str(info_MSE[i]))

三次指数平滑代码为：

 1         S3_1 = [] 2         S3_2 = [] 3         S3_3 = [] 4         for m in range(0, len(info_data_id)): 5             S3_1_empty = [] 6             x = 0 7             for n in range(0, 3): 8                 x = x + float(info_data_sales[m][n]) 9             x = x / 310             S3_1_empty.append(x)11             S3_1.append(S3_1_empty)12             S3_2.append(S3_1_empty)13             S3_3.append(S3_1_empty)14         # print(S3_1)15         a = []  ##这是用来存放阿尔法的数组16         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法)17         for i in range(0, len(info_data_sales)):18             v = float(input('请输入第' + str(i + 1) + '组数据的a：'))19             a.append(v)20 21         ##下面是计算一次指数平滑的值22         S3_1_new1 = []23         for i in range(0, len(info_data_sales)):24             S3_1_new = [[]] * len(info_data_id)25             for j in range(0, len(info_data_sales[i])):26                 if j == 0:27                     S3_1_new[i].append(28                         float(a[i]) * float(info_data_sales[i][j]) + (1 - float(a[i])) * float(S3_1[i][j]))29                 else:30                     S3_1_new[i].append(float(a[i]) * float(info_data_sales[i][j]) + (1 - float(a[i])) * float(31                         S3_1_new[i][j - 1]))  ##计算一次指数的值32             S3_1_new1.append(S3_1_new[i])33 34         ##下面是计算二次指数平滑的值35         S3_2_new1 = []36         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法)37         for i in range(0, len(info_data_sales)):38             S3_2_new = [[]] * len(info_data_id)39             for j in range(0, len(info_data_sales[i])):40                 if j == 0:41                     S3_2_new[i].append(float(a[i]) * float(S3_1_new1[i][j]) + (1 - float(a[i])) * float(S3_2[i][j]))42                 else:43                     S3_2_new[i].append(float(a[i]) * float(S3_1_new1[i][j]) + (1 - float(a[i])) * float(44                         S3_2_new[i][j - 1]))  ##计算二次指数的值45             S3_2_new1.append(S3_2_new[i])46 47         ##下面是计算二次指数平滑的值48         S3_3_new1 = []49         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法)50         for i in range(0, len(info_data_sales)):51             S3_3_new = [[]] * len(info_data_id)52             MSE = 053             for j in range(0, len(info_data_sales[i])):54                 if j == 0:55                     S3_3_new[i].append(float(a[i]) * float(S3_2_new1[i][j]) + (1 - float(a[i])) * float(S3_3[i][j]))56                 else:57                     S3_3_new[i].append(float(a[i]) * float(S3_2_new1[i][j]) + (1 - float(a[i])) * float(58                         S3_3_new[i][j - 1]))  ##计算三次指数的值59                 MSE = (int(S3_3_new[i][j]) - int(info_data_sales[i][j])) ** 2 + MSE60             MSE = (MSE ** (1 / 2)) / int(len(info_data_sales[i]))61             info_MSE.append(MSE)62             S3_3_new1.append(S3_3_new[i])63             # print(S3_3_new1)64 65         ##下面是计算At、Bt、Ct以及每个预估值Xt的值，直接计算预估值，不一一列举Xt的值了66         u = input('你要预估多少期？')67         Xt = []68         for i in range(0, len(info_data_sales)):69             At = (70             float(S3_1_new1[i][len(S3_1_new1[i]) - 1]) * 3 - float(S3_2_new1[i][len(S3_2_new1[i]) - 1]) * 3 + float(71                 S3_3_new1[i][len(S3_3_new1[i]) - 1]))72             Bt = ((float(a[i]) / (2 * ((1 - float(a[i])) ** 2))) * ((6 - 5 * float(a[i])) * (73             float(S3_1_new1[i][len(S3_1_new1[i]) - 1]) - 2 * (5 - 4 * float(a[i])) * float(74                 S3_2_new1[i][len(S3_2_new1[i]) - 1]) + (4 - 3 * float(a[i])) * float(75                 S3_3_new1[i][len(S3_3_new1[i]) - 1]))))76             Ct = (((float(a[i])) ** 2) / (2 * ((1 - float(a[i])) ** 2))) * (77             float(S3_1_new1[i][len(S3_1_new1[i]) - 1]) - float(S3_2_new1[i][len(S3_2_new1[i]) - 1])*2 + float(78                 S3_3_new1[i][len(S3_3_new1[i]) - 1]))79             Xt.append(At + Bt * int(u) + Ct * (int(u) ** 2))80             print('第' + str(i + 1) + '组的三次平滑预估值为:' + str(Xt[i]) + '；均方误差为：' + str(info_MSE[i]))

由于注释写得很清楚了，就不一段一段的解释了

明显看出数列为线性的数列，所以用二次指数平滑会更好

得到的二次平滑结果如下：

误差判断：

误差判断	预估值	实际值	误差
数列1	1193179	1192201	0.08%
数列2	1250	1371	9.68%

由此可见预测效果非常好

文章出处：https://www.cnblogs.com/TTyb/p/5716125.html

附上完整代码：

  1 from openpyxl import load_workbook  2 import xlsxwriter  3   4 if __name__ == '__main__':  5     judge = input('请选择使用几次指数平滑一次请按1；二次请按2；三次请按3：')  6     ##这里是打开excel将数据储存到数组里面  7     wb = load_workbook(filename=r'C:\Users\Administrator\Desktop\data.xlsx')  ##读取路径  8     ws = wb.get_sheet_by_name("Sheet1")  ##读取名字为Sheet1的sheet表  9     info_data_id = [] 10     info_data_sales = [] 11  12     for row_A in range(1, 3):  ## 遍历第1行到2行 13         id = ws.cell(row=row_A, column=1).value  ## 遍历第1行到2行，第1列 14         info_data_id.append(id) 15     for row_num_BtoU in range(1, len(info_data_id) + 1):  ## 遍历第1行到2行 16         row_empty = []  ##建立一个空数组作为临时储存地，每次换行就被清空 17         for i in range(2, 20):  ## 遍历第1行到2行，第1到19列 18             data = ws.cell(row=row_num_BtoU, column=i).value 19             if data == None: 20                 pass 21             else: 22                 row_empty.append(data)  ##将单元格信息储存进去 23         info_data_sales.append(row_empty)  ##row_empty每次储存完1到19列后压给info_data_sales，然后row_empty被清空 24     # print(info_data_id) 25     # print(info_data_sales) 26     if judge == '1': 27         ##############################下面是计算St(1)下面写为S1_t_###################################### 28         print('你选择了一次指数平滑预测') 29         ##一次指数平滑的初值为S1_1，用S1_1来储存每一组数据的一次平滑的数值 30         S1_1 = [] 31         for m in range(0, len(info_data_id)): 32             S1_1_empty = [] 33             x = 0 34             for n in range(0, 3): 35                 x = x + int(info_data_sales[m][n]) 36             x = x / 3 37             S1_1_empty.append(x) 38             S1_1.append(S1_1_empty) 39         # print(S1_1) 40  41         a = []  ##这是用来存放阿尔法的数组 42         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法) 43         for i in range(0, len(info_data_sales)): 44             v = input('请输入第' + str(i + 1) + '组数据的a：') 45             a.append(v) 46  47         for i in range(0, len(info_data_sales)): 48             MSE = 0 49             for j in range(0, len(info_data_sales[i])): 50                 S1_1[i].append( 51                     float(a[i]) * int(info_data_sales[i][j]) + (1 - float(a[i])) * int(S1_1[i][j]))  ##计算预估值 52                 MSE = (int(S1_1[i][j]) - int(info_data_sales[i][j])) ** 2 + MSE 53                 # print(info_data_sales[i][j], S1_1[i][j]) 54             MSE = (MSE ** (1 / 2)) / int(len(info_data_sales[i]))  ##得到均方误差 55             info_MSE.append(MSE) 56         # print(info_MSE) 57         # print(S1_1) 58         for i in range(0, len(S1_1)): 59             print('第' + str(i + 1) + '组的一次平滑预估值为:' + str(S1_1[i][len(S1_1[i]) - 1]) + '；均方误差为：' + str(info_MSE[i])) 60  61     if judge == '2': 62         ##############################下面是计算St(2)下面写为S2_t_###################################### 63         print('你选择了二次指数平滑预测') 64  65         ##二次指数平滑的初值为S2_1，用S2_1_new来储存每一组数据的一次平滑的数值 66         S2_1 = [] 67         S2_2 = [] 68         for m in range(0, len(info_data_id)): 69             S2_1_empty = [] 70             x = 0 71             for n in range(0, 3): 72                 x = x + float(info_data_sales[m][n]) 73             x = x / 3 74             S2_1_empty.append(x) 75             S2_1.append(S2_1_empty) 76             S2_2.append(S2_1_empty) 77         # print(S2_2) 78         a = []  ##这是用来存放阿尔法的数组 79         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法) 80         for i in range(0, len(info_data_sales)): 81             v = float(input('请输入第' + str(i + 1) + '组数据的a：')) 82             a.append(v) 83  84         ##下面是计算一次指数平滑的值 85         S2_1_new1 = [] 86         for i in range(0, len(info_data_sales)): 87             S2_1_new = [[]] * len(info_data_id) 88             for j in range(0, len(info_data_sales[i])): 89                 if j == 0: 90                     S2_1_new[i].append( 91                         float(a[i]) * float(info_data_sales[i][j]) + (1 - float(a[i])) * float(S2_1[i][j])) 92                 else: 93                     S2_1_new[i].append(float(a[i]) * float(info_data_sales[i][j]) + (1 - float(a[i])) * float( 94                         S2_1_new[i][j - 1]))  ##计算一次指数的值 95             S2_1_new1.append(S2_1_new[i]) 96         # print(S2_1_new1) 97         # print(len(S2_1_new1[i])) 98  99         ##下面是计算二次指数平滑的值100         S2_2_new1 = []101         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法)102         for i in range(0, len(info_data_sales)):103             S2_2_new = [[]] * len(info_data_id)104             MSE = 0105             for j in range(0, len(info_data_sales[i])):106                 if j == 0:107                     S2_2_new[i].append(float(a[i]) * float(S2_1_new1[i][j]) + (1 - float(a[i])) * float(S2_2[i][j]))108                 else:109                     S2_2_new[i].append(float(a[i]) * float(S2_1_new1[i][j]) + (1 - float(a[i])) * float(110                         S2_2_new[i][j - 1]))  ##计算二次指数的值111                 MSE = (int(S2_2_new[i][j]) - int(info_data_sales[i][j])) ** 2 + MSE112             MSE = (MSE ** (1 / 2)) / int(len(info_data_sales[i]))113             info_MSE.append(MSE)114             S2_2_new1.append(S2_2_new[i])115         # print(S2_2_new1)116         # print(len(S2_2_new1[i]))117 118         ##下面是计算At、Bt以及每个预估值Xt的值，直接计算预估值，不一一列举Xt的值了119         u = input('你要预估多少期？')120         Xt = []121         for i in range(0, len(info_data_sales)):122             At = (float(S2_1_new1[i][len(S2_1_new1[i]) - 1]) * 2 - float(S2_2_new1[i][len(S2_2_new1[i]) - 1]))123             Bt = (float(a[i]) / (1 - float(a[i])) * (124             float(S2_1_new1[i][len(S2_1_new1[i]) - 1]) - float(S2_2_new1[i][len(S2_2_new1[i]) - 1])))125             Xt.append(At + Bt * int(u))126             print('第' + str(i + 1) + '组的二次平滑预估值为:' + str(Xt[i]) + '；均方误差为：' + str(info_MSE[i]))127 128     if judge == '3':129         ##############################下面是计算St(3)下面写为S3_t_######################################130         print('你选择了三次指数平滑预测')131         S3_1 = []132         S3_2 = []133         S3_3 = []134         for m in range(0, len(info_data_id)):135             S3_1_empty = []136             x = 0137             for n in range(0, 3):138                 x = x + float(info_data_sales[m][n])139             x = x / 3140             S3_1_empty.append(x)141             S3_1.append(S3_1_empty)142             S3_2.append(S3_1_empty)143             S3_3.append(S3_1_empty)144         # print(S3_1)145         a = []  ##这是用来存放阿尔法的数组146         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法)147         for i in range(0, len(info_data_sales)):148             v = float(input('请输入第' + str(i + 1) + '组数据的a：'))149             a.append(v)150 151         ##下面是计算一次指数平滑的值152         S3_1_new1 = []153         for i in range(0, len(info_data_sales)):154             S3_1_new = [[]] * len(info_data_id)155             for j in range(0, len(info_data_sales[i])):156                 if j == 0:157                     S3_1_new[i].append(158                         float(a[i]) * float(info_data_sales[i][j]) + (1 - float(a[i])) * float(S3_1[i][j]))159                 else:160                     S3_1_new[i].append(float(a[i]) * float(info_data_sales[i][j]) + (1 - float(a[i])) * float(161                         S3_1_new[i][j - 1]))  ##计算一次指数的值162             S3_1_new1.append(S3_1_new[i])163 164         ##下面是计算二次指数平滑的值165         S3_2_new1 = []166         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法)167         for i in range(0, len(info_data_sales)):168             S3_2_new = [[]] * len(info_data_id)169             for j in range(0, len(info_data_sales[i])):170                 if j == 0:171                     S3_2_new[i].append(float(a[i]) * float(S3_1_new1[i][j]) + (1 - float(a[i])) * float(S3_2[i][j]))172                 else:173                     S3_2_new[i].append(float(a[i]) * float(S3_1_new1[i][j]) + (1 - float(a[i])) * float(174                         S3_2_new[i][j - 1]))  ##计算二次指数的值175             S3_2_new1.append(S3_2_new[i])176 177         ##下面是计算二次指数平滑的值178         S3_3_new1 = []179         info_MSE = []  ##计算均方误差来得到最优的a(阿尔法)180         for i in range(0, len(info_data_sales)):181             S3_3_new = [[]] * len(info_data_id)182             MSE = 0183             for j in range(0, len(info_data_sales[i])):184                 if j == 0:185                     S3_3_new[i].append(float(a[i]) * float(S3_2_new1[i][j]) + (1 - float(a[i])) * float(S3_3[i][j]))186                 else:187                     S3_3_new[i].append(float(a[i]) * float(S3_2_new1[i][j]) + (1 - float(a[i])) * float(188                         S3_3_new[i][j - 1]))  ##计算三次指数的值189                 MSE = (int(S3_3_new[i][j]) - int(info_data_sales[i][j])) ** 2 + MSE190             MSE = (MSE ** (1 / 2)) / int(len(info_data_sales[i]))191             info_MSE.append(MSE)192             S3_3_new1.append(S3_3_new[i])193             # print(S3_3_new1)194 195         ##下面是计算At、Bt、Ct以及每个预估值Xt的值，直接计算预估值，不一一列举Xt的值了196         u = input('你要预估多少期？')197         Xt = []198         for i in range(0, len(info_data_sales)):199             At = (200             float(S3_1_new1[i][len(S3_1_new1[i]) - 1]) * 3 - float(S3_2_new1[i][len(S3_2_new1[i]) - 1]) * 3 + float(201                 S3_3_new1[i][len(S3_3_new1[i]) - 1]))202             Bt = ((float(a[i]) / (2 * ((1 - float(a[i])) ** 2))) * ((6 - 5 * float(a[i])) * (203             float(S3_1_new1[i][len(S3_1_new1[i]) - 1]) - 2 * (5 - 4 * float(a[i])) * float(204                 S3_2_new1[i][len(S3_2_new1[i]) - 1]) + (4 - 3 * float(a[i])) * float(205                 S3_3_new1[i][len(S3_3_new1[i]) - 1]))))206             Ct = (((float(a[i])) ** 2) / (2 * ((1 - float(a[i])) ** 2))) * (207             float(S3_1_new1[i][len(S3_1_new1[i]) - 1]) - float(S3_2_new1[i][len(S3_2_new1[i]) - 1])*2 + float(208                 S3_3_new1[i][len(S3_3_new1[i]) - 1]))209             Xt.append(At + Bt * int(u) + Ct * (int(u) ** 2))210             print('第' + str(i + 1) + '组的三次平滑预估值为:' + str(Xt[i]) + '；均方误差为：' + str(info_MSE[i]))

关于沟通这件事，项目经理不需要每次都面对面进行流程大师兄
很多项目经理都会遇到这样的问题，项目中由于事情太多，根本没有足够的时间去召开会议，那在这种情况下如何去有效地管理项目中的利益相关者？当然，不建议电子邮件也不需要开会的话，建议可以采取下面几种方式来形成有效的沟通，这几种方式可以帮助你努力的通过各种办法来保持和各方面的联系。项目经理首先要问自己几个问题，项目中哪些利益相关者是必须要进行沟通的？可以列出项目中所有的利益相关者清单，同时也整理出项目中哪些
机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 运维
理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
LocalDateTime 转 String igotyback java 开发语言
importjava.time.LocalDateTime;importjava.time.format.DateTimeFormatter;publicclassMain{publicstaticvoidmain(String[]args){//获取当前时间LocalDateTimenow=LocalDateTime.now();//定义日期格式化器DateTimeFormatterformat
扫地机类清洁产品之直流无刷电机控制悟空胆好小清洁服务机器人单片机人工智能
扫地机类清洁产品之直流无刷电机控制1.1前言扫地机产品有很多的电机控制，滚刷电机1个，边刷电机1-2个，清水泵电机，风机一个，部分中高端产品支持抹布功能，也就是存在抹布盘电机，还有追觅科沃斯石头等边刷抬升电机，滚刷抬升电机等的，这些电机有直流有刷电机，直接无刷电机，步进电机，电磁阀，挪动泵等不同类型。电机的原理，驱动控制方式也不行。接下来一段时间的几个文章会作个专题分析分享。直流有刷电机会自动持续
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
python os.environ 江湖偌大 python 深度学习
os.environ['TF_CPP_MIN_LOG_LEVEL']='0'#默认值，输出所有信息os.environ['TF_CPP_MIN_LOG_LEVEL']='1'#屏蔽通知信息（INFO）os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息（INFO\WARNING）os.environ['TF_CPP_MIN_LOG_LEVEL']='
Python中os.environ基本介绍及使用方法鹤冲天Pro #Python python 服务器开发语言
文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
Goolge earth studio 进阶4——路径修改与平滑陟彼高冈yu Google earth studio 进阶教程旅游
如果我们希望在大约中途时获得更多的城市鸟瞰视角。可以将相机拖动到这里并创建一个新的关键帧。camera_target_clip_7EarthStudio会自动平滑我们的路径，所以当我们通过这个关键帧时，不是一个生硬的角度，而是一个平滑的曲线。camera_target_clip_8路径上有贝塞尔控制手柄，允许我们调整路径的形状。右键单击，我们可以选择“平滑路径”，这是默认的自动平滑算法，或者我们可
Python教程：一文了解使用Python处理XPath 旦莫 Python进阶 python 开发语言
目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 python os.environ
>>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
linux中sdl的使用教程,sdl使用入门 Melissa Corvinus linux中sdl的使用教程
本文通过一个简单示例讲解SDL的基本使用流程。示例中展示一个窗口，窗口里面有个随机颜色快随机移动。当我们鼠标点击关闭按钮时间窗口关闭。基本步骤如下：1.初始化SDL并创建一个窗口。SDL_Init()初始化SDL_CreateWindow()创建窗口2.纹理渲染存储RGB和存储纹理的区别：比如一个从左到右由红色渐变到蓝色的矩形，用存储RGB的话就需要把矩形中每个点的具体颜色值存储下来；而纹理只是一
LLM 词汇表落难Coder LLMs NLP 大语言模型大模型 llama 人工智能
Contextwindow“上下文窗口”是指语言模型在生成新文本时能够回溯和参考的文本量。这不同于语言模型训练时所使用的大量数据集，而是代表了模型的“工作记忆”。较大的上下文窗口可以让模型理解和响应更复杂和更长的提示，而较小的上下文窗口可能会限制模型处理较长提示或在长时间对话中保持连贯性的能力。Fine-tuning微调是使用额外的数据进一步训练预训练语言模型的过程。这使得模型开始表示和模仿微调数
509. 斐波那契数(每日一题) lzyprime
lzyprime博客(github)创建时间：2021.01.04qq及邮箱：2383518170leetcode笔记题目描述斐波那契数，通常用F(n)表示，形成的序列称为斐波那契数列。该数列由0和1开始，后面的每一项数字都是前面两项数字的和。也就是：F(0)=0，F(1)=1F(n)=F(n-1)+F(n-2)，其中n>1给你n，请计算F(n)。示例1：输入：2输出：1解释：F(2)=F(1)+
关于提高复杂业务逻辑代码可读性的思考编程经验分享开发经验 java 数据库开发语言
目录前言需求场景常规写法拆分方法领域对象总结前言实际工作中大部分时间都是在写业务逻辑，一般都是三层架构，表示层（Controller）接收客户端请求，并对入参做检验，业务逻辑层（Service）负责处理业务逻辑，一般开发都是在这一层中写具体的业务逻辑。数据访问层（Dao）是直接和数据库交互的，用于查数据给业务逻辑层，或者是将业务逻辑层处理后的数据写入数据库。简单的增删改查接口不用多说，基本上写好一
18-115 一切思考不能有效转化为行动，都TM是扯淡！成长时间线
7月25号写了一篇关于为什么会断更如此严重的反思，然而，之后日更仅仅维持了一周，又出现了这次更严重的现象。从8月2号到昨天8月6号，5天！又是5天没有更文！虽然这次断更时间和上次一样，那为什么说这次更严重？因为上次之后就分析了问题的原因，以及应该如何解决，按理说应该会好转，然而，没过几天严重断更的现象再次出现，想想，经过反思，问题依然没有解决与改变，这让我有些担忧。到底是哪里出了问题，难道我就真的
郎朗大婚娶公主：所有光环的背后，都是十年如一日的自律简小尘
近日，关于郎朗大婚的新闻上了热搜，看了新娘的照片，既有天使般的面容，更有魔鬼般的身材，关键是人家还身世好，又有才华，这真的是让所有男人羡慕嫉妒恨哪。有些人不禁会想，“凭什么郎朗的人生就象开挂了一样，可我却每天都活得这么狼狈！”其实，每个开挂的人生背后，都是苦行僧般的自律。01欲戴王冠，必承其重。练琴不能只靠兴趣，更需要自律！我们先来看一下朗朗在小时候的作息时间表：早晨5:45起床，练琴1小时。中午
【华为OD机试真题2023B卷 JAVA&JS】We Are A Team 若博豆 java 算法华为 javascript
华为OD2023（B卷）机试题库全覆盖，刷题指南点这里WeAreATeam时间限制：1秒|内存限制：32768K|语言限制：不限题目描述：总共有n个人在机房，每个人有一个标号（1<=标号<=n），他们分成了多个团队，需要你根据收到的m条消息判定指定的两个人是否在一个团队中，具体的：1、消息构成为：abc，整数a、b分别代
少了生活气息我爱大草莓
最近啊，总觉得自己日更的内容缺了点什么。我仔细地想，大概是少了些生活气息。这两三个月减少了许多与别人相处的时间，独自生活，偶尔只是出去买菜，总觉得生活好像变空了许多。买菜的时候会跟档口的阿姨聊一两句话，让自己感觉在真实地生活着。幸好我也不是一宅到底，偶尔周末也会约着跟好朋友见面，面对面交流跟隔着屏幕交流，效果还是不一样的，至少有更为真实的生活感。写作不仅需要有阅读量，有文笔，生活阅历也是非常重要的
398顺境，逆境戴骁勇
2018.11.27周二雾霾最近儿子进入了一段顺境期，今天表现尤其不错。今天的数学测试成绩喜人，没有出现以往的计算错误，整个卷面书写工整，附加题也在规定时间内完成且做对。为迎接体育测试的锻炼有了质的飞跃。坐位体前屈成绩突飞猛进，估测成绩能达到12cm，这和上次测试的零分来比，简直是逆袭。儿子还在不断锻炼和提升，唯恐到时候掉链子。跑步姿势在我的调教下，逐渐正规起来，速度随之也有了提升。今晚测试的50
从0到500+，我是如何利用自媒体赚钱？一列脚印
运营公众号半个多月，从零基础的小白到现在慢慢懂了一些运营的知识。做好公众号是很不容易的，要做很多事情；排版、码字、引流…通通需要自己解决，业余时间全都花费在这上面涨这么多粉丝是真的不容易，对比知乎大佬来说，我们这种没资源，没人脉，还没钱的小透明来说，想要一个月涨粉上万，怕是今天没睡醒（不过你有的方法，算我piapia打脸）至少我是清醒的，自己慢慢努力，实现我的万粉目标！大家快来围观、支持我吧！孩子
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
python是什么意思中文-在python中%是什么意思编程大乐趣
Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
想明白这个问题，你才能写下去文自拾
春节放假的时候，又有一天梦见她，第二天她冒着漫天大雪，傻傻地跑来见我。她说，见见傻傻的我，天很冷，心很暖。她回去后，我写了一篇文章，题目叫——从此梦中只有你。我们没在一起的很长一段时间里，她都在我的心底，一次次出现在我的梦里。我对她说，在一起之前，是胆小且闷骚，在一起之后，我变得不要脸了。不要脸的——去爱你。那文章没写完，火车上，给她看了。我有点小失望，花了好几个小时写，她分分钟就看完，很希望她逐
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
python八股文面试题分享及解析(1) Shawn________ python
#1.'''a=1b=2不用中间变量交换a和b'''#1.a=1b=2a,b=b,aprint(a)print(b)结果：21#2.ll=[]foriinrange(3):ll.append({'num':i})print(11)结果:#[{'num':0},{'num':1},{'num':2}]#3.kk=[]a={'num':0}foriinrange(3):#0,12#可变类型，不仅仅改变
【JS】执行时长(100分) |思路参考+代码解析（C++） l939035548 JS 算法数据结构 c++
题目为了充分发挥GPU算力，需要尽可能多的将任务交给GPU执行，现在有一个任务数组，数组元素表示在这1秒内新增的任务个数且每秒都有新增任务。假设GPU最多一次执行n个任务，一次执行耗时1秒，在保证GPU不空闲情况下，最少需要多长时间执行完成。题目输入第一个参数为GPU一次最多执行的任务个数，取值范围[1,10000]第二个参数为任务数组长度，取值范围[1,10000]第三个参数为任务数组，数字范围
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
Python快速入门 —— 第三节：类与对象孤华暗香 Python快速入门 python 开发语言
第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
多线程编程之理财周凡杨 java 多线程生产者消费者理财
现实生活中，我们一边工作，一边消费，正常情况下会把多余的钱存起来，比如存到余额宝，还可以多挣点钱，现在就有这个情况：我每月可以发工资20000万元（暂定每月的1号），每月消费5000（租房+生活费）元（暂定每月的1号），其中租金是大头占90%，交房租的方式可以选择（一月一交，两月一交、三月一交），理财：1万元存余额宝一天可以赚1元钱，
[Zookeeper学习笔记之三]Zookeeper会话超时机制 bit1129 zookeeper
首先，会话超时是由Zookeeper服务端通知客户端会话已经超时，客户端不能自行决定会话已经超时，不过客户端可以通过调用Zookeeper.close()主动的发起会话结束请求，如下的代码输出内容 Created /zoo-739160015 CONNECTEDCONNECTED .............CONNECTEDCONNECTED CONNECTEDCLOSEDCLOSED
SecureCRT快捷键 daizj secureCRT 快捷键
ctrl + a : 移动光标到行首ctrl + e ：移动光标到行尾crtl + b: 光标前移1个字符crtl + f: 光标后移1个字符crtl + h : 删除光标之前的一个字符ctrl + d ：删除光标之后的一个字符crtl + k ：删除光标到行尾所有字符crtl + u : 删除光标至行首所有字符crtl + w: 删除光标至行首
Java 子类与父类这间的转换周凡杨 java 父类与子类的转换
最近同事调的一个服务报错，查看后是日期之间转换出的问题。代码里是把 java.sql.Date 类型的对象强制转换为 java.sql.Timestamp 类型的对象。报java.lang.ClassCastException。代码：
可视化swing界面编辑朱辉辉33 eclipse swing
今天发现了一个WindowBuilder插件，功能好强大，啊哈哈，从此告别手动编辑swing界面代码，直接像VB那样编辑界面，代码会自动生成。首先在Eclipse中点击help，选择Install New Software,然后在Work with中输入WindowBui
web报表工具FineReport常用函数的用法总结（文本函数）老A不折腾 finereport web报表工具报表软件 java报表
文本函数 CHAR CHAR(number):根据指定数字返回对应的字符。CHAR函数可将计算机其他类型的数字代码转换为字符。 Number:用于指定字符的数字，介于1Number:用于指定字符的数字，介于165535之间（包括1和65535）。示例: CHAR(88)等于“X”。 CHAR(45)等于“-”。 CODE CODE(text):计算文本串中第一个字
mysql安装出错林鹤霄 mysql安装
[root@localhost ~]# rpm -ivh MySQL-server-5.5.24-1.linux2.6.x86_64.rpm Preparing... #####################
linux下编译libuv aigo libuv
下载最新版本的libuv源码，解压后执行： ./autogen.sh 这时会提醒找不到automake命令，通过一下命令执行安装（redhat系用yum，Debian系用apt-get）： # yum -y install automake # yum -y install libtool 如果提示错误：make: *** No targe
中国行政区数据及三级联动菜单 alxw4616
近期做项目需要三级联动菜单,上网查了半天竟然没有发现一个能直接用的! 呵呵,都要自己填数据....我了个去这东西麻烦就麻烦的数据上. 哎,自己没办法动手写吧. 现将这些数据共享出了,以方便大家.嗯,代码也可以直接使用文件说明 lib\area.sql -- 县及县以上行政区划分代码（截止2013年8月31日)来源：国家统计局发布时间：2014-01-17 15:0
哈夫曼加密文件百合不是茶哈夫曼压缩哈夫曼加密二叉树
在上一篇介绍过哈夫曼编码的基础知识,下面就直接介绍使用哈夫曼编码怎么来做文件加密或者压缩与解压的软件,对于新手来是有点难度的,主要还是要理清楚步骤; 加密步骤: 1,统计文件中字节出现的次数,作为权值 2,创建节点和哈夫曼树 3,得到每个子节点01串 4,使用哈夫曼编码表示每个字节
JDK1.5 Cyclicbarrier实例 bijian1013 java thread java多线程 Cyclicbarrier
CyclicBarrier类一个同步辅助类，它允许一组线程互相等待，直到到达某个公共屏障点 (common barrier point)。在涉及一组固定大小的线程的程序中，这些线程必须不时地互相等待，此时 CyclicBarrier 很有用。因为该 barrier 在释放等待线程后可以重用，所以称它为循环的 barrier。 CyclicBarrier支持一个可选的 Runnable 命令，
九项重要的职业规划 bijian1013 工作学习
一. 学习的步伐不停止古人说，活到老，学到老。终身学习应该是您的座右铭。世界在不断变化，每个人都在寻找各自的事业途径。您只有保证了足够的技能储
【Java范型四】范型方法 bit1129 java
范型参数不仅仅可以用于类型的声明上，例如 package com.tom.lang.generics; import java.util.List; public class Generics<T> { private T value; public Generics(T value) { this.value =
【Hadoop十三】HDFS Java API基本操作 bit1129 hadoop
package com.examples.hadoop; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FSDataInputStream; import org.apache.hadoop.fs.FileStatus; import org.apache.hadoo
ua实现split字符串分隔 ronin47 lua split
LUA并不象其它许多"大而全"的语言那样，包括很多功能，比如网络通讯、图形界面等。但是LUA可以很容易地被扩展：由宿主语言(通常是C或 C++)提供这些功能，LUA可以使用它们，就像是本来就内置的功能一样。LUA只包括一个精简的核心和最基本的库。这使得LUA体积小、启动速度快，从而适合嵌入在别的程序里。因此在lua中并没有其他语言那样多的系统函数。习惯了其他语言的字符串分割函
java-从先序遍历和中序遍历重建二叉树 bylijinnan java
public class BuildTreePreOrderInOrder { /** * Build Binary Tree from PreOrder and InOrder * _______7______ / \ __10__ ___2 / \ / 4
openfire开发指南《连接和登陆》开窍的石头 openfire 开发指南 smack
第一步官网下载smack.jar包下载地址：http://www.igniterealtime.org/downloads/index.jsp#smack 第二步把smack里边的jar导入你新建的java项目中开始编写smack连接openfire代码 p
[移动通讯]手机后盖应该按需要能够随时开启 comsci 移动
看到新的手机，很多由金属材质做的外壳，内存和闪存容量越来越大，CPU速度越来越快，对于这些改进，我们非常高兴，也非常欢迎但是，对于手机的新设计，有几点我们也要注意第一：手机的后盖应该能够被用户自行取下来，手机的电池的可更换性应该是必须保留的设计,
20款国外知名的php开源cms系统 cuiyadll cms
内容管理系统，简称CMS，是一种简易的发布和管理新闻的程序。用户可以在后端管理系统中发布，编辑和删除文章，即使您不需要懂得HTML和其他脚本语言，这就是CMS的优点。在这里我决定介绍20款目前国外市面上最流行的开源的PHP内容管理系统，以便没有PHP知识的读者也可以通过国外内容管理系统建立自己的网站。 1. Wordpress WordPress的是一个功能强大且易于使用的内容管
Java生成全局唯一标识符 darrenzhu java uuid unique identifier id
How to generate a globally unique identifier in Java http://stackoverflow.com/questions/21536572/generate-unique-id-in-java-to-label-groups-of-related-entries-in-a-log http://stackoverflow
php安装模块检测是否已安装过, 使用的SQL语句 dcj3sjt126com sql
SHOW [FULL] TABLES [FROM db_name] [LIKE 'pattern'] SHOW TABLES列举了给定数据库中的非TEMPORARY表。您也可以使用mysqlshow db_name命令得到此清单。本命令也列举数据库中的其它视图。支持FULL修改符，这样SHOW FULL TABLES就可以显示第二个输出列。对于一个表，第二列的值为BASE T
5天学会一种 web 开发框架 dcj3sjt126com Web 框架 framework
web framework层出不穷，特别是ruby/python,各有10+个,php/java也是一大堆根据我自己的经验写了一个to do list,按照这个清单，一条一条的学习，事半功倍，很快就能掌握一共25条，即便很磨蹭，2小时也能搞定一条，25*2=50。只需要50小时就能掌握任意一种web框架各类web框架大同小异:现代web开发框架的6大元素，把握主线，就不会迷路建议把本文
Gson使用三(Map集合的处理,一对多处理) eksliang json gson Gson map Gson 集合处理
转载请出自出处：http://eksliang.iteye.com/blog/2175532 一、概述 Map保存的是键值对的形式，Json的格式也是键值对的，所以正常情况下，map跟json之间的转换应当是理所当然的事情。二、Map参考实例 package com.ickes.json; import java.lang.refl
cordova实现“再点击一次退出”效果 gundumw100 android
基本的写法如下： document.addEventListener("deviceready", onDeviceReady, false); function onDeviceReady() { //navigator.splashscreen.hide(); document.addEventListener("b
openldap configuration leaning note iwindyforest configuration
hostname // to display the computer name hostname <changed name> // to change go to: /etc/sysconfig/network, add/modify HOSTNAME=NEWNAME to change permenately dont forget to change /etc/hosts
Nullability and Objective-C 啸笑天 Objective-C
https://developer.apple.com/swift/blog/?id=25 http://www.cocoachina.com/ios/20150601/11989.html http://blog.csdn.net/zhangao0086/article/details/44409913 http://blog.sunnyxx
jsp中实现参数隐藏的两种方法 macroli JavaScript jsp
在一个JSP页面有一个链接，//确定是一个链接?点击弹出一个页面，需要传给这个页面一些参数。//正常的方法是设置弹出页面的src="***.do?p1=aaa&p2=bbb&p3=ccc"//确定目标URL是Action来处理?但是这样会在页面上看到传过来的参数，可能会不安全。要求实现src="***.do"，参数通过其他方法传！//////
Bootstrap A标签关闭modal并打开新的链接解决方案 qiaolevip 每天进步一点点学习永无止境 bootstrap 纵观千象
Bootstrap里面的js modal控件使用起来很方便，关闭也很简单。只需添加标签 data-dismiss="modal" 即可。可是偏偏有时候需要a标签既要关闭modal，有要打开新的链接，尝试多种方法未果。只好使用原始js来控制。 <a href="#/group-buy" class="btn bt
二维数组在Java和C中的区别流淚的芥末 java c 二维数组数组
Java代码： public class test03 { public static void main(String[] args) { int[][] a = {{1},{2,3},{4,5,6}}; System.out.println(a[0][1]); } } 运行结果： Exception in thread "mai
systemctl命令用法 wmlJava linux systemctl
对比表，以 apache / httpd 为例任务旧指令新指令使某服务自动启动 chkconfig --level 3 httpd on systemctl enable httpd.service 使某服务不自动启动 chkconfig --level 3 httpd off systemctl disable httpd.service 检查服务状态 service h

一次、二次、三次指数平滑计算思想及代码

你可能感兴趣的:(数据分析,时间预测,指数平滑,python,时间序列)