- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
3-3 数据框的子集
> x <- data.frame(v1=1:5,v2=6:10,v3=11:15) > x v1 v2 v3 1 1 6 11 2 2 7 12 3 3 8 13 4 4 9 14 5 5 10 15 > x$v3[c(2,4)] <- NA > x v1 v2 v3 1 1 6 11 2 2 7 NA 3 3 8 13 4 4 9 NA 5 5 10 15 > #找出第2列 > x[,2] [1] 6 7 8 9 10 > x[,"v2"] [1] 6 7 8 9 10 > x[
86900发布于 2020-09-16 - 来自专栏python3
3-3 SQL Server 2005数
3-3 SQL Server 2005数据库优化 了解数据库引擎优化顾问基本内容 掌握数据库引擎优化顾问的使用 掌握通过命令行的方式进行索引的优化——DTA 一个数据库系统的性能依赖于组成这些系统的数据库中物理设计结构的有效配置
88220发布于 2020-01-07 - 来自专栏叽叽西
lagou 爪哇 3-3 dubbo 笔记
Apache Dubbo是一款高性能的 Java RPC 框架。其前身是阿里巴巴公司开源的一个高性能、轻量级的开源 Java RPC框架，可以和 Spring 框架无缝集成。
65510编辑于 2022-05-17 - 来自专栏悟道
3-3欧几里得求最大公因子
最大公因子，指两个或多个整数共有约数中最大的一个 private static int gc(int a, int b) { if(b==0){ return a; } if(a<b){ int temp=a; a=b; b=temp; } return gc(b,a%b); }
54020发布于 2021-03-16 - 来自专栏python3
34补3-3 rhcs集群基础应用
[root@node1 ~]# ansible ha -m shell -a 'service NetworkManager stop'
96900发布于 2020-01-15 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-3 NumPy数据基础
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍NumPy模块的一些基础知识。
93200发布于 2019-11-13 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-3)
代码清单3-3 for(answer[0] = 0; answer[0] < total[number[0]]; answer[0]++) for(answer[1] = 0; answer
23220编辑于 2022-11-30 - 来自专栏python3
3-3 File类的常用操作的静态方法练
文本文件是我们接触频繁的一类文件，记事本程序经常操作的文件就是文本文件，很多应用程序会保存一些记录到日志文件里，这种日志文件也可以是文本文件。通过本小节的学习，可以掌握对文本文件的简单读写方法。
86020发布于 2020-01-14 - 来自专栏WebJ2EE
React：Table 那些事（3-3）—— 列宽自适应、列宽拖动
《React：Table 那些事》系列文章，会逐渐给大家呈现一个基于 React 的 Table 组件的定义、设计、开发过程。每篇文章都会针对 Table 的某个具体功能展开分析：
10K41发布于 2019-07-19 - 来自专栏数据科学与人工智能
【经验】数据挖掘的九个经验
我们可能预料到一些数据挖掘项目会失败，因为解决业务问题的模式并不存在于数据中，但是这与数据挖掘者的实践经验并不相关。 前文的阐述已经提到，这是因为：在一个与业务相关的数据集中总会发现一些有趣的东西，以至于即使一些期望的模式不能被发 现，但其他的一些有用的东西可能会被发现(这与数据挖掘者的实践经验是相关的);除非业务专家期望的模式存在 这与数据挖掘者的经验比前面的阐述更一致。 但是，数据挖掘者的经验不仅仅局限于客户关系管理问题，任何数据挖掘问题都会存在模式(Watkins的通用律)。
1.5K70发布于 2018-03-20 - 来自专栏服务化进程
springcloud经验
架构演化的步骤 在确定使用Spring Boot/Cloud这套技术栈进行微服务改造之前，先梳理平台的服务，对不同的服务进行分类，以确认演化的节奏。 先让团队熟悉Spring Boot技术，并且优先在基础服务上进行技术改造，推动改动后的项目投产上线 当团队熟悉Spring Boot之后，再推进使用Spring Cloud对原有的项目进行改造。 在进行微服务改造过程中，优先应用于新业务系统，前期可以只是少量的项目进行了微服务化改造，随着大家对技术的熟悉度增加，可以加快加大微服务改造的范围 传统项目和微服务项
72010发布于 2019-08-02 - 来自专栏后端技术
部署经验
在zk的conf目录中增加3个配置文件，名字分别为zoo1.cfg、zoo2.cfg和zoo3.cfg, 并按照教程填写内容.
49210发布于 2020-02-18 - 来自专栏全栈程序员必看
Winrunner经验
winrunner经验总结 1.1 脚本录制规范： 基本原则是录制脚本要分开、gui文件要合并、批调用回放验证、可移植回放验证。
1.1K20编辑于 2022-11-16 - 来自专栏牛客网
算法工程师：学习经验心得+求职经验算法学习与求职经验学习心得和经验 求职心得和经验
算法学习与求职经验 今天已经是11月初了，找工作的阶段已经进入尾声。 下面分享一下自己这两年的学习与近半年的求职路上的一些经验与心得，供后来人参考，不一定是最好的方法，但是大家可以借鉴一下，结合自身情况，找出最适合自己的方法。 以下的部分分为两个部分：学习与求职路上的心得和经验以及踩过的坑。 学习心得和经验 一、理论知识要扎实 既然是走算法之路，最基本的算法理论都必须要熟悉，最常见的要做到如数家珍。 求职心得和经验 一、关于每年3,4月份的实习 楼主在这个期间只投了阿里，在最后的HR面之后被挂。虽然没去实习，但是在这4-5场的面试中学习到很多。 所以推荐大家在3,4月份去投着试一试，虽然可能当时的能力达不到公司要求，但是可以去增长一下经验。 二、简历 简历最好一页，将最能代表自己能力的写清楚，最好简洁扼要。
1.5K60发布于 2018-04-28 - 来自专栏华章科技
手把手教你用直方图、饼图和条形图做数据分析（Python代码）
决定分点 分布区间如表3-3所示。 ? ▲表3-3 分布区间 4. 绘制频率分布直方表 根据分组区间得到如表3-4所示的频率分布表。 代码清单3-3 “捞起生鱼片”的季度销售情况 import pandas as pd import numpy as np catering_sale = '.. 3可得季度销售额频率分布直方图，如图3-3所示。 有10余年大数据挖掘与分析经验，擅长Python、R、Hadoop、Matlab等技术实现的数据挖掘与分析，对机器学习等AI技术驱动的数据分析也有深入研究。 作者在大数据挖掘与分析等领域有10余年的工程实践、教学和创办企业的经验，不仅掌握行业的最新技术和实践方法，而且洞悉学生和老师的需求与痛点。
2.5K11发布于 2020-06-18 - 来自专栏愿天堂没有BUG（公众号同名）
字节跳动3-3大牛力荐！RabbitMQ实战指南：消息队列面试必刷手册
RabbitMQ是目前非常热门的一款消息中间件，不管是互联网大厂还是中小企业都在大量使用。作为一名合格的开发者，有必要对RabbitMQ有所了解。
70120编辑于 2022-10-28 - 来自专栏bit哲学院
手把手教你用直方图、饼图和条形图做数据分析（Python代码）
决定分点 分布区间如表3-3所示。 ▲表3-3 分布区间 4. 绘制频率分布直方表 根据分组区间得到如表3-4所示的频率分布表。 代码清单3-3 “捞起生鱼片”的季度销售情况 import pandas as pd import numpy as np catering_sale = '.. 3可得季度销售额频率分布直方图，如图3-3所示。 有10余年大数据挖掘与分析经验，擅长Python、R、Hadoop、Matlab等技术实现的数据挖掘与分析，对机器学习等AI技术驱动的数据分析也有深入研究。 作者在大数据挖掘与分析等领域有10余年的工程实践、教学和创办企业的经验，不仅掌握行业的最新技术和实践方法，而且洞悉学生和老师的需求与痛点。 划重点???? 干货直达????
2K20发布于 2020-12-23 - 来自专栏视觉求索无尽也
【总结经验】炼丹路上的坑与经验
戳我进入本文长期更新地址 训练的神经网络不工作？一文带你跨过这37个坑 深度学习这些坑你都遇到过吗？ 用Keras（后端是TensorFlow）跑一个epoch时报错：IOError: image file is truncated 解决办法： 在*.py文件最上方加入： from PIL import Image from PIL import ImageFile ImageFile.LOAD_TRUNCATED_IMAGES = True 用Sequential.fit_generator(
82530发布于 2018-09-13 - 来自专栏Java帮帮-微信公众号-技术文章全总结
【大牛经验】技术做产品的经验教训
教训一，产品策划经验为零 从产品策划开始，发现，作为一个执着于技术、自认为对各种软件应用都有广泛了解的自己而言，竟然没有一个可行的何种产品的想法，而第一想法却是，自己能想到的，似乎别人都做过了，而且有的还做的特别好 教训四，不考虑对方的理解范围 用户不是写代码的人，对于代码编写的方式以及成本并没有了解，用户的意见是围绕着自己的经验和认识范围形成的，所以，所看到的，所用到的直观体验等，都会反映出来。 开始，只要别人说自己那个地方的设计需要改动，心里还是觉得是别人不懂自己的设计，其实仔细想想，自己除了懂得编码，相关的设计，用户体验，产品策划等等的知识和经验就是零。
81450发布于 2018-03-15 - 来自专栏视觉求索无尽也
【调参经验】图像分类模型的调参经验前言调参经验与我交流
前言 用深度学习做图像分类任务也有近一年时间了，从最初模型的准确率只有60%到后来调到有80%，再到最后的90%+的准确率，摸索中踩了很多坑，也总结出了一些经验。 现在将一些自己觉得非常实用的模型训练经验写下来作为记录，也方便后来者借鉴验证。 调参经验 模型选择 通常我会使用一个简单的CNN模型（这个模型一般包含5个卷积层）将数据扔进去训练跑出一个baseline，这一步工作主要是为了验证数据集的质量。 黏贴自己的部分源码 其他提示 具体任务不同可能某些经验不能适用，...........
2.5K20发布于 2018-12-04
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