- 博客(72)
- 收藏
- 关注
RSS订阅原创 机器学习第1天
标准正态分布是正态分布的一个标准化形式，通常用于简化问题的求解过程，在统计分析中具有重要应用。高斯分布在自然科学和社会科学中十分常见，因为许多随机变量的分布都近似是正态分布，特别是当独立随机变量的总和趋于无限时，根据中心极限定理，其分布接近正态分布。均值决定了分布的中心位置，标准差决定了分布的离散程度，即数据集中或分散的程度。正态分布是一类连续概率分布，其形状呈现为对称的钟形曲线，这种曲线被称为高斯函数或高斯钟形曲线。总结来说，所有的标准正态分布都是正态分布，但不是所有的正态分布都是标准正态分布。
2024-05-17 18:03:20
381
原创 统计学第2天
1、对总体参数的数值所作的一种陈述。总体参数包括总体均值、比例、方差等分析之前必须陈述2、事先对总体参数或分布形式做出某种假设，然后利用样本信息来判断原假设是否成立3、有参数假设检验和非参数假设检验4、采用逻辑上的反证法，依据统计上的小概率原理。
2024-05-16 09:11:34
697
原创 hive小技巧
判断两个数是否相等如果相等返回null值，如果不相等返回第一个值。和coalesce效果一样只不过val不是标准得函数。从一系列数中获取第一个不为null值得数。和上边的coalesce效果一样。
2024-05-16 08:16:52
231
原创 Git与Gitlab
文章对git做了一个大概的介绍，然后介绍github,gitee,gitlab代码托管平台，介绍gitlab安装部署，介绍gitlab与本地idea代码互通。
2024-05-15 08:53:17
1070
原创 HiveSQL之lateral view
lateral view是hiveQL中的一个高级功能，用于和表生成函数一起，来处理嵌套数组和结构的数据，特别是在处理复杂的数据结构如JSON或数组内嵌套数组时特别有用。它允许用户在每一行上应用TGF（表生成函数），将生成的元素作为多行返回，或者多列返回。
2024-04-08 22:17:28
476
原创 数据透视表之占比、对比与组合显示
右键----值显示方式----百分比-----选择安徽省作为基准（数据百分比都是通过和安徽除安徽得到）市的父级是省，父行百分比就是一个省是一个单位，里面每个市占比多少。右键----值显示方式----按照月份。一列、一行或者整个表作为单位1。右键--折叠--折叠整个字段。
2024-03-20 07:40:04
1098
原创 MySQL之窗口函数
窗口函数：窗口、函数（应用在窗口内的函数）窗口类似窗户、限定一个空间。那什么叫窗口呢？窗口的概念非常重要，可以理解为记录集合，窗口函数也就是在满足某种条件的记录集合上执行的特殊函数。对于每条记录都要在此窗口内执行，窗口的大小是固定的，这种属于静态窗口；不同的记录对应着不同的窗口，这种动态变化的窗口叫做滑动窗口。窗口函数的基本用法如下：函数名(开窗字段) over（子句）;
2024-03-19 22:00:41
3550
原创 Excel之数据透视表
（1）选择要创建数据透视表的数据------插入----选择数据透视表（2）选择现有工作表然后点击目标表选择合适的位置插入。
2024-03-18 22:14:04
886
原创 DolphinScheduler安装与配置
Apache DolphinScheduler是一个分布式、易扩展的可视化DAG工作流任务调度平台。致力于解决数据处理流程中错综复杂的依赖关系，使调度系统在数据处理流程中开箱即用。DolphinScheduler的主要角色如下：采用分布式无中心设计理念，MasterServer主要负责 DAG 任务切分、任务提交、任务监控，并同时监听其它MasterServer和WorkerServer的健康状态。也采用分布式无中心设计理念，WorkerServer主要负责任务的执行和提供日志服务。
2024-02-14 21:36:48
1854
原创 Hive on Spark配置
说明2：Hive任务最终由Spark来执行，Spark任务资源分配由Yarn来调度，该任务有可能被分配到集群的任何一个节点。所以需要将Spark的依赖上传到HDFS集群路径，这样集群中任何一个节点都能获取到。说明1：采用Spark纯净版jar包，不包含hadoop和hive相关依赖，能避免依赖冲突。1、解压spark-3.3.1-bin-without-hadoop.tgz。2、修改spark-env.sh配置文件。--Spark依赖位置（注意：端口号。--Hive执行引擎-->source 使其生效。
2024-02-14 21:21:11
1804
1
原创 Hive安装部署
4、解决日志Jar包（改成备用）冲突，进入/opt/moudle/hive/lib目录。--配置Hive保存元数据信息所需的 MySQL URL地址-->1、解压hive-3.1.3.tar.gz到/opt/module/目录下面。在$HIVE_HOME/conf目录下新建hive-site.xml。2、修改hive-3.1.3-bin.tar.gz的名称为hive。--配置Hive连接MySQL的驱动全类名-->--配置Hive连接MySQL的用户名 -->--配置Hive连接MySQL的密码 -->
2024-02-10 10:08:52
1038
原创 Kafka集群安装与部署
（2）依次在hadoop102、hadoop103、hadoop104节点上启动Kafka。（1）依次在hadoop102、hadoop103、hadoop104节点上停止Kafka。（1）在/etc/profile.d/my_env.sh文件中增加kafka环境变量配置。（1）先启动Zookeeper集群，然后启动Kafka。（3）分发环境变量文件到其他节点，并source。集群就没有办法再获取停止进程的信息，只能手动杀死。（2）刷新一下环境变量。（每个节点单独配置）（每个节点单独配置）
2024-02-10 10:06:53
1452
原创 Flume安装部署
（1）将apache-flume-1.10.1-bin.tar.gz上传到linux的/opt/software目录下。（2）解压apache-flume-1.10.1-bin.tar.gz到/opt/moudle/目录下。（3）修改apache-flume-1.10.1-bin的名称为flume。（4）修改conf目录下的log4j2.xml配置文件，配置日志文件路径。（5）分发flume（当前位置/opt/moudle/）# 引入控制台输出，方便学习查看日志。
2024-02-09 09:25:11
1367
原创 Linux上MySQL安装部署
（4）执行/opt/software/mysql/目录下install_mysql.sh。（1）卸载MySQL依赖，虽然机器上没有装MySQL，但是这一步。输入mysql -uroot -p123456。（3）切换到hadoop102的root用户。#更改密码级别并重启MySQL。将安装包上传到mysql目录。我一直是用root用户操作的。# 安装并启动MySQL。# 更改MySQL配置。（2）下载依赖并安装。
2024-02-09 09:23:41
571
原创 Zookeeper集群搭建（3台）
1、重命名/opt/module/zookeeper/conf目录下的zoo_sample.cfg为zoo.cfg。3、同步/opt/module/zookeeper目录内容到hadoop103、hadoop104。2、在/opt/module/zookeeper/zkData目录下创建一个myid的文件。1、在/opt/module/zookeeper/目录下创建zkData。1、解压Zookeeper安装包到/opt/module/目录下。切换到/opt/module目录下。
2024-02-08 08:32:35
1123
原创 Hadoop集群所有进程查看脚本
1、在/home/atguigu/bin目录下创建脚本xcall.sh。相当于在三台节点同时运行jps。2、赋予文件运行权限。
2024-02-08 08:30:19
271
原创 CentOS7搭建Hadoop集群
10、部署完成可以通过start-all.sh和stop-all.sh控制Hadoop-HA所有节点的启停。-- 配置该user(superUser)允许通过代理访问的主机节点 -->-- 把多个NameNode的地址组装成一个集群mycluster -->-- 配置该user(superUser)允许通过代理用户所属组 -->-- 配置该user(superUser)允许通过代理的用户-->-- 指定hadoop运行时产生文件的存储目录 -->-- 配置HDFS网页登录使用的静态用户为user -->
2024-02-07 09:05:42
3296
1
原创 CentOS7集群安装JDK1.8
3、分别再Hadoop102、Hadoop103、Hadoop104执行刷新配置文件。3、解压jdk的tar包到/opt/moudle目录。4、切换到/opt/moudle查看解压后的文件。2、将jdk上传到software文件夹里面。1、在虚拟机hadoop102新建两个目录。4、验证jdk是否安装成功。到此集群安装jdk完成！5、分发解压好的JDK。
2024-02-07 08:49:41
712
原创 集群分发脚本xsync
rsync是 "remote synchronization" 的简写，这个工具主要用于远程和本地系统之间同步文件和目录，优化了数据传输过程，只传输变化的部分。它被广泛应用于备份操作、镜像制作以及其他需要文件或目录同步的场景。rsync在功能丰富且高效的同时，也保证了传输安全性。
2024-02-06 08:30:18
704
原创 CentOS7集群配置免密登录
3、可以看到在家目录下面的.ssh目录中生成了两个文件,id_rsa（私钥）、id_rsa.pub（公钥）5、复制hadoop102机器的认证到其他机器上，在hadoop102上执行以下命令。4、将公钥复制到同一台机器hadoop102,7、配置成功后登录三台机器便不再需要输入密码了。文件中输入以下内容：IP hostname。至此三台虚拟机的免密登录配置完成~以下命令，执行命令后直接三次回车。6、测试是否可以免密登录。
2024-02-06 08:26:00
760
2
原创 CentOS7集群环境搭建（3台）
当安装完虚拟机之后，默认的ip分配方案为DHCP,每一次开机时的ip都是有可能不同的,这样就会导致每次远程连接都需要查看ip地址.设置为静态ip后, 当前虚拟机的ip地址就不会在发生改变,,后期配置集群相关的内容时首要的要求就是ip必须为静态, 否则由于无法得到一个准确的ip地址,集群也是构建不了的。2、分别修改三台虚拟机的名称为hadoop102、hadoop103、hadoop104，保存退出：Esc=>Shift + 冒号:=>wq。6、输入虚拟机名称，选择存储位置，点击完成。
2024-02-05 08:46:44
1283
原创 CentOS7安装教程
16、选择镜像文件所在的路径，点击关闭17、点击完成18、启动虚拟机19、选择第一个（点击进去后鼠标出不来，点击Ctrl+Alt键可以解放鼠标），然后回车20、中间如果有镜像检查，按Esc键跳过检查，等待一会后，出现如下界面，语言选择中文中的简体中文，点击继续21、点击软件选择22、选择。
2024-02-05 08:37:28
926
原创 MYSQL之锁
锁是计算机协调多个线程或者进程并发访问某一资源的机制。在数据库中除了传统的计算资源（CPU、RAM，I/O）的争用之外，数据也是一种共给多用户共享使用的资源。如何保证数据的并发访问的一致性、有效性是所有数据库必须解决的一个问题，锁冲突也是影响数据库并发访问性能的一个重要因素。从这个角度来说，锁对数据库而言显得尤为重要，也更复杂。分类：MYSQL中的锁，按照锁的粒度分为以下三大类：1、全局锁：锁定数据库中的所有表2、表级锁：每次操作锁住整张表3、行级锁：每次操作锁住对应的行数据。
2024-01-26 20:51:39
1044
原创 MYSQL之SQL优化
1、Using filesort：通过表的索引或全表扫描，读取满足条件的数据行，然后在排序缓冲区sort buffer中完成排序操作，所以只要不是通过索引排序直接返回结果的排序都叫FileSort排序。4、如果不可避免的出现file sort，大数据量排序时（缓冲区不够用的话会在磁盘排序，效率很慢），此时可以适当增大排序缓冲区大小sort_buffer_size（默认256k）页可以为空，也可以填充一半。在InnoDB存储引擎中，表数据都是根据主键顺序组织存放的，这种存储方式的表称为索引组织表。
2024-01-25 09:36:51
555
原创 MYSQL之索引语法与使用
如果索引了多列（联合索引），要遵守最左前缀法则指的是查询从索引的最左列开始，并且不跳过索引中的列。尽量使用覆盖索引（查询使用了索引，并且要返回的列能在该索引中全部找到），减少select*（要回表查询，使性能下降）using index：查找使用了索引，但需要的数据在索引列能找到，不需要回表查询。用or分隔开的条件，如果or前的条件中的列有索引，而后面的列中没有索引，那么涉及的索引豆瓣不会被用到。在业务场景中，如果存在多个查询条件，考虑针对查询字段建立索引时，建立联合索引，而非单列索引。
2024-01-22 20:39:35
1438
原创 MySQL之索引结构
索引是帮助MySQL高效获取数据的数据结构（有序）。在数据之外，数据库系统还维护着满足特定查找算法的数据结构，这些数据结构以某种方式引用（指向）数据，这样就可以在这些数据结构上实现高级查找算法，这种数据结构就是索引。下图演示有索引和无索引的区别：备注：上述二叉树索引结构的只是一个示意图，并不是真实的索引结构。
2024-01-20 10:18:30
1302
1
原创 MYSQL之存储引擎
存储引擎就是存储数据，建立索引、更新/查询数据等技术的实现方式。存储引擎基于表，而不是基于库的，所以存储引擎也可被称为表类型。show create table 表名;创建表my_sql，并指定存储引擎为MYISAM字段1 类型，...,字段n 类型。
2024-01-19 21:31:11
535
原创 Pypputeer自动化
pyppeteer是 Python 语言的一个库，它是对 Puppeteer 的一个非官方端口，Puppeteer 是一个 Node 库，Puppeteer是Google基于Node.js开发的一个工具，它提供了一种高层次的 API 来通过 DevTools 协议控制 Chrome 或 Chromium。pyppeteer可以用来进行网页自动化处理，支持页面抓取、表单提交、UI测试、JavaScript执行等功能，非常适合用于网页爬虫或自动化测试。
2024-01-18 21:17:14
889
1
原创 决策树：理解机器学习中的关键算法
决策树是一种流行而强大的机器学习算法，它从数据中学习并模拟决策过程，以便对新的未知数据做出预测。由于其直观性和易理解性，决策树成为了分类和回归任务中的首选算法之一。在本文中，我们将深入探讨决策树的工作原理、如何构建决策树、它们的优缺点，以及在现实世界中的应用。树模型决策树：从根节点开始一步步走到叶子节点（决策）所有的数据最终都会落到叶子节点，既可以做分类也可以做回归例子：一个家庭里面找出玩游戏的人（通过年龄和性别两个特征）根节点的特征该用哪个特征？如何切分？
2024-01-14 14:08:10
1180
原创 Selenium的使用
Selenium 是一个自动化测试工具，它主要用于自动化网络应用程序的测试。不过，除了测试之外，它也常用于自动执行各种浏览器操作，比如自动填写表单、抓取网页数据、点击、下拉等。同时还可以获取浏览器当前所呈现的页面的源代码，做到可见即可爬，对于一些JavaScript动态渲染的页面来说，非常有效。
2024-01-12 23:36:52
1392
原创 网络爬虫之多任务数据采集（多线程、多进程、协程）
进程：操作系统中资源分配的基本单位线程：使用进程资源处理具体任务一个进程中可以有多个线程：进程相当于一个公司，线程是公司里面的员工。
2023-12-22 22:09:05
2064
原创 网络爬虫之Ajax动态数据采集
Ajax，全称为 Asynchronous JavaScript and XML，即异步的avaScript 和 XML，它不是-门编程语言，而是利用JavaScript在保证页面不被刷新、页面链接不改变的情况下与服务器交换数据并更新部分网页的技术。对于传统的网页，如果想更新其内容，那么必须要刷新整个页面，但有了 Ajax，便可以在页面不被全部刷新的情况下更新其内容。在这个过程中，页面实际上是在后台与服务器进行了数据交互，获取到数据之后，再利用JavaScript 改变网页，这样网页内容就会更新了。
2023-12-21 09:36:29
4061
原创 Python第7天之异常处理：确保Python程序的鲁棒性
exceptp_16自定义异常.py文件# 定义一个用来判断当前手机号是否有非法字符的异常pass# 定义一个手机号位数是否合法的异常# 定义一个函数，用来获取电话号pn = input('请输入一个11位的手机号：')# 抛出自定义异常= 11:raise PhoneNumberLengthError('手机号位数不正确')print('输入的手机号是合法的：',pn)return '输入的手机号是合法的：' + pn处理自定义异常.py文件。
2023-12-20 11:36:24
709
原创 网络爬虫之数据存储方式（json、csv、mysql）
不过所有记录都有完全相同的字段序列，相当于一个结构化表的纯文本形式，它比 Excel 文件更加简洁，XLS 文本是电子表格，它包含了文本、数值、公式和格式等内容，而 CSV 中不包合这些内容，就是特定字符分的纯文本，结构简单清晰。数组在JavaScript 中是方括号包裹起来的内容，数据结构为["Java""JavaScript"，“vb”...] 的索引结构在Javascript 中，数组是一种比较特殊的数据类型，它也可以像对象那样使用键值对，但还是索引用得多。同样，值的类型可以是任意类型。
2023-12-19 20:08:07
2249
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人