文章
问答
冒泡
  • Mac上使用Python脚本扫描局域网内所有活动的主机
    """" 不同平台,实现对所在内网端的ip扫描。有时候需要知道所在局域网的有效ip,但是又不想找特定的工具来扫描。 使用方法 python ip_scaner.py 192.168.1.1 (会扫描192.168.1.1-255的ip) """ import platform import sys import os import time import _thread def ping_ip(ip_str): cmd = ["ping", "-c", "1", ip_str] output = os.popen(" ".join(cmd)).rea...
  • 六、Flink State
    概述 由一个任务维护,并且用来计算某个结果的所有数据,都属于这个任务的状态 状态就是一个本地变量,可以被任务的业务逻辑访问 Flink会进行状态管理,包括状态一致性、故障处理以及高效存储和访问 Flink中,状态始终与特定算子相关联 状态的分类 主要分三类:算子状态(Operator State)、广播状态(Broadcast State)、键控状态(Keyed State),其中键控状态是最常用、最重要的一种状态。 算子状态(Operator State) 算子状态是一种非键控状态(non-keyed state) 算子状态的作用范围限定为算子任务,由同一并行任务所处理的所有数据都可以访问到...
  • C++如何在Windows平台调用python脚本
    背景 最近遇到需要基于Qt调用python脚本的场景,所以研究了一下,特此记录。 大概流程 运行环境 Windows11 x64 Qt6 6.3.1 Python-3.10.7 集成步骤 基于Qt创建一个CMakeLists项目 创建项目qt-python-demo。 引入python相关的依赖 找到你本机python安装的目录,我本机是在C盘。 在项目根目录下创建文件夹python,将上述红框标注的文件夹复制到此文件夹下。 libs目录下,复制文件python310.lib命名为python310_d.lib,Debug模式运行时需要。 配置CMakeLists set(PY_INCLUDE...
  • NextJS给div添加背景图
    import yourImage from '/image-path/image.png' <div className="bg"></div> <style> .bg { background-image: url(yourImage.src); } </style>
  • IP地区识别离线库IP2Region使用
    前言: 最近在做一块业务,需要开发IP归属地识别相关的相关功能,调查了一下,目前IP归属地是有两种方案,一种是在线接口比如淘宝、百度、ip-api等。这种方案的优点是覆盖面广,查询准确,缺点是有的限制qps,有的收费。另外一种就是离线库查询,具体的开源各个语言不尽相同,这里我使用到JAVA的ip2region开源库,这里记录一下使用方式。 一、maven坐标 ip2region总体分为两个大版本: 1.x、提供三种算法,其中内存查询速度在0.1x毫秒级别,离线库文件ip2region.db 2.x、同样提供三种算法,其中内存查询速度在微秒级别,离线库文件ip2region.xdb 这里我直接使...
  • 数据建模与分析--2.贝叶斯分类器(2)
    贝叶斯分类器的先验分布 在获取数据之前,通过共轭先验和无信息先验两种方式,确定先验分布 共轭先验 事物某个特征的真值(也称参数)具有不确定性,是服从某种概率分布的随机变量θ,可用π(θ)表示随机变量θ的概率函数。 θ为连续型随机变量时,π(θ)为密度函数。θ为离散型随机变量时,π(θ))为概率。 利用数据D对θ调整的结果,就是参数\theta的后验分布π(θ)。 θ为连续型随机变量时,后验分布为,其中Θ称为参数空间 θ为离散型随机变量时 当θ已知而D为随机变量的情况下,f(D|θ)是D的概率密度函数 D已知θ为随机变量,f(D|θ)描述的是不同参数θ下D出现的概率,也称参数θ似然函数 无信息先...
  • 数据建模与分析--2.贝叶斯分类器(1)
    贝叶斯概率是对某事物发生概率的信任程度的度量,是一种主观概率。取决于对事物的经验认知,以及新信息加入后对先验认知的不断修正。因此,贝叶斯概率会随主观认知的改变而改变 贝叶斯法则 贝叶斯法则是对贝叶斯概率的理论表达,贝叶斯法则为:如果有k个互斥事件,且,以及一个可观测的事件X,则有 :先验概率,是未见到事件X前对带的yi发生概率的假设,测试了未见到试验数据前对事物的先验认知程度 :后验概率,是事件X发生的条件下,事件yi发生的概率,测试了见到试验数据后事物的后验认知程度 :数据似然,是事件yi发生条件下,事件X发生的概率,该值越大,表明事件yi发生越助于事件X发生 数据似然测试了在先验认知下观察...
  • 数据建模与分析--1.数据预测与预测建模(2)
    预测模型的评价 预测模型的预测精度或预测误差较低时,才能认为模型对新数据的预测会有良好的表现 模型误差 简称误差,是基于数据集,对模型预测值和实际值不一致程序的数据值化度量。 它包括对每个样本观测的度量和对数据集整体的度量两个部分。 预测误差或泛化误差 是预测模型对新数据集进行预测时,给出的预测值和实际值不一致程度的数值化度量。 预测误差测试模型在未来新数据集上的预测性能。 差别 预测建模时可直接计算出模型误差的具体值,但因泛化误差聚焦于预测模型未来表现的评价,且建模时未来新数据集是未知的,因此只能给出一个相对客观的估计值 模型误差的评价的指标 回归预测模型中的误差评价指标 回归预测模型的误差...
  • SpringBoot整合WebSocket
    前言 WebSocket是一种单TCP连接上的全双工通讯协议,客户端和服务端只需要完成一次握手,就可以建立持久性的连接,并进行双向数据传输。在项目中往往用于消息推送,页面实时刷新等功能。 本文主要介绍SpringBoot整合WebSocket常用的三种方式: 原生注解 Spring封装API 基于STOMP消息 下面是spring对websocket的详细介绍 https://docs.spring.io/spring-framework/docs/current/reference/html/web.html#websocket 在Spring Boot项目中,你可以添加WebSocket ...
  • 数据建模与分析--1.数据预测与预测建模(1)
    一、数据预测 基本概念 基于已有数据集,归纳出输入变量和输出变量之间的数量关系。根据这种数据关系,可以发现输出变量产生重要影响的输入变量,并且用于对新数据输出变量取值的预测。 数据值输出变量的预测称为回归 对分类型输出变量的预测称为分类 二、预测建模 预测模型一般以数学形式展开,以便精确刻画和表述输入变量与输入变量取值之间的数量关系。 回归预测模型 最常见的回归预测模型为 其中,y为数值型输出变量 为输入变量 ε为随机误差项,体现模型之外的其他输入变量对y的影响 分类预测模型 最常见的分类模型为 其中,y为输出变量,只有0,1两个类型,称为二分类预测 log表示以e为底的自然对数 P为输出变量...
  • © 2015-2022 苏州墨焱网络科技有限公司
  • 苏ICP备14018695号-2
  • 公安 苏公网安备 32059002002453号