精华内容
下载资源
问答
  • 子查询应用场景  数据库有没有记忆力  但查询结果需要的数据,本表已有数据还不够,还需要另外查询.  想运行一次就能查到结果,怎么办?子查询. 1)对于一张表而言:  a,查询的结果需要使用本表数据还不够,还需要用本...

    子查询应用场景

        数据库有没有记忆力
        但查询结果需要的数据,本表已有数据还不够,还需要另外查询.
        想运行一次就能查到结果,怎么办?子查询.


    1)对于一张表而言:
        a,查询的结果需要使用本表数据还不够,还需要用本表再去查询得到的数据
        如:查询大于平均年龄的学生
        b,存上下级数据的表,也可以用子查询做
    2)对于多张表而言:
        a.子查询相比连接查询的缺点:
          结果只能体现本表字段.不能像连接查询能体现多表的所有字段.
        b.查询到结果,数据需要来源于多张表.而所需字段主表就能全部展示,就用子查询
        c.又想用子查询,所求结果字段又需要来源于多张表,就用表子查询(提升性能).



    如何判断子查询应用时,是一张表还是多张表?

        看结果所求的字段和字段'的'前面的词是不是来自于一张表.

        如:查询男生中年龄最大的学生信息
        如:查询数据库和系统测试的课程成绩
        如:显示没有商品的品牌

       
       单张表的操作方法,先易后难
       1.先数据
       2.后查询语句
       如:查询男生中年龄最大的学生信息
        

       多张表的操作方法,先主后子
       1.先写出主查询语句
       2.写子查询语句
       3.结合

     主查询语句的方法
        a)分析主表,子表:看结果字段在哪个表,就把这个表作为主表,结果字段'的'前面的字段就是子表,
        b)分析主表和子表的连接条件并写出主查询语句

        子查询语句的方法
        a)写出子查询语句所求的目标,往往是题目中结果所求字段,替换连接字段即可

        b)求出子查询目标


                                                自关联

    一张表有上下级关系,可以自己跟自己关联

    介绍寻找连接条件的一种技巧

    -- 1.找一条连接正确的数据
    -- 2.找一条连接错误的数据

    -- 3.分析为什么正确,为什么错,就找到这个连接条件

    -- 一个sql语句可以查表多次,但是前提条件是要给表取别名,给表取两个别名


    -- 两表连接(自关联一次),得到一个两级关系


    -- .............................................................................................................


    --                                        用子查询做出相同的效果

    -- 查询男生最大的年龄的信息

    -- select * from students where age =(select max(age) from students where sex='男') and sex='男'

    -- 显示没有商品的品牌

    -- select * from goods_brands gb where gb.brand_id not in(select distinct brand_id  from goods)

    -- 查询数据库和系统测试的课程成绩

    -- select courseNo,score from scores where courseNo in(select courseNo from courses where name in ('系统测试','数据库') )

    -- 查询数据库和系统测试的课程成绩(一定显示 内连接)

    -- select name , score from scores  inner join
    -- (select * from courses where name in('数据库','系统测试')) courses on scores.courseNo=courses.courseNo


     
    -- 。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。




    -- 查询河南省的所有城市

    -- 1.一张表
    --  2.自关联,取别名,找连接条件

    -- select * from areas as a inner join  areas b on a.aid=b.pid where a.atitle='河南省'


    -- 查询大于平均年龄的学生

    -- 1.求出数据
    -- -- 2.写出sql语句

    -- select avg from students where age>avg(age);
    -- select * from students where age>(select avg(age) from students);
    -- select avg(age) from students where age>;

    -- 查询河南省的所有城市

    -- 1.求出数据 河南省的aid
    -- -- 2.写出sql语句

    -- select aid from areas where atitle='河南省'
    -- select * from areas where pid=410000


    -- a.用子查询方法来操作数据,相比连接查询的缺点:
    --  结果只能体现主表字段.不能像连接查询能体现多表的所有字段.

    -- 比如我要求王昭君的成绩,
    -- 看结果需不需展示王昭君的名字,如果需要,我们用等值连接
    -- 如果不需要,我们子查询.
    --
    -- 查询男生中年龄最大的学生信息

    -- 1.先数据:男生中年龄最大:select max(age) from students;
    -- 2.后查询语句:

    -- select max(age) from students;
    -- select * from students where age=(select max(age) from students) and sex='男'


    -- 显示商品的品牌

    -- 1"的"前面的是子表,"的"后面的是主表.品牌表是主表,商品表子表
    -- 2.连接条件是主表的brand_id

    -- select * from goods_brands where not brand_id =?

    -- 显示商品的brand_id
    -- 写出子查询语句所求的目标,往往是题目中结果所求字段,替换成连接字段即可
    -- 在子表中显示没有商品的brand_id
    --     (采用取反)
    --     先求显示有商品的brand_id
    -- select distinct brand_id from goods

    -- 查询数据库和系统测试的课程成绩
    --  1.先写出主查询语句        
    --  a)分析主表,子表:看结果字段在哪个表,就把这个表作为主表,结果字段'的'前面的字段就是子表,        
    --     b)分析主表和子表的连接条件并写出主查询语句        
    -- 2.子查询语句的方法        a)写出子查询语句所求的目标,往往是题目中结果所求字段,替换连接字段即可        
    --     
    -- 2)求出子查询目标        
    --
    -- a).先写出主查询语句    

    -- select * from scores where courseno in (select courseno from courses where name in('数据库','系统测试'))

    -- b).子查询语句的方法    
    -- 查询数据库和系统测试的courseno
    -- select courseno from courses where name in('数据库','系统测试');

    -- select courseno,score from scores where courseno in (select courseno from courses where name in('数据库','系统测试'))



    -- 补充: 查询男生中年龄最大的学生信息
     
    -- select * from students where age=(select max(age) from students where sex='男' ) and sex='男'  ;
    --
    -- 查询数据库和系统测试的课程成绩(结果一定要看到数据库和系统测试这几个字)

    -- 先求表计子查询

    --  select * from courses where name in('数据库','系统测试')

    -- select name,score from scores inner join
    --  (select * from courses where name in('数据库','系统测试')) as c on c.courseno=scores.courseno


    -- 20
    -- 18
    -- 19
    -- 20
    -- any等价于some
    -- >any 就是大于范围的最小值
    -- <any就是小于 范围的最大值
    -- <all 就是小于 范围的最小值
    -- >all 就是大于 范围的最大值
    -- !=any 所有值
    -- !=all 不在范围内的所有值

    -- select age from students where age !=all (select age from students where age between 18 and 20)


    -- select class from students group by class;


    -- 查询各个班级学生的平均年龄、最大年龄、最小年龄

    -- select class,avg(age),max(age),min(age) from students group by class


    -- 查询王昭君的数据库成绩,要求显示姓名、课程名、成绩

    -- select students.name,courses.name,score from students
    -- inner join scores on students.studentNo=scores.studentno
    -- inner join courses on scores.courseNo=courses.courseNo
    -- where students.name='王昭君' and courses.name='数据库';
    --

    -- 查询所有课程的成绩,包括没有成绩的课程,包括学生信息
    -- 成绩表全部展示
    --    左连接,成绩表放在join的左边
    -- select * from courses
    -- left join scores on scores.courseNo=courses.courseNo
    -- left join students on students.studentNo=scores.studentno;

    -- select * from students where card is null

    -- select * from students where card != ''
     

    展开全文
  • 关联规则应用举例 下面结合顾客购买实例提出一个可行的关联分析方法 某公司专业生产化妆用品和沐浴用品该公司在全国各大城市的各大商场都设点销售公司对一定时间范围内顾客购买详细情况作了收集情况如表1所示限于...
  • 一、矩阵关联分析(象限分析法) 定义 将事物的两个重要指标作为分析的依据,进行分类关联分析,找出解决问题的一种分析方法,也称为矩阵关联分析法,简称矩阵分析(或象限分析)。 作用 (1)将有相同特征的事件...

    一、矩阵关联分析(象限分析法)

    1. 定义
      将事物的两个重要指标作为分析的依据,进行分类关联分析,找出解决问题的一种分析方法,也称为矩阵关联分析法,简称矩阵分析(或象限分析)。

    2. 作用
      (1)将有相同特征的事件进行归因分析,总结其中的共性原因;
      (2)建立分组优化策略;

    3. 应用场景
      只要两个指标之间线性无关且放在一起有意义都可以用象限分析 。如:转化率和客单价, 售罄率和单款产出,单款库存深度(数量)和 上新款数。
      (1)每次营销活动的点击率和转化率
      在这里插入图片描述
      (2) 用户对产品重要性和满意度
      在这里插入图片描述

    4. 举例实现
      通过一个简单案例,对各种渠道的销售额及毛利率进行矩阵关联分析项目,建立分组优化策略
      在这里插入图片描述
      在这里插入图片描述分别结算出两组特征的平均值,然后将坐标轴位置移动到另一个特征平均值的位置(本例中销售额平均值=166371,毛利率平均值=491)
      在这里插入图片描述
      在这里插入图片描述
      纵坐标操作与横坐标操作步骤相同,然后再将横纵格栅右键删除
      在这里插入图片描述

    至此,矩阵关联分析的主要步骤已经完成,剩下的渲染设计工作,就见仁见智了!!!

    展开全文
  • 一、什么是关联分析 关联分析:世间万物都有一定的联系 定义:发现存在于大量数据集中的关联性或相关性,从而描述了一个事物中某些属性同时出现的规律和模式。 应用场景【超市购物、服装搭配、图书购买等等】 ...

    一、什么是关联分析

    关联分析:世间万物都有一定的联系

    1. 定义:发现存在于大量数据集中的关联性或相关性,从而描述了一个事物中某些属性同时出现的规律和模式。

    2. 应用场景【超市购物、服装搭配、图书购买等等】

    3. 实质:关联规则学习

    二、关联分析的基本概念

    1、项、项集

    项:一个个分析对象
    项集:若干个项组成的集合

    举例说明,今天去超市购买苹果、葡萄、包子、馒头,这些称之为项,今天买的总的称之为项集。

    2、支持度:项集出现的频繁程度

    含义:项集在数据集中出现的频率即项集出现的次数除以数据集中的数量
    数学表达式为:
    P(A)=count(A)/count(dataset) P(A)=count(A)/count(dataset)

    3、置信度:体现关联规则的可靠程度

    含义:产品A与产品B出现的次数除以A出现的次数
    数学表达式为:
    A>B=count(AB)/count(A)=P(AB)/P(A)=P(BA) 置信度(A-->B)=count(AB)/count(A) =P(AB)/P(A)=P(B|A)

    上述表达式的实质是概率公式,意为在A发生的前提下,B发生的概率。
    对应现实生活中的啤酒和尿不湿捆绑销售,则表示为啤酒和尿不湿放在一定的前提下,用户在买啤酒的时候有多大的概率会买尿不湿。

    4、提升度:置信度相对于支持度来说提升了多少

    数学表达式为:
    A>B=P(BA)/P(B)=P(AB)/P(A)P(B) 提升度(A-->B)=P(B|A)/P(B)=P(AB)/P(A)*P(B)

    提升度的取值范围:
    1. 大于1:产品A和产品B捆绑时B卖出的几率比单独卖产品B卖出的几率大,有研究的意义
    2. 等于1:捆绑卖与单独卖的效益相同,转换成数学思维的话就是产品A和产品B之间是独立的没有联系的。
    3. 小于1:捆绑卖反而没有单独卖效益高,产生了负作用。

    5、频繁项集:项集出现比较频繁

    支持度是描述项集出现的频繁程度,因此针对支持度设定一个阈值【标准】,大于等于阈值则被称之为频繁项集

    三、关联分析过程

    1. 在数据集中,找出频繁项集

    首先看一下组合的流程图:

    数据集
    1
    2
    3
    12
    13
    23
    123

    以上的流程图展示了,各项之间的组合,第一层是项,后两层是项集。
    具体操作原理:
    4. 遍历项,此时的每个项就是一个项集
    5. 计算每个项集的支持度
    6. 得到支持度大于指定阈值的项集

    2.根据频繁项集生成关联规则

    1.将符合条件的频繁项集拆分成两个非空子集,则这两个非空子集就构成关联规则。
    2.针对每个规则分别计算置信度、提升度,选择符合要求且合适的关联规则

    四、算法原理

    1、Apriori算法

    上述的寻找频繁项集的过程在数据集的项数多的情况下,数量会非常大。用Apriori算法优化,降低计算量。
    原理:
    1.如果一个项集是频繁项集,则其所有的非空子集也是频繁项集
    2. 如果一个非空项集是非频繁项集,则其所有的父集也是非频繁项集
    举例说明:若123是频繁项集,则断定12、13、23也是频繁项集;若12是非频繁项集,则123也是频繁项集,即其他数据集里只要含12都可直接判定其为非频繁项集。

    2、Apriori算法流程

    1. 遍历数据集,生成候选项集Ck(k从1开始)C1表示1项集,每个项集中存在一个元素
    2. 计算Ck的支持度,排除低于阈值的项集,筛选出来的项集为频繁项集Lk(k从1开始)
    3. 频繁项集Lk进行组合得到候选项集C(k+1)
    4. 重复2、3的操作直到满足下述的条件之一时,停止。
    • 频繁K项集无法组合成候选的K+1项集【无候选项集可生成】
    • 所有的候选K项集的支持度都低于指定阈值,则无法生成频繁K项集【无频繁项集生成】
    • 简单来2步骤无法实现、3步骤无法实现,不得不终止。

    3、Apriori算法代码实现

    1. 读取数据并整理数据

      def load_data(path):
      	    content = []
      	    with open(path, encoding="UTF 8") as f: #打开文件命名为f
      	        for line in f:
      	            line = line.strip("\n")  #清除开头结尾的换行符
      	            content.append(line.split(",")) #将每一层的内容以,分隔开作为一个整体装入列表中
      	    return content
      
      	dataset = load_data("data.txt")
      	print(len(dataset))
      

    注:dataset 是一个二维列表,每个元素 一维列表 保存每个购物清单的商品记录。

    1. 寻找频繁K项集和关联规则

      # 导入算法包
      from efficient_apriori import apriori
      
      # 该函数会返回满足条件的频繁项集与关联规则
      '''itemsets,rules=apriori(transactions,
          min_support: float = 0.5, # min_support 支持度阈值
          min_confidence: float = 0.5) #  min_confidence 置信度阈值
      '''
      itemsets,rules=apriori(transactions=dataset,min_support= 0.04,min_confidence= 0.3)
      # 输出所有满足条件频繁k项集
      print(itemsets)
      # 输出关联规则
      print(rules)
      # 查看关联规则的支持度、置信度、提升度、确信度
      for r in rules:
          print(r)
          print("支持度",r.support)
          print("置信度",r.confidence)
          print("提升度",r.lift)
          print("确信度",r.conviction)
      

    4、Apriori结果解读

    rules 关联规则的结果

    每个关联规则的4个指标

    • 支持度 support P(A)
    • 置信度 confidence P(B|A)
    • 提升度 lift P(B|A)/P(B)
    • 确信度 conviction 1-P(B)/1-P(B|A)
      上面只介绍了前3个指标,因此接下来要介绍一下确信度。
    确信度

    A>B=(1P(B))/(1P(BA)) 确信度(A-->B)=(1-P(B))/(1-P(B|A))
    如某关联规则的确信度大,该规则的置信度大。

    四、实际应用

    在实际应用中最关键的是寻找合适的支持度、置信度阈值。最终的每个关联规则都会得到相应的四个指标,根据实际的应用场景,着重查看某指标,最终得到合适的关联规则,应用到实际的业务场景中去。

    展开全文
  • 大数据的应用对象可以简单的分为给人类提供辅助服务,以及为智能体提供决策...大数据应用于个人生活,利用与每个人相关联的“个人大数据”,分析个人生活行为习惯,为其提供更加周到的个性化服务。比如: 1、提高...

    大数据的应用对象可以简单的分为给人类提供辅助服务,以及为智能体提供决策服务。

    对企业而言,大数据可提高工作效率,降低企业成本,精准营销带来更多客户。

    对政府而言,可以利用大数进行统筹分析、提高管理效率、管理抓获犯罪分子等。

    对个人而言,可以利用大数据更了解自己等。

    大数据

    大数据应用于个人生活,利用与每个人相关联的“个人大数据”,分析个人生活行为习惯,为其提供更加周到的个性化服务。比如:

    1、提高体育成绩

    现在很多运动员在训练的时候应用大数据技术来分析。很多精英运动队还追踪比赛环境外运动员的活动-通过使用智能技术来追踪其营养状况以及睡眠,以及社交对话来监控其情感状况。

    大数据

    2、医疗保健

    大数据可以更好的去理解和预测疾病。人们戴上智能手表等可以产生的数据一样,大数据同样可以帮助病人对于病情进行更好的治疗。大数据可以帮助我们实现流行病预测、智慧医疗、健康管理,同时还可以帮助我们解读DNA,了解更多的生命奥秘。

    大数据技术目前已经在医院应用监视早产婴儿和患病婴儿的情况,通过记录和分析婴儿的心跳,医生针对婴儿的身体可能会出现不适症状做出预测。

    3、零售营销

    大数据能够以多种方式用于零售业。例如,大数据可用于分析客户行为,收集的信息使零售商能够为客户创造个性化的体验。

    大数据

    4、改善城市交通

    大数据还被应用改善我们日常生活的城市。例如基于城市实时交通信息、利用社交网络和天气数据来优化最新的交通情况。

    大数据好找工作吗?

    大数据前景很好,目前国内大数据人才缺乏,大数据的应用十分广泛,大数据不仅包括企业内部应用系统的数据分析,还包括与行业、产业的深度融合。

    大数据相关有各方面的工作,有需要用到高深的技术的,也有简单的工作,主要你愿意并且有决心从事大数据相关工作,不管你先前读什么专业,一定能找到最适合你的切入点,进入大数据行业工作。

    展开全文
  • 关联规则分析1....关联规则举例: 购买面包的用户很有可能会购买牛奶,面包≥牛奶面包\geq 牛奶面包≥牛奶,面包为前项,牛奶为后项。面包降价销售,适当提高牛奶的售价。这一关联规则,可能会增加
  • 经典例子——购物篮分析其他应用举例[考点]数据集中支持度的计算频繁项集项集支持度计数 support count支持度 support[考点]关联规则的强度——置信度和支持度的计算关联规则衡量关联规则的强度——支持度 置信度2....
  • UML类图中最常用到的元素,但是学习UML类图前呢,我们需要现了解类与类之间的六种关系:泛化【就是继承】、实现、关联、依赖、聚合、组合\color{DarkTurquoise}{我们平时阅读一些源码分析类文章或是设计应用架构时没...
  • 本书论述运用UML(统一建模语言)和模式进行对象建模的方法和技巧,重点讨论了如何使用面向对象的分析和设计技术来建造一个健壮的和易于维护的系统。 全书叙述清晰、图文并茂、实例丰富,是一部来自于大量经验的...
  • 提出了电信大数据的异构关联方法与实现架构,并进行了方法的流程举例和验证,从用户维度实现了多系统间的数据融合,优化了诸如用户画像等应用的数据样本空间,从而大幅提升电信大数据价值密度。
  • 数据分析方法论

    2021-01-21 16:34:48
    分析模型篇 1.行为事件分析 基本流程:事件定义与选择、下钻分析、解释与结论等环节 分析模型:5W2H模型 ...应用举例:流量监控、产品目标转化等 3.留存分析 特性:分析用户参与情况/活跃程度的分析模型 ...
  • MFC内部各函数关联机制与运行脉络

    千次阅读 2010-01-13 19:43:00
    以单文档项目Test举例,我们的自动生成的代码中所包含以下这些类:CAboutDlg;... 先分析CTestApp类如何关联。在自动生成的文件Test.cpp中 定义了一个也是唯一一个应用程序类CTestApp theApp它在程序编译前系统就要给这
  • 如何进行一致性检验四、应用场景举例(旅游问题)1. 建模2. 构造成对比较矩阵3. 执行代码获得权重4. 计算决策层对总目标的权值五、MATLAB代码六、实际案例七、论文案例片段(待完善) 层次分析法主要针对数学建模...
  • 6.3 举例:饮料销售机 62 6.4 包含用例 64 6.5 扩展用例 65 6.6 开始用例分析 66 6.7 小结 66 6.8 常见问题解答 66 6.9 小测验和习题 67 第7章 用例图 68 第8章 状态图 81 第9章 顺序图 90 第10...
  • MIT小波滤波器组及其应用课件

    热门讨论 2010-02-19 20:23:12
    多分辨率分析(MRA): 多分辨率分析的必要条件; 嵌套空间和互补空间; 尺度函数和小波 幻灯片 9 (PDF) 资料 9 (PDF) 精细方程: 迭代求解和递归求解技术; 无限乘积公式; 计算尺度函数和小波的滤波器组方法 幻灯片...
  • 7.3 用例图在分析过程中的作用 73 7.4 运用用例模型:举例 73 7.4.1 理解领域 73 7.4.2 理解用户 74 7.4.3 理解用例 75 7.4.4 进一步深入 76 7.5 “清查存货” 77 7.5.1 结构元素 77 7.5.2 关系 77 7.5.3 分组 78 ...
  • 5.5.6 字符数组应用举例 *5.6 C++处理字符串的方法——字符串类与字符串变量 5.6.1 字符串变量的定义和引用 5.6.2 字符串变量的运算 5.6.3 字符串数组 5.6.4 字符串运算举例 习题 第6章 指针 6.1 指针的概念 6.2 ...
  • 5.5.6 字符数组应用举例 *5.6 C++处理字符串的方法——字符串类与字符串变量 5.6.1 字符串变量的定义和引用 5.6.2 字符串变量的运算 5.6.3 字符串数组 5.6.4 字符串运算举例 习题 第6章 指针 6.1 指针的概念 6.2 ...
  • 浅谈嵌入式.pptx

    2020-02-18 22:20:07
    应用举例 嵌入式的概括性定义 嵌入式开发的特点 面向产品 各个研发结点都直接和最终产品相关联 行业背景密切关联 技术应用及设计与行业密切相关 需求分析 销售、市场语言到技术语言的转化 ...
  • 卡方检验(详解)

    万次阅读 多人点赞 2018-08-16 10:57:47
    属于非参数检验,主要是比较两个及两个以上样本率(构成比)以及两个分类变量的关联分析。根本思想在于比较理论频数和实际频数的吻合程度或者拟合优度问题。 应用:两个率或两个构成比比较的卡方检验;多个率或...
  • 文章目录无监督学习聚类分析性能度量距离计算应用行业K-means算法算法思想举例K-Means聚类的优缺点 无监督学习 :是指在未加标签的数据中,根据数据之间本身的属性特征和关联性对数据进行区分,相似相近或关联性强的...
  • 卡方检验

    2021-04-09 09:39:51
    属于非参数检验,主要是比较两个及两个以上样本率(构成比)以及两个分类变量的关联分析。根本思想在于比较理论频数和实际频数的吻合程度或者拟合优度问题。 应用:两个率或两个构成比比较的卡方检验;多个率或多...
  • 卡方检验和卡方分布

    千次阅读 2018-06-18 13:40:15
    它属于非参数检验的范畴,主要是比较两个及两个以上样本率( 构成比)以及两个分类变量的关联分析。其根本思想就是在于比较理论频数和实际频数的吻合程度或拟合优度问题。它在分类资料统计推断中的应用包括:两个率...
  • 微尺度效应是金属微成形过程中特有的现象,也是深入研究微成形工艺和微尺度变形规律的瓶颈问题。...利用已有的试验数据,举例说明以上评估指标和评估方法的应用,结果表明,所提出的微尺度效应分类具有实
  • 时间序列 R语言 读书笔记 01

    千次阅读 2016-04-17 14:43:30
    本文是学习《时间序列分析应用 R语言 (前两章)》及《Forecasting: principles and practice》时的读书笔记,如有错误,欢迎指正,不胜感激。 下面是书的封面 第一章 绪论1.1 时间序列举例文中提出几个时间...
  • powerbi 演示

    2011-12-17 11:08:36
    拓展应用举例 一、费用分析与预算:费用处理中,因为财税制度的限制,企业一般会对一些费用进行另外的处理。如业务招待费,因为受到销售收入的比例限制,通常企业会将部分业务招待费,如购买礼品的费用,放在办公...
  • 面向对象与UML资料

    2009-06-06 06:24:56
    第一章 结构化的分析与设计 8 第一节 模型图 8 业务流程图 8 数据流图 11 功能结构图 12 功能树 13 网络结构图 14 程序流程图 15 第二节 需求分析 15 需求分析的任务 15 需求分析的步骤 15 需求分析的原则 16 需求...
  • 10种图算法直观可视化解释

    千次阅读 2020-08-31 09:23:04
    在这篇文章中,我将简要地解释10个对分析应用非常有用的基本图形算法。 首先,让我们介绍图。 什么是图? 图由一组有限的顶点或节点和一组连接这些顶点的边组成。如果两个顶点通过同一条边互相连接,则称它们为邻接...

空空如也

空空如也

1 2 3 4 5
收藏数 98
精华内容 39
关键字:

关联分析应用举例