- 博客(99)
- 收藏
- 关注
RSS订阅原创 Springboot集成Axis2——通过wsdl生成webService
Springboot集成Axis2——通过wsdl生成webService背景介绍下载Axis2使用wsdl2java工具执行代码生成服务端代码生成命令客户端代码生成命令生成服务端代码生成客户端代码背景介绍客户方需要通过WebService进行消息交互，并且文档中规定了wsdl格式。由于目前Springboot对cxf框架支持较好，并没对axis进行较好的集成，但是客户放所规定的wsdl又使用...
2019-04-26 16:27:41
25059
20
原创 Spring Cloud 自学系列（二）服务注册与发现——Eureka
服务注册与发现——Eureka微服务框架Eureka 简介实战创建工程创建 Eureka ServerPOM修改启动类修改配置文件创建 Eureka ClientPOM修改启动类修改配置文件开发环境下关闭服务端的自我保护机制微服务框架微服务是一种架构模式，而Spring Cloud是实现微服务架构模式的一种开源框架。除了使用Spring Cloud来实现微服务外，还有其他选择。.Net: ...
2018-12-13 23:54:58
347
原创 Spring Cloud 自学系列（一） 微服务简介
微服务简介微服务概念微服务的特点什么叫单独的应用程序单体架构的优点：单体架构缺点：一个简单的微服务架构微服务优点微服务缺点微服务基础组件不恰当的比喻微服务概念微服务是一种架构模式，该概念源于Martin Fowler于2014年发表的一篇文章《Microservices》。该文章提出，把一个单独的应用程序开发为一套小服务，每个服务运行在自己的进程中，并使用轻量级机制通信，通常是Http API...
2018-12-12 23:57:08
433
原创 使用EntityFramework 6 操作 MySql (DB First)
软件环境开发环境：VS 2017 .NET Framework: 4.6.1 MySQL: 8.0 MySQL Connector Net：8.0.12 MySQL for Visual Studio：1.2.8创建测试数据库创建数据库efdemo并创建两张表,user和role/*Navicat MySQL Data TransferSource Serve...
2018-09-14 15:02:17
1284
原创 solr 7.X 与spring-data 3.X整合 --（5）搭建SolrCloud
SolrCloud对于线上的应用，都会存在大规模的高并发访问，为了应用的高效性，稳定性，可靠性都会将高并发的线上环境搭建为集群模式。同样，Solr也分为单机模式和集群模式（SolrCould）。SolrCloud提供了分布式索引和搜索的能力，并且支持以下功能：集中管理整个集群的配置查询的自动负载均衡和故障转移集成zookeeper用于集群的协调和配置SolrCloud是非常...
2018-08-01 18:30:19
627
原创 solr 7.X 与spring-data 3.X整合 --（4）投影及排序
往往为了利于检索，solr的schema中会有大量的字段，但是提交到客户端并不会把所有的字段信息都返回，这时候只会投影部分字段信息。例如，完整的结构如下："data": [ { "resId": "1713074", "musicId": "1462975", "
2018-06-29 17:56:43
433
原创 solr 7.X 与spring-data 3.X整合 --（3）中文分词搜索
前面发现的问题之前的使用的版本信息为 solrj 7.3.0 spring-data-solr 3.0.6 RELEASE 在进行输入插入时@Test public void save(){ Music music = new Music(); music.setResId(12345555L); music.setSong...
2018-06-29 11:50:17
633
原创 solr 7.X 与spring-data 3.X整合 --（2）自定义查询
虽然Spring-data-solr提供了常用的curd操作，但是对于个性化的场景还是不能完全满足我们的需求，需要自己去实现。代码的相关配置，请参见solr 7.0 与spring-data 3.0整合 –（1)要实现个性化的查询，我们就需要对repository进行改写。这里实现一个按照歌手名字喝歌曲名字来进行搜索，并完成分页。新建自定义接口public interface ...
2018-06-25 14:56:03
842
原创 solr 7.X 与spring-data 3.X整合 --（1）基本配置
版本参数solr 7.3.0 solrj 7.3.0 spring-data 3.0.6 RELEASE spring:5.0.5.RELEASE搭建Solr并用DIM导入数据搭建solr及数据导入的步骤可以参见之前的内容。 笔者已经建好了一个环境，Document结构如下{ "responseHeader":{ "status":0, &am
2018-06-25 14:26:23
1571
1
原创 利用DIH将数据库中的数据导入Solr
导入jar包在apache-tomcat-8.0.15\webapps\solr\WEB-INF\lib下添加mysql驱动，mysql-connector-java-5.1.34复制solr-7.3.1\dist下的solr-dataimporthandler-7.3.1.jar和solr-dataimporthandler-extras-7.3.1.jar至apache-tomcat-...
2018-06-04 15:46:20
433
原创 Solr 7.3.1 部署至 tomcat 服务器
概述Solr是一个独立的企业级搜索应用服务器，它对外提供 API 接口。用户可以通过 HTTP 请求或者使用 Http Get 提出查找请求。Solr下载从官网下载地址中下载对应版本，目前笔者下载的版本为最新版7.3.1。 下载完成后，将压缩包解压，放至指定目录。解压后，Solr目录结构如下： 部署至tomcat 8.01.将solr-7.3.1\server\so...
2018-06-04 10:35:46
1404
2
原创 机器学习——逻辑回归
逻辑回归（Logistic Regression）概述假设现在有一些数据点，用一条直线对这些点进行拟合（该线称为最佳拟合直线），这个拟合过程就称为回归。 利用逻辑回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。算法流程 收集数据：采用任意方法收集数据 准备数据：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据格式则最佳
2018-01-25 11:26:19
1011
原创 机器学习——朴素贝叶斯
朴素贝叶斯分类器（Naive Bayesian Classifier）概述朴素贝叶斯是基于贝叶斯，定理与特征条件独立假设的分类方法。最为广泛的两种分类模型是决策树模型和朴素贝叶斯模型。 和决策树模型相比，朴素贝叶斯分类器(Naive Bayesian Classifier, NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失
2018-01-11 11:17:20
712
原创 机器学习——决策树
决策树（Decision Tree）ID3算法概述决策树是一个预测模型；他代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。数据挖掘中决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测。
2017-12-28 11:33:52
443
原创 机器学习——K近邻算法
K-近邻算法（K Nearest Neighbor, KNN）概述KNN采用测量不同特征值之间的距离方法来进行分类。 KNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。 优点 ：精度高、对异常值不敏感、无数据输入假定 缺点 ：计算复杂度高、空间复杂度高 适用数据范围： 数值型和标称型算法流
2017-12-22 11:00:53
451
原创 统计学学习笔记——（10）t检验
t分布当我们不知道总体标准偏差时，用t检验是最好的方式，用样本标准偏差来取代。t统计量（t-statistic）：计算t统计量与计算z统计量非常相似，可以用以下公式计算： t=x¯−μσn√t=\frac{\bar{x}-\mu}{\frac{\sigma}{\sqrt{n}}}我们同样必须计算样本的自由度(df)： df=n−1df=n-1与z统计量一样，我们可以使用来获取低于特定值或在特定值
2017-12-01 11:07:27
6342
原创 统计学学习笔记——（9）假设检验
假设检验假设检验是用来检验一个人的观点，即某个人的观察与已知的总体参数有何不同显著性水平（Alpha level）：显著性水平帮助我们分布的临界区域零假设（Null Hypothesis）：零假设是指干预后的总体和当前总体参数之间没有显著性差别。零假设总是等式，通常如下表示： H0:μ0=μH0:μ0≥μH0:μ0≤μH_0:\mu_0 =\mu\\H_0:\mu_0 \ge \mu\\H_0:\
2017-11-28 14:09:58
983
原创 统计学学习笔记——（8）估计
置信区间（Confidence Intervals）误差幅度（Margin of error）：我们从样本统计量估计总体参数时所预测的误差。误差幅度计算公式为： Z∗⋅σn√Z^*\cdot\frac{\sigma}{\sqrt{n}}Z∗Z^*是置信水平的临界Z值置信水平（Confidence level）：估计的置信水平是指，所有可能样本的均值落在估计误差范围内的百分比。也就是说，我们有一定的
2017-11-23 12:36:25
6909
1
原创 统计学学习笔记——（7）抽样分布
中心极限定理（Central Limit Theorem）中心极限定理帮助我们了解以下事实，无论总体的分布是否为正态： 1. 样本均值的均值和总体均值近似 2. 样本均值的标准偏差总是等于标准误差 3. 样本容量越大，其样本均值越接近正态分布抽样分布（Sampling Distributions）抽样分布是样本统计量的分布。它可以被看作是从同一指定大小的总体中，所有可能样本的统计量分布。
2017-11-21 15:22:42
1776
原创 统计学学习笔记——（6）概率分布
概率分布函数概率分布函数（Probability Distribution Function，PDF）：概率分布函数是一个普通的曲线，该曲线下的面积为1，用它来表示值的累积频率查出概率我们可以使用PDF来测算出特殊值的概率。例1：一所私立大学的学生标准身高为1.85米，其标准偏差为0.15米。玛吉身高为2.05米，有多少百分比的学生比她矮，有多少百分比的学生比她高？为了解决这个问题，首先算出玛吉的Z
2017-11-17 10:22:05
1009
原创 统计学学习笔记——（5）归一化
标准正态分布标准正态分布（Standard Normal Distribution）：标准正态分布式一个特殊的正态分布。其随机变量均值为0，标准偏差为1。普通的随机变量在标准正态分布上的映射称为标准化值或Z值。Z值标准化值（Standard Score）：给定一个观察值xx，通过用xx减去均值再除以标准偏差就可以得到Z值。 Z=x−μσZ = \frac{x-\mu}{\sigma}示例例1：职业
2017-11-16 17:17:31
3463
原创 统计学学习笔记——（4）差异性
箱线图和IQR箱线图（Box Plot）：是由一组数据的最大值（maximum），最小值（minimum），中位数（median），两个四分位数（quartiles）这五个特征值绘制而成的，它主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比较。四分位距（interquartile range，IQR）：又称四分差，是第三四分位数和第一四分位数之间的距离。其计算公式为： Qd=Q3−Q
2017-11-15 14:49:23
4234
原创 统计学学习笔记——（3）集中趋势
集中趋势（Central Tendency）是指一组数据项某一中心值靠拢的程度，它反映了一组数据中心点的位置所在。均值，中位数，众数均值（Mean）：也称平均数，它是全部数据的算术平均。均值在统计学中具有重要的地位，是集中趋势的最主要测度值。可以通过数据值的总和除以数据的个数来计算：x¯=∑ni=0xin\bar{x}=\frac{\sum_{i=0}^nx_i}{n}中位数（Median）：是一组
2017-11-14 10:10:29
5351
2
原创 统计学学习笔记——（2）数据可视化
频数频数（Frequency）：数据落在某一特定类别或组中的数据个数。比例比例（Proportion）：一个样本（或总体）中各个部分的数据占全部数据之比。 比例比例（Proportion）：一个样本（或总体）中各个部分的数据占全部数据之比。使用前面的数据集，不及格（< 60）的学生的比例为，9÷25=0.36或36%进行数据整理，数据整理结果如下： 直方图直方图（Histogram）：数据分布的
2017-11-13 10:11:11
1090
原创 统计学学习笔记——（1）统计学研究方法概论
抽象概念抽象概念（Construct）：抽象概念很难被定义和度量，也许每个人都有自己的定义方式和度量方法。例如，怎么去度量幸福？ 幸福就是：我饿了，看见别人手里拿个肉包子，他就比我幸福；我冷了，看见别人穿了一件厚棉袄，他就比我幸福；我想上茅房，就一个坑，你蹲那儿了，你就比我幸福。 ———— 范伟操作定义（Operational Definition）：操作定义是抽象概念的测量单位。一旦
2017-11-09 13:15:56
2764
原创 西瓜书学习笔记——（2）模型评估与选择
经验误差与过拟合错误率（error rate）：分类错误的样本数占样本总数的比例 精度（accuracy）：精度 = 1 - 错误率 误差（error）：学习器的实际预测输出与样本的真实输出之间的差异 训练误差（training error）/经验误差（empirical error）：学习器在训练集上的误差 泛化误差（generalization error）：学习器在新样本上的误差 过
2017-09-07 14:13:15
1161
原创 西瓜书学习笔记——（1）绪论
前言之前由于机器学习，人工智能，数据分析大火，为了顺应时代，于是找了几个国外的视频网站看了点相关的讲解，但由于本人英语水平有限，看起来太吃力，而且当时也没有Python的基础，听得晕头转向的。然后就买了两本书，打算进行系统性的学习。其中一本就是这本被大力推荐的西瓜书。刚拿到书，翻了一下，全是数学公式，好吧，这西瓜有点难啃，丢一边先学python。现在python马马虎虎了，打算啃西瓜了。引言机器学习
2017-08-18 17:23:15
6219
1
原创 实战：战狼2票房数据分析——（3）数据读取及分析
前言前面我们已经成功的把数据从网站上抓取下来并存入了csv文件当中，那么本章就演练将数据从csv中读取出来，并作相应的分析数据读取可以使用pandas的函数read_csv来读取数据，默认情况下csv文件的数据都是以逗号分隔的。比如我们将前面的CSV文件用记事本打开，看到的结果如下我们直接在命令窗口对文件进行读取，并显示前三行In [190]: df = pd.read_csv('data\out.
2017-08-11 16:20:52
4845
原创 实战：战狼2票房数据分析——（2）票房数据构造及保存
前言前面构造了movieList数据集，但对于我们人为的去读取不是很友好，所以我们将调整其存放格式，并保存为csv文件。数据构造从movieList的结构我们可以看出，它是一个有元组构成的列表，为了方便查看我们将让他存储为DataFrame，并以日期作为索引。新增一个构造DataFrame的方法，参数为movieList和日期：def buildDataFrame(movieList, date):
2017-08-11 13:20:08
2827
原创 实战：战狼2票房数据分析——（1）数据获取及解析
前言战狼最近大火，为了紧跟热度，根据之前学的做一个关于战狼2票房售卖情况的数据分析。要做数据分析，首先要有数据，数据从哪儿来呢？网上有专门做票房时时统计的网站，他们会把最新的票发信息公布在网上，但是数据是以网页的方式呈现，而不是直接给你，所以我们需要做的就是先把网上的数据爬下来。 猫眼票房数据网址 https://piaofang.maoyan.com/?date=2017-08-01网
2017-08-10 17:44:09
6603
原创 数据分析之Pandas——数据结构
数据结构介绍Pandas的数据对象中都包含最基本的属性，如数据类型，索引，标签等。 要使用Pandas的数据结构首先需要引入pandas和numpy：import numpy as npimport pandas as pd有一个基本原则要牢记：数据对齐是默认的。数据和标签的关联不会被破坏，除非认为更改。 本章将做一个关于数据结构的简介，然后在其他章节中做更全面的介绍。SeriesSeries
2017-08-09 13:57:36
3017
原创 ASP.NET ZERO 学习 —— (19) 应用开发Demo之多租户
我们已经建立了一个功能齐全的应用程序，现在，我们需要将它转换为多租户应用。启用多租户模式在最初我们将多租户模式禁用了，现在在AbpZeroTemplateCoreModule类里重新启用它：Configuration.MultiTenancy.IsEnabled = true;让Entity适应多租户在多租户应用里，租户的实体应该与其他租户隔离。在这个例子中，每个租户应该有自己的电话簿，并且不能被其
2017-03-28 16:16:41
3228
原创 ASP.NET ZERO 学习 —— (18) 应用开发Demo之扩展电话信息
创建 Phone 实体现在，在.Core项目中创建一个新的实体，Phone Entity[Table("PbPhones")]public class Phone : CreationAuditedEntity<long>{ public const int MaxNumberLength = 16; [ForeignKey("PersonId")] public virt
2017-03-23 18:00:11
2028
2
原创 ASP.NET ZERO 学习 —— (17) 应用开发Demo之筛选
现在，我们将实现搜索方法GetPeople。UI如下： 我们添加一个搜索输入框用来进行名单的筛选：@using Abp.Web.Mvc.Extensions@using MyCompanyName.AbpZeroTemplate.Web.Navigation@using MyCompanyName.AbpZeroTemplate.Authorization@model MyCompany
2017-03-21 10:16:14
1113
原创 ASP.NET ZERO 学习 —— (16) 应用开发Demo之删除用户
我们在人员列表里增加删除按钮，如下所示： 视图我们修改index.cshtml增加一个按钮：<div class="portlet light"> <div class="portlet-body"> <h3>@L("AllPeople")</h3> <div id="AllPeopleList" class="list-group">
2017-03-21 09:44:37
1118
原创 ASP.NET ZERO 学习 —— (15) 应用开发Demo之授权
此时，任何人都可以进入电话簿页面，因为没有进行权限验证。我们将定义两个权限：进入电话薄页面的权限新建用户的权限查看权限定义权限在AppAuthorizationProvider 类里面添加一个新的权限：pages.CreateChildPermission(AppPermissions.Pages_Tenant_PhoneBook, L("PhoneBook"), multiTenancySi
2017-03-15 16:36:59
1574
原创 ASP.NET ZERO 学习 —— (14) 应用开发Demo之新建People
创建People本节介绍创建一个model，然后向电话薄中添加一条记录。在PersonAppService中添加CreatePerson方法我们首先在IPersonAppService接口中定义CreatePerson方法： Task CreatePerson(CreatePersonInput input);然后我们创建 CreatePersonInput DTO 作为这个方法的参数
2017-03-14 17:03:09
3043
原创 ASP.NET ZERO 学习 —— (13) 应用开发Demo之页面呈现Person数据
使用 MVC Controller调用 GETPEOPLE 方法现在是时候使用PhoneBookController 来获取People数据并显示在视图上了。 public class PhoneBookController : AbpZeroTemplateControllerBase { private readonly IPersonAppService _per
2017-03-08 17:41:24
1616
原创 ASP.NET ZERO 学习 —— (12) 应用开发Demo之测试应用服务
单元测试如果你对自动化测试不感兴趣可以跳过本节。通过编写单元测试，我们可以不经过用户界面来直接测试 PersonAppService.GetPeople 方法。我们在.Tests项目中编写单元测试。首先我们先创建一个获取全部人员的单元测试： public class PersonAppService_Tests : AppTestBase { private reado
2017-03-08 16:50:09
1580
原创 ASP.NET ZERO 学习 —— (11) 应用开发Demo之创建应用服务
创建Person的应用服务应用服务是用来被客户端（表现层）调用执行逻辑操作。应用服务是放在.Application项目中。我们创建第一应用服务用来从服务端获取Person信息。 首先在Application项目中创建一个叫Person的文件夹，再在Person文件夹下创建一个叫Dto的文件夹。创建一个接口来定义Person应用服务： public interface IPersonAppSe
2017-03-06 17:14:55
1978
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人