- 综合排序
- 最热优先
- 最新优先
- 来自专栏iSharkFly
Confluence 6 MySQL 数据库设置准备
请查看 Supported Platforms 页面来获得 Confluence 系统支持的 MySQL 数据库版本。你需要在安装 Confluence 之前升级你的 MySQL 数据库。 如果你从其他的数据库中迁移到使用 MySQL 数据库，包括你从嵌入的内置评估数据库迁移到 MySQL ，在进行安装之前，请阅读 Migrating to Another Database 中的内容。
3.3K50发布于 2019-01-31 - 来自专栏iSharkFly
Confluence 6 设置 Oracle 数据库准备
请查看 Supported Platforms 页面来获得 Confluence 系统支持的 Oracle 数据库版本。你需要在安装 Confluence 之前升级你的 Oracle 数据库。 如果你从其他的数据库中迁移到使用 Oracle 数据库，包括你从嵌入的内置评估数据库迁移到 Oracle，在进行安装之前，请阅读 Migrating to Another Database 中的内容。 你需要具有一定的 Oracle 数据库管理员（DBA）的经验来设置和维护你的数据库。 我们的支持小组能够帮你解决有关 Confluence 的问题，但是不能帮助你解决有关你 Oracle 数据库管理相关的问题。 如果你没有相关管理 Oracle 数据库的经验，你可以参考使用其他支持的数据库。
52720发布于 2019-01-31 - 来自专栏啄木鸟软件测试
机器学习测试笔记（6）——数据清洗和准备
# coding:utf-8 import numpy asnp import pandas aspd#C:\Users\xiang>pip3install pandas 1 数据清洗和准备 1.1 1 b 1 2 a 2 3 b 2 4 a 3 5 b 3 6 a 2 7 b 3 数据是否有重复: 0 False 1 False 2 False 3 False 4 False 5 False 6 True 7 True dtype: bool A列数据是否有重复: 0 False 1 False 2 +3+4+5+6 find: 4 replace: 1,2,3,4,5, 0 1.8.2正则表达式处理（略） 2 数据规整 2.1层次化索引 def data_index(): data = 2 广东 广州 3 深圳 4 浙江 宁波 5 杭州 6 dtype: int64 concatDataframe: 城市1 城市2 数据1
68410发布于 2021-01-04 - 来自专栏HUC思梦的java专栏
数据准备
准备好数据后，直接运行以下命令即可。 bookstacknew \ -e RUN_MODE=prod \ -v /home/bookstack:/bookstack\ willdockerhub/bookstack:v2.10_node 数据准备 数据库使用mysql，需要提前创建好库，表会自动创建。 /home/bookstack中的文件需要提前准备好。初始阶段可以从容器内直接复制出来。
36610编辑于 2023-03-06 - 来自专栏大数据那些事
LVS（6）——NAT准备工作
SNAT是指将客户端访问的vip目标地址改为rip，DNAT指的是将源地址的rip改为vip，接下来要实现这个模型，要准备四台虚拟机： 第一台：LVS客户端192.168.19.200，单网卡，nat
40520发布于 2020-11-11 - 来自专栏iSharkFly
Confluence 6 Microsoft SQL Server 设置准备
在开始前，请检查： 请查看 Supported Platforms 页面来获得 Confluence 系统支持的 SQL Server 数据库版本。 你需要在安装 Confluence 之前升级你的 Oracle 数据库。 如果你从其他的数据库中迁移到使用 SQL Server 数据库，包括你从嵌入的内置评估数据库迁移到 Oracle，在进行安装之前，请阅读 Migrating to Another Database 中的内容
74920发布于 2019-01-31 - 来自专栏Vincent-yuan
sql~准备数据
右键单击 "数据库" 节点，然后选择 "还原数据库"。 选择 "设备"，然后单击省略号（...） 选择备份文件，然后点击确定 完成数据库还原。 完成后，会在 SQL Server 实例上安装 AdventureWorks 数据库。 这里使用的是2012版本的数据库，下面是OLTP版本的链接： AdventureWorks2012 ? 这里的数据准备主要用作后续学习使用 参考网址
78620发布于 2020-04-08 - 来自专栏人工智能从业者资格
2.1.2 数据准备
数据准备阶段通常会占到实际机器学习任务的79%的时间。包括数据采集、数据清洗（清理）、数据标注、数据验收、数据交付等阶段。数据采集：采集之前，要对数据来源进行考察，越熟悉的数据来源越好。 采集一般有四种途径，分别观测数据、人工收集、调查问卷、线上数据库观测数据：observation，实验室监测数据、浏览器上的网页数据，规模化自动化采集，伴随环境噪声，数据缺失或不规整，需要仔细做好数据清理工作 数据清理（也叫数据清洗）：现实世界的数据是非常脏的，数据清理工作是繁琐的，但却是至关重要。做好版本管理，至少三种：原始数据、某一步处理过后的数据、最终有待分析的数据。 主要处理以下几种数据：缺失的数据、重复的数据、内容错误的数据（逻辑、格式错误）、不需要的数据。 数据管理：数据作为一种资产，企业按照新型资产来管理。与数据治理的区别和联系。管理包含治理，治理是管理的一部分。与数据相关的问题：数据不足（数据扩充）、隐私泄露、分类质量低、数据质量低
55220编辑于 2023-01-01 - 来自专栏CSDN搜“看，未来”
为实习准备的数据结构（6）-- 优胜树与淘汰树
优胜树的重构 不急，我们来看看优胜树的重构： 以上面的例子为例，取出了第一个“6”之后，第四排及时的补上了一个“15”， “15”和旁边的“20”进行比较，选出来“15”， “15”再和旁边的“9”进行比较
72110发布于 2021-03-17 - 来自专栏CSDN搜“看，未来”
为实习准备的数据结构（6）-- 优胜树与淘汰树
优胜树的重构 不急，我们来看看优胜树的重构： 以上面的例子为例，取出了第一个“6”之后，第四排及时的补上了一个“15”， “15”和旁边的“20”进行比较，选出来“15”， “15”再和旁边的“9 target; } vector<vector<int>> create_tree() { /* 参数：待排序的归并序列 操作方法： 1、遍历当前归并序列，取出每个序列的尾部数据 ，设置序列数为2的n次方 2、获得第一批父节点，存入一组数组中 3、再获取一批父节点，存入下一组数组中 4、重复步骤三，直到某组数组中只有一个数据 返回值： 该二维数组
50810发布于 2021-09-18 - 来自专栏码客
数据中台数据准备
12-25 11:23:49'); INSERT INTO `t_user` (`id`, `name`, `age`, `height`, `birthday`) VALUES (5, '戴晓明', 6, 189.35, '2008-06-13 03:47:30'); INSERT INTO `t_user` (`id`, `name`, `age`, `height`, `birthday`) VALUES (6, SYYYY-MM-DD HH24:MI:SS')); INSERT INTO "T_USER" ("ID", "NAME", "AGE", "HEIGHT", "BIRTHDAY") VALUES ('6' Hive表删除数据不能使用DELETE FROM table_name SQL语句 删除所有数据 推荐这种方式比较快(Hive SQL支持，但是Flink SQL中不支持) truncate table 删除部分数据 当需要删除某一条数据的时候，我们需要使用 insert overwrite 释义：就是用满足条件的数据去覆盖原表的数据，这样只要在where条件里面过滤需要删除的数据就可以了 删除id为1
58330编辑于 2023-03-06 - 来自专栏杨建荣的学习笔记
测试基准数据的准备(r6笔记第29天)
这个时候还是想做一个基准测试，来得到一个数据报告，让数据来说话。 我们可以根据讨论来初步决定一个数据的基准范围，比如我们得到了近两个星期的数据负载信息，然后我们就运用这个数据库级的负载信息来做分析，比如我们抓取几个有代表性的时间段，比如在负载高峰时段+几个业务正常时间段 10个，3个大表数据在亿级，3个中级表，数据量在百万，3个小表数据量在几千 我们得到了这些数据情况，就可以进一步来提供种子数据，比如我们拿出表中的几条数据来作为种子数据，然后提供一个基准，比如那些字段的值需要唯一 比如可以提供如下的数据方式 TEST_DATA 列名 种子数据1 种子数据2 CID 7 8 CN xxxxxxx@aaaaa.com xxxxxxx@bbbbb.com CN_TYPE 1 3 UIN xxxxxxx001 xxxxxx002 ENABLED Y N 然后我们可以提供数据的翻倍规则，比如表test_data数据量有1000万，我们就可以根据翻倍规则得到数据应该怎样去扩展，那些值的范围是有效的
81180发布于 2018-03-16 - 来自专栏嵌入式视觉
【Kaggle竞赛】数据准备
，第一步的工作也是准备数据，这中间我们需要做很多工作包括数据输入、数据预处理、数据增强等，我个人把这一步的工作命名为数据准备，当然也可以有其他命名。 环境准备 系统：Windows10/Linux系统 软件：Python3、TensorFlow框架、和常用的Python库，数据准备阶段主要是os、cv2、numpy、skimage、csv等。 Detection比赛为例，编写数据准备的程序，这个程序，我写了两个版本，前期的获取文件名函数都差不多，后面的打乱数据和划分batch部分，一个版本是采用numpy+python自带的功能完成的，后面一个版本是用 数据集形式如下图所示： 第一个版本程序 纯python编写，借助了cv2、os、numpy、csv等库 数据准备程序被我命名为input_data.py，里面主要是两个函数： get_files(获取文件名函数 其实正常测试读取训练集图像是没问题，主要是在训练模型的时候出了问题，还不清楚是模型训练程序还是数据准备程序的问题，所以这个版本程序仅供参考。
1.5K21编辑于 2022-09-05 - 来自专栏后台及大数据开发
Linux巩固记录（6） Hbase环境准备-zookeeper安装
Hbase是运行在hadoop之上，所以请参考第3篇文章搭建好一个master，两个slave的hadoop环境，我采用的版本为hadoop2.7.4
49140发布于 2018-08-02 - 来自专栏share ai happiness
MNIST数据集 — 前期准备
前面都是基础零碎的知识，需要通过一个栗子来为大家把整个流程走一遍，从整体上对TensorFlow进行一个把握，大概分为四篇文章来说明吧(前期准备、前馈计算、模型训练、模型评价)。 滑动平均模型 滑动平均模型可以使模型在测试数据上更健壮，适合基于梯度下降算法训练神经网络的过程。
73321发布于 2020-10-30 - 来自专栏python数据分析实践
数据清洗与准备（2）
1 处理缺失值 （1） 过滤缺失值（见上一篇文章） （2） 补全缺失值 有时候我们并不是想要过滤缺失值，而是需要补全数据。 duplicated方法中为False的部分 -----结果----- 0 False 1 False 2 False 3 False 4 False 5 False 6 将会返回最后一个： print(df.drop_duplicates(['k1'], keep = 'last')) #保留最后一个值 -----结果----- k1 k2 4 one 3 6 two 4 （2）使用函数或映射进行数据转换 对于许多数据集，可能希望基于DataFrame中的数组、列或列中的数值进行一些转换，测试数据(data)如下，包含九类肉的名称和价格： 假设要添加一列用于表明每种食物的动物肉类型 pork 3.0 pig 2 bacon 12.0 pig 3 Pastrami 6.0 cow 4 corned beef 7.5 cow 5 Bacon 8.0 pig 6
1.1K10编辑于 2023-02-23 - 来自专栏python数据分析实践
数据清洗与准备（1）
在进行数据分析和建模过程中，大量时间花费在数据准备上：加载、清洗、转换和重新排列，这样的工作占用了分析师80%以上的时间。本章将讨论用于缺失值、重复值、字符串操作和其他数据转换的工具。 默认情况下会删除包含缺失值的行： data = pd.DataFrame([[1, 2.5, 3], [1, NA, NA], [NA, NA, NA], [NA, 5.2, 6] 0.755305 3 0.575907 NaN 0.015249 4 0.204847 -0.718295 0.612700 5 0.660646 -0.102224 -1.245912 6 df.dropna(): 0 1 2 4 0.204847 -0.718295 0.612700 5 0.660646 -0.102224 -1.245912 6 0.755305 3 0.575907 NaN 0.015249 4 0.204847 -0.718295 0.612700 5 0.660646 -0.102224 -1.245912 6
1.4K10编辑于 2023-02-23 - 来自专栏『学习与分享之旅』
建表与数据准备
自己新建数据库: create table Student(sid varchar(10),sname varchar(10),sage datetime,ssex nvarchar(10));
98430编辑于 2023-10-12 - 来自专栏python数据分析实践
数据清洗与准备（3）
data: Price Rest Sell Weight Apple 0 1 2 3 Orange 4 5 6 11 rename: PRICE REST SELL WEIGHT APPLE 0 1 2 3 ORANGE 4 5 6 400 (0.7, 0.95] 250 (0.11, 0.33] 200 (-0.00922, 0.11] 100 (0.95, 1.0] 50 （6） 取四次样，每次1000个数 df.describe() #输出描述性信息 假如要找出有值大于3或小于-3的行，可以使用any方法： df[(np.abs(df) > 3).any(1)] 以上就是数据清洗和准备的大致内容 ，高效的数据准备工作可以使我们将更多的时间用于数据分析而不是准备数据，从而提升工作效率。
86620编辑于 2023-02-23 - 来自专栏PowerBI入门100例
1.0 PowerBI数据准备-导读
PowerQuery是PowerBI的组件，也是Excel的组件，还是一个独立的模块，为很多微软的其他下游工具做数据准备。 它是用来获取和清洗数据的自动化工具，做的是ETL（Extract-获取、Transform-转换、Load-加载）的工作。 在PowerBI中，PowerQuery只是起点，它要为下一步数据建模做准备，生成一系列干净的（尽可能是一维的）维度表、事实表、辅助表、参数等。 常用的功能包括：获取数据、表处理（提升标题、筛选、删除列、逆透视、分组、数据类型等）、列处理（填充、替换、去重、列命名、列排序等）、拆分列、添加列、数据合并（追加查询、合并查询）等。 这些功能的使用顺序通常是先通过筛选、删除列减少要处理的数据量，然后再使用尽可能少的步骤去完成后续的清洗工作，比如多个表先追加查询为一个表再做其他处理。
29000编辑于 2025-02-18
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