数据挖掘，计算机网络、操作系统刷题笔记52

最新推荐文章于 2024-05-21 14:54:17 发布
最新推荐文章于 2024-05-21 14:54:17 发布
阅读量375 收藏
点赞数
分类专栏： 计算机网络 操作系统 数据挖掘 文章标签： 数据挖掘 计算机网络 数据库 操作系统 国考省考刷题
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46838716/article/details/129145649
版权

数据挖掘，计算机网络、操作系统刷题笔记52

2022找工作是学历、能力和运气的超强结合体，遇到寒冬，大厂不招人，可能很多算法学生都得去找开发，测开
测开的话，你就得学数据库，sql，oracle，尤其sql要学，当然，像很多金融企业、安全机构啥的，他们必须要用oracle数据库
这oracle比sql安全，强大多了，所以你需要学习，最重要的，你要是考网络警察公务员，这玩意你不会就别去报名了，耽误时间！
考网警特招必然要考操作系统，计算机网络，由于备考时间不长，你可能需要速成，我就想办法自学速成了，课程太长没法玩
刷题系列文章
【1】Oracle数据库：刷题错题本，数据库的各种概念
【2】操作系统，计算机网络，数据库刷题笔记2
【3】数据库、计算机网络，操作系统刷题笔记3
【4】数据库、计算机网络，操作系统刷题笔记4
【5】数据库、计算机网络，操作系统刷题笔记5
【6】数据库、计算机网络，操作系统刷题笔记6
【7】数据库、计算机网络，操作系统刷题笔记7
【8】数据库、计算机网络，操作系统刷题笔记8
【9】操作系统，计算机网络，数据库刷题笔记9
【10】操作系统，计算机网络，数据库刷题笔记10
【11】操作系统，计算机网络，数据库刷题笔记11
【12】操作系统，计算机网络，数据库刷题笔记12
【13】操作系统，计算机网络，数据库刷题笔记13
【14】操作系统，计算机网络，数据库刷题笔记14
【15】计算机网络、操作系统刷题笔记15
【16】数据库，计算机网络、操作系统刷题笔记16
【17】数据库，计算机网络、操作系统刷题笔记17
【18】数据库，计算机网络、操作系统刷题笔记18
【19】数据库，计算机网络、操作系统刷题笔记19
【20】数据库，计算机网络、操作系统刷题笔记20
【21】数据库，计算机网络、操作系统刷题笔记21
【22】数据库，计算机网络、操作系统刷题笔记22
【23】数据库，计算机网络、操作系统刷题笔记23
【24】数据库，计算机网络、操作系统刷题笔记24
【25】数据库，计算机网络、操作系统刷题笔记25
【26】数据库，计算机网络、操作系统刷题笔记26
【27】数据库，计算机网络、操作系统刷题笔记27
【28】数据库，计算机网络、操作系统刷题笔记28
【29】数据库，计算机网络、操作系统刷题笔记29
【30】数据库，计算机网络、操作系统刷题笔记30
【31】数据库，计算机网络、操作系统刷题笔记31
【32】数据库，计算机网络、操作系统刷题笔记32
【33】数据库，计算机网络、操作系统刷题笔记33
【34】数据库，计算机网络、操作系统刷题笔记34
【35】数据挖掘，计算机网络、操作系统刷题笔记35
【36】数据挖掘，计算机网络、操作系统刷题笔记36
【37】数据挖掘，计算机网络、操作系统刷题笔记37
【38】数据挖掘，计算机网络、操作系统刷题笔记38
【39】数据挖掘，计算机网络、操作系统刷题笔记39
【40】数据挖掘，计算机网络、操作系统刷题笔记40
【41】数据挖掘，计算机网络、操作系统刷题笔记41
【42】数据挖掘，计算机网络、操作系统刷题笔记42
【43】数据挖掘，计算机网络、操作系统刷题笔记43
【44】数据挖掘，计算机网络、操作系统刷题笔记44
【45】数据挖掘，计算机网络、操作系统刷题笔记45
【46】数据挖掘，计算机网络、操作系统刷题笔记46
【47】数据挖掘，计算机网络、操作系统刷题笔记47
【48】数据挖掘，计算机网络、操作系统刷题笔记48
【49】数据挖掘，计算机网络、操作系统刷题笔记49
【50】数据挖掘，计算机网络、操作系统刷题笔记50
【51】数据挖掘，计算机网络、操作系统刷题笔记51

文章目录

数据挖掘分析应用:回归树

在这里插入图片描述
分类离散值

回归是连续值

在这里插入图片描述
切分之后，俩方差和小

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
xgboost
高阶倒数也用
大规模并行运算
干

在这里插入图片描述

# 模型
def hr_modeling_all_saveDT_SVM_gbdt(features, label):
    from sklearn.model_selection import train_test_split
    # 切分函数
    #DataFrame
    feature_val = features.values
    label_val = label
    # 特征段
    feature_name = features.columns
    train_data, valid_data, y_train, y_valid = train_test_split(feature_val, label_val, test_size=0.2)  # 20%验证集
    train_data, test_data, y_train, y_test = train_test_split(train_data, y_train, test_size=0.25)  # 25%测试集
    print(len(train_data), len(valid_data), len(test_data))

    # KNN分类
    from sklearn.neighbors import NearestNeighbors, KNeighborsClassifier
    from sklearn.metrics import accuracy_score, recall_score, f1_score  # 模型评价
    from sklearn.naive_bayes import GaussianNB, BernoulliNB  # 高斯，伯努利，都是对特征有严格要求，离散值最好
    from sklearn.tree import DecisionTreeClassifier, export_graphviz  # 决策树
    from io import StringIO
    import pydotplus
    import os
    from sklearn.svm import SVC
    from sklearn.ensemble import RandomForestClassifier  # 随机森林
    from sklearn.ensemble import AdaBoostClassifier
    from sklearn.linear_model import LogisticRegression
    from keras.models import Sequential
    from keras.layers.core import Dense, Activation
    from tensorflow.keras.optimizers import SGD
    from sklearn.ensemble import GradientBoostingClassifier

    os.environ["PATH"] += os.pathsep+r'D:\Program Files\Graphviz\bin'

    models = []  # 申请模型，挨个验证好坏
    knn_clf = KNeighborsClassifier(n_neighbors=3)  # 5类
    bys_clf = GaussianNB()
    bnl_clf = BernoulliNB()
    DT_clf = DecisionTreeClassifier()
    SVC_clf = SVC()
    rdn_clf = RandomForestClassifier()
    adaboost_clf = AdaBoostClassifier(n_estimators=100)
    logi_clf = LogisticRegression(C=1000, tol=1e-10, solver="sag", max_iter=10000)
    gbdt_clf = GradientBoostingClassifier(max_depth=6, n_estimators=100)  # 经验值,100颗树

    # models.append(("KNN", knn_clf))  # 代码一个个模型测--放入的是元祖
    # models.append(("GaussianNB", bys_clf))  # 代码一个个模型测--放入的是元祖
    # models.append(("BernoulliNB", bnl_clf))  # 代码一个个模型测--放入的是元祖
    # models.append(("Decision Tree", DT_clf))  # 代码一个个模型测--放入的是元祖
    # models.append(("SVM classifier", SVC_clf))  # 代码一个个模型测--放入的是元祖
    models.append(("Random classifier", rdn_clf))  # 代码一个个模型测--放入的是元祖
    # models.append(("adaboost classifier", adaboost_clf))  # 代码一个个模型测--放入的是元祖
    # models.append(("logistic classifier", logi_clf))  # 代码一个个模型测--放入的是元祖
    models.append(("gbdt_clf classifier", gbdt_clf))  # 代码一个个模型测--放入的是元祖


    # 不同的模型，依次验证
    for modelName, model in models:
        print(modelName)
        model.fit(train_data, y_train)  # 指定训练集
        # 又集成化数据集
        data = [(train_data, y_train), (valid_data, y_valid), (test_data, y_test)]
        for i in range(len(data)):
            print(i)
            y_input = data[i][0]
            y_label = data[i][1]  # 输入输出预测
            y_pred = model.predict(y_input)
            print("acc:", accuracy_score(y_label, y_pred))
            print("recall:", recall_score(y_label, y_pred))
            print("F1:", f1_score(y_label, y_pred))
        print("\n")

    # 不考虑存储，你看看这个模型就会输出仨结果


if __name__ == '__main__':
    features, label = pre_processing(sl=True, le=True, npr=True, amh=True, wacc=True, pla=True, dep=False, sal=True,
       lower_d=False, ld_n=3)
    # print(features, label)

    # 灌入模型
    # hr_modeling_all_saveDT_SVM(features, label)
    hr_modeling_all_saveDT_SVM_gbdt(features, label)

    # 回归分析
    # regrfunc(features, label)


8999 3000 3000
Random classifier
0
acc: 1.0
recall: 1.0
F1: 1.0
1
acc: 0.9893333333333333
recall: 0.9621109607577808
F1: 0.9779917469050894
2
acc: 0.989
recall: 0.9607046070460704
F1: 0.9772570640937284


gbdt_clf classifier
0
acc: 0.993888209801089
recall: 0.9765998089780324
F1: 0.9867310012062727
1
acc: 0.987
recall: 0.9607577807848444
F1: 0.9732693625771077
2
acc: 0.983
recall: 0.9498644986449865
F1: 0.9649002064693738



Process finished with exit code 0

gbdt很强了

屌爆了

特征越多，效果越好，美滋滋

非监督学习：聚类

无监督学习是没有标注的
目的就是试图给数据加标注

类内间距近
类间间距宽

在这里插入图片描述

kmeans聚类算法

在这里插入图片描述
初始化质心，随机k个
归类
再计算质心
重新归类，重新计算质心

在这里插入图片描述
在这里插入图片描述
更新质心
在这里插入图片描述

再继续更新质心

在这里插入图片描述
最终稳定，搞定
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
最好干掉异常值
在这里插入图片描述
这样容忍了异常值

k咋搞呢？
手肘法
在这里插入图片描述



import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_circles, make_blobs, make_moons


def kmeans():
    n_samples = 1000  # 生成样本的个数
    circles = make_circles(n_samples=n_samples, factor=0.5, noise=0.05)  # factor一会看
    moons = make_moons(n_samples=n_samples, noise=0.05)
    blobs = make_blobs(n_samples=n_samples, random_state=8)  # 避免位置变化
    random_data = np.random.rand(n_samples, 2), None  # 标注不使用

    print(circles)   # 样本点和标注，标注不需要


if __name__ == '__main__':
    kmeans()

(array([[-0.43010488, -0.07524356],
       [ 0.86393561,  0.13582871],
       [ 0.06323255, -0.58554023],
       ...,
       [-0.13980991, -0.39024888],
       [ 0.52068248, -0.07947136],
       [-0.22528083,  0.41497786]]), array([1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0,
       0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1, 0, 1, 0, 1, 0, 1, 1,
       0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 1, 1, 1, 1,
       0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0, 1, 0, 1, 1, 0,
       0, 1, 1, 0, 1, 1, 0, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0,
       0, 0, 1, 1, 0, 1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0, 1, 0, 1, 0,
       0, 0, 1, 1, 1, 1, 1, 0, 1, 0, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 1,
       0, 1, 1, 1, 0, 1, 0, 0, 0, 1, 1, 0, 1, 1, 1, 1, 1, 0, 0, 0, 0, 1,
       1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 1, 0, 1, 1, 1,
       1, 1, 1, 1, 0, 1, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 1, 0,
       0, 0, 0, 1, 0, 1, 1, 0, 1, 1, 1, 1, 1, 0, 0, 0, 1, 0, 1, 0, 0, 1,
       1, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 0, 1, 0, 1,
       0, 0, 1, 0, 1, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 1, 0, 0,
       0, 0, 1, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0,
       1, 0, 0, 1, 0, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 0,
       0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 1,
       0, 1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 1, 0, 0, 1, 1, 1, 0,
       1, 0, 1, 1, 1, 0, 0, 1, 1, 1, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 1,
       0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1, 0, 1, 0, 0, 1, 0, 1, 1, 1, 0, 1,
       0, 0, 1, 1, 1, 0, 0, 1, 1, 1, 0, 1, 1, 0, 1, 0, 1, 0, 0, 1, 0, 1,
       0, 1, 1, 0, 0, 0, 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 1, 0, 0, 1, 0, 0,
       1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0, 1,
       0, 1, 1, 1, 1, 0, 0, 0, 1, 1, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 0, 1,
       1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 0,
       1, 1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 0, 1, 0, 0, 0, 1, 0,
       1, 0, 1, 1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1,
       0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 0,
       0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       0, 1, 1, 0, 0, 1, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 0, 0, 1, 1,
       1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0,
       1, 0, 1, 0, 1, 1, 0, 1, 0, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1,
       0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 1, 1, 1, 0, 0, 1, 1, 0, 1, 0, 0, 0,
       0, 1, 0, 0, 1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1,
       1, 0, 1, 1, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0,
       1, 1, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1, 0, 0,
       1, 0, 0, 1, 1, 0, 0, 0, 1, 1, 0, 1, 1, 1, 0, 1, 0, 0, 0, 1, 0, 0,
       0, 1, 0, 1, 1, 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 1, 0,
       1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 1, 0, 1,
       1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 0,
       1, 1, 1, 0, 1, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 1, 1, 0, 0,
       0, 1, 0, 0, 0, 1, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0,
       1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0,
       1, 1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 1, 0, 1, 1, 1, 0, 0, 0, 1, 1, 0, 1, 0, 1, 1, 0, 0, 1,
       1, 1, 0, 1, 1, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 0, 1, 1, 1, 0, 1, 1,
       1, 0, 0, 0, 1, 1, 0, 1, 1, 1], dtype=int64))

Process finished with exit code 0

指定颜色

在这里插入图片描述
这样的话，模型聚类先不说
只看数据的话，就长这样

代码聚类



import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_circles, make_blobs, make_moons
from sklearn.cluster import KMeans

def kmeans():
    n_samples = 1000  # 生成样本的个数
    circles = make_circles(n_samples=n_samples, factor=0.5, noise=0.05)  # factor俩圆之间的间距
    moons = make_moons(n_samples=n_samples, noise=0.05)
    blobs = make_blobs(n_samples=n_samples, random_state=8)  # 避免位置变化
    random_data = np.random.rand(n_samples, 2), None  # 标注不使用

    # print(circles)   # 样本点和标注，标注不需要
    colors = "bgrcmyk"
    data = [circles, moons, blobs, random_data]  # 四个数据集
    # 模型——随意添加
    models = [("None", None), ("Kmeans", KMeans(n_clusters=2))]
    # n分2类

    f = plt.figure()  # 给不同模型下，不同数据集的聚类情况画图
    for index, clt in enumerate(models):
        clt_name, clt_entity = clt  # 前面是名字，后面是模型的实体
        for i, dataset in enumerate(data):
            X, Y = dataset  # 生成好的数据集，后面标注不用
            if not clt_entity:
                clt_res = [0 for item in range(len(X))]  # 数据中第一部分的维度
            else:
                # 有实体——拿着模型聚类去
                clt_entity.fit(X)  # 拟合
                clt_res = clt_entity.labels_.astype(np.int)  # 聚类之后，有自己的标签哦，拿出去展示，不同色

            # 然后拿着结果作图去
            f.add_subplot(len(models), len(data), index*len(data)+i+1)  # 不同模型，多个数据
            [plt.scatter(X[p, 0], X[p, 1], edgecolors=colors[clt_res[p]]) for p in range(len(X))]
            # 每个数据都画出来
    plt.show()

if __name__ == '__main__':
    kmeans()

在这里插入图片描述
如果质心随机，结果可能不同哦

在这里插入图片描述
kmeans就是把最近的俩团当做一个类

如果聚类成3类，那就不一样了

在这里插入图片描述
在这里插入图片描述
官网有很多数据集
反正不少

kmeans的模型也可以去了解一下
在这里插入图片描述

CSMA/CD 介质访问控制方法的局域网适用于办公自动化环境，这类局域网在何种网络通信负荷（ ）情况下表现出较好的吞吐率和延迟。

在这里插入图片描述

模块A给部署在多台机器上的模块B采用轮询的方式发起查询请求，请问这样做优势是什么？

IO是不可能减少的
在这里插入图片描述

总结

提示：重要经验：

1）
2）学好oracle，操作系统，计算机网络，即使经济寒冬，整个测开offer绝对不是问题！同时也是你考公网络警察的必经之路。
3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。

冰露可乐
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
数据挖掘，计算机网络、操作系统刷题笔记53
weixin_46838716的博客
02-22 614
数据挖掘，计算机网络、操作系统刷题笔记53
数据挖掘，计算机网络、操作系统刷题笔记50
weixin_46838716的博客
02-20 449
数据挖掘，计算机网络、操作系统刷题笔记50
数据挖掘，计算机网络、操作系统刷题笔记51
weixin_46838716的博客
02-21 463
数据挖掘，计算机网络、操作系统刷题笔记51
数据挖掘，计算机网络、操作系统刷题笔记49
weixin_46838716的博客
02-19 491
数据挖掘，计算机网络、操作系统刷题笔记49
数据挖掘，计算机网络、操作系统刷题笔记48
weixin_46838716的博客
02-12 611
数据挖掘，计算机网络、操作系统刷题笔记48
数据挖掘，计算机网络、操作系统刷题笔记54
weixin_46838716的博客
02-22 485
数据挖掘，计算机网络、操作系统刷题笔记54
数据挖掘，计算机网络、操作系统刷题笔记44
weixin_46838716的博客
02-06 558
数据挖掘，计算机网络、操作系统刷题笔记44
数据挖掘，计算机网络、操作系统刷题笔记41
weixin_46838716的博客
02-05 601
数据挖掘，计算机网络、操作系统刷题笔记41
数据挖掘，计算机网络、操作系统刷题笔记55
weixin_46838716的博客
02-23 234
数据挖掘，计算机网络、操作系统刷题笔记55
计算机组成原理+数据结构+计算机网络+操作系统考研学习笔记.rar
03-30
本人2020年考研，考试科目为北京邮电大学803，包括计算机组成原理，数据结构，操作系统，计算机网络。本文档是我的笔记扫描版，全部是我学习过程中的对教材，辅导书以及错题，难题的总结。可以用作考研学生的复习...
计算机考研操作系统笔记
02-01
基于王道计算机课程做的计算机考研操作系统笔记 帮助同学减少笔记的整理时间
labuladong的算法秘籍+刷题笔记V2.0
09-17
labuladong系列刷题三件套，计算机leetcode刷题，找工作提升编程能力。
兰大计算机操作系统复习笔记整理
12-29
计算机专业考研兰大，操作系统复习时整理的笔记，算是比较全面的
天勤计算机考研2019操作系统高分笔记复习指导书
07-14
天勤计算机考研2019版操作系统高分笔记复习指导书，电子版PDF格式
数据挖掘--
m0_71372455的博客
05-17 991
是一款轻量级的集成开发环境（IDE），广泛用于多种编程语言的开发工作。虽然VS Code本身并不是专门用于数据挖掘的工具，但我们可以借助其强大的插件系统来进行数据挖掘的工作。
【Python】使用scikit-learn做数据挖掘和分析
不积跬步无以至千里，不积小流无以成江海。一个喜欢学习分享的程序员
05-17 1219
Scikit-learn，也被称为sklearn，是一个针对Python编程语言的免费软件机器学习库，是一个功能强大、易用且广泛应用的Python机器学习库，为数据科学家和开发者提供了丰富的工具和资源来进行机器学习任务的开发与实践。 Scikit-learn起源于David Cournapeau的Google Summer of Code项目，名为scikits.learn。 Scikit-learn提供了各种分类、回归和聚类算法，包括支持向量机（SVM）、随机森林、梯度提升、k-均值和DBSCAN等。
实战项目技术点（1）
qq_60396437的博客
05-15 1151
分页插件PageHelper 是 Mybatis 的一款功能强大、方便易用的分页插件，支持任何形式的单标、多表的分页查询。官网：https://pagehelper.github.io/。文件上传，是指将本地图片、视频、音频等文件上传到服务器，供其他用户浏览或下载的过程。
电脑同时配置两个版本mysql数据库常见问题
最新发布
xiao_kelai的博客
05-21 123
在每一个命令中，mysql要选择是那个，如果都配置在环境变量中，要修改名字，不然可能会出错，在搞mysql57版本的时候就用mysql57.exe 和 mysqld57.exe ,注意每条命令，不要在创建的时候用混了，到时候又得卸载重来。例如 mysql -u root -p 改为 mysql57 -u root -p 这个时在57版本中。win登录的话，复制密码后，输入mysql57 -P3305 -u root -p 之后可以点击右键粘贴密码。
labuladong的刷题笔记
09-12
"Labuladong"是一个著名的算法题解博主，他的刷题笔记非常受欢迎。他的笔记具有以下几个特点： 1. 思路清晰：Labuladong的刷题笔记总是能够很清晰地阐述解题思路。他善于将复杂的问题简化为易于理解的小问题，并...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

冰露可乐

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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