rthnfgxh-CSDN博客

原创 DataGrid/WebStorm 由于 SrjdDll64.dll引起的报错

找到文件SOFTTYPE.txt在中添加datagrip64.exe。DataGrid/WebStorm被DLP安全软件误拦截。找到DLP的安装目录。

2022-07-19 09:06:47 901 2

原创 SpringBoot2整合Logback日志配置

SpringBoot整合Logback日志配置在pom.xml中添加依赖<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-logging</artifactId></dependency>application.yml配置 spring: application: n

2020-08-01 22:25:50 165

原创 SpringBoot2整合Logback日志配置

SpringBoot整合Logback日志配置在pom.xml中添加依赖<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-logging</artifactId></dependency>application.yml配置 spring: application: n

2020-08-01 22:25:12 1105

概述TCP/IP协议并不完全符合OSI的七层参考模型。传统的开放式系统互连参考模型，是一种通信协议的7层抽象的参考模型,其中每一层执行某一特定任务。该模型的目的是使各种硬件在相同的层次上相互通信。这7层是:物理层、数据链路层、网路层、传输层、话路层、表示层和应用层。而TCP/IP通讯协议采用了4层的层级结构，每一层都呼叫它的下一层所提供的网络来完成自己的需求。这4层分别为：应用层：应用程序间沟通的

2017-09-17 13:45:28 381

原创 http协议

释义HTTP协议(HyperText Transfer Protocol，超文本传输协议)是用于从WWW服务器传输超文本到本地浏览器的传送协议。它可以使浏览器更加高效，使网络传输减少。 HTTP是一个应用层协议，由请求和响应构成，是一个标准的客户端服务器模型。HTTP是一个无状态的协议。请求信息组成由请求行和请求头组成请求方法GET：用于获取资源 POST：用于提交资源 PUT：用于更新资源

2017-09-17 13:39:10 339

原创数据库学习——子查询与联结

子查询SELECT product.id,product.`name` FROM product WHERE product.`id` IN (SELECT product.`id` FROM product WHERE product.`id` IN (1,3,5,7,9))将字句的结果作为父句的查询条件联结SELECT p1.`id`,p2.`id`,p1.`name`,p2.`name` F

2017-09-16 16:21:05 302

原创数据库学习——数据分组

数据分组SELECT category_id,COUNT(*) FROM product GROUP BY product.`category_id` 按照category_id进行分组过滤分组SELECT category_id,COUNT(*) AS num FROM product GROUP BY product.`category_id` HAVING num <= 3使用having字

2017-09-16 15:59:55 601

原创数据库学习——聚合函数

聚合函数SELECT AVG(product.`id`) AS "avg_id",COUNT(product.`id`) AS "count_id",MAX(product.`id`) AS "max_id",MIN(product.`id`) AS "min_id",SUM(product.id) AS "sum_id" FROM productAVG：求平均数 COUNT：求数量 MAX：求

2017-09-16 15:51:21 432

原创数据库学习——创建计算字段

拼接字段SELECT CONCAT(product.`id`,TRIM(product.`name`)) AS id_name FROM product将id与name两个字段的内容拼接在一起并以新字段“id_name”命名执行算数计算SELECT product.`id`*10 AS "id*10" FROM product WHERE product.`id`<=10将id检索出的数据id乘以1

2017-09-16 15:43:48 1092

原创数据库学习——过滤数据

匹配单个值SELECT product.`id`,product.`name` FROM product WHERE product.`id` >=3 AND product.`id`<=10匹配id在3到10之间的数据不匹配检查SELECT product.`id`,product.`name` FROM product WHERE product.`id` != 3将id不为3的数据筛选出来范围

2017-09-16 13:34:20 652

原创数据库学习——排序

按多个列进行排序SELECT product.`id`, product.`name` FROM product ORDER BY product.`id`,product.`name`如果order by语句后面有多个列，则按照列的顺序一次进行排序指定列的排序方向SELECT product.`id`, product.`name` FROM product ORDER BY product.`i

2017-09-16 13:19:37 270

原创数据库学习——注释与分页查询

注释# distinct关键字作用于所有的列SELECT DISTINCT product.`name`符号“#”后面跟着的称之为注释分页查询# distinct关键字作用于所有的列SELECT DISTINCT product.`name` FROM product LIMIT 2,2limit语句指示DBMS从哪个位置开始筛选，筛选多少行。第一个参数表示起始位置，第二个参数表示行数。

2017-09-16 13:06:58 323

原创数据库学习——表

表表的定义某种特定类型数据的结构化清单。这里的关键一点在于，存储在表中的数据是同一种类型的数据或清单。决不应该将顾客的清单与订单的清单存储在同一个数据库表中，否则以后的检索和访问会很困难。应该创建两个表，每个清单一个表。数据库中的每个表都有一个名字来标识自己。这个名字是唯一的，即数据库中没有其他表具有相同的名字。说明：表名使表名成为唯一的，实际上是数据库名和表名等的组合。有

2017-09-13 12:44:10 312

原创机器学习入门——recall与precision的解释

recall与precisionrecall 是该类别预测对的个数与该类别所有个数的比值precision 是该类别预测对的个数与该类别所有预测个数的比值

2017-08-22 18:53:57 2152

原创概率统计——离散性概率统计

离散性概率分布数学期望与方差二项概率分布二项分布的期望与方差 E(x) = np Var(x) = np(1-p)泊松概率分布

2017-08-18 19:29:22 487

原创概率统计——贝叶斯定理

贝叶斯定理贝叶斯定理定义一个特殊事件给出一个先验概率，然后从样本中获取有关的补充信息，然后根据这些信息修正概率，并对概率值进行更新得到最终概率过程先验概率——>新信息——>应用贝叶斯定理——>后验概率公式

2017-08-18 19:08:37 395

原创概率统计——基础运算法则

基础运算法则概率概率(probability)是一个事件将会发生的可能性的数值度量。事件的概率总是介于0 到 1 之间；若事件的概率接近0，则代表事件几乎不可能发生；若事件的概率接近1，则表明事件几乎肯定要发生。试验产生明确结果的过程。在任何一个单一的重复试验中，有且只有一个试验结果发生样本空间一个试验的样本空间是所有可能的试验结果的集合样本点一个试验的结果，它是样本空间的一

2017-08-18 18:22:38 8118

原创概率统计——两个变量之间的度量

两个变量之间的度量协方差公式协方差解释正负代表了关系之间的方向，数值的大小代表了关系的强弱，但是协方差受到了数值计量单位的影响皮尔逊相关系数皮尔逊相关系数解释正负代表了X和Y之间的相关方向，数值大小表示关系的强弱，相关系数提供了显性但不一定是因果关系的一种度量

2017-08-18 15:46:56 1174 1

原创概率统计——五数概括法

五数概括法四分位数四分位数包含第一四分位数、第二四分位数、第三四分位数。分别写成Q1、Q2、Q3，第二四分位数也叫做中位数，是指数值在排序后的集合中最中间的数IQR 我们将Q3-Q1的值叫做IQR五数概括法五数概括法即用以下五个数概括一组数据：最小值第一四分位数第二四分位数（中位数）第三四分位数最大值如下图所示：其中我们将到中位数的距离大于1.5个IQR的值

2017-08-18 14:51:54 10997

原创机器学习入门——过拟合

过拟合我们在根据数据求解模型的时候，怎么去判断一个模型的好坏呢？是通过代价函数的和来判断的，一般来说代价函数的和越小，证明模型与数据之间的关系越匹配。但是还有一种情况是，当代价函数的和小到一定程度的时候，我们也是不希望发生的。因为我们求解模型是为了去预测将来可能发生的情况，但是我们不能保证将来的数据分布会与现有的数据分布一致，这种情况我们称之为过拟合。

2017-08-17 15:33:14 337

原创机器学习入门——代价函数

代价函数代价函数的定义当我们通过以往的数据得到模型后，然后将数据输入这个模型得到的值与真实值之间会产生误差，我们求解误差总和的过程就是代价函数。

2017-08-17 15:16:06 320

原创机器学习入门——回归与分类

回归与分类回归 regression的定义简单来说当我们通过监督学习得到的一个值这个过程就叫做回归，这个值是一个连续性数据。我们可以用这个预测值与真实值去做比较分类 classification的定义简单来说就是通过无监督学习得到一个值，这个值是一个分类型的数据，当与真实值比较的时候，只有对错之分而无大小之分

2017-08-17 13:49:17 358

原创机器学习入门——机器学习分类

机器学习分类监督学习监督学习的定义监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。常见的监督学习假设有如下一组销售数据： index 单价 x1 销量 x2 利润 y 1 40 50 100

2017-08-17 12:28:20 540

原创机器学习入门——简单模型讲解

机器学习简单模型讲解机器学习的目的机器学习简单来讲就是通过对以往的数据进行分析，得出模型，然后用该模型来预测将来可能出现的情况最简单的模型我们在学习函数的时候，都学过这样一个函数：y = 2x+1,在这里我们称作1为截距，2为系数，x则称作因子。通过这样一个简单的一元函数我们可以在给定x值的情况下获得y值。在机器学习中我们将y值就称作预测值，函数y=2x+1就称为模型。简单模型假设有

2017-08-17 12:04:04 882

原创机器学习入门——概念介绍

机器学习概念介绍什么是机器学习？机器学习是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，一条自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动

2017-08-17 11:25:05 406

原创 pandas入门——文件读取与写入

文件读取与写入读取文件# 导入pandas与numpy包import pandas as pdimport numpy as np# 读取一个CSV文件file_csv = pd.read_csv(filepath_or_buffer="D://NBA.csv",encoding="gbk")文件写入# 将读取出来的文件保存成pickle形式file_csv.to_pickle(pat

2017-08-16 14:33:20 6758

原创 pandas入门——数据缺失值处理

数据缺失值处理将含有NaN值的行删除# 导入pandas与numpy包import pandas as pdimport numpy as np# 创建时间序列date1 = pd.date_range("20170813",periods=6)df = pd.DataFrame(data=np.random.randint(3,9,size=(6,9)),index=date1,col

2017-08-16 14:22:59 1065

原创 pandas入门——数据合并merge函数

数据合并merge函数创建数据集# 导入pandas和numpy包import pandas as pdimport numpy as np# 创建两个数据框df_left = pd.DataFrame(data=np.ones((5,6)),columns=["a","b","c","d","e","f"],index=["k1","k2","k3","k4","k5"])df_rig

2017-08-15 19:56:32 9432

原创 pandas入门——数据合并concat函数

数据合并concat函数创建数据框# 导入pandas与numpy包import pandas as pdimport numpy as np# 创建两个index与columns有重合的数据框df1 = pd.DataFrame(data=np.ones((5,6))*1,columns=["a","b","c","d","e","f"],index=[0,1,2,3,4])df2 =

2017-08-15 19:08:48 7682 1

原创 pandas入门——数据修改

数据修改修改特定值# 导入pandas与numpy包import pandas as pdimport numpy as np# 创建时间序列数据date1 = pd.date_range("20170813",periods=6)df = pd.DataFrame(data=np.random.randint(3,9,size=(6,6)),columns=np.arange(6),in

2017-08-15 19:03:42 21608

原创 pandas入门——数据切片

数据切片创建数据集# 导入pandas与numpyimport pandas as pdimport numpy as np#创建一个dataframe 以时间序列为index 以abcdef为columndate1 = pd.date_range("20170813",periods=6)df = pd.DataFrame(data=np.random.randint(3,9,siz

2017-08-15 18:27:17 17180 1

原创 pandas入门——数据的创建与基本操作

数据的创建与基本操作建一个dataframe 使用时间序列为行索引，使用abcdef为列索引# 导入numpy包以np的形式；导入pandas包以pd的形式import numpy as npimport pandas as pd# 创建一个时间序列dates = pd.date_range("20170813",periods=6)# 创建一个dataframe 使用时间序列为行索引，使

2017-08-15 18:11:01 1239

原创 numpy入门——数组组合

数组组合-合并两个数组在竖直方向# 带入numpy包以np的形式import numpy as np# 创建一个一维数组 a1 = np.array([1,2,3])# 创建一个一维数组a2 = np.array([4,5,6])# 合并两个数组在竖直方向b = np.vstack((a1,a2))print(b)array([[1, 2, 3], [4, 5,

2017-08-15 18:03:36 1593

原创 numpy入门——数组切片

数组切片选取第二行第一列的数字# 导入numpy包以np的形式import numpy as np# 使用arange的方式创建一个二维数组a = np.arange(1,13).reshape((3,4))print(a)# 选取第二行第一列的数字print(a[2,1])array([[ 1, 2, 3, 4], [ 5, 6, 7, 8],

2017-08-15 17:54:55 310

原创 numpy入门——数据分割

数据分割等量分割# 导入numpy包以np的形式import numpy as np# 创建一个3行4列的数组a = np.arange(1,13).reshape((3,4))print(a)# 等量分割print(np.split(a,4,axis=1))print(np.split(a,3,axis=0))array([[ 1, 2, 3, 4], [ 5

2017-08-15 17:33:11 2360

原创 numpy入门——中级计算

中级计算-导入numpy 并以np的形式简写import numpy as np# 创建一个随机数组a = np.arange(0,12).reshape((3,4))print(a)array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])计算a的中位数print(np.median(a))5.5

2017-08-15 17:30:07 202

原创 numpy入门——基础运算

基础运算导入numpy包并以np的形式简写import numpy as np数组加减乘除法运算# 创建一个一维数组a 以列表为数据源并指定数据类型为np.int 创建一个一维数组b 使用arange的方式a = np.array([2,3,4,5],dtype=np.int)b = np.arange(start = 4,stop = 8,step = 1)计算 a+bc =

2017-08-15 16:37:46 789

原创 numpy入门——数据的创建

数据的创建创建一个一维数组以列表为数据源arr1 = np.array([1,2,3,4,5,6,7,8,9,0])print(arr1)array([1, 2, 3, 4, 5, 6, 7, 8, 9, 0])创建一个一维数组以列表为数据源并指定数据格式为np.int64arr2 = np.array([1,2,3,4,5],dtype=np.int64)print(arr2)

2017-08-15 15:53:26 1337

原创 matplotlib入门——绘制简单图形

绘制简单图形绘制函数曲线图import numpy as npimport pandas as pdimport matplotlib.pyplot as plt# 创建一个包含100000个元素的从0开始到2PI结束的等差数列x = np.linspace(0,2*np.pi,100000)# 求出该等差数列的sin值y = np.sin(x)# 获取到绘图对象plt.plot(x

2017-08-10 18:08:29 408

原创 numpy入门——矩阵计算

矩阵计算加import numpy as npnp1 = np.random.randint(low=3, high=56, size=(4, 5))np2 = np.random.randint(low=78, high=5690, size=(4, 5))print(np1)print(np2)# 加print(np1 + np2)减# 减print(np1 - np2)乘

2017-08-09 18:23:16 359 1

空空如也

空空如也