数据结构和算法
数据结构
算法
算法复杂度

数据结构
是相互之间存在一种或者多种特定关系的数据元素的集合，在逻辑上可以分为线性结构、散列结构(增删查改特别快)、树形结构(问题最多)、图形结构(主要做平台框架开发不涉及具体业务深度/广度优先遍历/最短路径)
算法
求解具体问题的步骤的描述，代码上表现出来的是解决特定问题的依族有限的指令序列
算法复杂度
衡量算法效率，随着数据规模n的上涨，算法执行花费的时间和空间的增长速度。
O(1)			数组随机访问，哈希表
O(logn)	二分搜索 BST、AVL
O(n)			线性搜索
O(nlogn)	堆排序 快速排序 归并排序
O(n^2) 	 冒泡排序 选择排序
O(2^n) 	 子集树
O(n!)		 排列树

(1)<(logn)<(n)<(nlogn)<(n^2)<(2^n)<(n!)<(n^n)

1、移动平均线的计算方法
N日移动平均线=N日收市价之和/N
以时间的长短划分，移动平均线可分为短期、中期、长回期几种，一般短期移动平均线答5天与10天；中期有30天、65天；长期有200天及280天。可单独使用，也可多条同时使用。综合观察长、中、短期移动平均线，可以判研市场的多重倾向。如果三种移动平均线并列上涨，该市场呈多头排列；如果三种移动平均线并列下跌，该市场呈空头排列。
移动平均线说到底是一种趋势追踪的工具，便于识别趋势已经终结或反转，先的趋势正在形成或延续的契机。它不会领先与市场，只是忠实地追随市场，所以它具有滞后的特点，然而却无法造假。
2、采用移动平均法核算发出存货的计价方法怎么算
采用移动平均法核算发出存货的计价方法的计算方法：
1、当一个企业购入回原材料，我们以移动平答均法计发出成本，是这样算的。如果原有材料单价a元，数量b，一次购入原材料实际单价a1元，数量b1，那么当发出原材料时， 算发出成本的单价则为：(a*b+a1*b1)/(b1+b)。
2、相似地，如果期间又有购入原材料，则在下次发出原材料时其发出成本是上次发出后所余的总额与现购的总额再求一次单价。这可以看作是一个移动的过程，所以叫移动平均法。
3、移动平均法 是根据时间序列，逐项推移，依次计算包含一定项数的序时平均数，以此进行预测的方法。移动平均法包括一次移动平均法、加权移动平均法和二次移动平均法。
3、高分求移动平均及移动加权平均算法的SQL语句
有几个先决条件才可以：
1.要确定排序字段。
没有顺序的专字段怎么移属动啊，哪样方向不明。
2.排序的字段要唯一。
可以间断，但不能重复。
有了以上的假设后，假设您的表在输入时有自增ID,比如这个字段名为ID.
当然还可以换其它的排序字段，但要符合条件，实在不行，可以自已添加一个表示顺序号的字段，怎么加序号可以看我答的其它有关问题
然后就可以很简单地用下列语句完成：
SELECT 产品,销量,日期,
3Q移动平均=(select sum(销量) from
(select top 3 from tablename b where b.产品=a.产品 and B.ID<=A.ID ORDER BY ID ) C
)/3
from tablename a
WHERE
(SELECT COUNT(1) FROM TABLENAME D WHERE D.产品=a.产品 and d.id<=a.id)>=3
4、简单移动平均法中的计算方法是对时间序列进行什么
简单移动平均法是指对由移动期数的连续移动所形成的各组数据，使用算术平均法计算各组数版据的移权动平均值，并将其作为下一期预测值。
简单的移动平均的计算公式如下：
Ft=(At-1+At-2+At-3+…+At-n)/n
式中，Ft--对下一期的预测值；
n--移动平均的时期个数；
At-1--前期实际值；
At-2,At-3和At-n分别表示前两期、前三期直至前n期的实际值。
5、成本均线有几种算法?
一般只有一种，但天狼50有三种，分配用在正常股票，低换手大市值，高换手小市值，更加准确。
6、移动平均值算法
当一个企业购入原材料，我们以移动平均法计发出成本，是这样算的。如果原有材版料单价a元，数权量b，一次购入原材料实际单价a1元，数量b1，那么当发出原材料时，我们算发出成本的单价则为：(a*b+a1*b1)/(b1+b)。相似地，如果期间又有购入原材料，则在下次发出原材料时其发出成本是上次发出后所余的总额与现购的总额再求一次单价。这可以看作是一个移动的过程，所以叫移动平均法。
7、使用python实现ema(指数移动平均的计算)
a = 2/13
Prices = [0.0] #prices of everyday
EMAs = [0.0] # ems of everyday
def ema ( N , Price) :
Prices.append(Price)
if N<=1:
EMAs.append(Price)
else :
EMAs.append((1-a)*EMAs[N-1] + a*Price)
ema(1,1)
ema(2,3)
print (EMAs[1])
print (EMAs[2])
8、指数加权移动平均线的计算方法.详细些举个例子，谢了
加权移动平均线 (WMA) 将过去某特定时间内的价格取其平均值，它比重以平版均线的长度设定，愈近期权的收市价，对市况影响愈重要。计算方式是基于加权移动平均线日数，将每一个之前日 数比重提升。每一价格会乘以一个比重，最新的价格会有最大的比重，其之前的每一日的比重将会递减。 加权移动平均线
加权方式分为四种：
(1).末日加权移动平均线：
计算公式: MA(N)=(C1+C2+……+Cn×2)/(n+1)
(2).线性加权移动平均线：
计算公式: MA=(C1×1+C2×2+……+Cn×n)/(1+2+...+n)
(3).梯型加权移动平均线：
计算方法(以5日为例)：
[(C1+C2)×1+(C2+C3)×2+(C3+C4)×3+(C4+C5)×4]/(2×1＋2×2＋2×3＋2×4)即为第五日的阶梯加权移动平均线
(4).平方系数加权移动平均线：
公式(以5日为例)：
MA＝[(C1×1×1)+( C2×2×2)+( C3×3×3)+( C4×4×4)+( C5×5×5)]/(1×1＋2×2＋3×3＋4×4＋5×5)
9、5日均线怎么算
算几天在内，往前倒数4天，总共5天的收盘价格加总起来，除以5就得到当日的5天平均价格，
若干天的这个值连续起来形成一条曲线就是5天均线了。
10、知道股票移动平均价如何计算每日的EMA
股票EMA计算公式
EMA与MA－理解公式算法－EMA与MA
2008/03/07 13:08
计算:有一组数据(收盘价为):1,2,3,4,5,6,7，求其EMA(c，5)
解答:对应上面数据，X1，X2，X3，X4，X5分别对应3、4、5、6、7
则EMA(c，5)＝5/15*X5+4/15*X4+3/15*X3+2/15*X2+1/15*X1＝(5*X5+4*X4+3*X3+2*X2+1*X1)/15
=5.67
而，MA(c,5)=(3+4+5+6+7)/5=5
理解公式算法－EMA与MA(理解了公式算法，才能更好的应用公式)
MA和EMA的数学表达式:
1、MA(X，N)，求X的N日移动平均值。算法是:
(X1+X2+X3+ ..+Xn)/N
例如:MA(C，20)表示20日的平均收盘价。C表示CLOSE。
2、EMA(X，N)求X的N日指数平滑移动平均。算法是:
若Y=EMA(X，N)，则Y=〔2*X+(N-1)*Y〕/(N+1)，其中Y表示上一周期的Y值。
EMA引用函数在计算机上使用递归算法很容易实现，但不容易理解。例举分析说明EMA函数。
X是变量，每天的X值都不同，从远到近地标记，它们分别记为X1，X2，X3， .，Xn
如果N=1，则EMA(X，1)=〔2*X1+(1-1)*Y〕/(1+1)=X1
如果N=2，则EMA(X，2)=〔2*X2+(2-1)*Y〕/(2+1)=(2/3)*X2+(1/3)X1
如果N=3，则EMA(X，3)=〔2*X3+(3-1)*Y〕/(3+1)=〔2*X3+2*((2/3)*X2+(1/3)*X1)〕/4=(1/2)*X3+(1/3)*X2+(1/6)*X1=3/6*X3+2/6*X2+1/6*X1
如果N=4，则EMA(X，4)=〔2*X4+(4-1)*Y〕/(4+1)=2/5*X4+3/5*((1/2)*X3+(1/3)*X2+(1/6)*X1)=4/10*X4+3/10*X3+2/10*X2+1/10*X1
=2/5*X4+3/10*X3+3/15*X2+3/30*X1
如果N=5，则EMA(X，5)=2/(5+1)*X5+(5-1)/(5+1)(2/5*X4+3/10*X3+3/15*X2+3/30*X1)
=(1/3)*X5+(4/15)*X4+(3/15)*X3+(2/15)*X2+(1/15)*X1=5/15*X5+4/15*X4+3/15*X3+2/15*X2+1/15*X1
循环下去吧:)
EMA(X，6)＝6/21*X6+5/21*X5+4/21*X4+3/21*X3+2/21*1/21X1
注意到上面我标记的颜色部分，应该发现一个规律:即任何时候系数之和恒为1(如果X是常量，每天的X值都不变，则EMA(X,N)=MA(X,N).)，但系数该如何确定呢？这个你还是自己观察一下吧(提示，系数的分母是各个系数分子之和，而系数的个数就是EMA(X,N)中的N，还有一个需要注意的就是系数的分子和系数后参数的下标是一致的)
baidu上到处都可以找到的。

叙述
今天终于写到著名的贪心算法——Dijkstra算法了，内心有点激动。


小明的故事
Dijstra算法对很多人来说看起来比较困难，不是很能理解，其实也没什么啦！

比如，小明要自己驾车从科技大学去博物馆,考虑到利益上涨油价以及一贫如洗的口袋，小明不能那么任性，来一场说走就走的旅行，所以小明开始像屌丝一样精打细算，寻找一条最短的路径以结束那些不必要的花费。你掏出地图，认真的比较到博物馆去的各种路线，但及其复杂的路网让小明眼花缭乱，一时半会找不到最节省的路线，内心很是烦躁，此时此刻小明掏出口袋里的白将军，狠狠地吸上一口，突然一道光从脑子里闪出来，很快就找到了最短路径。




小明是怎么实现的呢？

小明想我能不能先找到距离科技大学最近的地标，然后再以这个地标为起点，寻找下一个距离最近的地标，循序渐进，直到找到目的地。因为每次找到的距离都是最近的，所以从始发地到目的地累加起来的距离也是最近的。果然是一个好主意，激动的小明把没抽完的半根白将军狠狠的扔在地上，并用脚摩擦了几下，开始寻找最短路径，很快就找了理想的路线。


小明的灿烂人生

计算机出身的小明回去以后很快发现了商机，通过自己的聪明才智，开发出了地图软件，挣了好大一笔钱，并用这笔钱投资了国内最大的单身交友平台—CSDN,成为了CSDN的老板，过上了幸福美满的生活。


代码实现：
	/*
	Dijkstra的思路就是：
	找到与源点权值最小的边，然后再此边找到到其他顶点的最小的边，依次类推，每次找到的都是最小的边
	最后所得的最短路径长度就是各最小边的和
	*/
	
	#include<iostream>
	#include<string>
	#include<stack>
	using namespace std;
	
	#define OK 1
	#define ERROR 0
	#define MAXint 32767 //表示无穷大
	#define MVNum 100	//最大顶点数
	
	//邻接矩阵的结构
	typedef struct
	{
		string vexs[MVNum];//顶点表
		int arcs[MVNum][MVNum];//邻接矩阵，也就是表示边的权值
		int vexnum, arcnum;//图的顶点数和边的个数
	}AMGraph;
	//邻接矩阵的结构
	
	//Dijstra结构
	bool S[MVNum] = { false };//记录从源点到终点是否已被确定最短路径长度
	int Path[MVNum] = { -1 };//记录终点的直接前驱序号
	int D[MVNum];//记录最短路径长度
	//Dijstra结构
	
	
	//查询结点位置
	int Locate(AMGraph G, string v)
	{
		for (int i = 0; i < G.vexnum; i++)
		{
			if (G.vexs[i] == v)
			{
				return i;
			}
		}
		return -1;
	}
	//查询结点位置
	
	//创建邻接矩阵
	int CreateUDN(AMGraph& G)//无向图的构造
	{
		cout << "请输入图的顶点数和边数：";
		cin >> G.vexnum >> G.arcnum;
		cout << "请输入各点的信息：";
		for (int i = 0; i < G.vexnum; i++)
		{
			cin >> G.vexs[i];
		}
		for (int i = 0; i < G.vexnum; i++)//初始化边的权值为MAXINT
		{
			for (int j = 0; j < G.vexnum; j++)
			{
				G.arcs[i][j] = MAXint;
			}
		}
		cout << "各边的顶点信息和权值：";
		for (int k = 0; k < G.arcnum; k++)//构造邻接矩阵
		{
			string v1, v2;
			int w;//边的两个顶点以及权值
			cin >> v1 >> v2 >> w;
			int i = Locate(G, v1);//找到点的位置
			int j = Locate(G, v2);
			G.arcs[i][j] = w;//赋予权值
			//G.arcs[j][i] = G.arcs[i][j];
		}
		return OK;
	}
	//创建邻接矩阵
	
	
	//Dijksta
	void ShortestPath_DIJ(AMGraph G, int v)
	{
		int n = G.vexnum;//图的节点的数量
		for (int i = 0; i < n; i++)
		{
			D[i] = G.arcs[v][i];
			if (D[i] < MAXint)
			{
				Path[i] = v;
			}
			else
			{
				Path[i] = -1;
			}
		}
		S[v] = true;//初始化v已有最短路径
		D[v] = 0;//最短路径为0
		for (int i = 1; i < n; i++)
		{
			int min = MAXint;
			for (int j = 0; j < n; j++)//找到与v邻接的边的权值最小的
			{
				if (!S[j] && D[j] < min)
				{
					v = j;
					min = D[j];
				}
			}
			S[v] = true;//找到最短路径
			for (int k = 0; k < n; k++)//更新从v出发到各顶点的最短路径长度
			{
				if (!S[k] && (D[v] + G.arcs[v][k]) < D[k])
				{
					D[k] = D[v] + G.arcs[v][k];//更新最短路径长度
					Path[k] = v;//更改k的前驱为v
				}
			}
		}
	}
	//Dijksta
	
	//显示最短路径
	void ShowShortTest(AMGraph G, string v)
	{
		int s = Locate(G,v);//定位
		ShortestPath_DIJ(G, s);
		for (int i = 0; i < G.vexnum; i++)
		{
			stack<string> sta;//引入栈
			if (i != s && Path[i] != -1)
			{
				sta.push(G.vexs[i]);
				int path = Path[i];
				while (path != -1)
				{
					sta.push(G.vexs[path]);
					path = Path[path];
				}
			}
			if (!sta.empty())
			{
				cout << sta.top();
				sta.pop();
			}
			while (!sta.empty())
			{
				cout << "->";
				cout << sta.top();
				sta.pop();
			}
	
			if (i != s && Path[i] != -1)
			{
				cout << " 最短路径长度为：" << D[i];
				cout << endl;
			}
		}
	
	}
	//显示最短路径
	
	int main()
	{
		AMGraph G;
		CreateUDN(G);
		string v;
		cout << "请输入起点：";
		cin >> v;
		ShowShortTest(G, v);
		return 0;
	}
	/*
	v0 v1 v2 v3 v4 v5
	各边的顶点信息和权值：v1 v2 5 v2 v3 50 v0 v2 10 v0 v4 30 v4 v3 20 v3 v5 10 v0 v5 100 v4 v5 60
	*/

诞生于1956年的人工智能，由于受到智能算法、计算速度、存储水平等因素的影响，在六十多年的发展过程中经历了多次高潮和低谷。最近几年，得益于数据量的上涨、运算力的提升，特别是机器学习新算法的出现，人工智能迎来了大爆发的时代。
提到机器学习这个词时，有些人首先想到的可能是科幻电影里的机器人。事实上，机器学习是一门多领域交叉学科，涉及概率论、统计学、算法复杂度理论等多门学科。专门研究计算机如何模拟或实现人类的学习行为，利用数据或以往的经验，以此优化计算机程序的性能标准。
根据学习任务的不同，我们可以将机器学习分为监督学习、非监督学习、强化学习三种类型，而每种类型又对应着一些算法。
各种算法以及对应的任务类型
接下来就简单介绍几种常用的机器学习算法及其应用场景，通过本篇文章大家可以对机器学习的常用算法有个常识性的认识。
一、监督学习
(1)支持向量机(Support Vector Machine，SVM)：是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。例如，在纸上有两类线性可分的点，支持向量机会寻找一条直线将这两类点区分开来，并且与这些点的距离都尽可能远。
优点：泛化错误率低，结果易解释。
缺点：对大规模训练样本难以实施，解决多分类问题存在困难，对参数调节和核函数的选择敏感。
应用场景：文本分类、人像识别、医学诊断等。
(2)决策树(Decision Tree)：是一个预测模型，代表的是对象属性与对象值之间的一种映射关系。下图是如何在决策树中建模的简单示例：
优点：易于理解和解释，可以可视化分析，容易提取出规则;能够处理不相关的特征。
缺点：对缺失数据处理比较困难。
应用场景：在决策过程应用较多。
(3)朴素贝叶斯分类(Naive Bayesian classification)：对于给出的待分类项，求解此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类属于哪个类别。贝叶斯公式为：p(A|B)= p(B|A)*p(A/p(B)，其中P(A|B)表示后验概率，P(B|A)是似然值，P(A)是类别的先验概率，P(B)代表预测器的先验概率。
优点：在数据较少的情况下仍然有效，可以处理多类别问题。
缺点：对输入数据的准备方式较为敏感。
应用场景：文本分类、人脸识别、欺诈检测。
(4)k-近邻算法(K-Nearest Neighbor，KNN)：是一种基于实例的学习，采用测量不同特征值之间的距离方法进行分类。其基本思路是：给定一个训练样本集，然后输入没有标签的新数据，将新数据的每个特征与样本集中数据对应的特征进行比较，找到最邻近的k个(通常是不大于20的整数)实例，这k个实例的多数属于某个类，就把该输入实例分类到这个类中。
优点：简单、易于理解、易于实现，无需估计参数。此外，与朴素贝叶斯之类的算法比，无数据输入假定、准确度高、对异常数据值不敏感。
缺点：对于训练数据依赖程度比较大，并且缺少训练阶段，无法应对多样本。
应用场景：字符识别、文本分类、图像识别等领域。
二、非监督学习
(1)主成分分析(Principal Component Analysis，PCA)：是一种统计方法。其主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。
优点：降低数据的复杂性，识别最重要的多个特征。
缺点：主成分各个特征维度的含义具有一定的模糊性，不如原始样本特征的解释性强;有可能损失有用的信息。
应用场景：语音、图像、通信的分析处理。
(2)奇异值分解(Singular Value Decomposition，SVD)：可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示，这些小矩阵描述的是矩阵的重要的特性。
优点：简化数据，去除噪声点，提高算法的结果。
缺点：数据的转换可能难以理解。
应用场景：推荐系统、图片压缩等。
(3)K-均值聚类(K-Means)：是一种迭代求解的聚类分析算法，采用距离作为相似性指标。其工作流程是随机确定K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。
优点：算法简单容易实现。
缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢。
应用场景：图像处理、数据分析以及市场研究等。
三、强化学习
Q-learning：是一个基于值的强化学习算法，它根据动作值函数评估应该选择哪个动作，这个函数决定了处于某一个特定状态以及在该状态下采取特定动作的奖励期望值。
优点：可以接收更广的数据范围。
缺点：缺乏通用性。
应用场景：游戏开发。
以上就是文章的全部内容，相信大家对常用的机器学习算法应该有了大致的了解。
现如今，我们越来越多地看到机器学习算法为人类带来的实际价值，如它们提供了关键的洞察力和信息来报告战略决策。可以肯定的是，随着机器学习越来越流行，未来还将出现越来越多能很好地处理任务的算法。