- 博客(43)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 数学—买不到的数目
买不到的数目描述：两数不能组合的最大数：int ans = (p-1)*(q-1)-1完整代码：#include<iostream>#include<cstring>#include<cstdio>#include<algorithm>using namespace std;int main(){ int p,q; cin>>p>>q; cout<<(p-1)*(q-1)-1
2021-02-28 23:23:26
120
原创 前缀和—k倍区间及余数数组
K倍区间题目描述算法选取：根据题目条件，连续子序列之和，及选用前缀和算法算法思想：条件分析：Ai,Ai+1,…Aj 之和是 K 的倍数即为k倍区间。换种角度看，若sum[i]%k == sum[j]%k,则说明sum[j]-sum[i]区间和为k的倍数。所以自然而然想到用双重for循环...
2021-02-28 23:18:44
295
原创 DFS—红与黑（非回溯深搜）
红与黑题目描述：算法分析：算法选取：计算从初始位置能到达的瓷砖数目，即非回溯dfs dfs边界条件：不越界，不能走红砖，黑砖只能走一次int dfs(int x,int y){ int res=1; state[x][y]='#'; // 标记，注意后面没有恢复 for(int i=0;i<4;i++){ if((x+dx[i]>=0)&&(dx[i]+x<n)&&(dy[i]+y<m)&&
2021-02-28 09:34:38
258
1
原创 python—二进制与字符串之间的转换以及redis的数据格式转换
普通二进制与字符串互转运行代码：msg = "北京"print(msg.encode(encoding = "utf-8"))#字符串转换为二进制数据(参数最好加上utf-8,若没有该参数,则为系统默认的参数,可能不是utf-8编码)print(msg.encode(encoding = "utf-8").decode(encoding = "utf-8"))#二进制数据转换为字符串(参数最好加上utf-8,若没有该参数,则为系统默认的参数,可能不是utf-8编码)运行结果：redis获取字符串
2021-02-26 10:15:39
1322
原创 二分查找—机器人跳跃问题
机器人跳跃问题描述：算法思想：查找方法选取：题目要求在满足条件的情况下给出最优解（最少单位），首选二分查找法（简单且高效）二分判定函数：能量计算e+=e-hi。整个过程中，能量值不能为负数。重点，重点，重点需要考虑一个问题：在计算过程中e可能超过查找阈，即e不再l和r区间范围内时候要重点考虑下即在计算过程中超过这个范围直接给出返回布尔值（在这里wa出了经验）bool checked(int e){ for(int i=1;i<=n;i++){ e += e - st
2021-02-25 23:02:32
153
原创 python3—captcha生成验证码
运行代码：from captcha.image import ImageCaptchaimport randomdef generate_code(type_code,code_len=4): if type_code == 1: all_chars = '0123456789abcdefghijklmnopqrstuvwsyzABCDEFGHIJKLMNOPQRSTUVWXYZ' if type_code == 2: all_chars = '012
2021-02-25 18:57:08
532
原创 Django3—自定义User替换Django原有的用户表
settings.py下配置# 替换Django默认用户模型AUTH_USER_MODEL = 'app01.User' # 哪个app，哪个类models.py下配置class User(AbstractUser): # 对User进行重写 # 定义用户类型 mobile = models.CharField(max_length=11,unique=True,verbose_name='手机号') class Meta: verbose_name =
2021-02-24 23:29:32
490
原创 Django3&Vue—跨域配置，亲测有效
讲真，这玩意可把我整累了。Vue端配置config.js下添加module.exports = { devServer: { proxy: { // 跨域配置 '/api': { target: 'http://127.0.0.1:8000', ws: true, changeOrigin: true, pathRewrite: { // 路径重写 '^/api
2021-02-24 23:19:26
480
1
原创 二分—剪绳子(浮点数二分)，分巧克力(整数二分)
剪绳子题目：（浮点数二分）算法思想：判定函数：所有绳子长度Li/x（x为浮点二分查找的长度）的结果先取整再累加，看是否得到的绳子数量大于所需绳子数量bool checked(double mid){ int res = 0; for(int i=0;i<n;i++) res += a[i]/mid; // 自动取整 return res>=m;}二分查找：浮点二分查找精度取1e-5 while(r-l>1e-5){
2021-02-23 21:34:04
101
原创 二分—模板题目数的范围
题目描述：算法思想：已知条件：题目给出数列有序，所以可以用二分查找先查左端点，得到的l即为起始位置。int l = 0,r = n-1; while(l<r){ // 查找左端点 int mid = r+l>>1; if(state[mid]>=k) r = mid; else l = mid+1; }然后检查是否有该数字，没有
2021-02-23 20:19:00
63
原创 归并—模板以及求逆序对
归并模板#include<iostream>#include<cstring>#include<cstdio>#include<algorithm>using namespace std;const int N = 1e6;int state[N],backup[N],n;void merge_sort(int l,int r){ if(l>=r) return; // 边界判断 int
2021-02-23 19:23:20
79
原创 衡量相关—皮尔逊相关系数
简单来说：皮尔逊相关系数描述线性相关性的强弱皮尔逊相关系数：皮尔逊相关系数：即消除量纲讲变量标准后的协方差作用：描述线性相关性的强弱局限：只适用于线性关系总体皮尔逊相关系数：样本皮尔逊相关系数数据样本观测通过观察矩阵散点图查看两两指标数据分布情况（这些样本两两指标间非线性，仅当练手）MATLAB计算皮尔逊相关系数：clear;clc;load 'data.mat' R = corrcoef(data) % correlation coefficient判定相关性解.
2021-02-23 15:06:28
532
原创 Django3—配置日志
settings下的日志配置LOGGING = { 'version': 1, # 日志版本 'disable_existing_loggers': False, # 是否禁用已存在的日志器 'formatters': { # 日志显示格式 'verbose': { 'format': '%(levelname)s %(asctime
2021-02-23 11:17:11
332
原创 Django3—注册中间件，中间件执行顺序，中间件方法名笔记
简单来说：中间件是用户发送请求和浏览器相应的中间部分，可以在中间件中定义自己想要实现的功能。自定义中间件：from django.utils.deprecation import MiddlewareMixinclass TestMiddleWare1(MiddlewareMixin): def process_request(self,request): # 注意函数名不能随便自定义 print('每次请求时 都会调用执行 1111111') def pro.
2021-02-23 10:56:42
239
1
原创 Django3—session与cookie简介与读取
cookie是什么？cookie指某些网站辨别用户身份，进行session跟踪而存储在用户本地终端上的数据（通常经过加密）cookie由服务器生成，发送给User-Agent(一般浏览器)，浏览器会将cookie的key/value保存到某个目录下的文本文件中，下次请求同一网站时就发送该Cookie给服务器（前提：浏览器启用Cookie）cookie名称和值可以由服务器端开发自己定义，这样服务器可以用户是否为合法用户以及是否需要重新登录等服务器可以利用cookie包含信息的任意性来筛选并接触性维护
2021-02-21 21:53:51
174
原创 Django3—Djang Redis配置缓存
首先安装django-redispip install django-redissettings配置CACHES = { 'default': { 'BACKEND': 'django_redis.cache.RedisCache', 'LOCATION': 'redis://127.0.0.1:6379/1', "OPTIONS": { "CLIENT_CLASS": "django_redis.client.Defa
2021-02-21 20:58:00
435
原创 numpy—astype矩阵数据类型转换
import numpy as npa = np.array([1,2,3,4]) print(a.dtype) # int32a = a.astype('a25') # 表示25个字符的字符串print(a.dtype)运行代码：参考：numpy数据类型
2021-02-21 11:58:25
448
原创 numpy—np.tile实现向量重复拼接矩阵
当进行数据计算时候，就知道有多么方便了向量拼接矩阵写法：np.tile(向量,目标矩阵行数).reshape(-1,向量列数)import numpy as npa = np.array([1,2,3,4])res_a = np.tile(a,10).reshape(-1,4)print(res_a)运算结果：望指点...
2021-02-21 10:40:15
1658
1
原创 numpy—矩阵对应元素运算：点乘，点除，取模
会简单的几个计算方法就行，网上有些资料写的太复杂了，不必面面具到。在实现功能的前提下，写法越简单越好，避免花里胡哨。下面为最简运算代码import numpy as npa = np.array([[2.0,2,2], [2,2,2], [2,1,2]])b = np.ones((3,3))*4res1 = a*b # 点乘res2 = a/b # 点除res3
2021-02-21 10:27:25
8444
3
原创 numpy—矩阵数据类型，元素总数，形状
import numpy as npdata = np.array([ [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4]], dtype=float)print(data)print("数据类型：", type(data)) # 打印数组数据类型print("数组元素数据类型：", data.dtype) # 打印数组元素数据类型print("数组元素总数：",
2021-02-21 10:04:43
846
原创 数据格式转换—两行代码实现pandas读取Excel数据转换numpy格式数据
讲真的，这个点我弄了好久，在网上搜资料，都有点小复杂。况且，这个问题经常遇到，于是乎决心开始写这笔记，一次给学会。数据：转换代码：嘿嘿嘿，导包和print不算，刚好两行import numpy as npimport pandas as pddf = pd.read_excel(r'river_data.xlsx')print(type(df))print(df.values)np.array(df)print(type(np.array(df)))转换结果：转换前：<cla
2021-02-21 09:49:10
3158
1
原创 分布—正态分布不同检验方法实践笔记
此篇笔记主要是实践，没有涉及到具体的原理。雅克贝拉检验假设检验步骤：一，H0：该随机变量服从正态分布，H1：不服从正态分布二，计算该变量的偏度S与峰度K，根据公式计算JB*，计算得到相应的p值三，将p值与0.05比较，若小于0.05则可拒绝原假设，否则不能拒绝原假设（默认置信水平为0.95）峰度K与偏度S计算公式：MATLAB计算代码：x = normrnd(2,3,100,1); % 生成100*1的随机向量，每个元素是均值为2，标准差为3的正态分布skewness(x) %
2021-02-20 19:13:52
2765
原创 Redis—基本概念简单笔记
NoSQL概念NoSQL（即Not OnlySQL或者non-relational），泛指非关系型的数据库。随着互联网web2.0网站的兴起，传统的关系数据库在处理web2.0网站，特别是超大规模和高并发的SNS类型的web2.0纯动态网站已经显得力不从心，出现了很多难以克服的问题，而非关系型的数据库则由于其本身的特点得到了非常迅速的发展。NoSQL数据库的产生就是为了解决大规模数据集合多重数据种类带来的挑战，特别是大数据应用难题。 --引用百度百科简单来说：NoSQL泛指非关系
2021-02-19 23:49:02
48
原创 模糊系统—模糊数学简单概念
模糊数学描述：是描述模糊集的描述方式，模糊数学也可以用于判断，评价，推理。简单来说：模糊数学就是用一个元素对每个集合隶属度来描述对于集合的归属程度，然后进行一系列操作，得到最终的隶属度，再比较隶属度的大小，该元素属于对应隶属度越大的集合。模糊集合与经典集合基本概念：经典集合：具有相同属性的事务的集体，如：性别集合基本属性：1互斥性：若a属于A，b属于A，则a不等于b2确定性：非0即1，a要么属于A要么不属于A对于经典集合的刻画：特征函数：fA：U->{0，1} U:论域，f
2021-02-19 08:32:08
2281
1
原创 灰色关联—分析GDP影响因素关联度
适用范围：找出影响结果的已知因素，也适用于评价类问题基本思想：根据曲线集合形状的相似程度，判断联系是否紧密，曲线越接近，相应序列之间的关联度越大，反之越小灰色关联分析优点：计算量小，对样本的量多少和有无规律都同样适用，不会出现量化结果与定性分析结果不符的情况 灰色关联分析缺点：不太主流，美赛不适用一.确定分析序列：母序列（参考序列，母指标）：能反映系统行为特征的数据序列，类似于y子序列（比较序列，子指标）：影响 系统⾏为的 因素 组成的 数据序列，类似于x二.变量预处理目的：缩小变.
2021-02-18 09:42:25
2196
1
原创 拟合—cftool拟合人口数量
只使用cftool进行拟合，数据可能不准确，只是练习MATLAB读取Excel数据clear;clc;% 载入数据[data,title] = xlsread('data2');x = data(:,1);y = data(:,2);cftool使用方法拟合模型选择与评估模型选择：基于已有数据，使用cftool选择模型进行拟合（都差不多，只展示两个），SSE越小，拟合效果越好（目前只考虑拟合）评估指标（这些指标适用性更强，主要看这些指标）：和方差：该统计参数计算的是拟合数据和原始数据
2021-02-16 11:07:46
437
1
原创 拟合—最小二乘
用途：做预测局限：参数为线性即参数仅以一次方出现，且不能以复合的形式出现，比如y=a/(x-b)^2y=asin(b+cx),a^2不是参数线性。最小二乘几何解释：问：为何拟合时不使用绝对值，三次方，四次方模型 绝对值：不容易求导，计算复杂四次方：避免极端数据对拟合曲线的影响，最小二乘法得到的结果和MLE极大似然估计一致 三次方（奇数次方）：误差正负相抵最小二乘法推导：注意所选用的函数为线性函数评价拟合好坏：始终注意所选函数为线性函数拓展SST=SSE+SSR的证明：简单实现代码
2021-02-16 09:08:15
390
1
原创 Vue—配置浏览器自启动
在项目目录下直接创建vue.config.js文件，即可自动打开浏览器，代码如下：module.exports = { devServer:{ port:8080, host:'localhost', open:true //配置浏览器自动访问 }}小白望指点
2021-02-15 07:26:47
223
原创 JavaScript进阶—find与findIndex方法
find方法find() 方法返回通过测试（函数内判断）的数组的第一个元素的值。find() 方法为数组中的每个元素都调用一次函数执行：当数组中的元素在测试条件时返回 true 时, find() 返回符合条件的元素，之后的值不会再调用执行函数。 如果没有符合条件的元素返回undefined注意: find() 对于空数组，函数是不会执行的，find()也并没有改变数组的原始值。var num = [1, 30, 39, 29, 10, 13];var val1 = num.find(it
2021-02-14 20:15:13
332
原创 插值—初始数据样本生成
数据样本缺失前16天的偶数天数据，使用分段插值或埃尔米特插值进行数据样本恢复实现代码：clc;clear;data = xlsread('Z.xlsx')x = data(1,:);xNew = 1:16;dataNew = [xNew]figure('Name','生成样本表');for i=2:8 subplot(4,2,i-1) y = data(i,:); p0 = spline(x,y,xNew); % 分段样条 p1 = pchip(x,y,xN
2021-02-11 18:20:57
479
原创 python—计算矩阵标准差
import numpy as npa = np.array([[1, 2], [3, 4]])res0 = np.std(a) # 计算全局标准差res1 = np.std(a, axis=0) # 计算每一列的标准差res2 = np.std(a, axis=1) # 计算每一行的标准差print(res0) # 1.118033988749895print(res1) # [1. 1.]print(res2) # [0.5 0.5
2021-02-09 08:54:51
2164
1
转载 模拟退火(SA)—原理以及Python简单实现
模拟退火概念：最优化算法，随机从某一状态开始，然后随机生成一个较小的随机数（扰动量），然后得到新的状态。若新状态比原状态好，则直接更新。若新状态比原状态差，则根据随机产生0~1之间的随机数和，状态转移概率（Metropolis准则）抉择是否更新状态。模拟退火算法是一种启发式搜索算法，即按照预定的控制策略进行搜索，在搜索过程中获取的中间信息将用来改进控制策略简单说就是：更新x：根据已有的x，再给出随机数值r，然后更新xNew = x + r求值yNew：根据xNew和函数求出yNew比较状态：y
2021-02-08 20:24:34
619
原创 Django3—ORM简单插入数据
Django3 ORM插入普通数据pub_obj = Publish.objects.create(city="温州",email="2401339050@qq.com",name="江南皮革厂")ORM插入一对多数据# 查找指定对象pub_obj = Publish.objects.filter(nid=1).first()# 方式一：引用对象做参数book_obj = Book.objects.create(title="xxx",price=100,publishDate="2012-1
2021-02-07 10:37:23
794
原创 DBSCAN—简单实现
DBSCAN基本概念：邻域的距离阈值：设定的半径r 核心对象：若某个点的密度达到算法设定的阈值，则为核心点直接密度可达：若点p在q的r领域内并且q是核心点，则p-q直接密度可达密度可达：直接密度可达的传递密度相连：若从某核心点p出发，点q和点k都是密度可达，则q和k是密度相连的边界点：属于一个类的非核心点，不能发展下线了噪声点：不属于任何一个簇的点算法思想：指定合适的阈值和Minpoints 若点p未被标记，且p的邻域内有超过Minpoints个点，则创建一个以p为核心点的新簇根据已有核
2021-02-05 22:23:17
342
原创 贪心—货仓选址（易）
分析：首先，只要货仓的位置选取在线上，则有货仓到左a[l]的距离和右a[r]的距离之和等于a[r]-a[l]，所以把货仓建在中点（排序后下标中点）才能使得距离之和最小（因为在此处分开的左边点数和右边点数相当）。若n为奇数则货仓的位置选取在a[n/2]，则依次从左右端点计算。若n为偶数则货仓建立在a[n/2]或者a[n/2-1]。#include<iostream>#include<algorithm>#include<cstdio>using namesp
2021-02-05 11:55:07
257
原创 Django3—request对象常用属性及方法
request常用属性及方法演示代码：def index(request): print(request.scheme) # 协议 print(request.path) # url print(request.get_full_path()) # 获取完整url print(request.build_absolute_uri('/app
2021-02-04 10:42:08
282
1
原创 Django3—ORM配置Mysql踩过的坑
本小白踩过的坑，请正在自学Django3的同学耐心看完首先在settings.py下设置DATABASES = { 'default': { 'ENGINE': 'django.db.backends.mysql', 'NAME': 'djangoDatabase', 'USER': 'root', 'PASSWORD': 'root', 'HOST': '127.0.0.1', 'PORT': '3
2021-02-03 20:14:02
151
原创 集成学习—bagging简单理解
Bagging简单理解：投票进行分类，平均值进行预测概念：Bagging算法即并行的训练一堆模型，准确来说Bagging是一种并行训练的思想，用投票的方式去判定分类问题，用计算平均预测值的方式去预测。最具代表的即随机森林Bagging的抽样方式：随机森林（Bagging模型）的训练集抽样方式是一种有放回的抽样方式（保证泛化能力，尽量让每个树不同，从而使得），有些样本可能被重复抽到，有些样本不会被抽到，进行k次获取训练集得到k个模型Bagging预测结果：处理分类问题时投票，处理预测问题通过计算平均值
2021-02-03 18:37:43
488
原创 贝叶斯—单词拼写检查器
单词拼写检查器采样：根据已有样本统计各个单词的个数生成：根据输入单词，调用函数生成相应的集合（与原输入单词相差一个编辑距离或者两个编辑距离，且出现在已有样本单词中）输出：遍历统计哪个单词出现的频率高即输出哪个单词import re# 数据载入text = open("big.txt").read()text = re.findall('[a-z]+',text.lower()) # 转小写，只保留小写字母# 单词统计dic_words={}for t in text:
2021-02-03 17:47:43
206
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人