- 综合排序
- 最热优先
- 最新优先
- 来自专栏iSharkFly
Confluence 6 避免和清理垃圾 原
https://www.cwiki.us/display/CONF6ZH/Preventing+and+Cleaning+Up+Spam
74010发布于 2019-01-30 - 来自专栏TA码字
HttpComponents HttpClient连接池(6)-连接清理
在上一篇文章里我们介绍了 httpclient 连接池中连接的可用性检查，在这里我们主要介绍空闲 http 连接的清理。 但同时 httpclient 连接池也提供了 http 连接的清理策略，用来对连接进行清除。 http 连接的清理主要涉及了以下几个关键点： 如何开启连接清理 如何进行连接清理 如何开启连接清理 连接池中空闲连接的清理由 HttpClientBuilder 的 evictIdleConnections 对象实例 ，本质是开启一个后台线程，默认不设置 evictIdleConnections(ildleTime, timeUnit) 方法的 ildleTime 的时候线程每 sleep 10秒钟进行清理一次 由上面 IdleConnectionEvictor 的代码可知，清理的核心是运行PoolingHttpClientConnectionManager 的 closeExpiredConnections
3.7K40发布于 2020-04-01 - 来自专栏磐创AI技术团队的专栏
清理文本数据
当你从教育实践中学习数据科学时，你将看到大多数数据都是从多个来源、多个查询中获得的，这可能会导致一些不干净的数据。 在某些或大多数情况下，你必须提供最终用于训练模型的数据集。 有一些文章关注数字数据，但我希望本文的重点主要是文本数据，这与自然语言处理是一致的。 话虽如此，这里有一个简单的方法来清理Python中的文本数据，以及它何时有用。 现在我们已经展示了一种清理文本数据的方法，让我们讨论一下这个过程对数据科学家有用的可能应用： 删除不必要的单词以便可以执行词干分析 与上面类似，你可以使用词形还原 只保留必要的单词可以让你更容易地标记数据中的词类 当然，有更多的理由删除停用词，并清理文本数据。同样重要的是要记住，有一些新兴的算法可以很好地处理文本数据，比如CatBoost。 总结 如你所见，清理数据的一部分可以为进一步清理和处理数据奠定基础。 总而言之，以下是如何从文本数据中删除停用词： * 导入库 * 导入数据集 * 删除停用词 * 添加单独的停用词 更新：由于单词的大小写是大写的，所以没有按应该的方式删除它，因此请确保在清理之前将所有文本都小写
1.3K10发布于 2021-11-19 - 来自专栏数据库相关
MongoDB的数据清理
但是如果有些Collection希望自己控制删除数据的时间，则可以使用下面的这个脚本。 生成测试数据-- 注意下面插入的是 new Date("2023-01-01T00:00:00Z") 日期时间类型的，如果插入的是"2023-01-01 00:00:00" 则表示的是字符串类型，而不是时间类型 db.tb1.insertOne({ "name": "example2", "timestamp": new Date("2023-01-01T00:00:00Z")})db.tb1.find()数据清理脚本 ") # 避免对数据库造成过大压力 time.sleep(sleep_time) client.close() print("Batch deletion completed .")# 删除超过30天的数据，每批次删除1000条，间隔1秒clean_old_data_in_batches("db1", "tb1", 30, batch_size=1000, sleep_time
58710编辑于 2024-09-03 - 来自专栏若尘的技术专栏
tidyr包数据清理
1.载入包 library(tidyverse) list.files() * * * 2.长宽数据转换 family_data <- read_tsv('C:/Users/Administrator/ BD_L_microbiome/00_rawdata/outfiles/expr.relative_abundance.abfam.txt') head(family_data) # A tibble: 6 x 19 Family `Bd-1-1` `Bd-1-2` `Bd-1-3` `Bd-1-4` `Bd-1-5` `Bd-1-6` `Bd-2-1` `Bd-2-2` `Bd-2-3` <chr <dbl>, `Bd-3-1` <dbl>, # `Bd-3-2` <dbl>, `Bd-3-3` <dbl>, `Bd-3-4` <dbl>, `Bd-3-5` <dbl>, `Bd-3-6` <dbl> #宽数据转为长数据 family_data <- family_data %>% pivot_longer(!
1.4K45编辑于 2021-12-05 - 来自专栏运维一切
hbase数据清理 原
0 row(s) in 0.1920 seconds 上面是基本的操作，如果你的表已经很满，满到几乎快把hadoop撑爆的时候，上面的方法是慢慢删除的方法，下面是具体的解释： ttl是hbase中表数据的过期时间 ，一个列族可以对应一个ttl值 habse中数据删除不是立刻执行的，类似软删除，当你标识数据为删除状态之后，hbase会在大版本合并的时候去真正的处理hadoop上的文件，进而释放磁盘空间， 另外注意一点
2.5K30发布于 2018-08-02 - 来自专栏ATYUN订阅号
数据清理的简要介绍
清理数据应该是数据科学（DS）或者机器学习（ML）工作流程的第一步。如果数据没有清理干净，你将很难在探索中的看到实际重要的部分。一旦你去训练你的ML模型，他们也将更难以训练。 也就是说，如果你想充分利用你的数据，它应该是干净的。 在数据科学和机器学习的环境中，数据清理意味着过滤和修改数据，使数据更容易探索，理解和建模。 在本文中，我们将讲解一些常见的数据清理，以及可以用来执行它的pandas代码！ 缺失数据 大型数据集几乎不可能毫无瑕疵。也就是说，不是所有的数据点都具有其所有特征变量的值。 重复的数据是数据集中完全重复的数据点。如果有太多这种数据，它会影响ML模型的训练。如前所述，可以简单地从你的数据中删除重复数据。 可以通过删除或使用某些智能替换来处理错误数据。 'male':0, 'female':1, 'MALE':2, 'FEMALE':3, 'Male':4, 'Female':5, 'Make':6,
1.5K30发布于 2018-12-07 - 来自专栏加米谷大数据
数据清理的最全指南
清理和理解数据对结果的质量都会有很大影响。 目录 · 数据质量(合法性，准确性，完整性，一致性) · 工作流程(检查，清洁，验证，报告) · 检查(数据分析，可视化，软件包) · 清理(无关数据，重复数据，类型转换，语法错误) · 验证 · 总结 准确性：数据接近真实值的程度。 完整性：所有必需数据的已知程度。 一致性：数据在同一数据集内或跨多个数据集的一致程度。 4.报告：记录所做更改和当前存储数据质量的报告。 清理 数据清理涉及基于问题和数据类型的不同技术。可以应用不同的方法，每种方法都有自己的权衡。总的来说，不正确的数据被删除，纠正或估算。 不相关的数据： 不相关的数据是那些实际上不需要的数据，并且不适合我们试图解决的问题。 重复项： 重复项是数据集中重复的数据点。
1.5K20发布于 2019-04-19 - 来自专栏LoneRanger
【数据准备和特征工程】数据清理
1.基本概念 import pandas as pd df = pd.read_csv("test.csv") df.sample(10) 获取前几行数据 ```python data.head() 获取数据维度信息 df.shape 获取数据表属性的相关信息 ```python data.info() 获取数据表属性类型信息 ```python data.head() ### 2.转换数据类型 ```python ```python df = pd.DataFrame({'ColA':1, np.nan, np.nan, 4, 5, 6, 7, 'ColB':1, 1, 1, 1, 2, 2, 2}) df'ColA ```python df = pd.DataFrame({"one":np.random.randint(1, 100, 10), "two": 2, 4, 6, 8, 10, 12, 14, 16 带有False的数据点表示这些值是有效的，而True则表示有释放。
1.2K20编辑于 2022-02-02 - 来自专栏linux运维
文档管理数据清理问题：文档管理数据清理不当，占用大量磁盘空间
制定数据清理策略根据需求制定合理的数据清理策略，避免资源浪费。保留期限：设置文档的保留时间（如 30 天、90 天），定期清理过期文件。 分类清理：按文档类型或项目清理数据（如删除临时文件、归档旧文档）。冗余数据：清理重复或无用的文件。3. 自动化清理任务通过脚本或工具实现数据的自动化清理。 手动清理数据在自动化清理之前，可以手动清理部分数据以释放空间。 防止误删重要数据在清理数据前，确保重要数据已备份。 to/documents/important_file 6.
54110编辑于 2025-02-11 - 来自专栏linux运维
系统培训数据清理问题：系统培训数据清理不当，占用大量磁盘空间
制定数据清理策略根据需求制定合理的数据清理策略，避免资源浪费。保留期限：设置数据的保留时间（如 30 天、90 天），定期清理过期文件。 分类清理：按数据类型或项目清理数据（如删除临时文件、归档旧数据）。冗余数据：清理重复或无用的数据。3. 自动化清理任务通过脚本或工具实现数据的自动化清理。 手动清理数据在自动化清理之前，可以手动清理部分数据以释放空间。 防止误删重要数据在清理数据前，确保重要数据已备份。 /important_file6.
63900编辑于 2025-02-11 - 来自专栏杨建荣的学习笔记
数据清理的遗留问题处理(r6笔记第87天)
统计库中的数据相对要新一些，但是数据持续增长，空间使用太多，业务中使用历史数据的频率不高，把历史数据清理了又怕影响业务，就需要把数据暂时挪到历史库中，所以历史库中的数据都是几年前的老数据，而统计库中的都是近几年相对较新的数据 比如一个分区表test,有2011年的分区数据在历史库中，有2014年的数据在统计库中，统计库中的数据太多，空间不足就需要把数据从统计库清理掉，同事保证历史库中存在这份数据。 我写了一个简单的脚本，运行内容如下： 清理之前，查看有多少含有DATA字样的表空间可清理，清理年份为2012年 check genaral status of data from year 2012 SIZE_MB ---------- 308410 检查可清理的段情况，都是分区表和分区索引段。 --------- INDEX PARTITION 4148 TABLE PARTITION 1505 然后就得到了计划清理的表空间，数据文件和文件大小 CONSUMEID_DATA
77130发布于 2018-03-16 - 来自专栏数据库相关
清理prometheus指定key的数据
/prometheus --storage.tsdb.retention=180d --web.enable-admin-api 2、测试清理key 假定我们要清理的 key是 mysql_global_status_threads_running {instance="test-db13:9104",job="mysql"}： 清理这个key的全部的数据 curl -X POST \ -g 'http://192.168.2.100:9090 match[]=up&match[]=mysql_global_status_threads_running{instance="test-db13:9104",job="mysql"}' 清理这个key 指定时间段的数据 （清理的时间戳区间：1557903714 到 155790395 ） curl -X POST \ -g 'http://192.168.2.100:9090/api/v1/admin
2.9K20发布于 2019-09-17 - 来自专栏kl的专栏
Redis 的数据清理策略详解
背景 摸清 Redis 的数据清理策略，给内存使用高的被动缓存场景，在遇到内存不足时 怎么做是最优解提供决策依据。 本文整理 Redis 的数据清理策略所有代码来自 Redis version ： 5.x， 不同版本的 Redis 策略可能有调整 清理策略 Redis 的清理策略，总结概括为三点，被动清理、定时清理、 4、从 db 中随机取 20 个 key，判断是否过期，若过期，则逐出； 5、若有 5 个以上 key 过期，则重复步骤 4，否则遍历下一个 db; 6、在清理过程中，若达到了 timelimit maxmemory_policy 可选如下： volatile-lru：从已设置过期时间的数据集中挑选【最近最少使用】的 Key 进行删除 volatile-ttl：从己设置过期时间的数据集中挑选 进行删除 allkeys-lru：从数据集中挑选【最近最少使用】的 Key 进行删除 allkeys-lfu：从数据集中【优先删除掉最不常用】的 Key allkeys-random：从数据集中
1.3K20编辑于 2023-11-18 - 来自专栏祝威廉
Spark Streaming 数据清理机制
大家刚开始用Spark Streaming时，心里肯定嘀咕，对于一个7*24小时运行的数据，cache住的RDD,broadcast 系统会帮忙自己清理掉么？还是说必须自己做清理？ DStream(比如ForeachDStream),接着是清理输入类(基于Receiver模式)的数据。 cache数据，进行unpersit 操作，并且显示的移除block 根据依赖调用其他的DStream进行动作清理 这里我们还可以看到，通过参数spark.streaming.unpersist 你是可以决定是否手工控制是否需要对 cache住的数据进行清理。 然后根据Spark Streaming的定时性，每个周期只要完成了，都会触发清理动作,这个就是清理动作发生的时机。
1.4K30发布于 2018-08-27 - 来自专栏开源部署
Zabbix监控历史数据清理
Zabbix监控运行一段时间以后，会留下大量的历史监控数据，Zabbix数据库一直在增大；可能会造成系统性能下降，查看历史数据室查询速度缓慢。 Zabbix里面最大的表就是history和history_uint两个表，而且zabbix里面的时间是使用的时间戳方式记录，所以可以根据时间戳来删除历史数据 一、关闭zabbix、http服务 pkill -9 zabbix service httpd stop 二、清理zabbix历史数据 1、查看数据库目录文件 [root@zabbix-server zabbix]# cd table_name='history.ibd'; 根据需要修改日期和查询的表名称(如果查询出来的结果是0.0，需要将sql中的三个1024删除一个，以G为单位显示) 4、 执行以下命令，清理指定时间之前的数据 ，操作前注意备份数据库 truncate是删除了表，然后根据表结构重新建立，delete删除的是记录的数据没有修改表 truncate执行删除比较快，但是在事务处理安全性方面不如delete,如果我们执行
2.5K30编辑于 2022-07-25 - 来自专栏杨建荣的学习笔记
数据清理的遗留问题处理(二)(r6笔记第91天)
之前尝试了历史数据的清理，在逻辑层面清除了数据，可以参见 http://blog.itpub.net/23718752/viewspace-1814000/ 但是从物理层面来看，数据文件还是那么大，空间还是没有释放掉 从计划的500多G数据空间清理到了90G SEGMENT_TYPE SIZE_MB ------------------ ---------- INDEX PARTITION 清理数据文件该怎么做。思路应该是在dba_segments里面去找是否存在相应的段。如果没有即代表着可以删除这些数据文件。 至于有多少呢，我们还是使用minus的方式来清理。 清除多余的索引数据文件，清理之后剩余了近1T的空间。 ，是想说清理的时候，逻辑清理100%完成，物理清理很可能会漏掉，清理了不到50%,这样我们的工作就不彻底，半途而废。
74050发布于 2018-03-16 - 来自专栏cwl_Java
数据库PostrageSQL-自动清理
autovacuum (boolean) 控制服务器是否运行自动清理启动器后台进程。默认为开启， 不过要自动清理正常工作还需要启用track_counts。 将该参数设置为0会记录所有的自动清理动作。-1（默认值）将禁用对自动清理动作的记录。 例如，如果你将它设置为250ms，则所有运行250ms或更长时间的 自动清理和分析将被记录。 autovacuum_naptime (integer) 指定自动清理在任意给定数据库上运行的最小延迟。在每一轮中后台进程检查数据库并根据需要为数据库中的表发出VACUUM和ANALYZE命令。 注意即便自动清理被禁用，系统也将发起自动清理进程来阻止回卷。 清理也允许从pg_xact子目录中移除旧文件，这也是为什么默认值被设置为较低的2亿事务。 注意即便自动清理被禁用，系统也将发起自动清理进程来阻止回卷。
1.2K10发布于 2020-11-13 - 来自专栏zhangdd.com
zabbix监控-清理zabbix 历史数据
zabbix运行一段时间之后，会留下大量的历史 数据，会发现zabbix的数据库一直在增大。运行3个月后笔者的数据库达到了5.7G，可能造成系统性能下降，查看历史数据时查询速度缓慢。 zabbix里面最大的表就是历史记录的表了，网上很多人都是写全部清空这些表的数据，其实我们可以按时间来删除里面的历史记录。 -01 00:00:01” 1388505601 2、mysql清理数据 mysql> DELETE FROM `history_uint` WHERE `clock` < 1388505601; mysql 这是比较实用的按照时间段删除历史数据，也有方法可以全部清除历史监控数据 zabbix清空历史记录mysql数据库操作： mysql -uroot -p 输入mysql密码 use zabbix; truncate ，请操作之前备份好数据库！
4K20发布于 2018-08-01 - 来自专栏数据结构和算法
Pandas 中级教程——数据清理与处理
Python Pandas 中级教程：数据清理与处理 Pandas 是一个强大的数据分析库，它提供了广泛的功能来处理、清理和分析数据。在实际数据分析项目中，数据清理是至关重要的一步。 数据探索 在开始清理数据之前，让我们先进行一些基本的数据探索： # 查看数据的前几行 print(df.head()) # 查看数据的基本信息 print(df.info()) # 描述性统计信息 处理缺失值 处理缺失值是数据清理中的一个重要环节。 df['column_name'].mean(), inplace=True) # 使用指定值填充缺失值 df['column_name'].fillna(value, inplace=True) 6. 在实际项目中，数据清理和处理是一个迭代的过程，需要根据具体情况灵活运用这些技术。希望这篇博客能够帮助你更好地掌握 Pandas 中级数据清理与处理的技能。
47910编辑于 2023-12-18
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