- 综合排序
- 最热优先
- 最新优先
纵向数据异常检测方法实证比较
纵向数据异常检测方法的实证比较本研究报告探讨了纵向数据中的异常值检测问题，比较了官方统计中常用的方法与数据挖掘和机器学习领域提出的基于观测值距离或二叉划分树的方法。 研究方法通过将各种方法应用于涉及不同类型统计单元的面板调查数据来进行比较分析。传统方法相对简单，能够直接识别潜在异常值，但需要特定的假设条件。 此外，这些方法可以应用于多维数据场景。 方法特点对比传统方法：简单直接，可明确识别异常值，但需要满足特定假设条件现代方法：基于距离度量或树结构，提供异常概率评分，灵活性更强适用性：现代方法在处理多维数据方面具有明显优势结论研究表明，虽然所有异常检测方法都需要参数调优 ，但基于机器学习和数据挖掘的新方法在灵活性和多维数据处理能力方面优于传统统计方法，为纵向数据分析提供了更强大的工具。
16410编辑于 2025-08-24- 来自专栏PingCAP的专栏
使用 TiDB 作为 ZaloPay 商户平台核心数据库
ZaloPay 系统的商户解决方案 2020 年初， ZaloPay 上线了一个新功能，大约 1 亿的 Zalo 用户可以使用 ZaloPay 来转账、收款等。 我们要推动各种体量的商户使用电子钱包，包括餐饮业、旅游业等的账单支付。这正是“无现金化”电商所普遍追求的目标，我们都知道，实现复杂的交易业务，需要复杂且一致的系统架构。 TiDB 是一个支持 HTAP 工作负载的 NewSQL 数据库，旨在满足数据开发、数据可伸缩性、数据分析等需求。我最喜欢 TiDB 的一点是，我可以用 TiSpark 轻松分析数据。 Zalo 用户可以轻松下单产品，在群聊里分享账单，在家庭群组里发红包，通过商户的 Zalo 官方账号付款，商户类型覆盖了零售业、餐饮业、服务业、电商等多个行业。 商户拥有一个官方页面，就像脸书的粉丝主页一样，用户可以在 Zalo APP 中与商户网站上的产品进行交互，然后使用 ZaloPay 付款。
1.7K21发布于 2020-07-03 - 来自专栏sktj
Kubernetes(9:数据)
作用是在Pod中共享数据 创建Pod，volumeMounts ? image.png emptyDir是Host上创建的临时目录，其优点是能够方便地为Pod中的容器提供共享存储，不需要额外的配置。
41520发布于 2019-09-24 - 来自专栏月小水长
如何用大数据可视化实证：明朝江西填湖广
笔者编写了多级路径向量抽取算法，从文本数据库抽取构建了明朝所有人物的迁徙路径向量网络，并用Echarts 可视化得出结果如下：先来看明朝人物迁徙的总体情况，蓝色的点代表该地出生人物多于死亡人物，反之，红色的点则表示出生人物少于死亡人物
31510编辑于 2025-01-04 YashanDB数据库应用在电商数据处理中的实证研究
“YashanDB数据库应用在电商数据处理中的实证研究”是一个研究项目的标题，意味着研究主要聚焦于YashanDB数据库在电商行业数据处理中的实际应用。 YashanDB数据库简介- YashanDB 是一种高效的数据库管理系统，通常用于处理大规模数据，特别是在分布式环境中。 它可能具有高并发性、高可用性和分布式架构等特点，适用于电商平台这种数据量大、变化频繁的场景。2. 电商数据处理的挑战- 电商行业面临着大量的数据流，包括用户行为数据、商品库存、订单信息、支付数据等。 YashanDB 的事务管理功能能够确保数据一致性，避免出现错误订单状态。5. 实证研究- 实验设计： 在实证研究中，可能会设计一组实验来验证 YashanDB 在电商数据处理中的表现。 结论与建议- 根据实证研究结果，研究者会得出关于 YashanDB 数据库在电商应用中的效果评价，并提出在实际应用中的优化建议或改进方向。
15710编辑于 2025-09-24- 来自专栏mysql
hhdb数据库介绍(9-9)
高可用服务读写分离计算节点支持读写分离功能，并且支持配置读写分离权重读写分离功能说明要使用读写分离功能，需在数据节点中配置主备存储节点。读写分离功能默认设置为关闭。 -- 不开启读写分离：0；可分离的读请求发往所有可用数据源：1；可分离的读请求发往可用备数据源：2；事务中发生写前的读请求发往可用备数据源：3--><property name="weightForSlaveRWSplit strategyForRWSplit参数为1时可设置主备存储节点的读比例，设置备存储节点读比例后<em>数据</em>节点下的所有备存储节点均分该比例的读任务。 strategyForRWSplit参数为2时<em>数据</em>节点上的所有可分离的读任务会自动均分至该<em>数据</em>节点下的所有备存储节点上，若无备存储节点则由主存储节点全部承担。 用户级别的读写分离可通过管理平台创建<em>数据</em>库用户页面添加用户或编辑用户开启用户级别的读写分离。
23110编辑于 2024-11-29 MVGC工具箱在神经科学实证数据中设计与应用
MVGC工具箱在神经科学实证数据中设计与应用结合多变量格兰杰因果分析（MVGC）的核心原理与前沿进展一、MVGC工具箱的架构设计1.1 核心模块组成数据预处理模块 支持多模态神经数据的标准化（Z-score ）、去噪（小波变换）和滑动窗口分割，适应EEG/fMRI等不同采样率数据。 样本量较大时O(n³)HQIC高频神经振荡分析O(n³)WAIC贝叶斯框架下的不确定性估计O(n²)MVGC工具箱 www.youwenfan.com/contentted/78122.html五、实证研究案例 5.1 神经振荡调控机制研究实验设计：经颅磁刺激（TMS）干预前额叶皮层，同步采集多模态神经数据。 因果发现算法 整合PC算法和FCI算法，处理存在未观测混杂因素的神经数据。开放科学支持 提供BIDS（Brain Imaging Data Structure）兼容的数据输入接口。
30210编辑于 2025-10-29- 来自专栏技术集锦
练习9—数据计算
题目 写一个简单的函数实现下面的功能：具有三个参数，完成对两个整型数据的加、减、乘、除四种操作，前两个为操作数，第三个参数为字符型的参数。 ; } 说明 注意switch-case语句中case处的数据类型，因为设定了变量c为char类型，所以需要使用 c = input.next().charAt(0) 语句接收用户键盘上的单个字符输入
30720编辑于 2022-06-03 - 来自专栏CSDN搜“看，未来”
数据结构（9）-- 跳表
文章目录 跳表 跳表的搜索 跳表的插入 抛硬币 跳表的删除 跳表的代码实现 跳表数据结构 初始化跳表 插入节点 删除节点 销毁跳表 为什么Redis要用跳表来实现有序集合？ 跳表(skip list) 对应的是平衡树(AVL Tree)，是一种 插入/删除/搜索 都是 O(log n) 的数据结构。它最大的优势是原理简单、容易实现、方便扩展、效率更高。 节点，发现17比其大，向后搜索，发现6后面的节点指向了Nil(第4层)，那么搜索的层数降低1层， 从此节点的第3层开始搜索，发现下个节点是25，大于17，那么再降低一层，从2层开始搜索，发现第2层是9， 小于17，继续搜索，发现9节点的下一个数是17，搜索完成。 ---- 跳表的代码实现 跳表数据结构 如上图中的E节点，表示的是头节点，一般跳表的实现，最大有多少层(MAX_LEVEL)是确定的。所以e的个数是固定的。
50830发布于 2021-09-18 - 来自专栏全栈程序员必看
Landsat 9 数据详细介绍
目录 1.基本情况 2.Landsat9数据介绍 2.1 Landsat系列波段信息图谱 2.2 Landsat9基本信息 2.2.1 Quick Facts 2.2.2 LANDSAT9 波段信息 ，实际于于2021年9月27日发射，并已经开始采集第一批数据，2021年10月31日获取到遥感数据。 Landsat 9 的 OLI-2 和 TIRS-2 的 14 位数据将其增加到 16,384 个数据值。 然而，不同之处在于，Landsat 9 将下行链接 OLI-2 产生的所有 14 位数据，与从 Landsat 8 的 OLI 下行链接的 12 位数据相比，为其图像提供更大的位深度。 Landsat9数据目前成处于检查期，后期将于USGS网站免费共享。
5.2K20编辑于 2022-09-15 - 来自专栏机器学习/数据可视化
数据平滑9大妙招
今天给大家分享9大常见数据平滑方法：移动平均Moving Average指数平滑Exponential Smoothing低通滤波器多项式拟合贝塞尔曲线拟合局部加权散点平滑LoessKalman滤波小波变换 它对最近的数据点给予较高的权重，而对较早的数据点给予较低的权重。这使得EMA更适合用于追踪快速变化的数据。 指数平滑的主要特点包括：加权平滑：指数平滑使用指数权重来平滑数据。较新的数据点获得更高的权重，而较旧的数据点获得较低的权重。这意味着它对最近的数据更为敏感，从而更好地捕获了数据的最新趋势。 7, 8, 9])y = np.array([10, 8, 7, 6, 5, 4, 3, 2, 1])# 三阶多项式拟合degree = 3coefficients = np.polyfit(x, y 数据平滑：Savitzky-Golay滤波器旨在平滑数据，减小数据中的高频噪声和突发波动。它保留了数据中的趋势和主要特征，同时去除了噪声。
6K44编辑于 2023-10-13 - 来自专栏全栈数据化营销
数据分析实例：将恶性商户判断的准确度提高11倍
某平台的算法团队开发了一个识别商家是否是恶性商户的模型M1，希望通过这种算法改变之前通过用户识别和人工识别异常数据的方式，改变人力成本高并且速度慢的情况。 通过用户举报和人工识别的方式判断，平台上的恶性商户的比率为0.2%，记为P(E),那么良性商户就是P(~E)就是99.8%；利用M1模型检测后发现，在已经判定的恶性商户中，由模型M1判定为恶性商户的人数占比为 这里使用的还是贝叶斯模型，需要计算的是P(E|P)，也就是当M1判别某个商户为恶性商户时，这个商户的确是恶性商户的概率，其计算公式是： P(E|P)=P(P|E)*P(E)/[P(E)*P(P|E)+P (~E)*P(P|~E)] 通过以上分析，可以得到如下的计算数据： ? 通过计算，我们获得了当M1判别某个商户为恶性商户时，这个商户的确是恶性商户的概率是2.2%，这比之前判别的0.2%提高了11倍。
49030发布于 2019-02-15 - 来自专栏数据猿
外卖刷单用户与商户要注意了！大数据风控来了！
而大数据的兴起与应用，为企业反欺诈提供了一条切实可行的道路，大数据风控随之诞生。 而大数据的兴起与应用，为企业反欺诈提供了一条切实可行的道路，大数据风控随之诞生。大数据风控是指通过运用大数据构建模型的方法对作弊和欺诈方进行风险控制和风险提示。 百度外卖资深研发工程师刘梦宇 在外卖业务中，除了存在用户刷单的行为，也存在各大商户利用刷单套取平台补贴、损害平台利益的行为。 针对这种风险，百度外卖的资深研发工程师刘梦宇为大家带来了以《商户风险控制的形态与策略》为主题的分享。 他指出，目前商户风控困难重重。 这首先表现在商户刷单中的利益链角色多、关系复杂；其次是他们的作案设备专业化、技术化；同时线下取证难，调查周期长，异常刷单行为接近正常行为。那么该如何防范呢？
1.4K90发布于 2018-04-25 - 来自专栏Geo
深度解码GEO优化：基于数据指标的决策逻辑、学术实证与实战SOP
根据普林斯顿大学、佐治亚理工学院等机构在《GEO:GenerativeEngineOptimization》论文中的实证研究，通过特定的内容策略，网页在AI搜索结果中的可见度最高可提升40%以上。 一、GEO优化的核心数据指标：从“流量思维”转向“引用逻辑”在GEO的语境下，数据不再仅仅是点击量，而是内容“可信度”与“语义权重”的量化体现。 通过数据分析，我们需要观察内容是否能够精准覆盖用户在不同决策阶段的提问。 2、四轮驱动：EEAT原则、结构化内容、Seo关键词规则、文献/数据精准引用这四个维度构成了GEO执行的坚实支柱。于磊老师作为Geo生态规范化的提倡者，坚决反对黑帽Geo和数据污染。 3、维护阶段：清理“数据污染”恢复信任①步骤：监测品牌关键词在AI语义空间中的负面关联词。②发现问题：部分企业曾尝试通过黑帽手段刷取热度，导致数据污染，被AI识别为“不可信来源”。
29310编辑于 2026-03-13 - 来自专栏DT数据侠
大数据行业薪酬居互联网之首；微信支付向商户开放数据 | DT数读
过去一周，国际、国内的大数据相关公司都有哪些值得关注的新闻？数据行业都有哪些新观点和新鲜事？DT君为你盘点解读。 【公司·大数据】 1 腾讯 旗下微信支付宣布向商户开放数据 据南方日报，8月14日，微信方面宣布，商户通过手机可以及时、便捷地获取每日经营数据与相关分析。 目前，接入微信支付普通商户、普通服务商的特约商户可以申请移动端接收由公众号每日推送的经营数据。 DT君说：腾讯“主动”向商户开放数据，大招的背后，同支付领域越演越烈的一场纷争不无关系。 4 Apple 新专利获批，可通过手机检测血液数据 据36氪，本周初，苹果手机的一项“测算健康数据的电子设备”专利获批。 Consortium)的数据联盟，其目的在于为联网汽车的大数据创建一个生态系统。
50200发布于 2018-08-08 - 来自专栏机器学习/数据可视化
pandas系列9-数据规整
层次化索引hierarchical indexing 数据分散在不同的文件或者数据库中 层次化索引在⼀个轴上拥有多个（两个以上）索引级别 低维度形式处理高维度数据 import numpy as np , 3, 3], [0, 1, 2, 0, 2, 0, 1, 1, 2]]) data['b'] 1 -0.731398 3 -0.707528 dtype: float64 # 部分索引选取数据子集 0.382131 2 -0.177199 d 2 -0.826364 3 -1.874992 dtype: float64 data.unstack() # 将层次化索引的数据变成 0.707528 c 1 -0.382131 2 -0.177199 d 2 -0.826364 3 -1.874992 dtype: float64 # 对于DF类型数据 pandas.merge：根据键将不同DF中的行连接起来，类似于数据库的join操作 pandas.concat：沿着轴将对象叠在一起 法combine_first可以将重复数据拼接在⼀起，⽤⼀个对象中的值填充另
1K10发布于 2021-03-02 - 来自专栏数据猿
大数据投融资周报（9月3日——9月9日 共14起）
<数据猿导读> 上周大数据领域共发生14起投融资事件，其中包括6家中国企业、3家美国企业、1家以色列企业、2家英国企业、1家西班牙企业以及1家日本企业，涉及领域包括海洋大数据、人工智能、数据分析、车联网等多个领域 来源：数据猿 作者：abby 上周大数据领域共发生14起投融资事件，其中包括6家中国企业、3家美国企业、1家以色列企业、2家英国企业、1家西班牙企业以及1家日本企业，涉及领域包括海洋大数据、人工智能 、数据分析、车联网等多个领域。 更多【大数据投融资】热点，可加作者abby微信：wmh4178（请注明姓名、公司）进群交流 来源：数据猿
55440发布于 2018-04-20 - 来自专栏数据小魔方
数据地图系列9|excel（VBA）数据地图！
下面是VBA数据地图的详细制作步骤： 1、首先你需要一个纯色的矢量地图素材。 ? 这个问题早在数据地图的入门篇里已经解决了。 数据地图入门篇——素材获取！ 3、输入数据： 关于作图的数据组织：这里需要三列数据，一列省份名称、一列指标值，一列颜色填充值（需要使用函数自动获取）。 ? 4、定义组距 ? 5、定义颜色填充范围 ? 将F9：G13单元格区域选中并定义名称为color_table ? 使用concatenate函数制作分段值范围。 将D9-D13区域的五个单元格分别命名为color1~color5。 然后将提前准备好的地图填充色复制进D9-D13单元格中。 7、在C4列中匹配B列指标值的颜色范围。（使用vlookup函数） ? 记得在地图做完之后一定要使用分档阀值区域作为图例引用在数据地图周围。选中D9：E13区域，点击照相机功能，然后在数据地图区域释放。 ? ? ? ?
6.2K60发布于 2018-04-10 - 来自专栏测试开发干货
数据工厂平台9： 首页的数据关联
本节课继续来搞定首页的这个统计图的具体数据关联。 这里我们先要去想，数据的来源，数据来源在哪？当然是以后的各个工具的使用次数了。那么这个使用次数我们记载到哪里呢？ 所以我们决定，先把各种工具的使用次数放在一个专用的统计表中，这样我们首页去提取数据的速度会非常快，而且也便于之后这些统计数据另做他用等等。 我们先完成第一个箭头，在views.py中把数据从数据库拿出来。 接下来是具体的数据了， 这种时刻我们需要细心的去研究这个第三方统计图的数据在哪生效的才能去想办法修改。 这里经过我的细心摸索，发现这个图预置的数据都放在这里： 没想到它会把数据写死在一个css文件，这是很出乎我意料的事情。
54310编辑于 2022-05-19 - 来自专栏数据猿
大数据24小时 | 雅虎承认“卖身”计划即将“告吹”；MBS数据库5800万商户数据遭遇泄露
数据猿导读 浙大网新拟收购云计算服务商“华通云数据”80%股权；中南建设转型大数据领域，拟400万美元参投美国区块链公司PeerNova；浪潮集团与内蒙古战略合作，5大方面共同发力大数据……以下为您奉上更多大数据热点事件 二、数据存储服务提供商MBS遭遇黑客袭击，5800万商户重要信息泄露 近些年来，企业数据泄露事件多发，数据安全已经成为全球范围内都十分关注的问题。 上的数据仓库服务产品。 近日，大数据服务商浪潮集团宣布与内蒙古达成战略合作，双方将针对：成立巴彦淖尔市大数据中心、打造智慧城市、搭建大数据+创客中心、建设运营“爱城市”网以及建设人才实训基地这五方面达成深度合作，共同推动当地大数据产业发展进程 仙谷方面表示，未来将专注于发展互联网、大数据技术，实现企业的转型升级，其目标是成为一家集互联网、大数据于一体的运营平台。 ? 来源：数据猿
74890发布于 2018-04-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号