weixin_30907523的博客

框架和类库等概念的出现都是源于人们对复用的渴望。“不要重复发明轮子”，成了软件界的一句经典名言。从最初的单个函数源代码的复用，到面向对象中类的复用（通常以类库的形式体现），再到基于组件编程中二进制组件（.NET中是以IL程序集形式存在的）的复用，人们复用软件的抽象层次越来越高。现在，框架复用是抽象层次的又一提升，框架的复用不仅仅是功能的复用，更是设计的复用。1．1框架...

http://dockone.io/article/2967基于 Kubernetes 和 Spring Cloud 的微服务化实践写在前面网易云容器平台期望能给实施了微服务架构的团队提供完整的解决方案和闭环的用户体验，为此从 2016 年开始，我们容器服务团队内部率先开始进行 dogfooding 实践，看看容器云平台能不能支撑得起容器服务本身的微服务架构，这是一次很...

From:https://blog.csdn.net/luanlouis/article/details/40043991Step 1.根据JVM内存配置要求，为JVM申请特定大小的内存空间 ？使用java.exe 启动JVMJVM启动时按照其配置要求，申请一块内存，并根据JVM规范和实现将内存划分为几个区域。所有的类的定义信息都会被加载到方法区。htt...

1、在application.properties文件 配置两个数据源#默认使用 tomcat-jdbcspring.datasource.type=org.apache.tomcat.jdbc.pool.DataSourcespring.datasource.data1.url=jdbc:mysql://127.0.0.1:3306/mysql-bo...

使用外置服务器（如tomcat）时，如果一个服务器启动多个项目，可以使用JNDI配置数据源，这样每个项目都可以获取到Tomcat 配置的 JNDI的数据源。在学习 jsp 的时候，作用域对象pageContext < request < session <application(ServletContext) ; 最多能从当前servlet容器获取到...

注意：HttpServletRequest 请求中的 body 内容仅能调用 request.getInputStream()， request.getReader()和request.getParameter("key") 方法读取一次，重复读取会报 java.io.IOException: Stream closed 异常。原文：https://blog.csdn.net/pen...

因为安装的openpyxl版本是2.3.4，而代码是：sheet.cell(rownumber, 1).value = data['id']参数不对，应该是：sheet.cell(None, rownumber, 1).value = data['id']对于openpyxl2.6.2版本，写法应是：sheet.cell(rownumber, 1).value = data[...

机器学习简介：特征向量目标函数机器学习分类：有监督学习：分类问题（如人脸识别、字符识别、语音识别）、回归问题无监督学习：聚类问题、数据降维强化学习：根据当前状态预测下一个状态，回报最大化，回报具有延迟性，如无人驾驶、下围棋深度学习数学知识：微积分、线性代数、概率论、最优化方法一元函数微积分：一元函数的泰勒展开：多项式近似代替函数一定是在某一点附近做...

典型相关分析研究两组变量（每组变量中都有可能由多个指标）之间相关关系的一种多元统计方法。它能揭示出两组变量之间的内在联系。直接对这些变量的相关进行两两分析，很难得到关于这两组变量（观众和业内人士）之间关系的一个清楚的印象。把多个变量与多个变量之间的相关化为两个具有代表性的变量之间的相关。代表：能较为综合、全面的衡量所在组的内在规律。一组变量最简单的综合形式就是该组变...

安装指定版本：pip install openpyxl==2.3.4更新到最新版本：pip install --upgrade openpyxl转载于:https://www.cnblogs.com/wisir/p/11559807.html

相关系数可用来衡量两个变量之间的相关性大小，根据数据满足的不同条件，选择不同的相关系数进行计算分析。两种常用的相关系数：皮尔逊person和斯皮尔曼spearman。总体和样本：皮尔逊相关系数：（要求数据要都是符合正态分布的数据，而且数据需线性相关）必须先确认两个变量时线性相关的（画样本散点图先观察是否线性），然后此系数才能告诉他们相关程度如何。如果计算的相关...

样本点多余30个时，用拟合而不用插值算法。定义：与插值问题不同，在拟合问题中不需要曲线一定经过给定的点。拟合问题的目标是寻求一个函数（曲线），使得该曲线在某种准则下与所有的数据点最为接近，即曲线拟合的最好（最小化损失函数）。什么时候用插值，什么时候用拟合？当样本点n大于30时，成为大样本数据，此时用拟合。大样本的情况下可以用中心极限定理和大数定律，数据的正态性就...

样本点少于30个时，需要创造样本点，则用插值算法；样本点多于30个时，用拟合函数。定义：数模比赛中，常常需要根据已知的函数点进行数据、模型的处理和分析，而有时候的数据是极少的，不足以支撑分析的进行，这是就需要使用一些数学的方法，“模拟产生”一些新的但又比较靠谱的值来满足需求，这就是插值的作用。插值有一个插值区间，在区间内给一个新的xi，由求出的函数得到对应的yi，目...

打开.exe提示：Failed to execute script...查看命令行错误提示为：总的来说呢，就是有的版本pyqt5库对系统变量的加载存在bug，具体原因只有官方才能解释了，咱也没法管了，对有bug的版本库提供一种办法就是，在主程序中pyqt5库import之前就对系统变量进行手动设置，import代码如下：import sys, osi...

将.py脚本拷贝到一个文件夹中：然后shift+右键，打开Powershell窗口：-F：设置打包为一个.exe文件。（缺点打开速度慢，不加-F则不打包为一个.exe，优点简洁方便）-w：设置不显示命令行窗口。等待一会：打包完成。看文件夹中内容：打开dist，发现多了一个.exe文件，双击运行。...

进入官网https://pytorch.org/选择安装参数：然后拷贝：pip3 install torch==1.2.0+cpu torchvision==0.4.0+cpu -f https://download.pytorch.org/whl/torch_stable.html进行pip安装，安装过程安装了torch和torchvision两个模块安装出错：...

在学习机器学习的时候，首要的任务的就是准备一份通用的数据集，方便与其他的算法进行比较。MNIST数据集是一个手写数字数据集，每一张图片都是0到9中的单个数字，比如下面几个:MNIST数据库的来源是两个数据库的混合,一个来自Census Bureau employees(SD-3),一个来自high-school students(SD-1)...

带有openpyxl库时，直接打包，总会失败：原因：看本地文件...Anaconda3\Lib\site-packages\PyInstaller\hooks\hook-openpyxl.py发现pyinstaller支持openpyxl打包版本是2.3.4，查看自己装的openpyxl版本是2.6.1，那么卸载当前op...

1，首先在码云上新建一个项目，如下图所示2，本地新建一个文件夹3，进入新建的文件夹，点击鼠标右键，选择git bash here然后在窗口输入 git init 这时候文件夹会多出一个.git文件夹，看不到文件夹的，点击鼠标右键选择“显示不显示隐藏的文件”就可以看到这个文件夹了...

python 默认可用"/"代linux系统的路径分隔符是"/"，用“\\”取代windows系统的路径符。import osos.sep 的值即是指路径分隔符。在文件路径中用os.sep ，脚本即可实现跨linux windows参考：https://zhidao.baidu.com/question/1861442083216949067.html转载于:https:/...

定义：TOPSIS法是一种常用的综合评价方法，其能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。层次分析法的局限性：问题和解决方案：所以最终评分公式为：指标正向化，得到正向化矩阵：正向化矩阵标准化，消除量纲：计算得分并归一化：步骤：...

数学建模分为三大块：建模、编程、论文写作数学建模有十大模型：①评估类模型层次分析法TOPSIS法（优劣解距离法）②插值与拟合模型多项式插值、分段插值Hermite插值、样条插值（一维）、n维数据的插值（了解）cftool工具箱③相关性模型相关系数：皮尔逊person和斯皮尔曼spearman(附带讲解：数据描述性统计)典型相关分析④回归模型...

模型用途：用于评价类问题，如选择哪种方案最好、哪位运动员或者员工表现得更优秀定义：问题：选学校问题：旅游目的地选择问题：示例：权重定义：如下表，权重分为指标权重和某个指标下的目标方案的权重，即学习氛围的指标在所有指标中的权重为0.4，目标方案华科在学习氛围指标下的权重为0.7。层次分析法的目标就是求出指标权重和目标方案权重的表格，从而进行方...

django-rest-framwork 错误信息整理 以下内容属于 djangorestframwork 自身代码错误导致，并非你的代码编写错误【RSF本身没错】错的是你自己没安装完整的支持库推荐使用官方教材，安装对应的支持库，比如coreapi/markdo...

drf 访问文档出现错误'AutoSchema' object has no attribute 'get_link' 问题状况 1 'AutoSchema' object has no attribute 'get_link'解决 1 REST_FRAME...

django-rest-framework 视图的使用规则 总结分享 1 # TODO 总结视图关系使用选择 2 """ 3 1、总结视图使用： 4 a、增删改查 ModelviewSet 5 b、增删 ...

转：https://www.cnblogs.com/zhaof/p/5818905.html1、面向对象介绍：世界万物，皆可分类世界万物，皆为对象只要是对象，就肯定属于某种类只要是对象，就肯定有属性2、 面向对象的几个特性：class类：一个类即对一类拥有相同属性的对象的抽象，蓝图、原型。在这个类中定义了这些对象都具备的属性，共同的方法。ob...

转：https://www.cnblogs.com/ellisonzhang/p/11124516.html#4295547一、CrawlSpiders类简介通过下面的命令可以快速创建 CrawlSpider模板 的代码：scrapy genspider -t crawl tencent tencent.com上一个案例中，我们通过正则表达式，制作了新的ur...

在HTML中，<a>标签的href属性用于指定超链接的目标的URL。在所有浏览器中，链接的默认外观是：未被访问的链接带有下划线而且是蓝色的已被访问的链接带有下划线而且是紫色的活动链接带有下划线而且是红色的（注：活动链接是“正在被打开的链接”）示例如下所示：<p>...

一 互联网的本质咱们先不说互联网是如何通信的(发送数据，文件等)，先用一个经典的例子，给大家说明什么是互联网通信。现在追溯到八九十年代，当时电话刚刚兴起，还没有手机的概念，只是有线电话，那么此时你要是给在外地的人打电话，你应该怎么做？首先你要确保你们两个的座机要有一堆连接介质连接（电话线，转换器等等）咱们统称物理连接介质。其次，你要拨号，锁定对方的电话。最后就...

一. JS介绍 1. 定义一个变量的形式: var a; 2. Js是前台语言,用于页面的交互, 不能操作数据库 PHP,ASP,JSP 可以操作数据库, 能够进行增删改查. Node.js除外 3. Js的组成有...

python3.6之后字典就是有序的了 。。。。之前的是无序的字典：帮助用户去表示一个事物的信息（事物是有多个属性）info={'name':'yang','age':18,'gender':'男'} #创建字典 key value形式print('名字:',info['name']) #调用print('年龄:',info['age'])名字: ...

集合是无序的，且唯一无重复的#空集合v=set()#添加v={1,2}v.add('sky')v.add('sky')print(v)#删除v={1,2,'sky'}v.discard('sky')print(v)#update 批量添加v={1,2,'sky'}v.update({11,22,33})print(v)...

MySQL相关产品介绍：Oracle MySQL Cloud Service（commercial）　　商业付费软件，基于Mysql企业版和Oracle云服务提供企业级MySQL数据库服务MySQL Enterprise Edition（commercial）　　商业付费软件，除了提供MySQL数据库之外，还包括了程序连接接口（connector）,表分区（part...

MySQL权限级别　　全局性的管理权限，作用整个MySQL实例级别　　数据库级别的权限，作用于某个指定的数据库上或所有数据库上　　数据库对象级别权限，作用于指定的数据库对象上（表，视图等）或所有的数据库对象上　　权限存储在mysql库的user,db,tables_priv,columns_priv,and procs_priv这几个系统表...

#字符串全部大写upper()value="abcdef"new_value=value.upper()print(new_value)ABCDEF#字符串全部小写lower()value="ABCEDF"new_value=value.lower()print(new_value)abcedf#验证码示例check_code='a...

数据data　　对事件进行记录并可以鉴别的符号，在计算机系统中存储为可以识别的信息。数据库 database　　存放具体数据的最大的逻辑对象，通常按照需求将同一项目所属的数据统一存放在一个数据库中，也可以创建多个数据库数据库管理系统dbms(database management system)　　是一种操纵和管理数据库的大型软件，用于建立，使用和维护数据库，简称DB...

20190919ReviewCCD：高端天文学，敏感度高，速度慢，成本高；CMOS：普遍使用，嵌入手机，速度快，有模式噪声（Pattern Noise，现在可以解决）；空间分辨率和时间分辨率；图像插值；数字剪影：造影剂+图像减法；图像光照修正：图像除法；图像几何变换：刚体、仿射、射影、分布式；线性算子；锥状细胞：光线充足；杆状细胞：...

Chap 1: Linear Equations and MatrixLinear equationsGaussian eliminationPivot;Triangularize;Back substitution;Coefficient matrix, augmented matrix, row vector & column vector;...

class A:# 实例方法: def f1(self): return 1# 类方法: @classmethod def f2(cls): return 2# 静态方法 @staticmethod def f3(): return 3 a = A() a.f1() # => 1A...

　　在任何语言中，都会规定某些对象(属性、方法、函数、类等)只能够在某个范围内访问，出了这个范围就不能访问了。这是“公”、“私”之分。此外，还会专门为某些特殊的东西指定一些特殊表示，比如类的名字就不能用class，def等，这就是保留字。除了保留字，python中还为类的名字做了某些特殊准备，就是“专有”的范畴。私有函数　　在某些时候，会看到有一种方法命名比较特别，是以“__”双...

多项式回归若希望回归模型更好的拟合训练样本数据，可以使用多项式回归器。一元多项式回归y=w0 + w1 x + w2 x2 + w3 x3 + ... + wd xd将高次项看做对一次项特征的扩展得到：y=w0 + w1 x1 + w2 x2 + w3 x3 + ... + wd xd那么一元多项式回归即可以看做为多元线性回归，可以使用LinearRegressi...

1、__ init__():所有类的超类object，有一个默认包含pass的__ init __()实现，这个函数会在对象初始化的时候调用，我们可以选择实现，也可以选择不实现，一般建议是实现的，不实现对象属性就不会被初始化，虽然我们仍然可以对其进行赋值，但是它已经成了隐式的了，编程时显示远比隐式的更好，看下面的小栗子：class test_1: def method(...

索引目录1.机器学习2.机器学习3.线性回归转载于:https://www.cnblogs.com/maplethefox/p/11526333.html

线性回归输入 输出0.5 5.00.6 5.50.8 6.01.1 6.81.4 7.0...y = f(x)预测函数：y = w0+w1xx: 输入y: 输出w0和w1: 模型参数所谓模型训练，就是根据已知的x和y，找到最佳的模型参数w0 和 w1，尽可能精确地描述出...

Jupyter Notebook（此前被称为 IPython notebook）是一个交互式笔记本，支持运行 40 多种编程语言。使用浏览器作为界面，向后台的IPython服务器发送请求，并显示结果。 Jupyter Notebook 的本质是一个 Web 应用程序，便于创建和共享文学化程序文档，支持实时代码，数学方程，可视化和 markdown。 IPython 是一个 pytho...

机器学习概述什么是机器学习机器学习是一门能够让编程计算机从数据中学习的计算机科学。 一个计算机程序在完成任务T之后，获得经验E，其表现效果为P，如果任务T的性能表现，也就是用以衡量的P，随着E增加而增加，那么这样计算机程序就被称为机器学习系统。 自我完善，自我增进，自我适应。为什么需要机器学习自动化的升级和维护解决那些算法过于复杂甚至跟本就没有已知...

pandas描述性统计数值型数据的描述性统计主要包括了计算数值型数据的完整情况、最小值、均值、中位 数、最大值、四分位数、极差、标准差、方差、协方差等。在NumPy库中一些常用的统计学函数也可用于对数据框进行描述性统计。np.min 最小值 np.max 最大值 np.mean 均值 np.ptp 极差 np.median 中位数...

pandas基础pandas介绍Python Data Analysis Librarypandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入 了大量库和一些标准的数据模型，提供了高效地操作大型结构化数据集所需的工具。pandas核心数据结构数据结构是计算机存储、组织数据的方式。 通常情况下，精心选择的数据结构可以带来更高的...

随机数模块(random)生成服从特定统计规律的随机数序列。二项分布（binomial）二项分布就是重复n次独立事件的伯努利试验。在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，事件发生与否的概率在每一次独立试验中都保持不变。# 产生size个随机数，每个随机数来自n次尝试中的成功次数，其中每次尝试成功的概率为p。np.random.b...

排序联合间接排序联合间接排序支持为待排序列排序，若待排序列值相同，则利用参考序列作为参考继续排序。最终返回排序过后的有序索引序列。indices = numpy.lexsort((参考序列, 待排序列))案例：先按价格排序，再按销售量倒序排列。#排序import numpy as npnames=np.array(['Apple','Mi','Op...

什么是傅里叶变换？法国科学家傅里叶提出，任何一条周期曲线，无论多么跳跃或不规则，都能表示成一组光滑正弦曲线叠加之和。傅里叶变换的目的是可将时域（即时间域）上的信号转变为频域（即频率域）上的信号，随着域的不同，对同一个事物的了解角度也就随之改变，因此在时域中某些不好处理的地方，在频域就可以较为简单的处理。这就可以大量减少处理信号存储量。例如：弹钢琴假设有一时间域函数：y =...

有一个矩阵M，可以分解为3个矩阵U、S、V，使得U x S x V等于M。U与V都是正交矩阵（乘以自身的转置矩阵结果为单位矩阵）。那么S矩阵主对角线上的元素称为矩阵M的奇异值，其它元素均为0。"""奇异值分解"""import numpy as npM = np.mat('4 11 14; 8 7 -2')print(M)"""[[ 4 11 14...

对于n阶方阵A，如果存在数a和非零n维列向量x，使得Ax=ax，则称a是矩阵A的一个特征值，x是矩阵A属于特征值a的特征向量#已知n阶方阵A， 求特征值与特征数组# eigvals: 特征值数组# eigvecs: 特征向量数组 eigvals, eigvecs = np.linalg.eig(A)#已知特征值与特征向量，求方阵S = np.mat(eigve...

矩阵矩阵是numpy.matrix类类型的对象，该类继承自numpy.ndarray，任何针对多维数组的操作，对矩阵同样有效，但是作为子类矩阵又结合其自身的特点，做了必要的扩充，比如：乘法计算、求逆等。矩阵对象的创建# 如果copy的值为True(缺省)，所得到的矩阵对象与参数中的源容器各自拥有独立的数据拷贝。numpy.matrix( ary, ...

符号数组sign函数可以把样本数组的变成对应的符号数组，正数变为1，负数变为-1，0则变为0。ary = np.sign(源数组)净额成交量（OBV）成交量可以反映市场对某支股票的人气，而成交量是一只股票上涨的能量。一支股票的上涨往往需要较大的成交量。而下跌时则不然。若相比上一天的收盘价上涨，则为正成交量；若相比上一天的收盘价下跌，则为负成交量。 绘制OB...

矢量化矢量化指的是用数组代替标量来操作数组里的每个元素。numpy提供了vectorize函数，可以把处理标量的函数矢量化，返回的函数可以直接处理ndarray数组。#函数矢量化import math as mimport numpy as npdef foo(x, y): return m.sqrt(x ** 2 + y ** 2)x, y...

数组的裁剪# 将调用数组中小于和大于下限和上限的元素替换为下限和上限，返回裁剪后的数组，调# 用数组保持不变。ndarray.clip(min=下限, max=上限)数组的压缩# 返回由调用数组中满足条件的元素组成的新数组。ndarray.compress(条件)数组的累乘# 返回调用数组中所有元素的乘积——累乘。ndarray.p...

什么是线性关系？1　　2　　3　　4　　560　65　70　75　 ？线性预测假设一组数据符合一种线型规律，那么就可以预测未来将会出现的数据。a b c d e f ?ax + by + cz = dbx + cy + dz = ecx + dy + ez = f根据线性模型的特点可以通过一...

激励函数：g(t)单位激励下的响应函数：f(t)绘制时间（t）与痛感（h）的函数关系图。a = [1 2 3 4 5] 原数组b = [8 7 6] 卷积核数组使用b作为卷积核数组对a数组执行卷积运算的过程如下： 44 65 86 有效卷积结果(valid):比原数组短 ...

数据平滑数据的平滑处理通常包含有降噪、拟合等操作。降噪的功能意在去除额外的影响因素，拟合的目的意在数学模型化，可以通过更多的数学方法识别曲线特征。案例：绘制两只股票收益率曲线。收益率 =（后一天收盘价-前一天收盘价） / 前一天收盘价　　使用卷积完成数据降噪。# 数据平滑import numpy as npimport matplotlib.pyplot...

案例：统计每个周一、周二、...、周五的收盘价的平均值，并放入一个数组。# 统计周一至周五的收盘价的均值import datetime as dtimport numpy as np# 转换器函数：将日-月-年格式的日期字符串转换为星期def dmy2wday(dmy): # 把日月年转周N dmy = str(dmy, encoding='u...

多项式拟合多项式的一般形式：y=p_{0}x^n + p_{1}x^{n-1} + p_{2}x^{n-2} + p_{3}x^{n-3} +...+p_{n}多项式拟合的目的是为了找到一组p0-pn，使得拟合方程尽可能的与实际样本数据相符合。假设拟合得到的多项式如下：f(x)=p_{0}x^n + p_{1}x^{n-1} + p_{2}x^{n-2} + p_...

通过两组统计数据计算而得的协方差可以评估这两组统计数据的相似程度。样本：A = [a1, a2, ..., an]B = [b1, b2, ..., bn]平均值：ave_a = (a1 + a2 +...+ an)/nave_b = (b1 + b2 +...+ bn)/m离差（用样本中的每一个元素减去平均数，求得数据的误差程度）：d...

将多个样本按照大小排序，取中间位置的元素。若样本数量为奇数，中位数为最中间的元素1 2000 3000 4000 10000000若样本数量为偶数，中位数为最中间的两个元素的平均值1 2000 3000 4000 5000 10000000案例：分析中位数的算法，测试numpy提供的中位数API：import numpy as npclosing_p...

算数平均值S = [s1, s2, ..., sn]样本中的每个值都是真值与误差的和。算数平均值：m = (s1 + s2 + ... + sn) / n算数平均值表示对真值的无偏估计。np.mean(array)array.mean()案例：计算收盘价的算术平均值。#算数平均值import numpy as npimport matplotlib...

线性拟合线性拟合可以寻求与一组散点走向趋势规律相适应的线型表达式方程。有一组散点描述时间序列下的股价：[x1, y1], [x2, y2], [x3, y3], ...[xn, yn]根据线型 y=kx + b 方程可得：kx1 + b = y1kx2 + b = y2kx3 + b = y3...kxn + b = yn样...

布林带布林带由三条线组成：中轨：移动平均线上轨：中轨+2x5日收盘价标准差 （顶部的压力）下轨：中轨-2x5日收盘价标准差 （底部的支撑力）布林带收窄代表稳定的趋势，布林带张开代表有较大的波动空间的趋势。绘制5日均线的布林带weights = np.exp(np.linspace(-1, 0, 5))weights /= weights.sum...

加载文件numpy提供了函数用于加载逻辑上可被解释为二维数组的文本文件，格式如下：数据项1 <分隔符> 数据项2 <分隔符> ... <分隔符> 数据项n例如：AA,AA,AA,AA,AABB,BB,BB,BB,BB...或：AA:AA:AA:AA:AABB:BB:BB:BB:BB...调用numpy...

收盘价5日均线：从第五天开始，每天计算最近五天的收盘价的平均值所构成的一条线。移动均线算法：(a+b+c+d+e)/5(b+c+d+e+f)/5(c+d+e+f+g)/5...(f+g+h+i+j)/5在K线图中绘制5日.10日均线图# 移动平均线import numpy as npimport matplotlib.pyplot as...

样本：S = [s1, s2, ..., sn]平均值：m = (s1+s2+...+sn)/n离差：D = [d1, d2, ..., dn], di = si-m离差方：Q = [q1, q2, ..., qn], qi = di**2总体方差：v = (q1+q2+...+qn)/n总体标准差：s = sqrt(v)，方均根样本方差：v' = (q1+q2+...

matplotlib概述　　matplotlib是python的一个绘图库。使用它可以很方便的绘制出版质量级别的图形。matplotlib基本功能　　(一)基本绘图 （在二维平面坐标系中绘制连续的线）　　1.设置线型、线宽和颜色import numpy as npimport matplotlib.pyplot as mp# xarray: <序...

最值np.max() np.min() np.ptp()： 返回一个数组中最大值/最小值/极差import numpy as np# 产生9个介于[10, 100)区间的随机数a = np.random.randint(10, 100, 9)print(a)print(np.max(a), np.min(a), np.ptp(a))# [92 12 30...

一、简述面向对象中__new__和__init__区别__init__是初始化方法，创建对象后，就立刻被默认调用了，可接收参数.1、__new__至少要有一个参数cls，代表当前类，此参数在实例化时由Python解释器自动识别2、__new__必须要有返回值，返回实例化出来的实例，这点在自己实现__new__时要特别注意，可以return父类（通过super(当前类名, cl...

raid0 raid1 raid5的区别# 1、什么是raid？由一系列硬盘组成的阵列,简单说:一个服务器有10个一硬盘,你如何能保证坏掉1个硬盘后数据不丢,业务不断# raid分类:raid0 、raid1、raid5raid0 1、特点:数据分散存储在多个硬盘 2、优点:读写并发,速度超快,提升数倍 3、缺点:一旦一个硬盘挂掉,则损坏全部数据...

绘制K线图案例：使用matplotlib绘制K线图绘制dates与收盘价的折线图：import numpy as npimport datetime as dtimport matplotlib.pyplot as mpimport matplotlib.dates as md# 绘制k线图，x为日期mp.figure('APPL K', face...

一什么是数据分析？数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。二使用python做数据分析的常用库numpy 基础数值算法scipy 科学计算matplotlib 数据可视化pandas 序列高级函数三numpy概述Numerical...

索引目录1.基础/数组2.绘图3.加载文件4.绘制K线图5.算数平均值/加权平均值6.最值7.中位数8.标准差9.时间数据处理/数组的轴向汇总10.移动均线11.卷积12.布林带13.线性模型14.线性拟合15.协方差/相关矩阵/相关系数16.多项式拟合17.数据平滑18.符号数组19.矢量化20.矩阵2...

定义　　异步处理框架,可配置可扩展程度非常高,python中使用最广泛的爬虫框架安装# Ubuntu安装1、安装依赖包 1、sudo apt-get install libffi-dev 2、sudo apt-get install libssl-dev 3、sudo apt-get install libxml2-dev 4、...

常用操作如下：1. git clone 克隆远程代码到本地；2. git status 查看本地仓库状态，是否有修改未添加或者未提交；3. git add . 添加到暂存区；4. git commit 把暂存区内容提交到当前分支；5. git diff 版本比较，默认为工作区和当前分支版本，可以输入提交版本号两两比较；6. git log 查看提交日志，版本号...

字符串处理 - ${变量名 替换符号 匹配条件}从左向右删除# 1、语法${变量名##匹配条件}# 2、示例directory="/home/tarena/mysql" # 注意{}中不需要加空格echo ${directory##*/} --> mysqlecho ${directory#*/} --> home/ta...

chromedriver设置无界面模式from selenium import webdriveroptions = webdriver.ChromeOptions()# 添加无界面参数options.add_argument('--headless')browser = webdriver.Chrome(options=options)browser.g...

解释器1、sh2、bash# /etc/passwd中查看默认bash# sh解释器没有高亮显示,不能tab自动补全shell格式和执行方式1、扩展名: .sh结尾 第一行: #!/bin/bash2、执行shell脚本的方法 1、bash xxx.sh 2、加x权限,执行./xxx.sh chmod +x xxx.s...

json.loads(json)作用:把json格式的字符串转为Python数据类型示例:html_json = json.loads(res.text)json.dumps(python)作用:把 python 类型 转为 json 类型示例:import json# json.dumps()之前item = {'name':'QQ','app_...

常用远程连接工具-xshell# 终端仿真程序，其实就是Windows下登录UNIX或Linux服务器主机的软件，支持ssh、telnet　# Ubuntu18.04安装ssh服务　sudo apt-get install openssh-server# 1、定义xshell: 安装终端模拟软件# 2、使用文件-新建-输入服务器IP地址-输入用户名-输入密码-...

应用场景　　1、多进程 ：CPU密集程序　　2、多线程 ：爬虫(网络I/O)、本地磁盘I/O队列# 导入模块from queue import Queue# 使用q = Queue()q.put(url)q.get() # 当队列为空时，阻塞q.empty() # 判断队列是否为空，True/False线程模块# 导入模块fro...

控制台抓包打开方式几常用选项1、打开浏览器，F12打开控制台，找到Network选项卡2、控制台常用选项 1、Network: 抓取网络数据包 1、ALL: 抓取所有的网络数据包 2、XHR：抓取异步加载的网络数据包 3、JS : 抓取所有的JS文件 2、Sources: 格式化输出并打断点调试Java...

一.Python base(一)什么是面向对象面向对象三大基本特征:封装/继承/多态1.封装:分而治之:将一个大的需求分解为许多类,每个类处理一个独立的功能封装变化:变化的地方独立封装,避免影响其他类高内聚:每个类完成一个变化点低耦合:类与类的关联性和依赖度要低,一个类的变化尽可能少影响其他类2.继承:一个代...

特点　　网页中嵌套了网页，先切换到iframe子框架，然后再执行其他操作方法　　browser.switch_to.iframe(iframe_element)示例 - 登录qq邮箱from selenium import webdriverimport timedriver = webdriver.Chrome()driver.get('ht...

selenium+phantomjs/Chrome/Firefox一selenium1.定义1、Web自动化测试工具，可运行在浏览器,根据指令操作浏览器2、只是工具，必须与第三方浏览器结合使用2.安装Linux: sudo pip3 install seleniumWindows: python -m pip install selenium...

1. 校验数字的表达式1 数字：^[0-9]*$2 n位的数字：^\d{n}$3 至少n位的数字：^\d{n,}$4 m-n位的数字：^\d{m,n}$5 零和非零开头的数字：^(0|[1-9][0-9]*)$6 非零开头的最多带两位小数的数字：^([1-9][0-9]*)+(.[0-9]{1,2})?$7 带1-2位小数的正数或负...

特点:1、右键 -> 查看网页源码中没有具体数据2、滚动鼠标滑轮或其他动作时加载抓取:1、F12打开控制台，页面动作抓取网络数据包2、抓取json文件URL地址# 控制台中 XHR ：异步加载的数据包# XHR -> QueryStringParameters(查询参数)豆瓣电影数据抓取案例1.目标1、地址: 豆瓣电...

查询参数-params1.参数类型　　字典,字典中键值对作为查询参数2.使用方法1、res = requests.get(url,params=params,headers=headers)2、特点: * url为基准的url地址，不包含查询参数 * 该方法会自动对params字典编码,然后和url拼接3.示例import req...

xpath解析一.定义:　　XPath即为XML路径语言，它是一种用来确定XML文档中某部分位置的语言，同样适用于HTML文档的检索二.示例HTML代码<ul class="CarList"> <li class="bjd" id="car_001" href="http://www.bjd.com/"> <p class=...

re模块使用regex=compile(pattern,flags=0)功能：生产正则表达式对象参数：pattern 正则表达式　　　flags 功能标志位 扩展正则表达式的匹配返回值：正则表达式对象import res = 'Alxe:1994,Sunny:1993'pattern = r'(\w+):(\d+)'#使用compiel对象...

一、基本简介：1.定义：即文本的高级匹配模式，提供搜索，替换等功能。其本质是由一系列字符和特殊符号构成的字串，这个字串即正则表达式。2.原理：通过普通字符和有特定含义的字符，来组成字符串，用以描述一定的字符串规则，比如：重复，位置等，来表达某类特定的字符串，进而匹配。3.目标熟练掌握正则表达式元字符能够读懂常用正则表达式，编辑简单的正则规则能够熟练使用r...

链家二手房案例(xpath)实现步骤　　1.确定是否为静态　　　　打开二手房页面 -> 查看网页源码 -> 搜索关键字　　2.xpath表达式1、基准xpath表达式(匹配每个房源信息节点列表) //ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]...

Chrome浏览器安装插件1.安装方法1、把下载的相关插件（对应操作系统浏览器）后缀改为 .zip2、解压,打开Chrome浏览器 -> 右上角设置 -> 更多工具 -> 扩展程序 -> 点开开发者模式3、把相关插件文件夹 拖拽 到浏览器中，释放鼠标即可安装　 有的插件直接拖拽 .zip文件释放即可2.需要安装插件1、Xpath...

一安装1.linux　　sudo pip3 install requests2.windows# 方法一 进入cmd命令行 ：python -m pip install requests# 方法二 右键管理员进入cmd命令行 ：pip install requests二常用方法(一)requests.get()1.作用# 向...

一数据持久化存储-csv文件1.作用　　将爬取的数据存放到本地的csv文件中2.使用流程1、导入模块2、打开csv文件3、初始化写入对象4、写入数据(参数为列表)import csv with open('film.csv','w') as f: writer = csv.writer(f) writer.writerow(...