数据仓库作业四:第7章 数据的属性与相似性

目录

    • 第7章 数据的属性与相似性
      • 作业题


第7章 数据的属性与相似性

作业题

1、设有10个二元属性,3个数据对象的数据集(表1)。

id A 1 A_1 A1 A 2 A_2 A2 A 3 A_3 A3 A 4 A_4 A4 A 5 A_5 A5 A 6 A_6 A6 A 7 A_7 A7 A 8 A_8 A8 A 9 A_9 A9 A 10 A_{10} A10
X 1 X_1 X11011111011
X 2 X_2 X21100100110
X 3 X_3 X30110111001

试计算简单匹配系数相似度 s m c ( X 1 , X 2 ) s_{mc}(X_1,X_2) smc(X1,X2) s m c ( X 2 , X 3 ) s_{mc}(X_2,X_3) smc(X2,X3);Jaccard 系数相似度 s j c ( X 1 , X 2 ) s_{jc}(X_1,X_2) sjc(X1,X2) s j c ( X 2 , X 3 ) s_{jc}(X_2,X_3) sjc(X2,X3);Rao 系数相似度 s r c ( X 1 , X 2 ) s_{rc}(X_1,X_2) src(X1,X2) s r c ( X 2 , X 3 ) s_{rc}(X_2,X_3) src(X2,X3)

解:

由题可知, X 1 = ( 1 , 0 , 1 , 1 , 1 , 1 , 1 , 0 , 1 , 1 ) X_1=(1,0,1,1,1,1,1,0,1,1) X1=(1,0,1,1,1,1,1,0,1,1) X 2 = ( 1 , 1 , 0 , 0 , 1 , 0 , 0 , 1 , 1 , 0 ) X_2=(1,1,0,0,1,0,0,1,1,0) X2=(1,1,0,0,1,0,0,1,1,0)

比较 X 1 X_1 X1 X 2 X_2 X2 每一个属性的取值情况,可得 f 11 = 3 f_{11}=3 f11=3 f 10 = 5 f_{10}=5 f10=5 f 01 = 2 f_{01}=2 f01=2 f 00 = 0 f_{00}=0 f00=0

向量的维数 d = f 11 + f 10 + f 01 + f 00 = 10 d=f_{11}+f_{10}+f_{01}+f_{00}=10 d=f11+f10+f01+f00=10

计算得:
s m c ( X 1 , X 2 ) = f 11 + f 00 f 11 + f 10 + f 01 + f 00 = f 11 + f 00 d = 3 10 s_{mc}(X_1,X_2)=\frac{f_{11}+f_{00}}{f_{11}+f_{10}+f_{01}+f_{00}}=\frac{f_{11}+f_{00}}{d}=\frac{3}{10} smc(X1,X2)=f11+f10+f01+f00f11+f00=df11+f00=103 s j c ( X 1 , X 2 ) = f 11 f 11 + f 10 + f 01 = f 11 d − f 00 = 3 10 s_{jc}(X_1,X_2)=\frac{f_{11}}{f_{11}+f_{10}+f_{01}}=\frac{f_{11}}{d-f_{00}}=\frac{3}{10} sjc(X1,X2)=f11+f10+f01f11=df00f11=103 s r c ( X 1 , X 2 ) = f 11 f 11 + f 10 + f 01 + f 00 = f 11 d = 3 10 s_{rc}(X_1,X_2)=\frac{f_{11}}{f_{11}+f_{10}+f_{01}+f_{00}}=\frac{f_{11}}{d}=\frac{3}{10} src(X1,X2)=f11+f10+f01+f00f11=df11=103
由题可知, X 2 = ( 1 , 1 , 0 , 0 , 1 , 0 , 0 , 1 , 1 , 0 ) X_2=(1,1,0,0,1,0,0,1,1,0) X2=(1,1,0,0,1,0,0,1,1,0) X 3 = ( 0 , 1 , 1 , 0 , 1 , 1 , 1 , 0 , 0 , 1 ) X_3=(0,1,1,0,1,1,1,0,0,1) X3=(0,1,1,0,1,1,1,0,0,1)

比较和每一个属性的取值情况,可得 f 11 = 2 f_{11}=2 f11=2 f 10 = 3 f_{10}=3 f10=3 f 01 = 4 f_{01}=4 f01=4 f 00 = 1 f_{00}=1 f00=1

向量的维数 d = f 11 + f 10 + f 01 + f 00 = 10 d=f_{11}+f_{10}+f_{01}+f_{00}=10 d=f11+f10+f01+f00=10

计算得:
s m c ( X 2 , X 3 ) = f 11 + f 00 f 11 + f 10 + f 01 + f 00 = f 11 + f 00 d = 3 10 s_{mc}(X_2,X_3)=\frac{f_{11}+f_{00}}{f_{11}+f_{10}+f_{01}+f_{00}}=\frac{f_{11}+f_{00}}{d}=\frac{3}{10} smc(X2,X3)=f11+f10+f01+f00f11+f00=df11+f00=103 s j c ( X 2 , X 3 ) = f 11 f 11 + f 10 + f 01 = f 11 d − f 00 = 2 10 − 1 = 2 9 s_{jc}(X_2,X_3)=\frac{f_{11}}{f_{11}+f_{10}+f_{01}}=\frac{f_{11}}{d-f_{00}}=\frac{2}{10-1}=\frac{2}{9} sjc(X2,X3)=f11+f10+f01f11=df00f11=1012=92 s r c ( X 2 , X 3 ) = f 11 f 11 + f 10 + f 01 + f 00 = f 11 d = 2 10 = 1 5 s_{rc}(X_2,X_3)=\frac{f_{11}}{f_{11}+f_{10}+f_{01}+f_{00}}=\frac{f_{11}}{d}=\frac{2}{10}=\frac{1}{5} src(X2,X3)=f11+f10+f01+f00f11=df11=102=51

2、设有5个分类属性,3个数据对象的数据集(表2)。

对象id背景颜色婚姻状况性别血型职业
X 1 X_1 X1单身B工人
X 2 X_2 X2离异AB工人
X 3 X_3 X3单身B教师

试计算 s ( X 1 , X 2 ) s(X_1,X_2) s(X1,X2) s ( X 1 , X 3 ) s(X_1,X_3) s(X1,X3) s ( X 2 , X 3 ) s(X_2,X_3) s(X2,X3)

解:

利用 X i X_i Xi X j X_j Xj 的相似度公式 s ( X i , X j ) = p d s(X_i,X_j)=\frac{p}{d} s(Xi,Xj)=dp p p p X i X_i Xi X j X_j Xj 的对应属性值 x i k = x j k x_{ik}=x_{jk} xik=xjk 的个数, d d d 是向量的维数。

由题可知,向量的维数 d = 5 d=5 d=5,对象 X 1 X_1 X1 X 2 X_2 X2 在职业分量上取相同的值,

计算得,
s ( X 1 , X 2 ) = p 1 d = 1 5 s(X_1,X_2)=\frac{p_1}{d}=\frac{1}{5} s(X1,X2)=dp1=51

同理可得,
s ( X 1 , X 3 ) = p 2 d = 2 5 s(X_1,X_3)=\frac{p_2}{d}=\frac{2}{5} s(X1,X3)=dp2=52 s ( X 2 , X 3 ) = p 3 d = 1 5 s(X_2,X_3)=\frac{p_3}{d}=\frac{1}{5} s(X2,X3)=dp3=51

3、假设某校用考试成绩、奖学金和月消费3个属性来描写学生在校的信息(表3)。

其中第1个属性考试成绩取 m 1 = 5 m_1=5 m1=5 个状态,其顺序排位为优>良>中>及格>不及格;第2个属性奖学金取 m 2 = 3 m_2=3 m2=3 个状态,其顺序排位为甲>乙>丙;第3个属性月消费取 m 3 = 3 m_3=3 m3=3 个状态,其顺序排位为高>中>低。

对象id成绩奖学金月消费
X 1 X_1 X1
X 2 X_2 X2
X 3 X_3 X3

试按照序数属性相似度计算方法求 s ( X 1 , X 2 ) s(X_1,X_2) s(X1,X2) s ( X 1 , X 3 ) s(X_1,X_3) s(X1,X3) s ( X 2 , X 3 ) s(X_2,X_3) s(X2,X3)

解:

首先将序数属性的值域映射为整数排位集合。

{ 优 , 良 , 中 , 及格 , 不及格 } ⇒ { 5 , 4 , 3 , 2 , 1 } \{优,良,中,及格,不及格\}\Rightarrow\{5,4,3,2,1\} {,,,及格,不及格}{5,4,3,2,1},其中最大排位数 m 1 = 5 m_1=5 m1=5

{ 甲 , 乙 , 丙 } ⇒ { 3 , 2 , 1 } \{甲,乙,丙\}\Rightarrow\{3,2,1\} {,,}{3,2,1},其中最大排位数 m 2 = 3 m_2=3 m2=3

{ 高 , 中 , 低 } ⇒ { 3 , 2 , 1 } \{高,中,低\}\Rightarrow\{3,2,1\} {,,}{3,2,1},其中最大排位数 m 3 = 3 m_3=3 m3=3

将每个属性的取值用其排位的整数代替,得

对象id成绩奖学金月消费
X 1 X_1 X1433
X 2 X_2 X2532
X 3 X_3 X3313

利用公式 z i k = x i k − 1 m k − 1 z_{ik}=\frac{x_{ik}-1}{m_k-1} zik=mk1xik1将其映射到 [ 0 , 1 ] [0,1] [0,1] 区间的实数,并代替原先的排位整数,得到数值属性的数据集。

对于数据对象 X 1 X_1 X1 ,其成绩排位整数是 4,而 m 1 = 5 m_1=5 m1=5 ,因此 z 11 = ( x 11 − 1 ) / ( m 1 − 1 ) = ( 4 − 1 ) / ( 5 − 1 ) = 0.75 z_{11}=(x_{11}-1)/(m_1-1)=(4-1)/(5-1)=0.75 z11=(x111)/(m11)=(41)/(51)=0.75 X 2 X_2 X2 的成绩排位数是 5,映射为 z 21 = ( x 21 − 1 ) / ( m 1 − 1 ) = ( 5 − 1 ) / ( 5 − 1 ) = 1 z_{21}=(x_{21}-1)/(m_1-1)=(5-1)/(5-1)=1 z21=(x211)/(m11)=(51)/(51)=1 X 3 X_3 X3 的成绩排位数是 3,映射为 z 31 = ( x 31 − 1 ) / ( m 1 − 1 ) = ( 3 − 1 ) / ( 5 − 1 ) = 0.5 z_{31}=(x_{31}-1)/(m_1-1)=(3-1)/(5-1)=0.5 z31=(x311)/(m11)=(31)/(51)=0.5

同理可得 X 1 X_1 X1 X 2 X_2 X2 X 3 X_3 X3 的奖学金和月消费的实数值。

对象id成绩奖学金月消费
X 1 X_1 X10.7511
X 2 X_2 X2110.5
X 3 X_3 X30.501

选用欧几里得距离公式计算任意两点之间的相异度,得
d ( X 1 , X 2 ) = ( 0.75 − 1 ) 2 + ( 1 − 1 ) 2 + ( 1 − 0.5 ) 2 = 5 16 d(X_1,X_2)=\sqrt{(0.75-1)^2+(1-1)^2+(1-0.5)^2}=\sqrt{\frac{5}{16}} d(X1,X2)=(0.751)2+(11)2+(10.5)2 =165 d ( X 1 , X 3 ) = ( 0.75 − 0.5 ) 2 + ( 1 − 0 ) 2 + ( 1 − 1 ) 2 = 17 16 d(X_1,X_3)=\sqrt{(0.75-0.5)^2+(1-0)^2+(1-1)^2}=\sqrt{\frac{17}{16}} d(X1,X3)=(0.750.5)2+(10)2+(11)2 =1617 d ( X 2 , X 3 ) = ( 1 − 0.5 ) 2 + ( 1 − 0 ) 2 + ( 0.5 − 1 ) 2 = 3 2 d(X_2,X_3)=\sqrt{(1-0.5)^2+(1-0)^2+(0.5-1)^2}=\sqrt{\frac{3}{2}} d(X2,X3)=(10.5)2+(10)2+(0.51)2 =23

由公式 s ( X i , X j ) = 1 d ( X i , X j ) s(X_i,X_j)=\frac{1}{d(X_i,X_j)} s(Xi,Xj)=d(Xi,Xj)1计算得相似度
s ( X 1 , X 2 ) = 1 d ( X 1 , X 2 ) = 16 5 ≈ 1.79 s(X_1,X_2)=\frac{1}{d(X_1,X_2)}=\sqrt{\frac{16}{5}}\approx1.79 s(X1,X2)=d(X1,X2)1=516 1.79 s ( X 1 , X 3 ) = 1 d ( X 1 , X 3 ) = 16 17 ≈ 0.97 s(X_1,X_3)=\frac{1}{d(X_1,X_3)}=\sqrt{\frac{16}{17}}\approx0.97 s(X1,X3)=d(X1,X3)1=1716 0.97 s ( X 2 , X 3 ) = 1 d ( X 2 , X 3 ) = 2 3 ≈ 0.82 s(X_2,X_3)=\frac{1}{d(X_2,X_3)}=\sqrt{\frac{2}{3}}\approx0.82 s(X2,X3)=d(X2,X3)1=32 0.82

4、对于如下表4所示的数据集,试计算余弦相似度 s c o s ( X 1 , X 3 ) s_{cos}(X_1,X_3) scos(X1,X3) s c o s ( X 2 , X 3 ) s_{cos}(X_2,X_3) scos(X2,X3) 的值。

文档号球队教练冰球棒球足球罚球得分赢球输球赛季
X 1 X_1 X15030100100
X 2 X_2 X23020110101
X 3 X_3 X34120210100

解:

X 1 = ( 5 , 0 , 3 , 0 , 1 , 0 , 0 , 1 , 0 , 0 ) X_1=(5,0,3,0,1,0,0,1,0,0) X1=(5,0,3,0,1,0,0,1,0,0) X 2 = ( 3 , 0 , 2 , 0 , 1 , 1 , 0 , 1 , 0 , 1 ) X_2=(3,0,2,0,1,1,0,1,0,1) X2=(3,0,2,0,1,1,0,1,0,1) X 3 = ( 4 , 1 , 2 , 0 , 2 , 1 , 0 , 1 , 0 , 0 ) X_3=(4,1,2,0,2,1,0,1,0,0) X3=(4,1,2,0,2,1,0,1,0,0)

∥ X 1 ∥ = 5 2 + 3 2 + 1 2 + 1 2 = 6 \lVert{X_1}\rVert=\sqrt{5^2+3^2+1^2+1^2}=6 X1=52+32+12+12 =6

∥ X 2 ∥ = 3 2 + 2 2 + 1 2 + 1 2 + 1 2 + 1 2 = 17 \lVert{X_2}\rVert=\sqrt{3^2+2^2+1^2+1^2+1^2+1^2}=\sqrt{17} X2=32+22+12+12+12+12 =17

∥ X 3 ∥ = 4 2 + 1 2 + 2 2 + 2 2 + 1 2 + 1 2 = 3 3 \lVert{X_3}\rVert=\sqrt{4^2+1^2+2^2+2^2+1^2+1^2}=3\sqrt{3} X3=42+12+22+22+12+12 =33

X 1 ⋅ X 3 = 5 × 4 + 0 × 1 + 3 × 2 + 1 × 2 + 0 × 1 + 1 × 1 = 29 X_1\cdot X_3=5×4+0×1+3×2+1×2+0×1+1×1=29 X1X3=5×4+0×1+3×2+1×2+0×1+1×1=29

X 2 ⋅ X 3 = 3 × 4 + 0 × 1 + 2 × 2 + 1 × 2 + 1 × 1 + 1 × 1 + 1 × 0 = 20 X_2\cdot X_3=3×4+0×1+2×2+1×2+1×1+1×1+1×0=20 X2X3=3×4+0×1+2×2+1×2+1×1+1×1+1×0=20

由公式 s c o s ( X i , X j ) = X i ⋅ X j ∥ X i ∥ ⋅ ∥ X j ∥ s_{cos}(X_i,X_j)=\frac{X_i\cdot X_j}{\lVert{X_i}\rVert\cdot\lVert{X_j}\rVert} scos(Xi,Xj)=XiXjXiXj
s c o s ( X 1 , X 3 ) = X 1 ⋅ X 3 ∥ X 1 ∥ ⋅ ∥ X 3 ∥ = 29 6 × 3 3 ≈ 0.93 s_{cos}(X_1,X_3)=\frac{X_1\cdot X_3}{\lVert{X_1}\rVert\cdot\lVert{X_3}\rVert}=\frac{29}{6×3\sqrt{3}}\approx0.93 scos(X1,X3)=X1X3X1X3=6×33 290.93 s c o s ( X 2 , X 3 ) = X 2 ⋅ X 3 ∥ X 2 ∥ ⋅ ∥ X 3 ∥ = 20 17 × 3 3 ≈ 0.93 s_{cos}(X_2,X_3)=\frac{X_2\cdot X_3}{\lVert{X_2}\rVert\cdot\lVert{X_3}\rVert}=\frac{20}{\sqrt{17}×3\sqrt{3}}\approx0.93 scos(X2,X3)=X2X3X2X3=17 ×33 200.93

5、设有混合属性数据集(表5),试计算 S S S 的相异度矩阵。

顾客id性别婚姻状况学位当月消费额
X 1 X_1 X1已婚其他1230
X 2 X_2 X2Null硕士Null
X 3 X_3 X3离异博士3586
X 4 X_4 X4单身硕士3670
X 5 X_5 X5单身学士1025
X 6 X_6 X6丧偶Null2890

解:

属性 “性别” 的相异度矩阵: D ( 1 ) ( S ) = ( 0 0 0 0 0 0 1 1 1 0 0 0 0 1 0 1 1 1 0 1 0 ) D^{(1)}(S)= \left( \begin{matrix} 0 & & & & & \\ 0 & 0 & & & & \\ 0 & 0 & 0 & & & \\ 1 & 1 & 1 & 0 & & \\ 0 & 0 & 0 & 1 & 0 & \\ 1 & 1 & 1 & 0 & 1 & 0 \end{matrix} \right) D(1)(S)= 000101001010101010010

属性 “婚姻状况” 的相异度矩阵: D ( 2 ) ( S ) = ( 0 N u l l 0 1 N u l l 0 1 N u l l 1 0 1 N u l l 1 0 0 1 N u l l 1 1 1 0 ) D^{(2)}(S)= \left( \begin{matrix} 0 & & & & & \\ Null & 0 & & & & \\ 1 & Null & 0 & & & \\ 1 & Null & 1 & 0 & & \\ 1 & Null & 1 & 0 & 0 & \\ 1 & Null & 1 & 1 & 1 & 0 \end{matrix} \right) D(2)(S)= 0Null11110NullNullNullNull0111001010

属性 “学位” 的相异度矩阵: D ( 3 ) ( S ) = ( 0 0.67 0 1 0.33 0 0.67 0 0.33 0 0.33 0.33 0.67 0.33 0 N u l l N u l l N u l l N u l l N u l l 0 ) D^{(3)}(S)= \left( \begin{matrix} 0 & & & & & \\ 0.67 & 0 & & & & \\ 1 & 0.33 & 0 & & & \\ 0.67 & 0 & 0.33 & 0 & & \\ 0.33 & 0.33 & 0.67 & 0.33 & 0 & \\ Null & Null & Null & Null & Null & 0 \end{matrix} \right) D(3)(S)= 00.6710.670.33Null00.3300.33Null00.330.67Null00.33Null0Null0

由公式 d ( k ) ( X i , X j ) = ∣ x i k − x j k ∣ m a x k − m i n k d^{(k)}(X_i,X_j)=\frac{\vert x_{ik}-x_{jk}\vert}{max_k-min_k} d(k)(Xi,Xj)=maxkminkxikxjk

得属性 “当月消费额” 的相异度矩阵: D ( 4 ) ( S ) = ( 0 N u l l 0 0.89 N u l l 0 0.92 N u l l 0.03 0 0.08 N u l l 0.97 1 0 0.63 N u l l 0.26 0.29 0.71 0 ) D^{(4)}(S)= \left( \begin{matrix} 0 & & & & & \\ Null & 0 & & & & \\ 0.89 & Null & 0 & & & \\ 0.92 & Null & 0.03 & 0 & & \\ 0.08 & Null & 0.97 & 1 & 0 & \\ 0.63 & Null & 0.26 & 0.29 & 0.71 & 0 \end{matrix} \right) D(4)(S)= 0Null0.890.920.080.630NullNullNullNull00.030.970.26010.2900.710

利用公式 d ( X i , X j ) = ∑ k = 1 d δ ( k ) ( X i , X j ) × d ( k ) ( X i , X j ) ∑ k = 1 n δ ( k ) ( X i , X j ) d(X_i,X_j)=\frac{\sum\limits_{k=1}^d\delta^{(k)}(X_i,X_j)×d^{(k)}(X_i,X_j)}{\sum\limits_{k=1}^n\delta^{(k)}(X_i,X_j)} d(Xi,Xj)=k=1nδ(k)(Xi,Xj)k=1dδ(k)(Xi,Xj)×d(k)(Xi,Xj)

D ( k ) ( S ) ( k = 1 , 2 , ⋯ , d ) D^{(k)}(S)(k=1,2,\cdots,d) D(k)(S)(k=1,2,,d) 集成为 S S S 的相异度矩阵 D ( S ) D(S) D(S),得
D ( S ) = ( 0 0.33 0 0.72 0.17 0 0.89 0.5 0.59 0 0.35 0.17 0.66 0.59 0 0.88 1 0.75 0.43 0.9 0 ) D(S)= \left( \begin{matrix} 0 & & & & & \\ 0.33 & 0 & & & & \\ 0.72 & 0.17 & 0 & & & \\ 0.89 & 0.5 & 0.59 & 0 & & \\ 0.35 & 0.17 & 0.66 & 0.59 & 0 & \\ 0.88 & 1 & 0.75 & 0.43 & 0.9 & 0 \end{matrix} \right) D(S)= 00.330.720.890.350.8800.170.50.17100.590.660.7500.590.4300.90

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/800882.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

工业通信原理——Modbus-TCP通信C语言程序代码

工业通信原理——Modbus-TCP通信C语言程序代码 前言 简单的Modbus-TCP通信的C语言程序代码示例,包括底层驱动层和应用层。 C语言程序代码详解 底层驱动层(modbus_driver.c): #include <stdio.h> #include <stdint.h> #include <stdbool.h>// 定义Mo…

蓝桥杯 试题 基础练习 十六进制转八进制

资源限制 内存限制&#xff1a;512.0MB C/C时间限制&#xff1a;1.0s Java时间限制&#xff1a;3.0s Python时间限制&#xff1a;5.0s 问题描述   给定n个十六进制正整数&#xff0c;输出它们对应的八进制数。输入格式   输入的第一行为一个正整数n &#xff08;1&…

别再抱怨学鸿蒙没方向了! 这鸿蒙全栈(南北双向)开发学习路线收藏好!

在互联网技术不断发展的现在&#xff0c;鸿蒙操作系统的出现标志着是能技术领域的一次重大突破&#xff0c;鸿蒙作为华为推出的一代操作系统&#xff0c;鸿蒙不仅达代表了自主创新的力量&#xff0c;还因为独特的分布式架构和全场景适配能力而备受关注。随着鸿蒙生态的不断完善…

2024.4.7周报

摘要 在本周阅读的文献中&#xff0c;提出了基于Transformer的GAN模型&#xff0c;GAN的生成器和鉴别器&#xff0c;都是基于Transformer的编码器架构构建的&#xff0c;通过处理图像的方式处理时间序列数据作为该模型的输入。该模型能够生成各种长度的多维时间序列数据&#…

7.1.4 Selenium 爬取京东商品信息实战

目录 1、实战内容 2、思路 3、分析 url 4、开始操作 1、得到 Cookies 2、访问页面&#xff0c;得到 response 3、解析页面 4、存入 MySQL 5、1-3步总代码 1、实战内容 爬取京东笔记本电脑商品的信息(如&#xff1a;价格、商品名、评论数量)&#xff0c;存入 MySQL 中…

Mysql服务器主从相关

一主一从 准备两台服务器(以53为主,54为从)启动主服务器binlog日志 vim /etc/my.cnf.d/mysql-server.cnf [mysqld] server-id53 //指定主服务器的server-id为53 log-binmysql53 //修改binlog日志命名 :wqsystemctl restart mysqld //重载mysqld服务,使得以上配置生效 创…

11-新热文章-实时计算

热点文章-实时计算 1 今日内容 1.1 定时计算与实时计算 1.2 今日内容 kafkaStream 什么是流式计算 kafkaStream概述 kafkaStream入门案例 Springboot集成kafkaStream 实时计算 用户行为发送消息 kafkaStream聚合处理消息 更新文章行为数量 替换热点文章数据 2 实时…

备战蓝桥杯---最长公共子序列(LCS)模板

题目链接&#xff1a;最长公共子序列 import java.util.ArrayList; import java.util.Arrays; import java.util.List; import java.util.Scanner;public class Main {public static void main(String[] args){Scanner scannernew Scanner(System.in);int nscanner.nextInt();i…

C++ sleep相关延时函数

目录 秒相关单位进制转换 sleep() 函数&#xff1a; usleep() 函数&#xff1a; nanosleep() 函数&#xff1a; C11及以后版本的std::this_thread::sleep_for()&#xff1a; 秒相关单位进制转换 秒&#xff08;second, s&#xff09;是国际单位制&#xff08;SI&#xff…

vue watch监听的多种使用

简述&#xff1a;vue 的watch的监听使用的几种写法。常用第4中写法。 一、$route监听路由跳转 前提&#xff1a;当需要前端监听路由跳转的时候&#xff0c;一般写在App.vue入口 //App.vue //vue2、uniapp写法 watch: {$route(to, from) {if (hasPermission(to.path)) {this…

能源照明运作机制与智能调控技术实现途径

随着城市化进程的加速&#xff0c;智慧城市已成为现代城市发展的重要方向。能源照明作为城市基础设施的重要组成部分&#xff0c;其运作机制与智能调控技术的实现对于提高城市能源利用效率、促进可持续发展具有重要意义。 能源照明是一个涵盖广泛、错综复杂的领域&#xff0c;它…

Redis中的集群(一)

集群 概述 Redis集群是Redis提供的分布式数据库方案&#xff0c;集群通过分片(sharding)来进行数据共享&#xff0c;并提供复制和故障转移功能 节点 一个Redis集群通常由多个节点(node)组成&#xff0c;在刚开始的时候&#xff0c;每个节点都是相互独立的&#xff0c;它们都…

【优选算法专栏】专题十六:BFS解决最短路问题(二)

本专栏内容为&#xff1a;算法学习专栏&#xff0c;分为优选算法专栏&#xff0c;贪心算法专栏&#xff0c;动态规划专栏以及递归&#xff0c;搜索与回溯算法专栏四部分。 通过本专栏的深入学习&#xff0c;你可以了解并掌握算法。 &#x1f493;博主csdn个人主页&#xff1a;小…

奇函数+(-)偶函数一定是非奇非偶函数?

今天遇到个有意思的题&#xff0c;跟大家分享一下&#xff0c;可能有的人不太了解&#xff1a; 首先说下结论&#xff1a;这题选D选项&#xff0c;以上均有可能&#xff1b; 开始证明&#xff1a; 非奇非偶函数的充要条件&#xff1a; 定义域是(一a,a)(a>0)或(一 oo,oo)的…

【Linux】软硬链接 / 动静态库

目录 一. 软硬链接1. 硬链接2. 软链接3. unlink4. 目录的硬链接 二. 动静态库1.1 静态库制作1.2 静态库使用2.1 动态库制作2.2 动态库使用3. 动态链接原理 一. 软硬链接 1. 硬链接 硬链接(hard link) 可以将它理解为原始文件的别名, 和原始文件使用相同的 inode 编号和 data …

Mysql底层原理七:InnoDB 行记录

1.行格式 1.1 Compact行格式 1.1.1 示意图 1.1.2 准备一下 1&#xff09;建表 mysql> CREATE TABLE record_format_demo (-> c1 VARCHAR(10),-> c2 VARCHAR(10) NOT NULL,-> c3 CHAR(10),-> c4 VARCHAR(10)-> ) CHARSETascii ROW_FORMATCOM…

Blender怎么样启动默认移动和Cavity效果

在使用Blender的过程中&#xff0c;有一些特殊的技巧很重要。 比如默认地设置blender打开时&#xff0c;就是移动物体&#xff0c;这样怎么样设置的呢&#xff1f; 需要在界面里打开下面的菜单: 这样就找到默认设置的地方&#xff0c;把下面的移动勾选起来&#xff0c;这样点…

3.C++ Make

1.Makefile 1.1 什么是 Makefile 一个工程中有很多文件&#xff0c;文件之间都是相辅相成有着编译的先后顺序&#xff0c;但是如果自己手动根据编译顺序编译文件造成速度非常慢。Makefile 是”自动化编译“&#xff0c;只需一个 make 指令系统就会根据编译顺序帮自己编译文件…

【C/C++】C语言实现单链表

C语言实现单链表 简单描述代码运行结果 简单描述 用codeblocks编译通过 源码参考连接 https://gitee.com/IUuaena/data-structures-c.git 代码 common.h #ifndef COMMON_H_INCLUDED #define COMMON_H_INCLUDED#define ELEM_TYPE int //!< 链表元素类型/*! brief 返回值类…

TouchableOpacity和TouchableWithoutFeedback区别

TouchableOpacity和TouchableWithoutFeedback都是React Native中定义的可触摸组件&#xff0c;但它们之间有一些区别&#xff1a; 点击效果&#xff1a;TouchableOpacity在被按下时会有一个透明度变化的点击效果&#xff0c;而TouchableWithoutFeedback则没有点击效果。 子组…