- 综合排序
- 最热优先
- 最新优先
4-3数据库迁移
Microsoft.EntityFrameworkCore.Tools 上一节中讲到，使用Add-Migration和Update-database会在项目中生成文件夹Migrations，其中有两类文件： 数字+迁移名字的文件，每个文件代表一次对数据库的修改 数字+迁移名字.cs文件是和具体数据库无关的抽象模型，里面有up和Down两个方法，分别代表向上迁移和向下迁移，即类似于数据库版本的的前进与回退 数字+迁移名字.Designer.cs文件记录的是和具体数据库相关的代码 其他数据库迁移命令 Update-databse+参数 Update-databse XXX将数据库回滚到xxx迁移脚本之后的状态 Remove-migration 删除最后一次迁移脚本 Script-Migration
8910编辑于 2026-06-17- 来自专栏AI机器学习与深度学习算法
机器学习入门 4-3 训练数据集，测试数据
当前我们将全部数据集作为训练集，使用训练集训练得到一个模型。 具体在kNN算法中，每当来了一个新数据的时候，新数据要和我们训练集中所有数据计算他们之间的距离，然后选出前k个距离小的训练集，然后统计这些被选出来的训练集对应标签，选择标签数最多的标签作为新数据的预测标签 换句话我们用全部数据集作为训练集得到的模型来预测新的数据所属的类别，但是我们最终需要模型在真实的环境中使用，但是现在这样做有很大的问题： 我们使用全部的数据集作为训练集训练模型，得到的模型只能拿到真实的环境中使用 解决这个问题最简单的办法，是将数据集划分为训练集和测试集。 ? 全部数据集抽取70%或者80%当做训练集，剩下的数据集作为测试集，这样我们使用蓝色的训练集训练出模型（此时需要注意测试集不能够参与到训练过程中），得到模型后，将测试集放到训练好的模型中，让模型进行预测，
1.4K01发布于 2019-11-13 - 来自专栏Hank’s Blog
4-3 R语言函数 mapply
#mapply(函数/函数名,数据,函数相关的函数) > list(rep(1,4),rep(2,3),rep(3,2),rep(4,1)) [[1]] [1] 1 1 1 1 [[2]] [1]
91130发布于 2020-09-16 - 来自专栏python3
Python自动化开发学习4-3
JSON 和 pickle 序列化：把数据对象变成字符串的形式，这样可以保存在文件中。 下次要用的时候再读取文件，反序列化生成之前的数据。对于这种情况，对应有两个便捷的方法可以直接完成。 encoding='utf-8') as file: data = json.load(file) print(type(data),data) 上面的JSON的序列化并不支持python所有的数据类型 但是JSON是通用的规范，也就是JSON序列化之后的数据到其他语言环境也能识别。 对于不支持的数据类型，应该可以加一步编解码，但是如果别的语言环境也不支持这个数据类型，那么即使能序列化也没有用。 不过python序列化保存之后再给python反序列化使用，就没有数据类型的问题，那么可以使用pickle。 python的pickle模块实现了python的所有数据序列和反序列化。
46720发布于 2020-01-06 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程4-3：LM模型+因子协变量
因子协变量 awk '{print $1,$2,$4}' cov.txt >cov1.txt 数据如下： 1061 1061 3 1062 1062 3 1063 1063 3 1064 1064
1.1K30发布于 2020-05-29 - 来自专栏cwl_Java
C++编程之美-数学之趣(代码清单4-3)
代码清单4-3 void CalcTime(double Length, // length of the stick double *XPos, // position
24530编辑于 2022-11-30 - 来自专栏博文视点Broadview
运营人看哪些数据？
---- --正文-- 运营人看哪些数据？ 第一大类是原始数据，包括如下几类。 （1）市场属性数据：行业数据、竞品数据，以及获得用户流量的渠道属性数据，包括渠道分类、曝光、点击、播放、流量、成本等数据。 （4）商品或内容方向的属性数据：如电商中商品的信息数据，包括分类、属性、详情页面、视频、图片等数据，或资讯内容文章的分类、作者、时效、标签等数据。 （6）运营策略干预产生的数据：本质上还是上述几类数据，只是与活动或实验等项目相关的数据会被打上某次活动或实验的标签，可以单独拿出来统计和分析。 第二大类是对原始数据的统计数据，包括如下几类。 ▊《运营之上：互联网业务的全局运营方法论与实践》 徐全安 著 10年+跨越不同行业、多次从0到1经验总结 通用运营框架、抓手方法论总结 让运营人“做且只做”有价值的工作 本书是在运营的基础职能之上对“
73110编辑于 2023-05-19 - 来自专栏华章科技
数据解读城市：北京 本地人VS外地人
今天小编找来一篇运用大数据解读城市人口分布的文章，供大家阅读！
42310发布于 2018-08-13 - 来自专栏华章科技
写给准数据人的数据世界入门指南
接下来，再来看一句话： 成交10亿人民币！ 有些人可能已经猜到了，我要分享的这两个词就是：维度+度量。 下图中，我将重点放到大道至简几个字，以及维度+度量上，而维度和度量下面分别放了所在家族的一些其他常用词汇，我稍后会解释。 ? （能有这个问题的妹子，你真想多了……），其实这里仔细分析，无非也是涉及到维度和度量两词： 维度：人啊。 当然，则个领域，水很深，我只能简单描述一下，再深的也担心大家晕菜了——毕竟本文是写给非数据人的。（其实作者本人也讲不粗来了……哈哈） ▍ 应用 ? 我说了，我无法教你具体复杂的数据分析案例。 过去放凤姐一晚，100个人里只有5个人点，现在放了林志玲一晚，100个人居然有99个人点击。老板很高兴，而且确实成交额似乎是比过去略微高那么一点点了。
59560发布于 2018-08-15 - 来自专栏小小挖掘机
数据团队思考：数据人的通用技能要求
0x00 前言 最近经常遇到有朋友问下面这类问题，结合最近的一些思考，本篇聊一下，数据人该具备哪些通用的技能。 “数据开发到底用不用学算法？” “Excel 有必要学吗？” 0x01 Excel 掌握指数：5颗星 掌握人群：所有数据人 Excel 是每个数据人都应该掌握的一项技能，不管是研发还是产品，Excel 应该是必备的一项基本技能。 0x02 Sql 掌握指数：4.5颗星 掌握人群：所有数据人 从研发岗来讲，数据开发、数据仓库、数据分析都应该具备 Sql 能力，这点不用多做解释。那么数据产品和数据运营是否应该掌握 Sql 呢？ 至于说数据产品和运营是否需要，居士认为，简单了解就行，不是核心技能要求。 0x04 大数据 掌握指数：4.5颗星 掌握人群：所有数据人 大数据时代，所有数据人都应该具备一定的大数据知识！ 0x05 统计学 掌握指数：4颗星掌握人群：所有数据人 统计学，玩数据的同学都应该了解一定的统计学知识！一般来讲，大部分数据分析都应该具备统计学的知识。那么问题来了？数据仓库是否也需要了解统计学？
62220发布于 2019-11-21 - 来自专栏木东居士的专栏
数据团队思考：数据人的通用技能要求
0x00 前言 最近经常遇到有朋友问下面这类问题，结合最近的一些思考，本篇聊一下，数据人该具备哪些通用的技能。 “数据开发到底用不用学算法？” “Excel 有必要学吗？” 0x01 Excel 掌握指数：5颗星 掌握人群：所有数据人 Excel 是每个数据人都应该掌握的一项技能，不管是研发还是产品，Excel 应该是必备的一项基本技能。 0x02 Sql 掌握指数：4.5颗星 掌握人群：所有数据人 从研发岗来讲，数据开发、数据仓库、数据分析都应该具备 Sql 能力，这点不用多做解释。那么数据产品和数据运营是否应该掌握 Sql 呢？ 至于说数据产品和运营是否需要，居士认为，简单了解就行，不是核心技能要求。 0x04 大数据 掌握指数：4.5颗星 掌握人群：所有数据人 大数据时代，所有数据人都应该具备一定的大数据知识！ 0x05 统计学 掌握指数：4颗星掌握人群：所有数据人 统计学，玩数据的同学都应该了解一定的统计学知识！一般来讲，大部分数据分析都应该具备统计学的知识。那么问题来了？数据仓库是否也需要了解统计学？
91930发布于 2019-07-15 - 来自专栏数据森麟
数据团队思考：数据人的通用技能要求
作者：木东居士 来源：木东居士 0x00 前言 最近经常遇到有朋友问下面这类问题，结合最近的一些思考，本篇聊一下，数据人该具备哪些通用的技能。 “数据开发到底用不用学算法？” 0x01 Excel 掌握指数：5颗星 掌握人群：所有数据人 Excel 是每个数据人都应该掌握的一项技能，不管是研发还是产品，Excel 应该是必备的一项基本技能。 0x02 Sql 掌握指数：4.5颗星 掌握人群：所有数据人 从研发岗来讲，数据开发、数据仓库、数据分析都应该具备 Sql 能力，这点不用多做解释。那么数据产品和数据运营是否应该掌握 Sql 呢？ 至于说数据产品和运营是否需要，居士认为，简单了解就行，不是核心技能要求。 0x04 大数据 掌握指数：4.5颗星 掌握人群：所有数据人 大数据时代，所有数据人都应该具备一定的大数据知识！ 0x05 统计学 掌握指数：4颗星掌握人群：所有数据人 统计学，玩数据的同学都应该了解一定的统计学知识！一般来讲，大部分数据分析都应该具备统计学的知识。那么问题来了？数据仓库是否也需要了解统计学？
49730发布于 2019-09-27 - 来自专栏PPV课数据科学社区
假如把地球的70亿人浓缩为100人，这组数据让人感到震撼
因为有人制作了这组有趣的统计报告，把世界上的70亿人想象成100人，然后各种百分比的统计数据看起来就有点意思了. ? 统计数据看起来会是这样的： 11人在欧洲、5人在北美洲、9人在南美洲、15人在非洲、60人在亚洲 ? 49人生活在乡下、51人生活在城市 ? 12人讲中文、5人讲西班牙语、5人讲英语、3人讲阿拉伯语、3人讲印度语、3人讲孟加拉语、3人讲葡萄牙语、2人讲俄罗斯语、2人讲日语、还有62人各讲一种语言 ? 83个人能识字、17人是文盲 ? 33人是基督徒、22人是穆斯林、14人是印度教徒、7人是佛教徒、12人信仰其他宗教、还有12人没有宗教信仰 ? 26人不到14岁、66人在15-64岁之间、8人超过65岁 ? 男人有50个，女人有50个 ? 看完这组数据,假如你能上网，有手机，上过大学，还有什么理由抱怨？
1.5K40发布于 2018-04-19 - 来自专栏PPV课数据科学社区
【推荐】从设计到数据——写给非数据人的数据入门
原因很正常：大部分人都投入到了业务系统建设中（彼时，供应链管理系统、物流管理系统、认证系统、以及前台都处于开荒建设阶段）。 接下来，再来看一句话：成交10亿人民币！ （能有这个问题的妹子，你真想多了……），其实这里仔细分析，无非也是涉及到维度和度量两词： 维度：人啊。 当然，则个领域，水很深，我只能简单描述一下，再深的也担心大家晕菜了——毕竟本文是写给非数据人的。（其实作者本人也讲不粗来了……哈哈） 四. 应用 我说了，我无法教你具体复杂的数据分析案例。 过去放凤姐一晚，100个人里只有5个人点，现在放了林志玲一晚，100个人居然有99个人点击。老板很高兴，而且确实成交额似乎是比过去略微高那么一点点了。
1.2K70发布于 2018-04-23 - 来自专栏PPV课数据科学社区
一个资深数据人对数据挖掘解读
（一）纯粹的数据加工 侧重于变量加工和预处理，从源系统或数据仓库，对相关数据进行提取、加工、衍生处理，生成各种业务表。 文本和湿人。关于文本分析，最近朋友圈有篇分享，很有意思，号称可以让你瞬间变成湿人。原理很简单，就是先把《全宋词》分词，然后统计频数前100的词语。 数据基本上来源于仓库系统，然后运用SQL、SAS、R，提取、加工、建模和分析。 （二）数据类型 数据类型，主要包括“结构化”和“非结构化”两类数据。前者就是传统的二维表结构。 银行里面的数据，更多的是结构化数据，也有少量的非结构化数据（投诉文本、贷款审批文本等）。业务部门对非结构化数据的分析需求比较少。因此，在非结构化数据的分析建模方面，稍显不足。 互联网，更多的是网络日志数据，以文本等非结构化数据为主，然后通过一定的工具将非结构化数据转变为结构化数据，进一步加工和分析。
71250发布于 2018-04-25 - 来自专栏数据科学与人工智能
【数据】关于数据质量，营销人必知六问
小编邀请您，先思考： 1 如何让数据优质？ 数据驱动的广告需要优质数据。但大量的不良数据和经不起推敲的数据使用方式可能会给营销活动造成不良影响。 营销人员需要知道何时使用自己的数据，何时依赖合作伙伴。 如果你定义了一个非常精准的人群： 30-40岁，女性，在过去14天，在指定的四个区域，买了特定的某一本杂志，最后找到30人。这是一个很有价值的目标人群，但数量太少了。 例如，将Cookie数据或设备ID相匹配可能会降低数据质量。你可能会合并一堆数据，但是匹配率太低，所以最终得到的数据集没什么价值。 相反，与其他数据集合匹配良好的数据集可以提高数据质量。 当说到一个数据集与其他数据集的集成，那一般必须合并三到四个数据集，才可以清晰整理出阅读数据可见率或广告欺诈行为，但与此同时这些数据集的集成将面临相当大的复杂性。 每个营销人员都应该询问在引入新数据或分析现有数据时如何合并数据。如果你不明白数据是如何构建的，它可能导致非常错误的结论。
1.1K70发布于 2018-03-27 - 来自专栏速入大数据
数据无罪，使用有度：从技术人角度谈数据伦理
数据无罪，使用有度：从技术人角度谈数据伦理在大数据时代，数据几乎无处不在，它记录我们的行为、偏好，甚至影响我们的生活决策。 然而，随着数据利用的价值被不断挖掘，数据伦理的问题也愈加突出：我们是否能够确保在采集、存储和使用数据时不侵害他人的权益？本文从技术人的视角，聊聊如何负责任地使用数据，践行数据伦理。 一、数据不是“万能钥匙”数据有它的价值，但也不能成为“为所欲为”的借口。在很多情况下，数据的滥用并不是技术问题，而是道德问题。 二、数据分析：不偏不倚数据分析是技术的核心任务，但如果不注意，就容易陷入伦理风险。例如，一些模型训练过程中可能会因数据本身存在偏见，导致结果不公平。 四、总结数据伦理从来不是“后置选项”，而是贯穿技术开发全流程的责任。从数据收集到分析、再到应用，技术人需要始终保持对法律、道德和社会责任的敏感性。
54410编辑于 2025-03-27 - 来自专栏机器学习AI算法工程
一个资深数据人对 数据挖掘 的解读
（一）纯粹的数据加工 侧重于变量加工和预处理，从源系统或数据仓库，对相关数据进行提取、加工、衍生处理，生成各种业务表。 文本和湿人。关于文本分析，最近朋友圈有篇分享，很有意思，号称可以让你瞬间变成湿人。原理很简单，就是先把《全宋词》分词，然后统计频数前100的词语。 数据基本上来源于仓库系统，然后运用SQL、SAS、R，提取、加工、建模和分析。 （二）数据类型 数据类型，主要包括“结构化”和“非结构化”两类数据。前者就是传统的二维表结构。 银行里面的数据，更多的是结构化数据，也有少量的非结构化数据（投诉文本、贷款审批文本等）。业务部门对非结构化数据的分析需求比较少。因此，在非结构化数据的分析建模方面，稍显不足。 互联网，更多的是网络日志数据，以文本等非结构化数据为主，然后通过一定的工具将非结构化数据转变为结构化数据，进一步加工和分析。
93290发布于 2018-03-13 - 来自专栏PPV课数据科学社区
【聚焦】数据人的痛苦：提供的数据用不上
大数据变革在数据本身 ━━━━━━━━━━━━━━━━ 大数据公司最大的痛苦是什么？不是没有数据，而是有太多的数据。 各种各样包括结构性和非结构性的数据从四面八方而来，但哪些是有用数据，如何捡选数据，才是最大的难题。 其功能如下： 第一，读取数据: 读取任何形式的数据，自动解析，自动识别数据的类型（如日期，产品名称等）， 以及数据的意义； 第二，数据探索: 通过人机交互的形式，帮助用户主动发现数据质量问题。 这个世界日新月异，变化之快令人咋舌，我们数据人也只有不断颠覆自己使用数据的能力，不断创新，才能找出大数据未来的方向。 知识无极限 6、回复“啤酒”查看数据挖掘关联注明案例-啤酒喝尿布 7、回复“栋察”查看大数据栋察——大数据时代的历史机遇连载 8、回复“数据咖”查看数据咖——PPV课数据爱好者俱乐部省分会会长招募
86350发布于 2018-04-23 - 来自专栏机器人小农
机器人运动需要哪些数据支持？
今天我们来聊聊机器人最最初级的，却又有很多人始终不是很理解的内容——机器人运动 1 机器人是如何记住位置的 在机器人程序中有这样的一条一条运动指令，这些指令相分别对应了一个位置。 那么机器人是怎么知道这些位置在哪呢？ Touch Up 的时候机器人怎么把这些位置记住的呢？ 这些点都有他们自己的名字。 我们都知道在专家模式下一个程序模块就变成了两个文件，***.src和***.dat那么***.dat就是机器人的数据文件。 数据文件中能找到和运动点名称一样的声明，不用怀疑，这就是运动点的记录方式。 S,T：机器人的姿态数据 E1...E6：外部轴位置数据 这些数据也是一个运动点不可或缺的数据，KUKA利用这些数据来描述一个目标位置。 除了这些数据外还需要运动参数数据来描述到达目标点的过程，不如速度，加速度，参考坐标，TCP，逼近，逼近距离。
71711编辑于 2022-06-29
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