精华内容
下载资源
问答
  • Java和C#运行命令行的例子对比

    千次阅读 2009-09-01 16:45:00
    呵呵,刚给客户解决了在C#里运行命令行的例子,顺便整理了一下Java的例子,大家参考对比一下 Java的import java.io.BufferedReader;import java.io.InputStream;import java.io.InputStreamReader;/** * Java运行...

    呵呵,刚给客户解决了在C#里运行命令行的例子,顺便整理了一下Java的例子,大家参考对比一下

     

    Java的

     

     

    C# 的

     

    运行结果相同,大家自己看吧

    展开全文
  • 敏捷开发和瀑布模型对比  瀑布、迭代、螺旋、敏捷——在这里讨论的敏捷,都属于过程模型  ...

                                   敏捷开发和瀑布模型对比


                   瀑布、迭代、螺旋、敏捷——在这里讨论的敏捷,都属于过程模型

     

    展开全文
  • 这些例子可以看作是简单的案例,但是它们可以帮助您建立直觉并理解基础知识。在理解了基础知识之后,您可以构建更高级的操作。 作者:Soner Yıldırım 原文地址:...

    本文的重点是在合并和连接操作方面比较Pandas和SQL。Pandas是一个用于Python的数据分析和操作库。SQL是一种用于管理关系数据库中的数据的编程语言。两者都使用带标签的行和列的表格数据。

    Pandas的merge函数根据公共列中的值组合dataframe。SQL中的join可以执行相同的操作。这些操作非常有用,特别是当我们在表的不同数据中具有共同的数据列(即数据点)时。

    pandas的merge图解

    我创建了两个简单的dataframe和表,通过示例来说明合并和连接。

    “cust”包含5个客户的3条信息。列是id、年龄和类别。

    “purc”包含客户id、机票号码和购买金额。

    id是共同列的列,所以我们将在合并或联接时使用它。

    您可能已经注意到,id列并不完全相同。有些值只存在于一个dataframe中。我们将在示例中看到处理它们的方法。

    示例1

    第一个示例是基于id列中的共享值进行合并或连接。使用默认设置完成了这个任务,所以我们不需要调整任何参数。

    import pandas as pd
    cust.merge(purc, on='id')
    

    Pandas的merge函数不会返回重复的列。另一方面,如果我们选择两个表中的所有列(“*”),则在SQL join中id列是重复的。

    mysql> select cust.*, purc.*
        -> from cust join purc 
        -> on cust.id = purc.id
        
    ;+------+------+------+------+--------+--------+
    | id   | age  | ctg  | id   | ticket | amount |
    +------+------+------+------+--------+--------+
    |    3 |   22 | B    |    3 |   1001 |  24.10 |
    |    4 |   29 | C    |    4 |   1002 |  32.50 |
    |    5 |   17 | B    |    5 |   1003 |  34.80 |
    +------+------+------+------+--------+--------+
    

    示例2

    假设我们希望左表中有所有的行,而右表中只有匹配的行。在Pandas中,on参数被更改为“left”。在SQL中,我们使用“left join”而不是“join”关键字。

    cust.merge(purc, on='id', how='left')
    

    mysql> select cust.*, purc.*
        -> from cust
        -> left join purc
        -> on cust.id = purc.id
    
    ;+------+------+------+------+--------+--------+
    | id   | age  | ctg  | id   | ticket | amount |
    +------+------+------+------+--------+--------+
    |    3 |   22 | B    |    3 |   1001 |  24.10 |
    |    4 |   29 | C    |    4 |   1002 |  32.50 |
    |    5 |   17 | B    |    5 |   1003 |  34.80 |
    |    1 |   34 | A    | NULL |   NULL |   NULL |
    |    2 |   28 | A    | NULL |   NULL |   NULL |
    

    purcdataframe和表中没有id为1或2的行。因此,purc中的列中填充了这些行的空值。

    示例3

    如果我们想要看到两个dataframe或表中的所有行,该怎么办?

    在Pandas中,这是一个简单的操作,可以通过将’ outer '参数传递给on形参来完成。

    cust.merge(purc, on='id', how='outer')
    

    MySQL没有提供“完整的外连接”,但是我们可以通过两个左连接来实现。

    注意:尽管关系数据库管理系统(rdbms)采用的SQL语法基本相同,但可能会有一些细微的差异。因此,最好检查特定RDBMS的文档,看看它是否支持完整的外部连接。

    在MySQL中,完整的外连接可以通过两个左连接实现:

    mysql> select cust.*, purc.*
        -> from cust left join purc
        -> on cust.id = purc.id
        -> union
        -> select cust.*, purc.*
        -> from purc left join cust
        -> on cust.id = purc.id
    ;+------+------+------+------+--------+--------+
    | id   | age  | ctg  | id   | ticket | amount |
    +------+------+------+------+--------+--------+
    |    3 |   22 | B    |    3 |   1001 |  24.10 |
    |    4 |   29 | C    |    4 |   1002 |  32.50 |
    |    5 |   17 | B    |    5 |   1003 |  34.80 |
    |    1 |   34 | A    | NULL |   NULL |   NULL |
    |    2 |   28 | A    | NULL |   NULL |   NULL |
    | NULL | NULL | NULL |    6 |   1004 |  19.50 |
    | NULL | NULL | NULL |    7 |   1005 |  26.20 |
    +------+------+------+------+--------+--------+
    

    union操作符将多个查询的结果堆叠起来。这类似于Pandas的concat功能。

    示例4

    合并或联接不仅仅是合并数据。我们可以把它们作为数据分析的工具。例如,我们可以计算每个类别(“ctg”)的总订单金额。

    cust.merge(purc, on='id', how='left')[['ctg','amount']].groupby('ctg').mean()
                    
    ctg     amount
    --------------                             
    A       NaN                 
    B       29.45                 
    C       32.50
    

    因为purc表不包含任何属于类别A中的客户的购买,所以sum结果为Null。

    mysql> select cust.ctg, sum(purc.amount)
        -> from cust
        -> left join purc
        -> on cust.id = purc.id
        -> group by cust.ctg
    ;+------+------------------+
    | ctg  | sum(purc.amount) |
    +------+------------------+
    | A    |             NULL |
    | B    |            58.90 |
    | C    |            32.50 |
    +------+------------------+
    

    示例5

    我们还可以在组合之前根据条件筛选行。让我们假设我们需要找到小于25岁的客户的购买量。

    对于pandas 我们首先过滤dataframe,然后应用合并函数。

    cust[cust.age < 25].merge(purc, on='id', how='left')[['age','amount']]       
    
    age     amount                       
    0       22       24.1                 
    1       17       34.8
    

    mysql使用一个where子句来指定过滤条件。

    mysql> select cust.age, purc.amount
        -> from cust
        -> join purc
        -> on cust.id = purc.id
        -> where cust.age < 25
    ;+------+--------+
    | age  | amount |
    +------+--------+
    |   22 |  24.10 |
    |   17 |  34.80 |
    +------+--------+
    

    总结

    我们已经介绍了一些示例来演示Pandas合并函数和SQL连接之间的区别和相似之处。

    这些例子可以看作是简单的案例,但是它们可以帮助您建立直觉并理解基础知识。在理解了基础知识之后,您可以构建更高级的操作。

    作者:Soner Yıldırım

    原文地址:https://towardsdatascience.com/pandas-vs-sql-in-5-examples-485b5571d934

    das合并函数和SQL连接之间的区别和相似之处。

    这些例子可以看作是简单的案例,但是它们可以帮助您建立直觉并理解基础知识。在理解了基础知识之后,您可以构建更高级的操作。

    作者:Soner Yıldırım

    deephub翻译组

    展开全文
  • 基本上看下面这个图就知道了,如果想要验证,可以接着看下面的数据计算实例。 源数据X: 9*20, 9个样本, 20维   源数据     平均值 ...[PCA_coeff, PCA_score, PCA_latent] =pca(X) //默认一行为一个数据样本,...

    基本上看下面这个图就知道了,如果想要验证,可以接着看下面的数据计算实例。

    源数据X: 9*20,  9个样本, 20维

     

    源数据

     

     

    平均值

     

     

    数据中心化:

     

     

    PCA方法求解

    [PCA_coeff, PCA_score, PCA_latent] =pca(X)    //默认一行为一个数据样本,matlab自动进行数据中心化

     

    PCA_coeff :主成分向量,每一列是一个成分,对应一个基向量

     

     

    PCA_latent:特征值

     

     

    PCA_score: 新基下的坐标响应

     


    PCA分解

    [princ_coef, princ_score, princ_latent,princ_t2] = princomp(X)

     

     help('princomp')

     princomp Principal Components Analysis(PCA). 

       Using princomp is discouraged. Use PCA instead. Calls to princomp are

       routed to PCA. Please see the documentation of PCA for help.

     

       [coeff, score, latent, tsquare] = princomp(x,econFlag)

     

    princ_coeff:一列为基向量,和PCA一致,只是多了不必要的基向量,但这基向量完备!

     

     

    (以下是用X'*X做出的特征向量矩阵,有8个特征向量是一致的,只是差了一个负号,由于源数据样本的秩为8,所以转换后主成分基只需要8个,就能够表达源数据,而其余的基只要正交即可,所以剩余的不同。)

     

     

    princ_latent:特征值


     

    princ_score: 9个样本,每个样本一行,一行每个分量是新基上的响应(就是坐标值,是新坐标系下的值)

     

     

    princ_t2

     

     

     

    用协方差矩阵求解特征值

    [Va, Da] = eig(X'*X)                     [Vb, Db] = eig(X*X')

      

       [V,D] = eig(X) produces a diagonal matrix D of eigenvalues and a

       full matrix V whose columns are the corresponding eigenvectors so

       that X*V = V*D.

     

       [V,D] = eig(X,'nobalance') performs the computation with balancing

       disabled, which sometimes gives more accurate results for certain

       problems with unusual scaling. If X is symmetric, eig(X,'nobalance')

       is ignored since X is already balanced.

     

    直接对 X 进行求解,发现两个特征值一模一样eig(X'*X)==eig(X*X'),但是对应的特征向量不一样


    Da对应特征值:


     

    Db:X'*X 特征值

           和PCA做出来的特征差倍数关系(倍数=8=特征值个数)

     

               

     

    (以下是用SVD做出的奇异值的平方,发现与X'*X 特征值一致)

     

     

     

    Va:X*X' 特征向量,一列为一个特征向量

     

     

    Vb:特征向量,一列为一个特征向量

     

     

    SVD分解

     [svd_U, svd_S, svd_V] = svd(X)

     

     [U,S,V] = svd(X) produces a diagonal matrix S,of the same

       dimension as X and with nonnegative diagonal elements in

       decreasing order, and unitary matrices U and V so that

        X= U*S*V'.

     

     [U,S,V] = svd(X,0) produces the "economysize"

       decomposition. If X is m-by-n with m > n, then only the

       first n columns of U are computed and S is n-by-n.

       For m <= n, svd(X,0) is equivalent to svd(X).

     

    [U,S,V] = svd(X,'econ') also produces the"economy size"

       decomposition. If X is m-by-n with m >= n, then it is

       equivalent to svd(X,0). For m < n, only the first m columns

       of V are computed and S is m-by-m.

     

    svd_S:奇异值

     

     

    svd_S2 = svd_S.^2

     

     

    svd_U: 和X*X' 特征向量保持一致,区别就是排序不一样

     

     

    svd_V:和X*X' 特征向量保持一致(部分向量差一个负号,不影响结果)

     

     


    展开全文
  • 上面我们讲解了Ajax的原理和工作流程,这篇我们就来讲讲AJAX在向服务器发送请求的两种方式的对比吧! 这里先复习一下:Ajax的工作流程 1创建XMLHttpRequest对象,也就是请求对象 2设置监听方法,通过...
  • Objective-C的语法对比(和Java的对比) 1、函数的对比 例子: helloworld方法 Java 语言: public void helloWorld(bool ishelloworld) { //TODO } Objective-C语言: -(void) HelloWorld:(BOOL)ishelloworld{ ...
  • >>> a = '这本书很好' >>> import jieba >>> ws = jieba.cut(a) #分词 >>> for i in ws: ... print i ... 这 本书 很 好 >>> import jieba.posseg as pseg #.........好/a
  • 对于第i行第j个像素 g(i,j) = alpha * f(i,j) + beta ...alpha 对应着对比度 beta 对应着亮度 #include #include #include using namespace cv; double alpha; /***/ int beta; /**< Simple brigh
  • 1、32位程序例子: ;filename:obj32.asm import MessageBoxA user32.dll extern MessageBoxA import ExitProcess kernel32.dll extern ExitProcess global obj32 export obj32 [SECTION CODE USE32 CLASS=CODE...
  • emplace_back: I am being constructed. push_back: I am being constructed. I am being moved. Contents: Nelson Mandela was elected president of South Africa in 1994. Franklin Delano Roosevelt was re-...
  • 大数据spark“蘑菇云”行动超大型项目实战第68课:spark RDD案例和spark sql案例对比实战
  • 陈述: 就是想看一下贝叶斯学派的陈述,从不同的学派的对比,看看有什么优缺点,然后自己思考下。  摘要: 通过设计恰当的概率代理模型和采集函数,贝叶斯优化框架只需经过少数次目标函数评估即可获得理想解。 ...
  • Protocol Buffers编码详解,例子,图解

    千次阅读 2015-01-13 22:32:20
    Protocol Buffers编码详解,例子,图解 本文不是让你掌握protobuf的使用,而是以超级细致的例子的方式分析protobuf的编码设计。通过此文你可以了解protobuf的数据压缩能力来自什么...阅读图片时请对比前面的例子和表格
  • android DialogFragment使用 附例子

    千次阅读 2012-09-30 20:36:11
    之前一直用Activity中的onCreateDialog方法来创建dialog,现在在弄Android 4.0,API一直提示onCreateDialog"This method is deprecated",推荐...第一个例子为了介绍style和theme,显得非常复杂,还不知道如何设置tit
  • 多属性决策模型 matlab代码及例子

    千次阅读 2019-05-11 23:42:23
    多属性决策模型 通过层次分析模型得到的 权重与属性值相乘 再找最优 ...例子然后各项指标的重要性创建比较矩阵,通过层次分析法得到各权重。 利用各项指标权值与每个公司对应数据相乘再相加得到的总值对比。 ...
  • druid简单例子

    千次阅读 2015-05-19 21:44:32
    阿里巴巴推出的国产数据库连接池,据网上测试对比,比目前的DBCP或C3P0数据库连接池性能更好 简单使用介绍 Druid与其他数据库连接池使用方法基本一样(与DBCP非常相似),将数据库的连接信息全部配置给DataSource...
  • sklearn Classifier 基础例子

    千次阅读 2018-02-09 17:21:49
    前沿: 学习了机器学习中的sklearn, 感觉颇有些简单,接下来就让我们看一个例子,来分析一下它的KNeighborsClassifier 例子,是如何工作的。代码如下:import numpy as npfrom sklearn import datasets #这里导入...
  • OSG例子程序简介osgearth各个例子功能

    千次阅读 2018-04-04 08:39:44
    演示了多种压缩格式(InternelFormatMode)的对比效果。同时有多视口osgViewer::CompositeViewer的使用。 111.example_osgtexturerectangle 演示了矩形纹理osg::TextureRectangle的使用,矩形纹理的纹理坐标范围必须...
  • Jmeter与Ab对比测试

    万次阅读 2017-04-06 09:39:31
    Ab压测的并发结果和jmeter的并发测试结果会有怎么样的联系呢,我们可以对比下。在下面的例子中,在一个tomcat服务器上运行了一个简单的servlet,该servlet只是睡眠100毫秒,然后返回success给response。
  • Android SqlDelight详解和Demo例子: 点我 Android SqlBrite使用介绍和官方demo详解: 点我 Android AutoValue使用和扩展库: 点我在说到SqlBrite的时候有介绍到它的官方的例子,官方的栗子是没有用到SqlDelight的。...
  • dbus介绍与例子

    万次阅读 多人点赞 2015-08-08 16:50:45
    我在Matthew Johnson和恺风的例子基础上做了修改,如下: #include #include #include #include #include /* * listen, wait a call or a signal */ #define DBUS_SENDER_BUS_NAME ...
  • EM算法详解+通俗例子理解

    万次阅读 多人点赞 2019-09-07 10:06:08
    文章目录1、总述2、定义3、感性例子例子简介:加入隐变量zEM初级版EM进阶版例子总结4、Jensen不等式(前置知识)5、EM思想6、EM推导7、应用8、参考文献 1、总述 期望最大算法是一种从不完全数据或有数据丢失的数据...
  • MP3对比M4A

    千次阅读 2019-08-22 18:19:19
    下面我们就来看实际的频谱图例子。 MP3硬伤:高频数据丢失严重 MP3:高频数据丢失严重 我们先来看这首无损歌曲的频谱图,可以看到频谱图的最高值能达到23khz。我们通过格式转换软件foobar 分别把它转换成一个...
  • 我看了《Programming in Scala》一书,仍然对 Scala yield 关键字的理解不甚清楚。起初我以为 Scala yield 的与 Ruby 的 yield 是一样,... 下面一些例子可以帮助你更好的理解 yield 关键字。下面是摘自 《Programming
  • 开源OLAP引擎对比

    千次阅读 2019-07-28 15:59:50
    文章目录开源OLAP引擎对比OLAP简介分布式OLAP引擎分类及对比基于MPP架构的ROLAP引擎预计算引擎架构的MOLAP搜索引擎架构纯列存OLAP基于内存的SnappyData对比 开源OLAP引擎对比 OLAP简介 OLAP(On-Line Analytical ...
  • 数字签名详解与例子

    千次阅读 2016-09-14 09:59:33
    数字签名原理及例子
  • 开篇 之前对js中的原型链和原型对象有所了解,每当别人问我...最近正在读《Javascript高级程序设计》,书中对原型对象和原型链的描述让我受益匪浅,下面仅用一个对比性的例子来说明。 我们经常会这么写 function Perso
  • 第一个自己敲入且运行的程序,都一个HelloWorld的程序、笔者也不例外,当笔者把Keras在Unbuntu系统安装好之后,早已掩盖不住激动的心,然后想在Keras上面运行一个HelloWorld的例子。后面笔者参考了莫愁同学的Keras的...
  • Kafka、RabbitMQ、RocketMQ等 消息中间件 介绍和对比

    万次阅读 多人点赞 2019-09-05 17:59:00
    文章目录1、前言2、概念2.1、MQ简介2.2、...3.1、Kafka3.2、RabbitMQ3.3、RocketMQ4、测试4.1、测试目的4.2、测试场景4.2.1、Kafka4.2.2、RocketMQ4.2.3、RabbitMQ4.3、测试结论5、消息队列优点对比5.1、各个消息队...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 332,191
精华内容 132,876
关键字:

对比例子