PC主流同步软件评测

因为一个要把超过13G的众多零散文件同步到webdav网盘的需求,将市面上一些知名的同步软件试用测试了一番,最终发现只有Syncovery满足需求

先把参与测试的同步软件列一下:

GoodSync、FreeFileSync、微软SyncToy、KLS Backup、SecondCopy、SmartSync Pro、Air Explorer、Air Cluster、Syncovery

国产软件我一般是不用的,理由嘛,懂的都懂

先说知名度最高的GoodSync,这款软件确实很强,多线程复制,网络上传速度非常快,几乎每时每刻都是满速。但这款软件可能是为了照顾大部分用户,可控制选项太少,一些高级操作根本无法控制。

现在有个很低级的问题:大部分webdav网盘,复制上去的文件,修改时间是上传当时的时间,而不是文件原来自己的修改时间。这就导致一个问题:下次再同步时,很多同步软件依然认为那些文件变化了,需要覆盖,再次重新上传。这个问题其实很常见,但很多软件也存在这个问题,GoodSync也不例外。但奇葩的是,这么高知名度的软件,居然没有选项去控制。

FreeFileSync: 知名度最高的开源同步软件,但是无论是UI还是使用,都非常别扭。说是开源,你要是不捐赠的话,其实有很多限制,比如无法多线程操作。最为致命的是,功能较弱,网络同步只支持FTP和SFTP,而不是像GoodSync和Air Explorer这种,支持众多网盘和协议。

微软SyncToy,功能太弱,无网络同步,无定时任务,无实时同步。

KLS Backup,这款软件,说实在的,当年确实给我留下了深刻的印象,功能强大,日志详细。但是今非昔比,虽然支持众多网盘,但是没有多线程,速度非常慢。文件复制的控制选项很多,但是似乎有bug,设置了一番,依然是傻傻的全部复制上去。

SecondCopy,当年还是不错的,但是很显然,现在已经跟不上时代了,无论是UI还是操作逻辑,更别说无法支持网盘同步和多线程操作了。

SmartSync Pro,有限度的支持一些网盘和协议,不过没有多线程,速度很慢,只能说中等偏上吧。

支持实时同步,支持计划任务,UI设计简洁易用。

Air Explorer,支持众多网盘和协议,但存在致命问题:可以并行上传,但同步时每个文件都建立一次连接,虽然可以并行操作,但是速度非常慢,而且很容易引发错误,导致有的文件无法同步。致命问题2:无法同步隐藏文件。

无实时同步。

Air Cluster,我深刻怀疑这家和Air Explorer是一家,两者的同步,无论是操作逻辑和UI,都几乎完全一模一样,表现和问题也是一致。

最后轮到Syncovery,支持众多协议,支持众多选项控制,较旧的文件可以不覆盖较新的文件,多线程操作,速度快。

缺陷:全英文界面,选项众多,过于高级,不亲近初级用户。

缺陷2:某些特殊字符的文件名会提示失败,所幸这部分文件很少,可以规避。

总结下来,没有完美的同步软件,只有最适合自己的,Syncovery相对来说比较完善。

让我们列个表格,清晰的总结一下:

GoodSync

FreeFileSync

SyncToy

KLS Backup

SecondCopy

SmartSync Pro

Air Explorer

Air Cluster

Syncovery

本地文件同步

FTP同步

×

×

SFTP同步

×

×

webdav同步

×

×

×

其它网盘同步

支持常见网盘

仅支持GDrive

×

支持常见网盘

×

支持部分网盘

支持常见网盘

支持常见网盘

支持常见网盘

多线程

仅捐赠版支持

×

×

×

×

√,存在缺陷

√,存在缺陷

计划任务

×

实时同步

×

仅部分版本支持

×

×

优点

功能强大,易用,速度快

开源免费

简单易用

功能强大,选项众多

简洁易用

UI简洁易用,功能较完善

UI简洁易用,功能较完善

UI简洁易用,功能较完善

功能强大,速度快

缺陷

缺乏精细控制

UI糟糕,网络同步不完善

功能太少

占用资源高,缺乏多线程,速度慢

落后时代,不支持网络同步

仅支持部分网盘,缺乏多线程,速度慢

并行上传速度慢,存在bug

并行上传速度慢,存在bug

太过专业,全英文,存在小bug

 

  • 7
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
### 回答1: 用 sklearn 库中的 KMeans 算法进行聚类分析后,可以使用 Matplotlib 库进行可视化。可以使用 scatter 方法绘制数据点,并使用不同颜色表示不同类别。代码示例如下: ``` from sklearn.cluster import KMeans from matplotlib import pyplot as plt # 进行 KMeans 聚类 kmeans = KMeans(n_clusters=3) kmeans.fit(X) # 绘制聚类结果 plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_) plt.show() ``` 其中 X 是待聚类数据,n_clusters 是聚类数量。 ### 回答2: k-means是一种常见的聚类算法,在机器学习中应用广泛。sklearn库中提供了k-means算法的实现,同时也支持对聚类结果进行可视化展示,方便用户观察聚类结果并进一步分析。 在sklearn中,通过导入sklearn.cluster中的KMeans类来使用k-means算法。在使用KMeans类前,需要指定算法参数,如簇类数量、初始质心位置等。具体参数配置可参照官方文档进行设置。 针对聚类结果的可视化展示,sklearn提供了多种方法。以下介绍两种常见的可视化方法: 1. 绘制散点图 将聚类结果用散点图进行可视化是一种常见方法。在绘制散点图时,通常根据聚类簇别,对不同数据点进行颜色编码,以便用户能够更清晰地区分不同类别的数据点。代码示例: ``` import matplotlib.pyplot as plt # 聚类簇别结果保存在labels中 # 聚类中心位置保存在cluster_centers_中 # X为原始数据 for i in range(n_clusters): plt.scatter(X[labels == i, 0], X[labels == i, 1], s=30, label='Cluster %d' % (i+1)) plt.scatter(cluster_centers_[:, 0], cluster_centers_[:, 1], marker='*', s=200, label='Centroids') plt.legend() plt.show() ``` 2. 绘制决策边界 决策边界用于划分不同聚类簇别的区域,相邻区域的簇别不同。通过绘制决策边界,可以更清晰地展示不同聚类簇别的分布情况。代码示例: ``` from sklearn.metrics import pairwise_distances_argmin # 聚类簇别结果保存在labels中 # X为原始数据 def plot_kmeans(kmeans, X, n_clusters=3, rseed=0, ax=None): labels = kmeans.fit_predict(X) # 绘制决策边界 ax = ax or plt.gca() ax.axis('equal') ax.scatter(X[:, 0], X[:, 1], c=labels, s=40, cmap='viridis', zorder=2) # 绘制聚类中心 centers = kmeans.cluster_centers_ radii = [cdist(X[labels == i], [center]).max() for i, center in enumerate(centers)] for c, r in zip(centers, radii): ax.add_patch(plt.Circle(c, r, fc='#CCCCCC', lw=3, alpha=0.5, zorder=1)) kmeans = KMeans(n_clusters=3, random_state=0) plot_kmeans(kmeans, X) plt.show() ``` 无论是绘制散点图还是绘制决策边界,k-means聚类的可视化展示都能够为用户提供全局性的聚类结果,方便用户进一步分析和探索数据。 ### 回答3: 机器学习中的K均值聚类算法是一种无监督学习方法,可用于将数据点分成不同的类别。在scikit-learn(sklearn)包中,我们可以使用KMeans类来实现K均值聚类算法,同时通过可视化的方式更直观地了解到该算法的结果。 首先,我们需要生成一些数据。在这里,可以通过使用make_blobs函数生成随机的数据点,并将其分成不同的类别。然后,我们可以使用KMeans类对这些数据点进行聚类分析。在KMeans类中,我们可以设置聚类的数量(也称为k值)和迭代次数(max_iter)。例如,我们可以设置k值为3,迭代次数为100,并使用fit_predict函数进行聚类,将每个数据点分配到其所属的簇中。 接下来,我们可以使用matplotlib库来可视化聚类结果。对于二维数据,我们可以使用散点图来显示每个数据点所属的簇。我们还可以使用不同的颜色来区分不同的簇,使得结果更加直观。在二维数据的情况下,可以使用plt.scatter函数来绘制散点图,使用不同的颜色为不同的簇分配不同的值。我们还可以使用KMeans类的cluster_centers_属性来显示每个簇的中心点,用不同的标记区分每个簇的中心点。 总之,通过使用sklearn kmeans聚类可视化,我们可以更好地了解K均值聚类算法的工作原理,并更好地理解每个数据点所属的不同簇。此外,该过程也可以帮助我们选择最佳的k值和max_iter值,以便获得更好的聚类结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
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