perf top mysql_myperf 功能介绍之 “top”

自上次 对 myperf 作了一个基本的介绍 之后,反响不错,就准备再针对 myperf 的 3 个模式分别说明一下。 之前已经说明,myperf 有三个mode(功能模式),分别为: top, snap, report。第一个mode比较独立,后2个mode相辅相成。今天这里就先介绍一下 myperf

自上次 对 myperf 作了一个基本的介绍 之后,反响不错,就准备再针对 myperf 的 3 个模式分别说明一下。

之前已经说明,myperf 有三个mode(功能模式),分别为: top, snap, report。第一个mode比较独立,后2个mode相辅相成。今天这里就先介绍一下 myperf 的第一个mode:“top” 。

简单来说,“top” mode其实就是一个类似于我们 Linux/Unix 下最常使用的基本的性能查看程序 top 一样,实时刷新展示数据库当前的一些比较重要的性能指标。

myperf 默认就是 “top” mode,我们可以通过执行 “myperf -h” 来看看程序的帮助内容:

c71e1cbdf69a0b5cef449ef119c0b61b.png

myperf 几乎每一项参数都可以记录在配置文件中,唯一的例外就是当使用配置文件的时候,我们还需要一个参数告知配置文件的位置。

“top” mode 执行过程必须要能够连接到数据库,才能获取到数据库中的一些实时性能数据。可以通过命令行参数或者是配置文件的方式指定数据库连接参数:

命令行参数方式:

myperf -u username -p password -H host -i interval -m mode

如果连接端口不是3306,还需要通过 -P 参数指定数据库监听端口

注:默认情况下是不会显示当前正在执行的SQL内容的,可以通过 -s 参数开启该功能。如果是MySQL5.5 还可以通过 -e 参数选项开启event的一些信息

配置文件方式:

myperf -c configfile

如果选择使用配置文件的方式,则可以通过 -c 参数指定配置文件位置,并将其他参数都记录在配置文件中的方式来执行。

注:配置文件中的参数项名称都使用长名称

BTW:经历了2个星期才完成这么一个简单的说明,是自己真没有时间还是只是自己最近的惰性问题?

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
纠正代码:trainsets = pd.read_csv('/Users/zhangxinyu/Desktop/trainsets82.csv') testsets = pd.read_csv('/Users/zhangxinyu/Desktop/testsets82.csv') y_train_forced_turnover_nolimited = trainsets['m3_forced_turnover_nolimited'] X_train = trainsets.drop(['m3_P_perf_ind_all_1','m3_P_perf_ind_all_2','m3_P_perf_ind_all_3','m3_P_perf_ind_allind_1',\ 'm3_P_perf_ind_allind_2','m3_P_perf_ind_allind_3','m3_P_perf_ind_year_1','m3_P_perf_ind_year_2',\ 'm3_P_perf_ind_year_3','m3_forced_turnover_nolimited','m3_forced_turnover_3mon',\ 'm3_forced_turnover_6mon','m3_forced_turnover_1year','m3_forced_turnover_3year',\ 'm3_forced_turnover_5year','m3_forced_turnover_10year',\ 'CEOid','CEO_turnover_N','year','Firmid','appo_year'],axis=1) y_test_forced_turnover_nolimited = testsets['m3_forced_turnover_nolimited'] X_test = testsets.drop(['m3_P_perf_ind_all_1','m3_P_perf_ind_all_2','m3_P_perf_ind_all_3','m3_P_perf_ind_allind_1',\ 'm3_P_perf_ind_allind_2','m3_P_perf_ind_allind_3','m3_P_perf_ind_year_1','m3_P_perf_ind_year_2',\ 'm3_P_perf_ind_year_3','m3_forced_turnover_nolimited','m3_forced_turnover_3mon',\ 'm3_forced_turnover_6mon','m3_forced_turnover_1year','m3_forced_turnover_3year',\ 'm3_forced_turnover_5year','m3_forced_turnover_10year',\ 'CEOid','CEO_turnover_N','year','Firmid','appo_year'],axis=1) from sklearn.ensemble import RandomForestClassifier rfc = RandomForestClassifier(n_estimators=100, max_depth=10, random_state=42) rfc.fit(X_train, y_train_forced_turnover_nolimited) y_pred = rfc.predict_proba(X_test) # 计算AUC值 auc = roc_auc_score(y_test_forced_turnover_nolimited, y_pred) # 输出AUC值 print('测试集AUC值为:', auc)
06-03
trainsets = pd.read_csv('/Users/zhangxinyu/Desktop/trainsets82.csv') testsets = pd.read_csv('/Users/zhangxinyu/Desktop/testsets82.csv') y_train_forced_turnover_nolimited = trainsets['m3_forced_turnover_nolimited'] X_train = trainsets.drop(['m3_P_perf_ind_all_1','m3_P_perf_ind_all_2','m3_P_perf_ind_all_3','m3_P_perf_ind_allind_1', 'm3_P_perf_ind_allind_2','m3_P_perf_ind_allind_3','m3_P_perf_ind_year_1','m3_P_perf_ind_year_2', 'm3_P_perf_ind_year_3','m3_forced_turnover_nolimited','m3_forced_turnover_3mon', 'm3_forced_turnover_6mon','m3_forced_turnover_1year','m3_forced_turnover_3year', 'm3_forced_turnover_5year','m3_forced_turnover_10year','CEOid','CEO_turnover_N','year', 'Firmid','appo_year'], axis=1) y_test_forced_turnover_nolimited = testsets['m3_forced_turnover_nolimited'] X_test = testsets.drop(['m3_P_perf_ind_all_1','m3_P_perf_ind_all_2','m3_P_perf_ind_all_3','m3_P_perf_ind_allind_1', 'm3_P_perf_ind_allind_2','m3_P_perf_ind_allind_3','m3_P_perf_ind_year_1','m3_P_perf_ind_year_2', 'm3_P_perf_ind_year_3','m3_forced_turnover_nolimited','m3_forced_turnover_3mon', 'm3_forced_turnover_6mon','m3_forced_turnover_1year','m3_forced_turnover_3year', 'm3_forced_turnover_5year','m3_forced_turnover_10year','CEOid','CEO_turnover_N','year', 'Firmid','appo_year'], axis=1) from sklearn.ensemble import RandomForestClassifier rfc = RandomForestClassifier(n_estimators=100, max_depth=10, random_state=42) rfc.fit(X_train, y_train_forced_turnover_nolimited) y_pred = rfc.predict_proba(X_test)[:, 1] # 计算AUC值时需要使用预测结果的概率值而不是预测结果本身 from sklearn.metrics import roc_auc_score auc = roc_auc_score(y_test_forced_turnover_nolimited, y_pred) # 计算AUC值 print('测试集AUC值为:', auc) # 输出AUC值

“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
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