设置adb shell的环境变量

1.设置adb系统变量 adb D:\androidStudio\platform-tools;D:\androidStudio\tools 2.设置path系统变量 path D:\androidStudio\paltform-toos;
分类: 其他 发布时间: 01-03 23:18 阅读次数: 0

python爬虫常见面试题(一)

前言   之所以在这里写下python爬虫常见面试题及解答,一是用作笔记,方便日后回忆;二是给自己一个和大家交流的机会,互相学习、进步,希望不正之处大家能给予指正;三是我也是互联网寒潮下岗的那批人之一,为了找工作而做准备。 一、题目部分 1、python中常用的数据结构有哪些?请简要介绍一下。 2、简要描述python中单引号、双引号、三引号的区别。 3、如何在一个function里设置一个全局的变量。 4、python里面如何拷贝一个对象?(赋值、浅拷贝、深拷贝的区别) 5、如果custna
分类: 其他 发布时间: 01-03 23:18 阅读次数: 0

java xml转换为String

public class XmltoJsonUtil { public static String xml2JSON(String xml) { JSONObject obj = new JSONObject(); try { InputStream is = new ByteArrayInputStream(xml.getBytes("utf-8")); SAXBuilder sb = new SAXBuilder(); Document doc = sb.build(is); Elemen
分类: 其他 发布时间: 01-03 23:18 阅读次数: 0

Docker持久化存储与数据共享

版权声明:作者已开启版权声明,如转载请注明转载地址。 https://blog.csdn.net/qq_34829447/article/details/85563389 一.Docker持久化数据的方案 基于本地文件系统的Volume:可以在执行docker create或docker run时,通过-v参数将主机的目录作为容器的数据卷。这部分功能便是基于本地文件系统的volume管理。 基于plugin的Volume:支持第三方的存储方案,比如NAS,aws 1.Volume的类型 受管理
分类: 其他 发布时间: 01-03 23:18 阅读次数: 0

Docker compose开发与应用

版权声明:作者已开启版权声明,如转载请注明转载地址。 https://blog.csdn.net/qq_34829447/article/details/85644860 一.通过容器部署一个WordPress 1.wordpress组成 前端软件 数据库存储 2.操作流程 创建mysql的containerdocker run -d --name mysql -v mysql-data:/var/lib/mysql -e MYSQL_ROOT_PASSWORD=root -e MYSQL_D
分类: 其他 发布时间: 01-03 23:17 阅读次数: 0

容器编排SwarmMode

版权声明:作者已开启版权声明,如转载请注明转载地址。 https://blog.csdn.net/qq_34829447/article/details/85647519 Docker集成了swarm做容器编排 一.容器编排Swarm介绍 图片 1.swarm角色 swarm是集群架构,其中有节点,每个节点有自己的角色 manager:节点是swarm集群的大脑,避免大脑故障,则manager节点应有两个以上,此时需要考虑到状态的同步,通过内置携带raft协议进行同步的数据库同步manager
分类: 其他 发布时间: 01-03 23:17 阅读次数: 0

用k-近邻算法:手写识别系统

用k-近邻算法:手写识别系统 一、准备数据:将图像转换为测试向量 我们将图像格式化处理为一个向量:把一个32x32的二进制图像矩阵转换为1x1024的向量。 还是在kNN.py文件中,编写将图像转换为向量的函数如下: #将图像转换为测试向量 def img2vector(filename): returnVect = zeros((1, 1024))#创建一个1x1024的numpy数组 fr = open(filename)#打开指定问价 for i in range
分类: 其他 发布时间: 01-03 23:16 阅读次数: 0

【机器学习】决策树(上)

前言:决策树是一种基本的分类与回归算法。可以认为是if-then规则的集合,也可以认为是定义在特征空间与类空间上的条件概率分布。 学习时,利用训练数据,根据损失函数最小化原则建立决策树模型。 学习包括3个步骤:特征选择、决策树的生成、决策树的修建 一、决策树模型 更多参照博文 分类决策树模型:是一种描述对实例进行分类的树形结构。由结点和有向边组成。结点有两种类型:内部结点和叶结点。内部结点表示一个特征或属性,叶结点表示一个类。 分类过程:用决策树分类,从根结点开始,对实例的某一特征进行测试,根
分类: 其他 发布时间: 01-03 23:16 阅读次数: 0

【机器学习】决策树(下)CART算法分类树、回归树

CART同样由特征选择、树的生成、剪枝组成。既可以用于回归,又可以用于分类。 CART是在给定输入随机变量X条件下输出随机变量Y的条件概率分布的学习方法。 CART假设决策树是二叉树,内部节点特征的取值为“是“和“否“,左分支是取值为“是“的分支,右分支是取值为“否“的分支。这样的决策树等价于递归地二分每个特征,将输入空间即特征空间划分为有限个单元,并在这些单元上确定预测的概率分布,也就是在输入给定的条件下输出的条件概率分布。 创建分支的伪代码如下: > if so return 类标签;
分类: 其他 发布时间: 01-03 23:16 阅读次数: 0

【机器学习 】使用朴素贝叶斯进行文档分类

朴素贝叶斯的一般过程: 1、收集数据:任何方法 2、准备数据:需要数值型或者布尔型数据 3、分析数据:有大量特征时,绘制特征作用不大,此时使用直方图效果更好 4、训练算法:计算不同的独立特征的条件概率 5、测试算法:计算错误率 6、使用算法:常见的朴素贝叶斯应用是文档分类。可以在任何分类场景中使用朴素贝叶斯分类器,不一定非要文本。 思考:如果每个特征需要N个样本,那么对于10个特征将需要N10 个样本,对于包含1000个特征的词汇表将需要N1000 个样本。显然可发现,所需要的样本数会随着特征
分类: 其他 发布时间: 01-03 23:15 阅读次数: 0

降维-主成分分析

一、降维动机: 1.1、数据压缩:占内存小,可加快学习算法 下面举个小例子: 将数据从二维降至一维: 假使我们要采用两种不同的仪器来测量一些东西的尺寸,其中一个仪器测量结果的单位是英寸,另一个仪器测量的结果是厘米,我们希望将测量的结果作为我们机器学习的特征。现在的问题的是,两种仪器对同一个东西测量的结果不完全相等(由于误差、精度等),而将两者都作为 特征有些重复,因而,我们希望将这个二维的数据降至一维。 即想找一条直线,将数据投影到这条直线上。 如上例,原样本x(1)∈ℝ2 ,现变为z(1)∈
分类: 其他 发布时间: 01-03 23:15 阅读次数: 0

PCA推导

一、协方差、协方差矩阵: 方差是描述一维数据样本本身相对于均值的偏离程度。 思考:如果遇到含有多维数据的数据集,比如要统计多个学科的考试成绩,面对这样的数据集,我们当然可以按照每一维独立的计算其方差,但是通常我们还想了解更多,比如,某个考生数学成绩很好(数学成绩平均值高,且其方差小),他的物理成绩也很好(物理成绩平均值高,且其方差小),这些可以用均值和方差来描述,但是我们想要了解考生的数学成绩很好是不是和他的物理成绩很好相关呢?或者他的数学成绩很好和他的历史成绩差负相关呢?(一般来说,数学成绩
分类: 其他 发布时间: 01-03 23:15 阅读次数: 0

SVD简介

一、回顾:特征分解 特征值和特征向量的定义如下: Ax=λx A∈ℝn∗n , x∈ℝn∗1 , λ 是矩阵 A 的一个特征值,而 x 是 λ 所对应的特征向量。 利用特征值和特征向量,我们可以对矩阵进行矩阵分解。如果我们求出了矩阵A 的 n 个特征值 λ1,λ2,...,λn 对应的特征向量依次是 w1,w2,...,wn ,则矩阵A可以用特征分解的形式表示: A=WΣW−1 其中 W 是由n个特征向量张成的n x n 维矩阵。 一般我们会把 W 的这 n x n个 特征向量标准化,即满足
分类: 其他 发布时间: 01-03 23:14 阅读次数: 0

去重的类函数实现

# -*- coding: utf-8 -*- import pandas as pd import numpy as np import jieba.posseg as pseg import codecs from gensim import corpora, models, similarities from database import Database from demo import Demo import datetime class CacuSimil(object):
分类: 其他 发布时间: 01-03 23:14 阅读次数: 0

匹配关键字,给新闻贴上个股标签

贴上个股标签 import csv import pandas as pd from database import Database #from connect_keywords.database import Database csv_file = csv.reader(open('finace_news_content.csv', 'r')) csv_keyword = csv.reader(open('Keyword.csv', 'r')) csv_select_one = csv
分类: 其他 发布时间: 01-03 23:14 阅读次数: 0

csv文件查找指定内容

csv_keyword = csv.reader(open('Keyword.csv', 'r')) keywords = [] for row in csv_keyword: keywords.append(row) print(keywords) for i in range(len(keywords)): if '证券' in keywords[i][2]: print(keywords[i])
分类: 其他 发布时间: 01-03 23:14 阅读次数: 0

python协程与同步

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/Enjoytraveling/article/details/84991368 协程与异步   协程简介:   协程又称之为微线程,协程看上去也是子程序,但在执行的过程中,在子程序内部可中断,然后转而执行别的子程序,在适当的时候返回来接着执行程序。当然子程序是协程的特列。  个人见解:协程相当与在子程序(假设称之为A程序)执行的过程中执行到一定的步骤后可以进行中断(注:这里的中断当然不能够是函数调
分类: 其他 发布时间: 01-03 23:13 阅读次数: 0

robotframework使用python自定义“关键字”的两种方法:导入库(LIB)和导入模块(py文件)

版权声明: https://blog.csdn.net/weixin_41357300/article/details/80592623 1、导入库,需要把文件做成包的形式 常见放置在,python主目录的 \Lib\site-packages下 __init__.py 好处是:适合大规模的开发,包有多人负责,分模块开发,无限扩展文件数量 缺点是:统一归档相对麻烦 2、导入文件,直接自定义一个py文件,里面 将其直接导入即可 个人推荐使用第二种方法,对于中小型应用,效率高,维护方便,放在任意目
分类: 其他 发布时间: 01-03 23:12 阅读次数: 0

使用Notepad++实现多行文件替换的方法--基本方法

版权声明: https://blog.csdn.net/weixin_41357300/article/details/80593607 直接选择多行,就可以,notepad是支持的,直接上图 目标是: 将此图: 换为此图: 其实很简单,如下是选择,起替换后的效果 find with 和 replace with 都选择多行数据即可 如果遇到,在替换窗口中,无法在选择和粘贴多行的情况,那么可以尝试这样处理 方法是,notepad只支持如下的格式的换行符的粘贴,如下的格式换行符“LF”,可以粘贴
分类: 其他 发布时间: 01-03 23:12 阅读次数: 0

python里面调用robotframework存在的坑--robotframe为什么卡死

版权声明: https://blog.csdn.net/weixin_41357300/article/details/81102499 一般复杂一些的使用,可能会遇到一种情况,使用python作为主程序,或框架性的程序,程序里启动robotframe 相当于robotframe是python程序的一个子进程 这里注意的是:此种使用,会发现robotframe的可靠性降低,对应程序执行完后,有一定概率出现robot进程不退出的情况 查看任务管理器: 发现python程序啊在卡死的状态,不动了
分类: 其他 发布时间: 01-03 23:11 阅读次数: 0