test | 易学教程

K折交叉验证

阅读更多关于 K折交叉验证

import pandas as pd #读取数据集 datas = pd . read_csv ( 'wdbc.csv' , header = None ) #使用LabelEncoder类将类标转换为整数 from sklearn . preprocessing import LabelEncoder X = datas . loc [ : , 2 : ] . values Y = datas . loc [ : , 1 ] . values le = LabelEncoder ( ) y = le . fit_transform ( Y ) #划分训练数据集 from sklearn . model_selection import train_test_split x_train , x_test , y_train , y_test = train_test_split ( X , y , test_size = 0.2 ) from sklearn . preprocessing import StandardScaler from sklearn . decomposition import PCA from sklearn . linear_model import LogisticRegression from sklearn . pipeline import

golang连接mysql实现增删改查（CROD）

阅读更多关于 golang连接mysql实现增删改查（CROD）

1.安装mysql driver go get -v github.com/go-sql-driver/mysql 2.初始化sql use test; CREATE TABLE `t_test` ( `id` int(11) NOT NULL AUTO_INCREMENT, `name` varchar(32) DEFAULT NULL, `password` varchar(255) DEFAULT NULL, PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8; 3.连接数据库代码 package db import ( "database/sql" _ "github.com/go-sql-driver/mysql" ) func Conn() (*sql.DB, error){ // root:root@tcp(127.0.0.1:3306)/test 说明： // 第一个root是用户名 // 第二个root是密码 // 127.0.0.1:3306是地址 // test 是数据库 conn,err := sql.Open("mysql","root:root@tcp(127.0.0.1:3306)/test") return conn, err } 4.数据库增删改查代码 package db import

Codeforces 1227 F2 Wrong Answer on test 233 (Hard Version) —— 组合，想法

阅读更多关于 Codeforces 1227 F2 Wrong Answer on test 233 (Hard Version) —— 组合，想法

This way 题意：给你1个长度为n的目标串，现在你自己有一个长度为n的串，你在每一个位置都可以放1-k中的某一个数，这样子放法就是 k n k^n k n 种。假设当前你的串与目标串位置一一对应之后相同的地方有a个，把你的串向右循环移位一位之后你的串与目标串位置一一对应之后相同的地方有b个，问你有多少种情况a<b 题解：首先，我的串第i位只与目标串的第i位与第i+1位有关系，此时可以分为4种状态： 00,01,10,11 0表示不相同，1表示相同。那么，我们可以发现每个位置，如果是00的话，情况数有k-2种，01和10都是1种。然后会发现，11这种情况是不需要考虑的，因为无论当a[i]=a[i+1]的时候，无论放什么数都不会有影响。所以我们设连续不相同的位置的数量为num。之后找有多少情况是答案，我们会发现，假设01和10数量相等的情况是sum种，剩下的情况是 k n − s u m k^n-sum k n − s u m 种，a比b多和b比a多的情况数是一样的，因为第i个位置是01的情况反一下就是10了，所以有 k n − s u m 2 \frac{k^n-sum}{2} 2 k n − s u m 种情况是答案。所以枚举相同的情况数： c ( n u m , i ) ∗ c ( n u m − i , i ) ∗ q p o w ( k − 2 , n

Mysql导出表结构及表数据 mysqldump用法

阅读更多关于 Mysql导出表结构及表数据 mysqldump用法

命令行下具体用法如下： mysqldump -u用戶名 -p密码 -d 數據库名表名脚本名; 1、导出數據库為dbname的表结构（其中用戶名為root,密码為dbpasswd,生成的脚本名為db.sql） mysqldump -uroot -pdbpasswd -d dbname >db.sql; 2、导出數據库為dbname某张表(test)结构 mysqldump -uroot -pdbpasswd -d dbname test>db.sql; 3、导出數據库為dbname所有表结构及表數據（不加-d） mysqldump -uroot -pdbpasswd dbname >db.sql; 4、导出數據库為dbname某张表(test)结构及表數據（不加-d） mysqldump -uroot -pdbpasswd dbname test>db.sql; 5、由条件导出數據库為dbname某张表(test)结构及表數據（不加-d）　 mysqldump -uuser -ppwd -hhostname db table --hex-blob "--where=name" > db.sql; 1、导出數據库為dbname的表结构（其中用戶名為root,密码為dbpasswd,生成的脚本名為db.sql） mysqldump -uroot -pdbpasswd -d

Mysql导出表结构及表数据 mysqldump用法

阅读更多关于 Mysql导出表结构及表数据 mysqldump用法

命令行下具体用法如下： mysqldump -u用戶名 -p密码 -d 數據库名表名脚本名; 1、导出數據库為dbname的表结构（其中用戶名為root,密码為dbpasswd,生成的脚本名為db.sql） mysqldump -uroot -pdbpasswd -d dbname >db.sql; 2、导出數據库為dbname某张表(test)结构 mysqldump -uroot -pdbpasswd -d dbname test>db.sql; 3、导出數據库為dbname所有表结构及表數據（不加-d） mysqldump -uroot -pdbpasswd dbname >db.sql; 4、导出數據库為dbname某张表(test)结构及表數據（不加-d） mysqldump -uroot -pdbpasswd dbname test>db.sql; 来源： https://www.cnblogs.com/mfryf/p/3488762.html

python flask 模板渲染

阅读更多关于 python flask 模板渲染

render_template 使用render_template可以传递载参数进行模板渲染这里直接贴一下我的测试代码 from flask import Flask, render_template app = Flask(__name__) @app.route('/') def test(): context = { 'title_name':"test_render", 'name':"sp4rk", 'test_variable':"It works" } return render_template('a.html', **context) if __name__ == '__main__': app.run(debug = True)  <html> <title>{{title_name}}</title> {% if name %} <h1>{{name}}:test name</h1> {% else %} <h1>Hello word!</h1> {% endif %} <h1>{{test_variable}}:test variable</h1> </html> python 中的**context 型参中传值以字典的方式呈现，可以参照 python函数——形参中的：*arg和**kwargs 来源： https://www

使用sh-x调试shell脚本_转

阅读更多关于使用sh-x调试shell脚本_转

参考：http://blog.chinaunix.net/uid-20564848-id-73502.html 1. 通过sh -x 脚本名 #显示脚本执行过程 2.脚本里set -x选项,轻松跟踪调试shell脚本 [以下字段转自：http://linux.chinaitlab.com/SHELL/727128_4.html] "-x"选项可用来跟踪脚本的执行，是调试shell脚本的强有力工具。“-x”选项使shell在执行脚本的过程中把它实际执行的每一个命令行显示出来，并且在行首显示一个"+"号。 "+"号后面显示的是经过了变量替换之后的命令行的内容，有助于分析实际执行的是什么命令。 “-x”选项使用起来简单方便，可以轻松对付大多数的shell调试任务,应把其当作首选的调试手段。 shell的执行选项除了可以在启动shell时指定外，亦可在脚本中用set命令来指定。 "set -参数"表示启用某选项，"set +参数"表示关闭某选项。有时候我们并不需要在启动时用"-x"选项来跟踪所有的命令行，这时我们可以在脚本中使用set命令，如以下脚本片段所示： set -x　　　 #启动"-x"选项要跟踪的程序段 set +x　　　　 #关闭"-x"选项 set命令同样可以使用上一节中介绍的调试钩子—DEBUG函数来调用，这样可以避免脚本交付使用时删除这些调试语句的麻烦

Javascript的this用法

阅读更多关于 Javascript的this用法

this是JavaScript的一个关键字。它代表函数运行时，自动生成的一个内部对象，只能在内部使用。比如： 1 function test(){ 2 this.x=1;; 3 } 随着函数使用场合的不同，this的值也会发生变化。但是有一个总的原则，那就是this指的是调用函数的那个对象。下面分四种情况，详细讨论this的用法：情况一：纯粹的函数调用这是函数的最通常用法，属于全局性调用，因此this就代表全局对象Global。下面这段代码，运行结果是1. 1 function test(){ 2 　　　　this.x = 1; 3 　　　　alert(this.x); 4 　　} 5 test(); // 1 为了证明this就是全局对象，我对代码做一些改变： 1 var x = 1; 2function test(){ 3 　alert(this.x); 4 } 5 test(); // 1 运行结果还是1。再改变一下： 1 var x = 1; 2 functuon test(){ 3 this.x = 0; 4 } 5 test(); 6 alert(x);//0 情况二：作为对象方法的调用函数还可以作为某个对象的方法调用，这时this就指这个上级对象。 1 function test(){ 2 alert(this.x); 3 } 4 var o = {}; 5

Oracle Spatial构建点、线、面

阅读更多关于 Oracle Spatial构建点、线、面

在ArcGIS中通过ArcSDE存储空间数据到Oracle中有多种存储方式，分别有：二进制Long Raw 、ESRI的ST_Geometry以及基于Oracle Spatial的SDO_Geometry等等。最近我主要是学习基于Oracle Spatial的存储方式，通过这种存储方式的几何列Shape的字段类型为mdsys.sdo_geometry类型。关于Oracle Spatial定义的SDO_GEOMETRY类型，我将单独在一章里来说明，个人觉得关于操作空间数据的SQL语句来说，相交于PostgreSQL、MS SQLServer麻烦一些，下面将给出在Oracle库中构建点、线、面等几何体的SQL语句： ------------单点 DECLARE geom sdo_geometry; BEGIN geom:=sdo_geometry (2001,---2001代表单点 null, sdo_point_type ( 63918.6936868593, 39300.6724619204, null), null, null ); execute immediate 'update zd_test set shape=:gm where objectid=227944' using geom; END; select objectid,shape from zd_test

机器学习实例（六）美国波士顿地区房价预测

阅读更多关于机器学习实例（六）美国波士顿地区房价预测

回归问题预测的目标是连续变量数据描述 # 从sklearn.datasets导入波士顿房价数据读取器 from sklearn . datasets import load_boston # 从读取房价数据存储在变量boston中 boston = load_boston # 输出数据描述 boston . DESCR Number of Instances: 506 Number of Attributes: 13 numeric/categorical predictive.Median Value (attribute 14) is usually the target. Missing Attribute Values: None 由上述可知，该数据集共有506条美国波士顿地区房价的数据，每条数据包括对指定房屋的13项数值型特征描述和目标房价（平均值）。另外，该数据中没有缺失的属性/特征值数据处理 from sklearn . model_selection import train_test_split import numpy as np X = boston . data y = boston . target # 随机采样25%的数据构建测试样本，其余作为训练样本 X_train , X_test , y_train , y_test = train_test

订阅 test