06_29

1.处理图书馆数据。

要求的格式是
学期 uid date time
提取 name content

file = open("/Users/rjf/Downloads/成绩排名预测/训练/图书馆门禁.txt")
file2 = open("/Users/rjf/Downloads/成绩排名预测/训练/图书馆门禁_processed.txt",'w')
#直接读第一行,然后跳过处理,额外添加一列cate标记收入/支出
# file2.writelines(file.readline().strip('\n')+' cate\n')
#改变第一行标题,跳过第一行
file2.writelines('学期 '+'uid '+'name '+'content\n')
next(file)

for line in file:
    data = line.strip('\n').split('\t')
    data[2] = '2014-'+data[2][:2]+'-'+data[2][2:]
    data[3] = data[3][:2]+':'+data[3][2:4]
    #队友需要的数据格式要求记录收入或者支出,这里统一设置为支出,'-'
    data.append('\n')
    #在列表各元素之间加入空格
    data = " ".join(str(i) for i in data)
    file2.writelines(data)

file.close()
file2.close()

2. 在数据库中对uid添加索引

3.构建云函数使用图书馆数据

这里排序使用orderbysortaggregate聚合操作时使用

3.1 返回前100条版本
// 云函数入口文件
const cloud = require('wx-server-sdk')
cloud.init()

const db = cloud.database()
const _ = db.command

// 云函数入口函数
exports.main = async (event, context) => {

  return await db.collection('Library_safe').where({
    uid : event.uid
  }).orderBy('name','asc').orderBy('content','asc').field({
    name:true,
    content:true,
    _id:false
  }).get()
}
3.2 返回全部数据版本
// 云函数入口文件
const cloud = require('wx-server-sdk')
cloud.init()

const db = cloud.database()
const _ = db.command
const MAX_LIMIT = 100
// 云函数入口函数
exports.main = async (event, context) => {
  // 先取出集合记录总数
  const countResult = await db.collection('Library_safe').where({
    uid: event.uid
  }).count()
  const total = countResult.total
  console.log('total'+total)
  // 计算需分几次取
  const batchTimes = Math.ceil(total / 100)
  // 承载所有读操作的 promise 的数组
  const tasks = []
  for (let i = 0; i < batchTimes; i++) {
    const promise = db.collection('Library_safe').where({
      uid : event.uid
    }).orderBy('name','asc').orderBy('content','asc').field({
      name:true,
      content:true,
      _id:false
    }).skip(i * MAX_LIMIT).limit(MAX_LIMIT).get()
    tasks.push(promise)
  }
  // 等待所有
  return (await Promise.all(tasks)).reduce((acc, cur) => {
    return {
      data: acc.data.concat(cur.data),
      errMsg: acc.errMsg,
    }
  })
}

4. 小程序端使用接口

这里以按钮监听函数距离,具体使用更改uid:'97'
this.data.items2调用,items2在页面的初始数据处定义

callFunction2:function(){
    console.log("Button is clicked")
    var that = this
    wx.cloud.callFunction({
      name:"library",
      data:{
        uid : '97'
      },
      complete: res => {
        console.log('callFunction test result: ', res)
        that.setData({
          // title:res.result.data[0]['title']
          items2:res.result.data
        })
        console.log('title',this.data.items2)
      }
    })
  },

返回结果打印在控制台
\

5. 如何对云函数返回的json数据进行处理

// 先取出集合记录总数
  const countResult = await db.collection('Library_safe').where({
    uid: event.uid
  }).count()
  const countResult2 = await db.collection('consumption').where({
    uid: event.uid
  }).count()

参考:微信小程序云开发API 统计集合记录数

调用function count(options?: object): Promise<Result>返回的结果结构如下所示:

字段类型说明
totalnumber数量

我们需要修改字段名才能返回想要的结果集合

5.1 修改键值对进行合并

这里将返回的total:1477修改为library_count: 1477

var bbb= JSON.parse(JSON.stringify(countResult).replace(/total/g,"library_count"));

利用eval进行合并

json = eval('('+(JSON.stringify(countResult2)+JSON.stringify(bbb)).replace(/}{/,',')+')');
5.2 直接提取键值,利用键值重新构造
const total = countResult.total
const library_count = countResult2.total
var tasks = {'total':total,'library_count':library_count}

还可以使用下面这种方式进行添加

tasks['add'] = '添加的'

返回结果如下

测试部分到目前完毕,等待队友给出下一部分数据要求进行处理

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在信号处理领域,DOA(Direction of Arrival)估计是一项关键技术,主要用于确定多个信号源到达接收阵列的方向。本文将详细探讨三种ESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques)算法在DOA估计中的实现,以及它们在MATLAB环境中的具体应用。 ESPRIT算法是由Paul Kailath等人于1986年提出的,其核心思想是利用阵列数据的旋转不变性来估计信号源的角度。这种算法相比传统的 MUSIC(Multiple Signal Classification)算法具有较低的计算复杂度,且无需进行特征值分解,因此在实际应用中颇具优势。 1. 普通ESPRIT算法 普通ESPRIT算法分为两个主要步骤:构造等效旋转不变系统和估计角度。通过空间平移(如延时)构建两个子阵列,使得它们之间的关系具有旋转不变性。然后,通过对子阵列数据进行最小二乘拟合,可以得到信号源的角频率估计,进一步转换为DOA估计。 2. 常规ESPRIT算法实现 在描述中提到的`common_esprit_method1.m`和`common_esprit_method2.m`是两种不同的普通ESPRIT算法实现。它们可能在实现细节上略有差异,比如选择子阵列的方式、参数估计的策略等。MATLAB代码通常会包含预处理步骤(如数据归一化)、子阵列构造、旋转不变性矩阵的建立、最小二乘估计等部分。通过运行这两个文件,可以比较它们在估计精度和计算效率上的异同。 3. TLS_ESPRIT算法 TLS(Total Least Squares)ESPRIT是对普通ESPRIT的优化,它考虑了数据噪声的影响,提高了估计的稳健性。在TLS_ESPRIT算法中,不假设数据噪声是高斯白噪声,而是采用总最小二乘准则来拟合数据。这使得算法在噪声环境下表现更优。`TLS_esprit.m`文件应该包含了TLS_ESPRIT算法的完整实现,包括TLS估计的步骤和旋转不变性矩阵的改进处理。 在实际应用中,选择合适的ESPRIT变体取决于系统条件,例如噪声水平、信号质量以及计算资源。通过MATLAB实现,研究者和工程师可以方便地比较不同算法的效果,并根据需要进行调整和优化。同时,这些代码也为教学和学习DOA估计提供了一个直观的平台,有助于深入理解ESPRIT算法的工作原理。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值