-
计算两个时间之间的进度百分比
2018-11-19 15:29:39获取两个时间之间的日期 <!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title>计算两日期时间相差多少天&...展开全文获取两个时间之间的日期
<!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title>计算两日期时间相差多少天</title> <script> function getTime2Time($time1, $time2) { var time1 = arguments[0], time2 = arguments[1]; time1 = Date.parse(time1)/1000; time2 = Date.parse(time2)/1000; var time_ = time1 - time2; return (time_/(3600*24)); } document.write(getTime2Time('2016-08-02', '2017-07-02')); var Computation =function(sDate1, sDate2){ //sDate1和sDate2是2008-12-13格式 var aDate, oDate1, oDate2, iDays aDate = sDate1.split("-") oDate1 = new Date(aDate[1] + '-' + aDate[2] + '-' + aDate[0]) //转换为12-13-2008格式 aDate = sDate2.split("-") oDate2 = new Date(aDate[1] + '-' + aDate[2] + '-' + aDate[0]) iDays = parseInt(Math.abs(oDate1 - oDate2) / 1000 / 60 / 60 /24) //把相差的毫秒数转换为天数 //alert(iDays); return iDays } document.write("\t"+Computation('2016-08-02', '2017-07-02')+"天"); function getDays(DateOne,DateTwo){ var OneMonth = DateOne.substring(5,DateOne.lastIndexOf ('-')); var OneDay = DateOne.substring(DateOne.length,DateOne.lastIndexOf ('-')+1); var OneYear = DateOne.substring(0,DateOne.indexOf ('-')); var TwoMonth = DateTwo.substring(5,DateTwo.lastIndexOf ('-')); var TwoDay = DateTwo.substring(DateTwo.length,DateTwo.lastIndexOf ('-')+1); var TwoYear = DateTwo.substring(0,DateTwo.indexOf ('-')); var cha=((Date.parse(OneMonth+'/'+OneDay+'/'+OneYear)- Date.parse(TwoMonth+'/'+TwoDay+'/'+TwoYear))/86400000); return Math.abs(cha); } document.write("\t"+getDays('2016-08-02', '2017-09-02')+"天"); </script> </head> <body> </body> </html>
百分比计算
formatTodata:function (row, column) { var time1=(!row.contracttime || row.contracttime == '') ? '' : util.formatDate.format(new Date(row.contracttime), 'yyyy-MM-dd') var time2=(!row.contracttimeschedule || row.contracttimeschedule == '') ? '' : util.formatDate.format(new Date(row.contracttimeschedule), 'yyyy-MM-dd'); var aDate, oDate1, oDate2, iDays,num,total; aDate = time1.split("-") oDate1 = new Date(aDate[1] + '-' + aDate[2] + '-' + aDate[0]) //转换为12-13-2008格式 aDate = time2.split("-") oDate2 = new Date(aDate[1] + '-' + aDate[2] + '-' + aDate[0]) iDays = parseInt(Math.abs(oDate1 - oDate2) / 1000 / 60 / 60 /24) //把相差的毫秒数转换为天数 num = parseFloat(iDays); total = parseFloat(365); if (isNaN(num) || isNaN(total)) { return "-"; } return total <= 0 ? "0%" : (Math.round(num / total * 10000) / 100.00 + "%"); },
-
高德API相关调用(计算两个经纬度之间的距离、坐标转换、地址与经纬度的转换)
2019-02-21 16:56:02计算两个经纬度之间的距离 String origin = "104.043390" + "," + "30.641982"; // 格式:经度,纬度;注意：高德最多取小数点后六位 String target = "106.655347" + "," + "31.786691"; String distance = ...展开全文package main; import java.io.BufferedReader; import java.io.InputStreamReader; import java.io.UnsupportedEncodingException; import java.net.URI; import java.net.URL; import java.net.URLConnection; import java.net.URLEncoder; import net.sf.json.JSONArray; import net.sf.json.JSONObject; /** * @author Fairy * 2019/01/21 4:45:40 * 调用高德相关API */ public class MapUtil { //个人key private static final String KEY = "e4f125cb287f912d447b07d1445e06df"; //API前缀 private static final String BASE_PATH = "http://restapi.amap.com/v3"; public static void main(String[] args) { //1.计算两个经纬度之间的距离 String origin = "104.043390" + "," + "30.641982"; // 格式:经度,纬度;注意：高德最多取小数点后六位 String target = "106.655347" + "," + "31.786691"; String distance = distance(origin, target); System.out.println("原坐标:{"+origin+"}，目标坐标:{"+target+"}--------->计算后距离：" + distance); //2.地址转换高德坐标 String address = "成都市武侯区"; String coordinate = coordinate(address); System.out.println("转换前地址:"+address+"--------->转变后坐标：" + coordinate); //3.gps坐标转化为高德坐标 String coordsys = "121.43687,31.18826"; String moordsys = convert(coordsys); System.out.println("转换前的经纬度："+ coordsys +"-------->转变后的经纬度:"+ moordsys); } /** * 高德地图WebAPI : 驾车路径规划 计算两地之间行驶的距离(米) * String origins:起始坐标 * String destination:终点坐标 */ public static String distance(String origins, String destination) { int strategy = 0; /** * 0:速度优先（时间）; 1:费用优先（不走收费路段的最快道路）;2:距离优先; 3:不走快速路 4躲避拥堵; * 5:多策略（同时使用速度优先、费用优先、距离优先三个策略计算路径）;6:不走高速; 7:不走高速且避免收费; * 8:躲避收费和拥堵; 9:不走高速且躲避收费和拥堵 */ String url = BASE_PATH + "/direction/driving?" + "origin=" + origins + "&destination=" + destination + "&strategy=" + strategy + "&extensions=base&key="+ KEY; JSONObject jsonobject = JSONObject.fromObject(getHttpResponse(url)); JSONArray pathArray = jsonobject.getJSONObject("route").getJSONArray("paths"); String distanceString = pathArray.getJSONObject(0).getString("distance"); return distanceString; } /** * 高德地图WebAPI : 地址转化为高德坐标 * String address：高德地图地址 */ public static String coordinate(String address) { try { address = URLEncoder.encode(address, "utf-8"); } catch (UnsupportedEncodingException e) { // TODO Auto-generated catch block e.printStackTrace(); } String url = BASE_PATH + "/geocode/geo?address=" + address + "&output=json&key="+ KEY; JSONObject jsonobject = JSONObject.fromObject(getHttpResponse(url)); JSONArray pathArray = jsonobject.getJSONArray("geocodes"); String coordinateString = pathArray.getJSONObject(0).getString("location"); return coordinateString; } /** * 高德地图WebAPI : gps坐标转化为高德坐标 * String coordsys：高德地图坐标 */ public static String convert(String coordsys) { try { coordsys = URLEncoder.encode(coordsys, "utf-8"); } catch (UnsupportedEncodingException e) { e.printStackTrace(); } String url = BASE_PATH + "/assistant/coordinate/convert?locations=" + coordsys + "&coordsys=gps&output=json&key=" + KEY; JSONObject jsonobject = JSONObject.fromObject(getHttpResponse(url)); System.out.println(jsonobject.toString()); String coordinateString = jsonobject.getString("locations"); return coordinateString; } public static String getHttpResponse(String allConfigUrl) { BufferedReader in = null; StringBuffer result = null; try { // url请求中如果有中文，要在接收方用相应字符转码 URI uri = new URI(allConfigUrl); URL url = uri.toURL(); URLConnection connection = url.openConnection(); connection.setRequestProperty("Content-type", "text/html"); connection.setRequestProperty("Accept-Charset", "utf-8"); connection.setRequestProperty("contentType", "utf-8"); connection.connect(); result = new StringBuffer(); // 读取URL的响应 in = new BufferedReader(new InputStreamReader(connection.getInputStream(), "utf-8")); String line; while ((line = in.readLine()) != null) { result.append(line); } return result.toString(); } catch (Exception e) { e.printStackTrace(); } finally { try { if (in != null) { in.close(); } } catch (Exception e2) { e2.printStackTrace(); } } return null; } }
-
两个句子之间语义相似度项目
2018-04-15 20:13:01每个句子对，获得一个在0-5之间的分值来衡量两个句子的语义相似性，打分越高说明两者的语义越相近。 项目提供数据为txt文件，字段之间以tab分割。 训练数据文件，共有1000个数据样本，共有4个字段；第一个字段为样本...展开全文自然语言处理项目文档—内容相似度分析
1.项目内容：
本次项目提供一系列的英文句子对，每个句子对的两个句子，在语义上具有一定的相似性；每个句子对，获得一个在0-5之间的分值来衡量两个句子的语义相似性，打分越高说明两者的语义越相近。
项目提供数据为txt文件，字段之间以tab分割。
训练数据文件，共有1000个数据样本，共有4个字段；第一个字段为样本编号，第二个字段为一个句子，第三个字段为另一个句子，第四个字段为两个句子的语义相似度打分，如下：
10001 two bigbrown dogs running through the snow. A brown dog runningthrough the grass. 2.00000
10002 Awoman is peeling a potato. A woman is slicing a tomato. 1.33300
测试数据文件，共有500个数据样本，字段与训练集类似。
参考论文：
[1]:ECNU atSemEval-2017 Task 1: Leverage Kernel-based Traditional NLP features and NeuralNetworks to Build a Universal Model for Multilingual and Cross-lingual SemanticTextual Similarity[J]
[2]:Task-IndependentFeatures for Automated Essay Grading[J]
[3]:STS-UHHatSemEval-2017Task1: Scoring Semantic TextualSimilarity Using Supervised and Unsupervised Ensemble
2.预处理：
预处理包括两个部分，一个是句子长度的统计，一个是词频统计。这两种统计都是用了nltk库进行了去除stop word和Lemmatizer 处理。统计结束后将训练集分成了800个训练样本和200个验证样本
处理后的句子对，如10001样本：
two big browndogs running through the snow. A brown dog running through the grass
处理后为：
two big brown dog run snow brown dog run grass
训练集长度区间和词云
测试集长度区间和词云
通过句子长度发现大多数语句长度小于12个单词，且大多集中在3个到4个之间由此在初期阶段推断这个相似度应该和词的关系特别大。 通过词频统计发现训练集和测试集的高频词其实差不多。也没有什么太多顾虑了。通过查询字典的方法查询了glove.840B.300d，发现总共有40个词不在这个范围里，仔细研究后发现这几个词是错词，但因为比例很小，也没有在意了。
3.基本思路：
我的模型按照下图展示主要由三部分组成：
传统NLP模型：
通过对每个sentence pair 分别提取匹配特征（即词之间的相关性）和语句特征（即单个句子表征形式）来构建一个相似度计算模型。这些特征都将输入到最后的回归模型中，加以拟合得到我们的最终预测。
深度学习模型：
通过将sentencepair表征为Glove词向量的形式，然后输入到end-to-end的网络中，我计算出最后语句的相似度。
Ensemble模型：
用来求随机森林、GBDT和xgboost模块的平均来得到最后的score，采用了uniform和linear emsemble两种模式。(这里本来想将lstm神经网络加入emsemble中，但是由于该模型效果很差，将其踢出，后面章节会提及。)
下面将具体展示各个特征的意义。
3.1 传统NLP模型
3.1.1 匹配特征
我采用了五种sentence pair 匹配特征来直接计算两个句子之间的相似度。
N-gramOverlap：
我用Si来表示n-grams提取语句后后的集合，它的值通过下式定义：
在这里我对去除了stopwords的文本先进行了word之间n={1,2,3,4}的提取重复部分，但是发现句子长短不一，有的句子只有2个词，这样无法计算3-grams和4-grams的重复部分，所以最后然后针对句子中的字母进行了gram提取,最后我们获得了4个features。
SequenceFeatures(序列特征)
序列特征是另一种捕捉语句内部信息的方法，它通过计算词性标注后语句的最大公共子字符串的长度来计算语句间的相似度。我先求取两个语句的POStags，然后再用公共子字符串的长度除以两个句子的总tags长度。最后我们得到了2个features。
TopicFeatures
为了衡量语句间的相似性，我采用了Latent Dirichlet Allocation （LDA）模型。这里我们简单的设置了topic的数量为6，对训练数据和测试数据进行了转化，得到6个特征。
Syntatic Feature
除了直接从结构化的句子词性list中直接求解公共子字符，我还采用了树形结构的词性分析，通过计算在树形结构下的最大subpath，我获取了一1个特征，此处词性树形结构的获取采用的是nltk库中的tagger函数。
MT based Feature
BLEU方法为机器翻译的评测方法之一，通常利用n-gram的方法计算两个文本之间的相似程度。
其中BP为惩罚因子，针对两个文本相差长度较大有作用，这里n取值为4。
最后我收集了8个sentence pair的特征。
3.1.2
这里我通过直接向量化每个句子，然后再通过向量之间的计算来获得句子之间的相似度分析。
BOW Features
我将每句话都用Bag-of-Word方式转成向量，并用tf-idf进行加权处理。
Word Embedding Features
Word embedding 是一种将词转换成向量的方法。尝试过直接使用测试集，训练集语料训练wordvec模型，但因为数据量小，且是短文本，因而效果极差。后面使用了glove的预训练模型，预训练的模型语料是glove.840B.300d
虽然这些特征能够很好地表征出语句的信息，尤其是对于语句间的相对关系方面，word2vec 一直是佼佼者。但是我也可以发现glove的维数都达到了300，这是我所不能接受的，毕竟前面的提取一共才8个！这与之前提取的特征相比不公平！所以我们通过采用核函数（kernel function）来对句中所有的词向量做一个整合，将它们从高维向低维转化。最后我们cosine distance、word mover distance、IDF加权和调和平均等方法，得到了3个特征。
Unsupervied Score Features
无监督方法主要的计算公式为：
其中，S1，S2指两个句子，wi表示存在于两个句子中的所有词，wj为当前wi所处的句子的另一句中存在的词。match函数表达如下：
词向量使用glove.840B.300d向量，对于未出现的词，赋值为300维均为1的向量。
无监督方法得到的相关系数为0.72，效果不好所以把他加入到特征组合输入进模型中。
3.1.3回归算法
我一共使用了四种回归模型来预测最后的score：SVR，RandomForests（RF），GradientBoosting(GB) 和 XGBoost（XGB)。前面三种都是采用scikit-learn中实现，而XGB是采用xgboost中实现。通过一段时间的实验，由于SVR表现的效果不佳，最终被黯然离场。
3.2 深度学习模型
神经网络方法主要由lstm融合，最后效果不是特别好，最好记录只有0.6的验证集成绩，应该是参数没调整正确，估计是训练集样本量太小，就没有怎么尝试了。用的损失函数为均方误差，优化器为先使用adam ，后使用sgd，但均无比较好的效果。
神经网络结构图如下，词向量，embedding层采用glove.840B.300d.
神经网络方法得到如下的结果图
神经网络实验图如图有4组，分别为训练集loss，训练集方差值，验证集loss，验证集方差值。很明显验证集的loss都开始往上走了训练集还没有到达一个较好的点，所以也没使用测试集进行测试。后期对神经网络主要是调这里的参数，数据量小，很容易达到拟合，也很容易过拟合。
3.3Ensemble 模型
由于在最后的评估中，深度学习模型下的score表现较差，所有最后的ensemble中我没有给它的socre赋权重，当前的结果都是基于传统NLP的score。
4实验过程及相关结果
4.1验证标准
采用sklearn中的mean_squared_error函数和scipy 中的pearsonr函数作为我验证的标准。
4.2特征表现
下面我首先对特征集中每一个维度的特征进行单独打分，验证出单个特征对于模型分类的贡献程度，评分标准为 均方差和pearsonr系数：
algorithm
MSE
pea
RF
0.791437677422
0.831331526812
GBDT
0.841775448927
0.820219618878
Xgboost
0.832667237473
0.821753213223
RF+GBDT+Xgboost+uniform
0.786825574391
0.837655422786
RF+GBDT+Xgboost+linear
0.765844358731
0.843443157591
在此处Random Forest表现出了单个算法最为优异的性能， Ensemble算法可以稍微提高一点相关系数，其中一个模型一票的uniform提高较少，而把3个算法的结果输入到线性模型上的Ensemble可以提高0.012，但是线性模型中GBDT的权重为负数，并不好解释，所以不考虑使用。
-
计算俩个数字的百分比
2020-06-21 14:19:19计算俩个数字的百分比： 代码如下： package com.bos.test; import com.bos.common.file.FileThreadResource; import org.junit.Test; import java.io.*; import java.text.NumberFormat; import java.text...展开全文计算俩个数字的百分比：
代码如下：
package com.bos.test; import com.bos.common.file.FileThreadResource; import org.junit.Test; import java.io.*; import java.text.NumberFormat; import java.text.ParseException; public class MenuTest { public static void main(String[] args) { int number1 = 1; int number2 = 1; // 创建一个数值格式化对象 NumberFormat numberFormat = NumberFormat.getInstance(); // 设置精确到小数点后2位 numberFormat.setMaximumFractionDigits(2); String result = numberFormat.format((float) number1 / (float) number2 * 100); System.out.println("计算结果后的百分比为:" + result + "%"); } }
-
在线用户数与并发用户数的区别和比例关系
2017-11-26 12:19:34在线用户数与并发用户数的区别和比例关系 在线用户数：用户同时在一定时间段的在线数量 并发用户数：某一时刻同时向服务器发送请求的用户数 一般而言，我们习惯以5-20的比率来推算并发用户与在线用户之间的关系... -
Python计算两个离散变量分布的KL散度( Kullback–Leibler divergence）
2018-09-05 10:58:48Python实现两个离散变量分布的KL散度( Kullback–Leibler divergence） KL散度( Kullback–Leibler divergence)，又称相对熵，是描述两个概率分布 P 和 Q 差异的一种方法。根据计算公式: D(P||Q)=∑P(x)log2P(x)Q... -
echart右两个y轴两组数据显示互不干扰，可以达到按比例显示
2018-08-01 11:32:55接上一篇echart设置曲线图y轴按比例显示不是必须从0开始 现在两种数据互相不打架，各显示各的数据在y轴上。... 前提是你的先有两个y轴 series : [ { name:'名称', type:'line', yAxisIndex: 0,/... -
java计算两数百分比方法
2007-03-01 18:10:00public static String percent( double p1, double p2) { String str; double p3 = p1 / p2; NumberFormat nf = NumberFormat.getPercentInstance(); nf.setMinimumFractionDigits( 1 ); -
Android——高德地图设置中心点和缩放比例，获取两点之间距离
2017-03-22 12:38:28设置中心点和缩放比例： /** * 监听amap地图加载成功事件回调 */ @Override public void onMapLoaded() { LatLng marker1 = new LatLng(39.90403, 116.407525); //设置中心点和缩放比 -
高德地图设置中心点和缩放比例，获取两点之间距离
2013-10-30 15:23:11设置中心点和缩放比例： /** * 监听amap地图加载成功事件回调 */ @Override public void onMapLoaded() { // 设置所有maker显示在View中 LatLngBounds bounds = new LatLngBounds.Builder() .include... -
色差计算(颜色之间的相似度计算)
2018-06-14 21:25:36色彩有多种颜色空间表示方式,如RGB,HSV,HSL,LAB等等,...但用RGB比较颜色之间的相似度时,存在很大的问题,不建议直接使用,因为往往一个通道的一点改变,会导致最后融合在一起的颜色发生巨大变化,而如果三个通道的同时改... -
storyboard设置控件的长宽比和控件之间的尺寸成比例
2015-11-10 18:20:08使用storyboard添加约束速度比较快,那是在用熟练的情况下,有时候会为了某个要求或者方法不会,不得不停下来,耽误了速度.熟练是个重复的过程,需要练习,使用...打个比方:有两个view,需要设置viewA的高度是viewB的高度的2 -
(转)Android——高德地图设置中心点和缩放比例，获取两点之间距离
2017-10-07 17:42:29原地址：... 设置中心点和缩放比例： [java] view plain copy /** * 监听amap地图加载成功事件回调 */ @Override public void onMapLoade -
根号2以及π的计算--关于无理数的畅想
2017-07-02 12:38:43《科普文章-另一个视角解读计算机编码(修订版)》 《原始人的除法引发的闲聊》 这两篇文章里，我发现不需要那些老师教的范式也能很好地理解那些现代概念，并且理解的更深刻。我一般假设自己从来没有学过微积分，... -
如何计算文本文档词向量之间的相似度----一些概念与方法
2017-06-27 22:10:25Jaccard相似度：集合之间的Jaccard相似度等于交集大小与并集大小的比例。适合的应用包括文档文本相似度以及顾客购物习惯的相似度计算等。 Shingling：k-shingle是指文档中连续出现的任意k个字符。如果将文档表示... -
倾斜影像的分辨率与矢量数据比例尺之间的关系
2017-06-28 15:33:27要理解倾斜影像的分辨率与矢量数据比例尺之间的关系，我们首先得明白：我们搞gis，研究的就是地理空间数据，而地理空间数据最基本的两种数据格式就是矢量和栅格。 1、什么是栅格数据和矢量数据？ 我们经常看到的影像... -
影像分辨率、地面分辨率、比例尺及DPI之间的关系
2014-02-17 15:50:43在平时应用当中，很多GIS从业者理不清影像分辨率、地面分辨率、比例尺及DPI之间的关系，在具体应用中容易疑惑，如下两应用： 1）遥感影像我们所说的QuckBird 0.61米的分辨率指的是什么分辨率？如何算出在不同比例尺... -
[转载]影像分辨率、地面分辨率、比例尺及DPI之间的关系
2016-11-26 22:03:41在平时应用当中，很多GIS从业者理不清影像分辨率、地面分辨率、比例尺及DPI之间的关系，在具体应用中容易疑惑，如下两应用： 1）遥感影像我们所说的QuckBird 0.61米的分辨率指的是什么分辨率？如何算出在不同比例尺... -
QPS、TPS、并发用户数、吞吐量之间有什么联系，存在什么关系？
2020-07-06 13:09:50前言：QPS、TPS、并发用户数、吞吐量之间的关系你真的懂么？ 1、QPS QPS Queries Per Second 是每秒查询率 ,是一台服务器每秒能够相应的查询次数，是对一个特定的查询服务器在规定时间内所处理流量多少的衡量标准, ... -
百度、google、高德 地图比例尺功能实现（算法&&地图分辨率和zoomlevel之间的关系）
2013-07-18 01:12:03一、什么是比例尺？ 比例尺是表示图上距离比实地距离缩小的程度，因此也叫缩尺。用公式表示为：比例尺=图上距离/实地...图中的公里或英里数会随着黑条宽度的改变而改变，并且它的数值和地图当前区域的地图图层分辨率和 -
cdist计算两组输入的每对之间的距离。
2019-01-08 16:31:41计算两组输入的每对之间的距离。 以下是常见的调用约定： 1.``Y = cdist（XA，XB，'euclidean'）`` 计算：math：`m`之间的距离 欧几里德距离（2-norm）作为距离度量 点。这些点排列如下：math：`m` ：math：... -
计算机视觉基础知识：射影变换，仿射变换，相似变换（比例变换），刚性变换
2019-08-20 11:46:05由有限次中心射影的积定义的两个平面之间的一一对应变换称为二维射影变换。 因为相似变换、仿射变换都保持共线三点的单比不变，必然保持共线四点的交比不变，所以这些变换都属于射影变换。 如果平面上点场的点... -
比例尺与分辨率
2017-04-12 15:28:29比例尺与分辨率在地图中，比例尺与分辨率是两个常用的术语，比例尺与分辨率的大小决定了地图要素对实际地物描述的详细程度。 地图分辨率（Resolution），也称地面分辨率（Ground Resolution）或空间分辨率（Spatial... -
数理统计01：线性相关性系数，斯皮尔曼相关性系数计算及详解
2019-03-27 17:20:10在统计学中有三个可以衡量两个变量之间相关程度的指标：线性相关系数（linear correlation coefficient）、斯皮尔曼相关性系数（Spearman’s rank correlation coefficient）、肯德尔相关性系数（kendall ... -
14_扫雷游戏地雷数计算
2017-08-29 11:10:38Name: 14_扫雷游戏地雷数计算 Copyright: Author: Date: 29-08-17 10:06 Description: 14_扫雷游戏地雷数计算 查看 提交 统计 提问 总时间限制: 1000ms 内存限制: 65536kB 描述 扫雷游戏是一款十分经典的单机... -
Java高并发系列第三讲 有关并行的两个重要定律
2020-09-01 20:10:38总的来说，最重要的应该是处于两个目的。 第一，为了获得更好的性能； 第二，由于业务模型的需要，确实需要多个执行实体。 在这里，我将更加关注第一种情况，也就是有关性能的问题。将串行程序改造为并发程序，... -
数据分析工程师笔试题：计算平均数的指标及其优缺点
2013-10-06 11:30:12前三种平均数是根据总体所有标志值计算的所以称为数值平均数，后两种平均数是根据标志值所处的位置确定的，因此称为位置平均数。 1、算术平均数的计算 算术平均数是计算平均指标的最常用方法，它的基本... -
浏览器并发请求个数
2018-04-25 09:20:48探知 浏览器并发请求个数 起因：在工作中经常会发现浏览器请求...添加两个按钮，分别添加点击事件，请求不同接口。 3.服务端添加内容，打印当前时间的日志，并使进程sleep 10秒。 4.分别点击按钮，查看日志时间...
