- 综合排序
- 最热优先
- 最新优先
- 来自专栏软件方法
《软件方法》第9章 分析类图进阶（20180619更新）
“软件开发人员”读什么样的“软件开发书籍”，很可能是由“软件开发人员类型”和“软件开发书籍类型”之间的关系决定的。如图9-3所示。 ? 图9-19 “租借”变得重要时的颜色和状态机图 9.2 常见分析模式 9.2.1 模式 长期以来在软件开发人员中存在一个误解：模式=设计模式=GoF23模式。 很多模式通过把泛化转成关联来简化模型，套路如图9-24。 ? ? 图9-24泛化转成关联的套路 下面我们来看一些常见的分析模式。 9.2.3 人员 人员的管理是很多系统不得不考虑的。 图9-30展示了映射到关系数据库之后，将图9-25所示人员的信息填充到“联系方式”表时的数据。 ? 图9-30 关系数据库里的数据表示 进一步抽象之后，一些概念也可以理得更清楚。 如图9-35。 ? 图9-35 抽象出人际关系类型 如果觉得图9-35不好理解，可以把类模型转成关系数据库模型，填上数据帮助理解。图9-36展示了映射到关系数据库并填充数据后的情况。 ? ? ?
65330发布于 2019-09-23 - 来自专栏生信小驿站
R语言meta分析（9）连续数据的meta分析
R语言meta分析（6）一文解决诊断性meta分析（第一章） R语言meta分析（7）诊断性meta分析（meta4diag包） R语言meta分析（8）基于生存数据的meta分析 R语言meta分析（ 9）连续数据的meta分析 本文将介绍用R软件的meta数据包介绍连续数据资料的Meta分析。 meta数据包提供分析连续数据的命令是: metacont()，能够计算连续型资料的固定效应值或随机效应值，命令提供了SMD和MD两种方法。 .csv',header=T) colnames(data) library(ggplot2) library(meta) str(data) data.frame': 19 obs. of 9 variables: $ study : Factor w/ 19 levels "GSE102286","GSE114711",..: 3 4 5 6 7 8 9 10 11 12
6.1K22发布于 2020-06-12 - 来自专栏锦小年的博客
Python数据分析(9)-numpy文件读写
numpy提供两种格式的文件读写，分别是npy和txt，前者是numpy自有的一种文件格式，后者是txt格式支持。对应函数：
1.2K20发布于 2019-05-26 - 来自专栏啄木鸟软件测试
软件性能测试（连载9）
图3-26 虚拟内存空间分布（以32位为例） 从下到上依次为只读段、数据段、堆、文件映射和栈五部分组成。 •栈。 包括局部变量和函数调用的上下文等。栈的大小是固定的，一般为8MB。 •文件映射段。 •数据段。 数据段。 •只读段。 包括代码和常量。 堆和文件映射段的内存是动态分配的，可以使用C标准库的malloc()或者mmap()方法进行分配。 交换区的总量 Swap: ###k used 使用的交换区总量 Swap: ###k free 空闲的交换区总量 Swap: ###k cached 缓冲的交换区总量 top命令进程中关于内存性能如表3-9所示 表3-9 top命令进程中关于内存性能参数 标记 解释 VIRT 进程虚拟内存的大小，只要是进程申请过的内存，即便还没有真正分配物理内存，也会计算在内。
1.2K40发布于 2020-02-20 - 来自专栏软件方法
软件方法（下）分析和设计第9章分析 之 分析类图——案例篇（20211228更新）
图9-3 答题抽奖流程现状-2 （3）学员思考并口头回答问题，老师确认听清学员的回答后（人多时噪音较多），向做题软件提交学员的回答，做题软件判断并反馈对错。 图9-7 答题抽奖流程现状业务序列图 从图9-7可以看到，做题软件、抽奖软件和微信之间不直接通信。 图9-10 摘自UML 2.5.1规范 《软件方法》所叙述的方法学挑选了一些表示元素来表示模型，如图9-11。 图9-11 《软件方法》所选择的表示元素 建模的过程可能如图9-12。 可以这样说，在用这个案例学习分析设计技能的过程中，我们不仅可以学习建模，还可以学习到对建模的建模。 Ries和Jack Trout，用例图和序列图的知识来源于Ivar Jacobson，阿布思考法来源于Barry Nalebuff和Ian Ayres，用例规约来源于Alistair Cockburn，分析类图来源于
1.5K30编辑于 2022-01-04 - 来自专栏张俊红
9种最常用数据分析方法，解决90%分析难题
分享九个数据分析的方法。” 一、关联分析 关联分析，也叫作“购物篮分析”，是一种通过研究用户消费数据，将不同商品之间进行关联，并挖掘二者之间联系的分析方法。 二、对比分析 对比法就是用两组或两组以上的数据进行比较。对比法是一种挖掘数据规律的思维，能够和任何技巧结合，一次合格的分析一定要用到N次对比。 三、聚类分析 聚类分析属于探索性的数据分析方法。 而在数据分析中，这句话可以理解为20%的数据产生了80%的效果，需要围绕找到的20%有效数据进行挖掘，使之产生更大的效果。 六、象限分析 象限法是通过对两种及以上维度的划分，运用坐标的方式，人工对数据进行划分，从而传递数据价值，将之转变为策略。
98931编辑于 2022-09-22 - 来自专栏单细胞天地
OSCA单细胞数据分析笔记9—Clustering
分群是我们分析scRNA-seq的一个工具，是真正开始结合生物学背景知识的开始。我们可以灵活采用不同的算法、分辨率获得我们“满意”的分群结果。 二、基于图聚类的分群 ? 2.2 scran包分群实操 示例数据 sce.pbmc #来源参考原教程 ? 虽然进行生物水平的可解释性不高，但可实现从所有细胞中，抽取k个有代表性表达情况的细胞的目的，用于某些特定的分析场景。 例如 clusterRows {bluster}提供一种联合图聚类与k-均值聚类的方法，可明显的优势是相对于单纯图聚类大大提高了分析速度。 针对大的scRNA-seq数据集，推荐使用approxSilhouette()函数采用近似的方法计算所有细胞的轮廓系数。
2.7K21发布于 2021-07-02 - 来自专栏啄木鸟软件测试
机器学习测试笔记（9）——数据分析
1数据分析步骤 2数据分析方法 3数据分析工具 4机器学习分类 监督学习：有标签 无监督学习：没标签 5 数据分析库 6训练方式与预测方式 7机器学习三要素 7.1模型 7.2策略 7.2.1目标函数 目标函数：f(x) 7.2.2损失函数 目标函数：f(x) Y：真实值 L(Y,f(x)]) =(Y-f(x))2 损失函数值越小，效果越好 7.2.3欠拟合、过拟合 训练数据集上 测试数据集上 拟合 不好 不好 欠拟合 训练不佳 好 不好 过拟合 训练过度 好 好 正拟合 训练适中 7.3 算法 即f(x) ————————————————————————————————— 顾老师课程欢迎报名 软件安全测试 courseId=1210020806&share=2&shareId=480000002205486 啄木鸟顾老师漫谈软件测试 https://study.163.com/course/courseMain.htm
43930发布于 2021-01-04 《软件工程》第 9 章 - 软件详细设计
在完成软件的体系结构设计后，软件详细设计是将宏观架构转化为具体实现方案的关键步骤。它专注于对系统各部分进行细致规划，为后续编码工作提供明确的指导。 本章将结合 Java 代码示例与可视化图表，深入解析软件详细设计的各个环节。 9.1 详细设计的任务与过程模型 详细设计的主要任务是对软件体系结构中的各个模块、构件、类等进行细化设计，包括确定具体的算法、数据结构、接口细节以及模块间的交互方式等。 详细设计的过程模型通常包含以下步骤： 对需求和体系结构设计进行分析和理解； 进行用例设计，明确每个用例的实现方案； 开展子系统、构件、类的设计； 完成数据模型设计； 对设计进行整合与验证。 9.6 数据模型设计 9.6.1 确定持久数据条目 分析系统需要持久化存储的数据，如在线图书借阅系统中的图书信息、读者信息、借阅记录等。
16510编辑于 2026-01-21- 来自专栏我的软件123
哪个数据分析软件最好用？Minitab数据分析软件下载安装及功能
Minitab是一款广泛应用于数据分析领域的软件，它在数据处理、统计分析、图表制作等方面都有着独特的功能，下面就让我们通过实际案例来了解Minitab的独特之处。 作为一款数据分析软件，Minitab最大的优势不仅仅在于其功能的强大，还在于其操作的简单易用。通过Minitab，用户可以轻松地进行数据收集、处理、分析和报告，从而更好地理解业务情况和快速做出决策。 不过，在样品提取的过程中，由于各种原因，我们得到了一些异常的数据，这些数据需要进行清洗。最初，我们使用的是一款常规的数据处理软件，但是由于其功能限制，我们很难找到这些异常数据。 除了数据处理功能之外，在实际应用企业生产数据分析时，Minitab的“统计分析”功能也十分重要。如在某家企业的质量分析中心，他们利用Minitab进行生产过程的统计控制。 总之，Minitab是一款十分优秀的数据分析软件，其简单易用、功能强大的特点使其被广泛应用于各个领域，帮助用户进行更加准确、更加高效的数据分析。
1.9K40编辑于 2023-05-05 - 来自专栏Java架构师必看
spring源码分析9
spring源码分析9 强烈推介IDEA2020.2破解激活，IntelliJ
42720发布于 2021-04-13 - 来自专栏学习笔记ol
框架分析（9）-Hibernate
框架分析（9）-Hibernate 主要对目前市面上常见的框架进行分析和总结，希望有兴趣的小伙伴们可以看一下，会持续更新的。希望各位可以监督我，我们一起学习进步。 Hibernate Hibernate是一个开源的Java持久化框架，它提供了一种将Java对象映射到数据库表的方法，使得开发人员可以使用面向对象的方式来操作数据库。 数据库连接和事务管理 Hibernate提供了连接池管理和事务管理的功能，开发人员可以通过配置文件或者代码来配置数据库连接和事务管理，从而简化了数据库操作的过程。 这样可以提高系统的性能，避免不必要的数据库访问。 事务管理 Hibernate提供了事务管理的功能，可以保证对数据库的操作是原子性、一致性、隔离性和持久性。 这大大简化了数据库操作的过程，提高了开发效率。 跨数据库平台 Hibernate可以在不同的数据库平台上运行，它提供了数据库无关性的特性。
47520编辑于 2023-10-11 - 来自专栏软件方法
软件方法（下）第9章分析类图案例篇Part04
DDD领域驱动设计批评文集>> 《软件方法》强化自测题集>> 《软件方法》各章合集>> 9.1.6.9 进一步思考 （1）奖品 系统不需要区分具体的奖品，只需要记住奖品的规格。 例如，图9-24中的两听可乐，系统不加区分。这里的“奖品”实际上指的是奖品规格，因此需要记住某个“奖品”的数量。 图9-24 关于奖品的数据示例 那么，“数量”是哪个类的属性呢？ 例如，一名学员参加了一次“软件需求设计建模方法学全程实例剖析训练”，被老师点名答了一些题，成绩不好，于是，一周后又申请参加了一次“软件需求设计建模方法学全程实例剖析训练”，又答了一些题，这一次成绩大有改善 第一种如图9-27，在“活动”和“回答”之间建立关联。 图9-27 解决活动-试卷问题 之一 第二种如图9-28，添加一个“考试”类，和“活动”、“试卷”、“回答”关联。 目前类图的进展如图9-29。 图9-29 类图进展 （3）有的类的属性框是空白的 属性框空白不代表没有属性，因为关联也是属性。
43820编辑于 2022-10-31 - 来自专栏软件方法
软件方法（下）第9章分析类图案例篇Part03
DDD领域驱动设计批评文集>> 《软件方法》强化自测题集>> 《软件方法》各章合集>> 可到此处下载本文档最新版本： http://www.umlchina.com/book/softmeth2.pdf 您在阅读《软件方法》时如果发现错误，欢迎通过微信umlchina2告知。 此处可以用泛化，也可以用关联，如图9-21。 图9-23 发奖 到此，该用例规约的所有可提炼的内容已提炼完毕。 7月21-24晚剔除“伪创新”的领域驱动设计-网络公开课 《软件方法》书中自测题-题目全文+分卷自测（1-8章）16套111题 《软件方法》强化自测题集110题 CTO也糊涂的常用术语：功能模块、
54410编辑于 2022-10-31 - 来自专栏软件方法
软件方法（下）第9章分析类图案例篇Part01
《软件方法（上）》以及下册2018年发布的电子版本，使用的案例是“UMLChina系统2018”。案例中讨论了给特定分区的联系人发公开课通知邮件的领域逻辑，类图如图9-1。 图9-2 答题抽奖流程现状-1：出题 （2）老师请求抽奖软件随机抽取一名学员，抽奖软件随机抽取并显示抽中学员名字，老师在教室里寻找该学员所在位置，点名该学员回答问题。 图9-3 答题抽奖流程现状-2：点名 （3）学员思考并口头回答问题，老师确认听清学员的回答后（人多时噪音较多），向做题软件提交学员的回答，做题软件判断并反馈对错。 图9-4 答题抽奖流程现状-3：判对错 （4）如果学员答对，老师请求抽奖软件为学员抽奖，抽奖软件从当前奖池中随机抽取奖品，将抽中的奖品从奖池扣除，反馈抽中的奖品信息，更新剩余奖品数量，更新学员答对排行榜 图9-7 答题抽奖流程现状业务序列图 从图9-7可以看到，做题软件、抽奖软件和微信之间不直接通信。
61610编辑于 2022-10-31 - 来自专栏软件方法
软件方法（下）第9章分析类图案例篇Part02
DDD领域驱动设计批评文集>> 《软件方法》强化自测题集>> 《软件方法》各章合集>> 9.1.6 分析类图 从“学员→回答问题”用例规约的基本路径到业务规则部分提炼。 我们给关键词加下划线，逐个分析。 注意：加下划线只是为了在书中讲解方便，实际建模工作中不需要这样做，只需要看着需求规约或其他素材，一点点提炼。 9.1.6.1 步骤1及其补充约束 用例规约： 1. 执行者映射的是边界类，如图9-10： 图9-10 执行者映射边界类 *回答 “回答”提炼为类； *回答选择了题目的某个或若干个选项。 图9-19 分值区间和评价 [推荐升级]23套UML+EA和StarUML的建模示范视频-全程字幕（2022.6.1更新） 7月7-10晚网课：软件需求设计方法学全程实例剖析 7月21-24晚剔除“伪创新 ”的领域驱动设计-网络公开课 《软件方法》书中自测题-题目全文+分卷自测（1-8章）16套111题 《软件方法》强化自测题集110题 CTO也糊涂的常用术语：功能模块、业务架构、用户需求……[20210217
47810编辑于 2022-10-31 - 来自专栏人称T客
主流大数据分析软件全面接触
现在很多厂商都说自己的产品是大数据分析软件。如果只是根据功能去区分这些产品，的确是件难事，因为很多工具具有相似的特征和功能。此外，有些工具的差异是非常细微的。 这些厂商分别代表着大数据分析市场的不同方面。我们将结合之前文章中提到的特点，对这些产品进行对比，看这些产品是如何满足企业用户的业务需求。 如何选择最适合的大数据分析软件？ 分析师的专业知识和技能。 另一方面，这样的大数据分析工具可能只可以作为更大软件许可协议的一部分才能够购买。 规模小点的厂商，如KNIME、Alteryx和RapidMiner，收入主要来自许可授权和支持少量大数据分析产品。 大数据分析软件的市场可能让人找不到北，但是我们希望，本系列采购指南文章能够帮助你更好地理解大数据分析软件能够带给企业什么好处，帮助你更好地区分主流大数据分析产品和工具。 现在，我们特分享主流大数据分析软件厂商一览表。
2.2K80发布于 2018-03-21 - 来自专栏FreeBuf
分析发现勒索软件数据泄露主要依靠滥用合法软件
勒索软件团伙在攻击中使用了越来越多的数据泄露工具，赛门铁克在三个月内就发现了十几种不同的工具进行数据泄露。虽然其中一些工具是恶意软件，但绝大多数都是合法软件。 勒索软件团伙应用数据泄露工具的范围正在扩大，主要驱动因素有两个： 攻击者意识到了某些软件的潜在功能可以利用 攻击者希望找到过于显眼的攻击工具的替代品 尽管 Rclone 目前仍然是勒索软件团伙最常用的数据泄露工具 数据泄露只是这些良性软件的功能之一，大多数软件都可以变成访问失陷主机的后门。 勒索软件团伙与数据泄露工具 在过去三个月中，攻击者最常用的数据泄露工具如下所示： Rclone：Rclone 是管理云上数据内容的开源工具，经常被勒索软件团伙用于窃取数据。 Atera：攻击者经常滥用的合法远程访问软件。 WinRAR：用于压缩和解压的软件，攻击者使用此类软件压缩回传的数据。
50110编辑于 2024-04-01 - 来自专栏Mac消息
Axure RP 9 for Mac(原型设计软件)
Axure RP 9是一款流行的原型设计软件，可以帮助用户创建交互式、高保真的网站和应用程序原型。 Axure RP 9的主要特点包括：1.快速原型制作：Axure RP 9提供了快速的原型制作工具，可以帮助用户快速创建高保真的交互原型。 4.模板和主题：Axure RP 9提供了大量的模板和主题，用户可以根据需求选择合适的样式，节省设计时间。 6.注释和说明：Axure RP 9支持可视化注释和说明，可以让团队成员更好地理解原型设计和功能需求。 总之，Axure RP 9是一款功能强大的原型设计软件，适用于各种网站和应用程序的开发，可以帮助用户快速、高效地创建高保真的交互原型。
1.2K20编辑于 2023-03-22 - 来自专栏凹凸玩数据
数据分析 | 9年间各省市平均收入分析
虽然最后的数据是2017年，但也值得研究一下。嗯，拿来捋一捋。 ? 这次分析用到pandas、matplotlib 以及一些分析思路，比较浅显求评论区多指教。 分析部分 上边的数据概览跟索引列设置完了，下边开始一些简单分析 2017年收入排序 我想取出2009，2017年数据，按照2017数据降序排列，然后做柱状图 x=dtincome[2009].sort_values 往年极差数据如上。 9年净增加额 现在想知道一下两个数据： 1. 每个省市自身9年间增加了多少收入？ 2. 如果以2009年为基数，增长率是多少？ 为了验证是否拖后腿，继续再写一部分 2019平均工资预测 验证思路:用这9年算出的年增长率（fuli_i那列）来测算一下2019年各个省市的平均工资吧，如果出乎意料，请看下方分析。 分析差异原因有两点： 2018-2019两年经济形势不好，所以用前9年增长率保持不变来预测2019年工资会导致偏高。 年收入包括奖金、各类补助补贴的合计值，并不是月薪*12这么简单。
83310发布于 2020-03-06
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