- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
4-6 R语言函数 排序
#sort:对向量进行排序;返回排好序的内容 #order:返回排好序的内容的下标/多个排序标准 > x <- data.frame(v1=1:5,v2=c(10,7,9,6,8),v3=11:15,v4=c(1,1,2,2,1)) > sort(x$v2) [1] 6 7 8 9 10 > sort(x$v2,decreasing = TRUE) [1] 10 9 8 7 6 > order(x$v2) [1] 4 2 5 3 1 > x[order(x$v2),] v1 v
44540发布于 2020-09-16 - 来自专栏yuyy.info技术专栏
《代码整洁之道》笔记（4-6章节）
对象和数据结构 getter和setter，相当于将私有变量公之于众。 数据抽象 依赖倒置原则。 隐藏实现并非只是在变量之间放上一个函数层那么简单。隐藏实现关乎抽象！ 类并不简单地用取值器和赋值器将其变量推向外界，而是暴露抽象接口，以便用户无需了解数据的实现就能操作数据本体。 数据、对象的反对称性 过程式代码（使用数据结构的代码）便于在不改动既有数据结构的前提下添加新函数；面向对象代码便于在不改动既有函数的前提下添加新类。 反之亦然 过程式代码难以添加新数据结构，因为必须修改所有函数；面向对象代码难以添加新函数，因为必须修改所有类。 得墨忒耳率 函数只能调用本类的函数、本类属性的函数、方法参数对象的函数。 数据传输对象 即DTO。 Post Views: 278
40410编辑于 2022-06-28 - 来自专栏desperate633
第4-6课 数据的过滤where子句操作符使用通配符进行过滤
实际查询中，通常不会检索所有行，需要对数据进行筛选过滤，选出符合我们需要条件的数据。 sql中的数据过滤通过where子句中指定的搜索条件进行 where子句操作符 检查单个值 select prod_name, prod_price from products where prod_price
2.4K10发布于 2018-08-22 - 来自专栏量子位
支持移动GPU、推断速度提升4-6倍
TensorFlow用于移动设备的框架TensorFlow Lite发布重大更新，支持开发者使用手机等移动设备的GPU来提高模型推断速度。
1.2K30发布于 2019-04-24 - 来自专栏sringboot
python DataFrame数据生成
行索引index在此处表示为交易日期，Pandas提供了强大的处理日期数据的功能，我们使用pandas.date_range()生成DatetimeIndex格式的日期序列，其中参数包括：起始时间start as pd #生成日时间序列 dd=pd.date_range('2010-01-01',freq='D',periods=1000) print(f'生成日时间序列：\n{dd}') """ 生成日时间序列 ’numpy.ndarray’，属于data参数支持的数据类型，于是我们将data、 index和columns三个参数传入创建DataFrame的方法中，就可以生成DataFrame格式的股票交易数据 ，就可以利用Pandas强大数据分析功能处理我们的数据，在后续的小节中会陆续介绍其中的各种方法。 以上就是Pandas的核心—DataFrame数据结构的生成讲解。
2.7K20发布于 2019-11-01 生成随机数据
使用存储过程生成任意数量的随机数据 涉及到的数据类型包括： number、long、varchar2、date、timestamp 基于以下sql，可以修改存储过程中间部分用来填充其他表格，数据格式处理可以参照本 sql /** * 创建序列，用于获得特征数据 */ create sequence mock_data_seq minvalue 1 start with 1 increment by 1 cache 100; /** * 创建数据库表 */ create table tab_mock_data ( id number, serno long, for i in 1..maxrecords loop insert into tab_mock_data VALUES(mock_data_seq.NEXTVAL,i,'测试数据 call mockdatagenertator(1000); -- 查询数据 select * from tab_mock_data; --- 清理数据 drop sequence mock_data_seq
26610编辑于 2026-06-15- 来自专栏人人都是极客
支持移动GPU、推断速度提升4-6倍
在推断每个输入时： 如有必要，输入将移至 GPU：输入张量（如果尚未存储为 GPU 内存）可由框架通过创建 GL 缓冲区或 MTLBuffers 进行 GPU 访问，同时还可能复制数据。 由于 GPU 在 4 通道数据结构中效率最高，因此通道大小不等于 4 的张量将重新调整为更加适合 GPU 的布局 执行着色器程序：将上述着色器程序插入命令缓冲区队列中，GPU 将这些程序输出。
1.9K20发布于 2019-03-15 - 来自专栏机器学习与生成对抗网络
使用GAN生成序列数据
本文介绍了生成序列工具的DoppelGANger。它基于生成对抗网络（GAN）框架生成复杂顺序数据集。 生成序列数据比表格数据更具挑战性，在表格数据中，通常将与一个人有关的所有信息存储在一行中。 顺序数据和时间序列生成模型已经得到了广泛的研究，在许多情况下，模型都是针对特定问题设计，因此需要详细的领域知识。 引入DoppelGANger以生成高质量的合成时间序列数据 我们对DoppelGANger模型进行了修改，以解决顺序数据生成模型的局限性。 DoppelGANger模型还具有生成以数据属性为条件的数据特征的优势。 ? 该模型的另一个巧妙特征是它如何处理极端值，这是一个非常具有挑战性的问题。 它包括在训练之前对数据特征进行归一化，并将特征的最小和最大范围添加为每个样本的两个附加属性。 在生成的数据中，这两个属性通常会将要素缩放回现实范围。
2.9K21发布于 2020-07-09 - 来自专栏麋鹿的技术专栏
Java生成报表数据图片
最近在业务需求开发当中，有一个需求是按照报告的格式生成数据图片推送到企业微信群消息当中，企业微信消息倒是还好，这生成图片的还是第一次遇到啊，然后百度了一下发现也没有什么现成的框架可以用，只能自动手写一个工具类 int DEFAULT_CLO_SIZE = 300; /** * 校验参数 * @param titleList 标题 * @param dataList 数据 Base64编码 * @param totalTitle 总标题,允许为空 * @param titleList 标题 * @param dataList 数据 } public String getName() { return name; } } } 工具的使用比较简单，直接生成标题 ，往里面丢数据就行了，因为企业微信发送图片的要求是图片的md5格式和base64格式，所以方法也都提供出来了。
2.9K20发布于 2020-08-19 - 来自专栏草根专栏
生成数据库
EF Core支持两种模式： Code First：简单理解为 先写C#（Model），然后生成数据库。 Database First：现在数据库中建立表，然后生成C#的Model。 生成数据库 因为我们使用的是Code First，所以如果还没有数据库的话，它应该会自动建立一个数据库。 我们需要对Model生成的表的字段进行限制！ 解释一下：Product这个entity中的Id，根据约定（Id或者ProductId）会被视为映射表的主键，并且该主键是自增的。 然后把数据库删掉，重新生成一下数据库： 很好！ 迁移 Migration 随着代码的更改，数据库也会跟着变，所有EnsureCreated()不满足要求。 builder.Property(x => x.Description).HasMaxLength(200); } } } 执行Add-Migration后，会在Migrations目录生成了一个新的文件
1.7K20编辑于 2022-05-10 - 来自专栏数据仓库技术
留存专题-基础数据生成
为完成留存数据，我们需要先准备相关数据，包含三份数据：日期维表、新增用户表、用户登录表。生成数据涉及不少知识点，之前基本都写过了，这里不再赘述。涉及函数如下。 string, login_date string ) COMMENT '用户登录表' ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'; 2.生成日期维表数据 创建日期维表，从2024-01-01至2024-12-31日的数据 生成语句 --日期维表 insert into table t_dim_date(c_date) select date_add(to_date | 2024-01-06 | | 2024-01-07 | | 2024-01-08 | | 2024-01-09 | | 2024-01-10 | +-------------+ 3.生成用户新增记录 2024-01-02 | | 1019 | 2024-01-02 | | 1020 | 2024-01-02 | +----------+--------------+ 4.生成用户登录数据
35700编辑于 2024-12-19 - 来自专栏Python
利用ForgeryPy生成虚拟数据
在程序研发过程中，我们往往需要大量的虚拟实验数据。Python中有多个包可以用于生成虚拟数据，其中功能较为完善的是ForgeryPy。 import lorem_ipsum from .forgery import name from .forgery import personal ForgeryPy包括了地理位置、日期、网络、名称等大量虚拟生成算法 ，非常方便我们用来生成虚拟数据。
90300发布于 2018-07-31 - 来自专栏PHPer技术栈
Laravel 框架生成 Plist 数据
那么，作为一名 PHPer，我们应该怎么生成 plist 文件了，接下来，为大家详细讲解。 ①封装生成 plist 文件代码 /** * 生成xml格式 * @param $url * @param $title * @return string </dict> </dict> </array> </dict> </plist>'; return $html; } ②封装生成 */ public function Plist($link,$title,$filename){ // 生成plist文件 $xml = $this->xml( 当 plist 文件生成完毕后，我们可以选择上传到服务器或七牛云保存，将生成好的 plist 文件路径返回客户端，这样一个完整的实现过程就讲解完毕了。
1.2K30发布于 2019-08-28 - 来自专栏人工智能与演化计算成长与进阶
15非监督学习异常检测4-6构建与评价异常检测系统
当我们开发一个异常检测系统时，我们从带标记（异常或正常）的数据着手，我们从其中选择一部分正常数据用于构建训练集，然后用剩下的正常数据和异常数据混合的数据构成交叉检验集和测试集。 示例 例如：我们有 10000 台正常引擎的数据，有 20 台异常引擎的数据。 我们这样分配数据： 6000 台正常引擎的数据作为训练集 2000 台正常引擎和 10 台异常引擎的数据作为交叉检验集 2000 台正常引擎和 10 台异常引擎的数据作为测试集 测评方法 根据 训练集 异常检测监督学习只有很少量的异常数据(通常只有 20-50 个样本的数据)即 y=1,而有大量的正常数据 y=0同时拥有大量的异常是数据和正常数据有许多不同种类的异常非常难使用少量的正向类数据来训练算法有足够多的正向类实例 所以在实现异常检测系统之前，往往用直方图表示数据或者直接画出数据的分布，以确保这些数据在进入异常检测算法前看上去比较接近于高斯分布，如下图中(1)所示 ?
1.9K11发布于 2020-08-14 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-6 网格搜索与k近邻算法中更多超参数
本小节主要介绍使用sklearn网格搜索寻找最好的超参数以及kNN计算两个数据点距离的其他距离定义。 sklearn网格搜索 使用网格搜索的方式来找最好的超参数。 kNN更多距离定义 定义训练集中的数据点与新的数据点之间的距离，默认使用的是明科夫斯基距离，对应的p = 2，也就是欧拉距离的定义，当然kNN中还有其他距离可以使用： ?
90200发布于 2019-11-13 - 来自专栏yuyy.info技术专栏
《Go语言精进之路：从新手到高手的编程思想、方法和技巧1》4-6章笔记
我们会在main包中做一些命令行参数解析、资源初始化、日志设施初始化、数据库连接初始化等工作，之后就会将程序的执行权限交给更高级的执行控制对象。 Go module本身就可以实现可重现的构建而不需要vendor，当然Go module机制也保留了vendor目录（通过go mod vendor可以生成vendor下的依赖包；通过go build
1.3K20编辑于 2022-09-21 - 来自专栏phodal
编码数据集生成框架 UnitGen 0.4.0：代码文档生成、测试代码生成
UnitGen 是我们从 UnitEval 拆分出来的代码数据集生成项目，旨在为基于开源模型供的私有化部署提供更好的编码数据集。 在结合开源模型 + AutoDev 插件之后，你可以使用 UnitGen 结合企业内部现有的代码生成微调数据集，以让模型生成的代码更适合组织内部的需要，提升开发人员效率。 UnitGen 文档数据集生成 在文档数据生成上，与先前的补全数据集生成，文档的生成逻辑非常简单 —— 找到对应的注释块（类和方法级），然后生成即可。 UnitGen 测试数据集生成 由于 AutoDev 支持的是整个测试文件的生成，因此在生成测试时要考虑到测试框架和技术框对于项目的影响，所以还需要读取项目的依赖信息。 除此，UnitGen 在测试数据生成上，同样分为类级和方法级，但是方法级的生成比类级稍微复杂一些 —— 需要分析出被测函数。
63810编辑于 2024-01-10 - 来自专栏大数据-BigData
datafaker — 测试数据生成工具
datafaker是一个大批量测试数据和流测试数据生成工具，兼容python2.7和python3.4+。 首先确保安装python3以及pip3，然后通过pip3进行安装 pip3 install datafakerCopy 安装对应数据包 对于不同的数据库需要用到不同的python包，若在执行过程中报包缺失问题 这种好处是： 1）对应已经创建的数据表，用户可以用desc tablename 或者show full columns from tablename，将表shema查询复制下来，对用字段类型构造数据不满足的情况下 这种情况不用指定元数据文件。 写hive：产生1000条数据写入hive的test库，stu表中 其中yarn为用户名，需要hive版本支持acid，不然请生成本地文件，然后上传到hdfs datafaker hive hive:/
3.4K10编辑于 2022-01-18 - 来自专栏闻道于事
Java导出数据生成Excel表格
></script> <link rel="stylesheet" href="<%=basePath%>/res/layui/css/layui.css" media="all"> <title>数据报表
5.5K50发布于 2018-02-28 - 来自专栏叔叔的博客
Jpopulator测试数据生成工具
一、介绍 这个小工具帮助我们生成测试数据，省的我们测试时造数据。
1.6K10发布于 2018-07-25
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