迭代计算

1.迭代是人，递归是神！ 从“编程之美”的角度看，可以借用一句非常经典的话： “迭代是人，递归是神！” 来从宏观上对二者进行把握。 从概念上讲，递归就是指程序调用自身的编程思想，即一个函数调用本身；迭代是利用已知的变量值，根据递推公式不断演进得到变量新值得编程思想。 2.递归 递归就是函数自己调用自己。 2.1构成递归需具备的条件： 子问题须与原始问题为同样的事，且更为简单； 2. 不能无限制地调用本身，须有个出口，化简为非递归状况处理。 2.2递归的基本原理 第一： 每一级的函数调用都有自己的变量。 第二： 每一次函数调用都会有一次返回。 第三： 递归函数中，位于递归调用前的语句和各级被调用函数具有相同的执行顺序。 第四： 递归函数中，位于递归调用后的语句的执行顺序和各个被调用函数的顺序相反。 第五： 虽然每一级递归都有自己的变量，但是函数代码并不会得到复制。 2.3递归优缺点 2.4编写一个递归函数 这个递归函数的功能是什么，怎样调用这个函数，即设计好递归函数的返回值和参数列表 什么时候应该结束这个递归，它的边界条件（出口）是什么（边界条件） 在非边界情况时，怎样从第n层转变成第n+1层（递推公式） 例： int f(int n) { 　　//出口 if (n > 0) { return n + f(n - 1); } else { return 0; } } 解析: 具体步骤

目录 1 集成学习的思想 1.1 Bagging简介 1.2 Boosting简介 1.3 Stacking简介 2 随机森林(Random Forest) 2.1 算法流程 2.3 TRTE 2.4 Isolation Forest(IForest) 2.5 RF随机森林的优缺点 3 AdaBoost 3.1 算法原理 3.2 算法的构建过程 3.3 总结 4 GBDT 4.1 算法原理 4.2 GBDT回归算法和分类算法 4.3 总结 1 集成学习的思想 集成学习的思想是将若干个学习器(分类器&回归器)组合之后产生一个新学习器。弱分类器(weak learner)指那些分类准确率只稍微好于随机猜测的分类器(errorrate < 0.5)。 集成算法的成功在于保证弱分类器的多样性(Diversity)。而且集成不稳定的算法也能够得到一个比较明显的性能提升。 常见的集成学习思想有：Bagging、Boosting、Stacking 1.1 Bagging简介 Bagging方法又叫做自举汇聚法(Bootstrap Aggregating)， 思想 ：在原始数据集上通过 有放回的抽样 的方式，重新选择出S个新数据集来分别训练S个分类器的集成技术。也就是说这些模型的训练数据中允许存在重复数据。 Bagging方法训练出来的模型在预测新样本分类的时候，会使用 多数投票或者求均值

梯度下降法实现一元线性回归 给定一个数据集，该数据集是n行2列的数据。当用记事本打开数据时，每行的2列数据是用逗号隔开的。首先要提取文件里面的数据，之后根据提取的数据进行画图。 数据集见链接：https://pan.baidu.com/s/1Bhn47ynrNaPO_eG191VuUw 提取码：qweu 代码如下： # 用于计算数据要用到的包numpy import numpy as np # 画图要用到的包matplotlib import matplotlib . pyplot as plt # 载入数据要用到numpy（由于项目和文件在同一个目录下，所以 # 可以直接填写文件的名字就能加载文件，如果不是在同一个目录 # 下，需要填写绝对路径；文件文件分隔符是“，”） data = np . genfromtxt ( "data.csv" , delimiter = "," ) # “ ：”在冒号的前后都不填任何信息，表示从第 0 行取到最后一行。 # 逗号前表示取行，逗号后表示取列。 x_data表示取所有行的第 1 列， # 下标从 0 开始；y_data表示取所有行的第 2 列 x_data = data [ : , 0 ] y_data = data [ : , 1 ] # 调用matplotlib包来画图。scatter表示画散点图 plt . scatter ( x

生成器 生成器是生成一个值的特殊函数，它具有这样的特点：第一次执行该函数时，先从头按顺序执行，在碰到yield关键字时该函数会暂停执行该函数后续的代码，并且返回一个值；在下一次调用该函数执行时，程序将从上一次暂停的位置继续往下执行。 通过一个例子来理解生成器的执行过程。求1-10的所有整数的立方并将结果打印输出，正常使用列表的实现如下： 输出结果如下： 当数据量很少时，可以很快得到结果。但是如果范围扩大到10000甚至是100000000，就会发现程序执行时间会变长，变卡，甚至有可能会因超出内存空间而出现程序崩溃的现象。这是因为当数据量变得非常大的时候，内存需要开辟很大的空间去存储这些数据，内存都被吃了，自然会变慢变卡。使用生成器就能解决这个问题。 对于上述同一个问题用生成器实现如下，将范围扩大到1-10000000： 执行效果如下： 可以看到没有任何的结果输出，这说明程序已经可以顺利执行。对于迭代器来讲需要用next()方法来获取值，修改主函数为以下情况可以打印输出前4个整数的立方数： 输出结果如下： 到此可以看到，生成器生成的值需要使用next()方法一个一个的取，它不会一次性生成所有的计算结果，只有在取值时才调用，这时程序会返回计算的一个值且程序暂停；下一次取值时从上一次中断了的地方继续往下执行。 以取出前3个值为例，下图为生成器代码解析图： 图解

本文将主要分为4大部分，分别介绍Python核心编程中的迭代器、生成器 、闭包以及装饰器。 生成器 生成器是生成一个值的特殊函数，它具有这样的特点：第一次执行该函数时，先从头按顺序执行，在碰到yield关键字时该函数会暂停执行该函数后续的代码，并且返回一个值；在下一次调用该函数执行时，程序将从上一次暂停的位置继续往下执行。 通过一个例子来理解生成器的执行过程。求1-10的所有整数的立方并将结果打印输出，正常使用列表的实现如下： def lifang_ls(): """求1-10所用整数的立方数-列表方式实现""" ls = [] for i in range(1,11): result = i ** 3 ls.append(result) print(ls) if __name__ == '__main__': lifang_ls() 输出结果如下： 当数据量很少时，可以很快得到结果。但是如果范围扩大到10000甚至是100000000，就会发现程序执行时间会变长，变卡，甚至有可能会因超出内存空间而出现程序崩溃的现象。这是因为当数据量变得非常大的时候，内存需要开辟很大的空间去存储这些数据，内存都被吃了，自然会变慢变卡。使用生成器就能解决这个问题。 对于上述同一个问题用生成器实现如下，将范围扩大到1-10000000： def lifang_generate(): """求1

java.util.ArrayList 是最常用的工具类之一, 它是一个线程不安全的动态数组. 本文将对JDK 1.8.0中ArrayList实现源码进行简要分析. ArrayList 底层采用 Object[] 来存储, 每次添加元素前都会检查数组是否有足够空间容纳新的元素. 若数组空间不足则会进行扩容操作, 即创建一个容量更大的数组 并将已有的元素复制到新数组中. 默认情况下新数组的容量是当前容量的1.5倍. ArrayList使用 Arrays.copyOf 和 System.arraycopy 调用原生(native)方法进行数组复制, 以提高效率. addAll , removeAll 等方法中通常使用 c.toArray 方法来获取容器中所有元素. ArrayList提供了 iterator() 和 listIterator() 两种迭代器, 前者只能向后移动, 而后者可以双向移动. iterator() 只能删除上一个访问的元素, 而 listIterator() 还可以在游标位置添加元素. 两种迭代器都采用fail-fast机制, 即使用 modCount 记录结构性改变(添加删除元素等)的次数, 迭代器在移动前会检查 modCount 是否发生改变. 若 modCount 改变, 则抛出异常中止迭代. 该方法是为了防止其它线程修改容器造成迭代结果不一致.

夏绪宏，今日头条架构师，专注对高性能大规模 Web 架构，云计算、性能优化、编程语言理论等方向，PHP committer，HHVM 项目贡献者。2009 加入百度，先后从事大规模 IDC 自运维设施建设、云计算平台的架构设计、贴吧业务性能优化、百度通用 RPC 设计和优化等。2015 年加入今日头条负责基础设施，系统架构设计和优化，解决大流量高并发下的系统性能、可靠性和运维效率等方面的问题。 今天给大家分享今日头条架构演进，前面几位讲师讲了很多具体的干货，我的分享偏重基础设施及架构思路的介绍，我们想法是通过提供更好的基础设施，帮助架构做更好的迭代。 从架构的角度，技术团队应对的压力最主要来自三方面： 服务稳定性。接口的稳定性，让服务更可靠； 迭代速度。迭代速度对于大公司来讲相对没那么重要，规模比较大，生存压力相对小一点，但相对中型小型公司来讲，迭代速度是必须要保证的，时间窗也是一个决定能否成功的重要因素； 服务质量。主要关注用户满意度，它也是一个特别重要的 topic。 今日头条发展特别快，只有 4 年的历史，从人员数量和规模增长来看非常快，在稳定性可用性方面压力比较大，一方面需要快速把业务实现，但在另外一方面，类似这些高可用的问题会经常骚扰工程师：上线就挂、运营活动量大服务崩溃、单机性能顶不住、一个小服务上线把核心服务搞挂了……类似这些问题，技术团队需要如何更好的去应对？

1.迭代是人，递归是神！ 从“编程之美”的角度看，可以借用一句非常经典的话： “迭代是人，递归是神！” 来从宏观上对二者进行把握。 从概念上讲，递归就是指程序调用自身的编程思想，即一个函数调用本身；迭代是利用已知的变量值，根据递推公式不断演进得到变量新值得编程思想。 2.递归 递归就是函数自己调用自己。 2.1构成递归需具备的条件： 子问题须与原始问题为同样的事，且更为简单； 2. 不能无限制地调用本身，须有个出口，化简为非递归状况处理。 2.2递归的基本原理 第一： 每一级的函数调用都有自己的变量。 第二： 每一次函数调用都会有一次返回。 第三： 递归函数中，位于递归调用前的语句和各级被调用函数具有相同的执行顺序。 第四： 递归函数中，位于递归调用后的语句的执行顺序和各个被调用函数的顺序相反。 第五： 虽然每一级递归都有自己的变量，但是函数代码并不会得到复制。 2.3递归优缺点 2.4编写一个递归函数 这个递归函数的功能是什么，怎样调用这个函数，即设计好递归函数的返回值和参数列表 什么时候应该结束这个递归，它的边界条件（出口）是什么（边界条件） 在非边界情况时，怎样从第n层转变成第n+1层（递推公式） 例： int f(int n) { 　　//出口 if (n > 0) { return n + f(n - 1); } else { return 0; } } 解析: 具体步骤

手写一个完整的装饰器模版 # 用于修复被装饰对象的名称空间 from functools import wrape def wrapper(func): @wraps(func) def inner(*args, **kwargs): # func执行之前的操作 res = func(*args, **kwargs) # func执行之后的操作 return res return inner 简述面向对象三大特性及各自特点 ''' 封装：将属性和方法放在类的内部，通过类的实例化出对象，用对象访问属性或方法，隐藏功能的实现细节，可设置访问权限 好处：提高了代码的复用性，安全性，降低代码的冗余度 继承：实现代码的重用，也可以理解为让类与类之间建立父子关系，使子类拥有父类的属性和方法，并可衍生出自己独有的属性和方法。需要注意的是，在python中存在多继承，这是其他编程语言没有的一个特性 好处：减少代码的重用，提高代码的可读性，规范编程模式 多态：同一个方法，不同对象调用，实现的功能不一样。python中的多态不像其他编程语言，崇尚“鸭子类型”，即不用通过具体的继承关系来约束其他类，只要这些不同的类具有相同的方法名，利用统一的方式来调用 好处：增加代码的灵活度，调用方法，不会影响到类的内部设计 ''' 简述解释性语言和编译性的区别 ''' - 解释型：每次执行程序都要重新编译

要了解for循环是怎么回事儿，咱们还是要从代码的角度出发。 首先，我们对一个列表进行for循环。 for i in [1,2,3,4]: print(i) 上面这段代码肯定是没有问题的，但是我们换一种情况，来循环一个数字1234试试 for i in 1234 print(i) 结果： Traceback (most recent call last): File "test.py", line 4, in <module> for i in 1234: TypeError: 'int' object is not iterable iterable：是可迭代的意思。 首先，我们从报错来分析，好像之所以1234不可以for循环，是因为它不可迭代。那么如果“可迭代”，就应该可以被for循环了。 这个我们知道呀， 字符串、列表、元组、字典、集合 都可以被for循环，说明他们 都是可迭代的 。 我们怎么来证明这一点呢？ from collections import Iterable l = [1,2,3,4] t = (1,2,3,4) d = {1:2,3:4} s = {1,2,3,4} print(isinstance(l,Iterable)) print(isinstance(t,Iterable)) print(isinstance(d,Iterable)) print