- 博客(198)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Vue的Computed、Methods和Watch
模板内的表达式用于简单的运算，当遇到逻辑复杂的运算的时候就会难以维护。计算属性和监听属性去解决该问题。
2024-01-09 22:46:42
1081
1
原创 JS函数调用的this指向与apply,call,bind调用模式
的对象，如果没有这个参数或者参数为undefined或null，则默认指向全局Window。bind是返回绑定this之后的函数，而apply、call是立即执行。其中apply和call都是一次性传入参数，而。apply是数组，call、bind是列表。三者都是可以改变函数的this指向。bind的this指向是永久改变。apply，call则是临时绑定。传入的第一个参数绑定的对象。这篇文章去理解他们的应用。显式绑定this到obj。一个参数都是this指向。2、this指向例子（三者都是可以传递参数，
2024-01-08 21:08:49
1016
原创 原生JS实现抽奖
制作一个MiniSize使用提供的素材实现一个转盘活动的布局（如下图所示）；阻塞进入表单的任务加入微任务队列，使得表盘先旋转玩了之后再跳转到表单页面。进入界面后2秒钟后开始旋转，5秒钟后停止旋转；并且3秒后进入一个表单界面（如下图2所示）；界面要求适配现主流的手机屏幕及手机浏览器；请保证视觉效果的还原度以及代码整洁度。要求界面切换连贯，动画流畅。
2024-01-05 09:33:55
533
原创 JS运行机制、Event Loop
async是异步的意思，await可以裂解为async wait。下面一个案例可以看到时间循环机制为了达到单线程不阻塞，他的执行流程是怎么样的。，先执行async外面的同步代码，执行完毕之后回到async函数执行之前阻塞的代码。只有任务队列通知主线程，某个异步任务可以执行力，该任务才会进入主线程执行。同步任务：立即执行的任务，一般放在主线程中（主执行栈）。异步任务又分为宏任务和微任务。await会阻塞下面的代码（即加入微任务队列）异步任务：异步执行的任务，进入。、异步与同步任务执行如下。
2024-01-04 22:37:51
957
原创 函数柯里化
高阶函数一般具有以下两个规范中的一个函数接收的参数是一个函数，那么函数就称为高阶函数调用的返回值依然是一个函数，那么称之为高阶函数常见的高阶函数PromisesetTimeoutarr.map()filterreduce高阶函数的一个高级应用就是函数柯里化函数柯里化，又称部分求值，什么是高阶函数，常见的高阶函数 有哪些？_唐家小妹的博客-CSDN博客函数柯里化_c语言 柯里化-CSDN博客。
2023-11-14 17:23:57
117
原创 linux环境下文件传输与环境命令
01 ls list 查看当前文件夹下的内容02 pwd print work directory 查看当前所在文件夹03 cd[目录名] changge directory 切换文件夹04 touch[文件名] touch 如果文件不存在，新建文件05 mkdir[目录名] make directory 创建目录06 rm[文件名] remove 删除指定文件。
2023-10-19 17:59:58
137
原创 MVVM 模式、Vue 双向绑定原理
MVVM（Model-View-ViewModel）是一种软件架构模式，用于实现界面（UI）和业务逻辑的分离。他的设计目标是将界面的开发与后端的业务逻辑分离，使得代码易于理解、维护和测试。MVVM的核心思想是数据绑定。
2023-09-18 12:01:32
167
原创 从HTTP到HTTPS:网站安全通信的演进之路
HTTP协议与TCP/IP协议族内的其他协议相同部分，用于客户端和服务器端的通信。下面来看一下HTTP具体是怎么工作的。
2023-09-17 22:09:00
645
2
原创 网络通信深入解析：探索TCP/IP模型
你知道在我们的网页浏览器的地址当中输入url，未必是如何呈现的吗？web浏览器根据地址栏中指定的url，从web服务器获取文件资源（resource）等信息，从而显示出web页面。web使用HTTP（超文本传输协议）的协议作为规范，完成从客户端从服务器端等一系列的运作流程。了解HTTP，我们有必要事先了解一下TCP/IP协议族。
2023-09-06 16:47:21
994
原创 前端进阶之——模块化
在做项目的时候越来越发现模块化的重要性，做好模块化开发不仅给后期的维护带来不少好处而且大大提升项目开发效率，接下来整理一下模块化相关知识吧。
2023-08-31 15:31:38
563
原创 前端进阶之———浏览器调试巧技
之前的经验是做一些简单的html，css样式调试以及他的报错信息，忽略了浏览器js调试的强大功能。觉得还是非常有必要的，很好的帮助我们以解决后开发的时候遇到复杂的问题，下面就开始系统的学习一下。
2023-08-25 11:21:44
1167
原创 jango+vue 前端传递数组，后端接收和打印数组
前端是可以直接传递数组到后端的，知识前端的传递方式和后端的接收方式是要发生相应的改变，是数组。代码如下：注意要加上：traditional:true 方案：前端是可以直接传递数组到后端的，知识前端的传递方式和后端的接收方式是要发生相应的改变，是数组。代码如下：注意要加上：traditional:true traditional:true阻止深度序列化（看着像乱码，没有保留列表的存储方式），否则获取的列表将是空的。后端
2022-12-05 16:18:24
775
1
原创 Element UI动态生成多级表头
层数是可变化的，所以需要专门设置一个表格的数据来保存表头，然后通过v-for="item in tableColData"的方式来循环展示表头，由于层数是循环展示表头的，所以如果层数里面如果有第二级别的表头，就需要在表头数据多设置一级children，加上第二层v-for="item1 in item.children"来遍历二级表头。由于项目的需求，需要根据用户自定义的方式来初始化表格的表头包含哪些信息，有很多信息是有规律的，所以我们需要Element UI动态生成多级表头。
2022-11-16 17:33:33
5491
6
原创 JQuery概述
之前也总是听说JQuery,只知道他与JS有很大的关系，但是之前遇到的项目一直使用VUE框架做的，很少接触到JQuery，直到前段时间遇到一个轻量级项目，它用的JQuery。下面来了解一下。
2022-09-26 20:48:01
100
原创 Jupyter 远程连接服务器
环境都搭建好了的时候下面分为简单的几部操作就可以轻松实现Jupyter 远程连接服务器运行。 把生成的密文‘sha:…’复制下来这样就在~/.jupyter/下面生成了密码文件jupyter_notebook_config.json 启动jupyter。切换到工作空间启动jupyter 通过win+r打开cmd 我的：ssh -L 8887:localhost:8888 [email protected] -p 2022http://localh
2022-06-20 14:57:26
1606
原创 Python常用STL
4月9日就要参加蓝桥杯了，我现在才下载软件、来捡一捡知识点、重在这个学习过程。不管结果了。 下面来看一看Python常用的STL，如果我没记错的话就是蓝桥杯爱考的。字符串主要包括对字符串的大小变换和增、删除、查、替换、反转和统计、以及格式化输入输出s = 'abcdefghijk'print(s)##截取字符串print(s[0:2])print(s[:2])print(s[-2:])print(s[:-1])print(s[::-1])#翻转字符串print(2*s)#.
2022-04-04 18:38:08
3231
1
原创 串联所有单词的子串--python
30. 串联所有单词的子串难度困难574给定一个字符串s和一些长度相同的单词words。找出s中恰好可以由words中所有单词串联形成的子串的起始位置。注意子串要与words中的单词完全匹配，中间不能有其他字符，但不需要考虑words中单词串联的顺序。示例 1：输入：s = "barfoothefoobarman", words = ["foo","bar"]输出：[0,9]解释：从索引 0 和 9 开始的子串分别是 "barfoo" 和 "f...
2021-12-10 15:09:49
251
原创 K 个一组翻转链表--python
25. K 个一组翻转链表https://leetcode-cn.com/problems/reverse-nodes-in-k-group/难度困难1389给你一个链表，每k个节点一组进行翻转，请你返回翻转后的链表。k是一个正整数，它的值小于或等于链表的长度。如果节点总数不是k的整数倍，那么请将最后剩余的节点保持原有顺序。进阶：你可以设计一个只使用常数额外空间的算法来解决此问题吗？ 你不能只是单纯的改变节点内部的值，而是需要实际进行节点交换。示例 1：...
2021-12-08 09:28:15
396
原创 有效的括号--python
20. 有效的括号难度简单2765给定一个只包括'('，')'，'{'，'}'，'['，']'的字符串s，判断字符串是否有效。有效字符串需满足：左括号必须用相同类型的右括号闭合。 左括号必须以正确的顺序闭合。示例 1：输入：s = "()"输出：true示例2：输入：s = "()[]{}"输出：true示例3：输入：s = "(]"输出：false示例4：输入：s = "([)]"输出：false示例5：...
2021-11-17 12:02:33
1366
原创 sklearn入门-决策树及其可视化
建立一棵树：1.导入需要的算法库和模块from sklearn import treefrom sklearn.datasets import load_winefrom sklearn.model_selection import train_test_split2 探索数据wine = load_wine()wine.datawine.target假如是一个表，他是什么样子import pandas as pdpd.concat([pd.DataF..
2021-11-16 12:12:21
1481
原创 自然语言处理入门——新手上路
自然语言处理（NLP）是一门融合了计算机科学、人工智能以及语言学的交叉学科。一、自然与语言与编程语言1.词向量自然语言中的词汇量比编程语言中的关键词丰富。再自然语言中，我们可以使用的词汇量是无穷无尽的，几乎没有意义完全相同的词语。我们国家语言文字工作委员会发布的《现代汉语常用词表（草案）》一共收录56 008个词条。除此之外，我们还可以随时创造各种类型的新词，而不仅限于名词。2.结构化自然语言是非结构化的，而编程语言是结构化的。所谓的结构化，是指信息具有明确的结构关系，比如编程.
2021-11-10 20:37:52
7608
原创 四数之和——python
18. 四数之和难度中等997给你一个由n个整数组成的数组nums，和一个目标值target。请你找出并返回满足下述全部条件且不重复的四元组[nums[a], nums[b], nums[c], nums[d]]（若两个四元组元素一一对应，则认为两个四元组重复）：0 <= a, b, c, d< n a、b、c和d互不相同 nums[a] + nums[b] + nums[c] + nums[d] == target你可以按任意顺序返回答案 。...
2021-11-08 10:27:52
1808
1
原创 三数之和-python
15. 三数之和https://leetcode-cn.com/problems/3sum/难度中等3935给你一个包含n个整数的数组nums，判断nums中是否存在三个元素a，b，c ，使得a + b + c =0 ？请你找出所有和为0且不重复的三元组。注意：答案中不可以包含重复的三元组。示例 1：输入：nums = [-1,0,1,2,-1,-4]输出：[[-1,-1,2],[-1,0,1]]示例 2：输入：nums = []输出：[]...
2021-11-03 09:37:39
513
原创 统计学习方法-支持向量机
支出向量机（support vector machines,SVM）是一种二类分类模型。他的基本模型是定义在特征向量空间上的间隔最大的线性分类器，间隔最低啊使他有别于感知机；支持向量机好包括核技巧，这使它称为实质上的非线性分类器。支持向量机的学习策略就是间隔最大化，可形式化为一个求解凸二次规划（convex quadratic programing）的问题，也等价于正则化的合页损失函数的最小化问题。支持向量机的学习算法是求解凸二次规划的最优化算法。支持向量机学习方法包含构建由简至繁的模型：线性可分支持向
2021-11-02 09:43:55
660
原创 统计学习方法-逻辑斯谛回归与最大熵模型
目录一、逻辑斯谛回归模型二、最大熵模型三、模型学习的最优化算法总结逻辑斯谛回归（logistic regression）是统计学习方法中的经典分类方法。最大熵是概率模型学习的一个准则，将其推广到分类问题得到最大熵模型（maximum entropy model）。逻辑斯谛回归模型与最大熵模型都属于对数线性模型。一、逻辑斯谛回归模型1.逻辑斯谛分布2.二项逻辑斯谛回归模型二项逻辑斯谛回归模型是一种分类模型，由条件概率分布P（Y|X）表示，形式为参数化的逻辑斯...
2021-10-27 10:09:04
389
原创 罗马数字转整数-python
13. 罗马数字转整数难度简单1518罗马数字包含以下七种字符:I，V，X，L，C，D和M。字符 数值I 1V 5X 10L 50C 100D 500M 1000例如， 罗马数字 2 写做II，即为两个并列的 1。12 写做XII，即为X+II。 27 写做X...
2021-10-26 11:33:19
139
原创 整数转罗马数字-python
12. 整数转罗马数字难度中等704罗马数字包含以下七种字符：I，V，X，L，C，D和M。字符 数值I 1V 5X 10L 50C 100D 500M 1000例如， 罗马数字 2 写做II，即为两个并列的 1。12 写做XII，即为X+II。 27 写做XX...
2021-10-25 20:54:12
199
原创 机器学习-模型训练
目录1.逻辑回归模型2.KNN模型3.随机森林模型4.决策树模型4.贝叶斯模型5.支持向量机模型步骤：导入必要的第三方库 读取数据 划分数据集 可选操作，引入停用词，当作参数传入特征提取器 特征提取 提取的向量当作特征传入逻辑回归模型1.逻辑回归模型使用TF_IDF提取的向量当作特征传入逻辑回归模型#首先将用到的包进行导入import pandas as pdimport numpy as npimport jiebaimpo...
2021-10-25 15:37:44
6040
原创 盛水最多的容器-python
11. 盛最多水的容器难度中等2872给你n个非负整数a1，a2，...，an，每个数代表坐标中的一个点(i,ai)。在坐标内画n条垂直线，垂直线i的两个端点分别为(i,ai)和(i, 0)。找出其中的两条线，使得它们与x轴共同构成的容器可以容纳最多的水。说明：你不能倾斜容器。示例 1：输入：[1,8,6,2,5,4,8,3,7]输出：49 解释：图中垂直线代表输入数组 [1,8,6,2,5,4,8,3,7]。在此情况下，容器能够容纳水（...
2021-10-22 15:58:05
229
原创 统计学习方法-决策树
决策树（decision tree）是一种基本的分类与回归方法，本章主要讨论用于分类的决策树。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合，也可以是认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性，分类速度快。学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型。预测时，对新的数据，利用决策树模型进行分类。决策树学习通常包括3个步骤：特征选择、决策树的生成和决策树的修剪。决策树模型与学习1.决策树模型.
2021-10-22 10:20:46
351
原创 统计学习方法-朴素贝叶斯法
朴素贝叶斯（naive Byes）法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立于假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大输出y。朴素贝叶斯方法实现很很简单，学习与预测效率都很高，是一种常用的方法。朴素贝叶斯法的学习与分类基本方法：后验证概率最大化含义朴素贝叶斯法将实例分到后验概率最大的类中，这等价于期望风险最小化。为了使得风险最小化对X = x逐个及小化，根据期望风险最小化准则就..
2021-10-19 10:24:28
487
原创 数据预处理与清洗（二）实战
1 数据预处理数据预处理目的是得到形式一致的数据，使得后续按照统一的方式进行数据清洗。每人汇总爬虫到的所有数据，按（评论，评分）的形式存入csv表格中； 去除重复评论，使用Numpy、Pandas等方式； 去除默认评论，以及长度过短的无效评论； 将所有评分划分为3个分类（1-2分为差评，3-4分为中评，5分为好评），使之成为三分类数据。代码：import numpy as npimport pandas as pddf = pd.read_csv('2result.cs...
2021-10-18 18:52:49
1700
原创 统计学习方法-k近邻法
k邻近法（k-NN）是一种基本分类与回归方法。k近邻法的输入实例为特征向量，其中实例类别已定。k-近邻算法简单直观，输入：训练数据集输出：实例x所属的类yk近邻模型k近邻法使用的模型实际上对于特征空间的划分。模型由三个基本要素----距离向量、k值的选择和分类决策规则决定模型：k近邻法中，当训练集、距离度量（如欧式距离）、k值及分类决策规则（如多数表决）确定后，对于任一一个新的输入实例，他所属的类唯一确定。单元（cell）：特征空间中，对每个训练实例点xi，距离该点比其他点近的所
2021-10-13 14:10:24
103
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人