- 综合排序
- 最热优先
- 最新优先
- 来自专栏布衣者博客
LeetCode-题库-刷题(6-7)
将一个给定字符串 s 根据给定的行数 numRows ，以从上往下、从左到右进行 Z 字形排列。 具体题目链接
42220发布于 2021-09-07 - 来自专栏linjinhe的专栏
设计数据密集型应用（6-7）：分片、事务
分片 假设我们有一个单机数据库，上面有三张表：用户表、商品表和订单表。 ? 无分片 业务刚起步的时候，数据量很少，这个只有三张表的数据库运行得很好。 ? 垂直分片 随着业务发展，用户数量、商品数量、订单数量都在持续增长，数据库的负载越来越高。我们开始对数据库进行垂直拆分（垂直分片），把这三张表拆到三个数据库，而业务代码改改数据库的配置就好。 ? 再后来，一个数据库也承载不了用户表的数据，需要对用户表进行水平拆分（水平分片）。比如，根据用户 ID 将数据哈希到 n 个数据库。 比如，如果 key 是单调递增的，那所有插入数据都会集中在最后一个分片。这个分片的数据插入速度会成为插入性能的瓶颈。单调递增的 key 在关系数据库领域是非常常见的。 对单副本的数据库来说，持久性的意思是数据被写入外存，比如 HDD 或 SSD。对多副本的数据库来说，持久性意味着数据以及成功复制到其它节点。
74250发布于 2020-04-02 - 来自专栏python3
笨办法学Python - 习题6-7:
Process finished with exit code 0 上面的代码主要是有几个点需要注意下： 占位符的问题，%d 代表整数，%s 代表字符串，数据类型必须要匹配 %r 和 %s 的区别和联系
68610发布于 2020-02-10 - 来自专栏iOS面试
iOS 面试策略之算法基础6-7节
数据溢出：因为动态规划是一种由简至繁的过程，其中积蓄的数据很有可能超过系统 当前数据类型的最大值，从而导致程序抛出异常。 这两点，我们在上面这道求解斐波拉契数列第100个数的题目就都遇到了。 实际上 F(40) 就已经突破一亿，F(100) 一定会造成整型数据溢出。 当然对于这两点我们也有相应的解决方法。 对付栈溢出，我们可以把递归写成循环的形式（所有的递归都可改写成循环）；对付数据溢出，我们可以在程序每次计算中，加入数据溢出的检测，适时终止计算，抛出异常。
83330发布于 2021-04-22 - 来自专栏AI SPPECH
IO竞赛2025年题目解析：中级难度（6-7）
2025年的中级难度（难度系数6-7）题目综合考察了选手的算法设计、数据结构应用、数学建模和问题分析能力。本文将深入解析2025年中级难度的IO竞赛题目，帮助选手们突破瓶颈，提升解题能力。 难度进阶路径: 入门(1-3) → 基础(4-5) → 中级(6-7) → 高级(8-10) 难度系数 考察重点 核心知识点 学习目标 6-7 高级算法、数据结构综合应用 高级动态规划、图论、数论、几何 7，这一阶段的题目开始考察更高级的算法和数据结构的综合应用。 问题建模难度增加，需要将实际问题转化为算法模型 数据结构的选择和实现更加复杂 代码量增加，对代码的正确性和效率要求更高 往往需要结合多种算法和数据结构来解决问题 第二章：难度系数6题目解析 难度系数6 的题目是中级难度的基础，开始涉及更复杂的算法设计和数据结构应用。
24210编辑于 2025-11-13 - 来自专栏悦思悦读
开发一款A股选股器
作者在自学机器学习的过程中，尝试开发了一个基于机器学习的A股选股工具。本文是在赤兔的“数据挖掘”小组分享的此次开发过程和心得体会的整理。 A股选股器开发过程 数据来源 就财经类的数据而言，现在各大门户网站都有专门的频道，信息很多，如果对实时要求高，通过爬虫取其中有用的部分应该是一个办法。 它是免费的，提供结构化的数据，感觉每天更新也挺快。 预处理 拿到数据后第一步是做预处理。我认为股票的数据主要是做归一化，使得不同股票具有可比性。比如涨幅百分比，复权等等。 最初是用了最近3年的数据，后来考虑到A股从2007年到2015年恰好走过了一个上涨到下降再到上涨的完整周期，因此扩大到了8年的数据。 再是对算法的改进，我尝试引入了“推荐指数”的概念。 股灾日经常是“千股跌停”，上涨的股票太少了…可以看出在这些“股灾日”的时候，模型也不太准确，出现了失真。 总结与心得 选股工具利用机器学习算法，一般情况下比传统的算法（或者人为经验）的准确率高。
3.3K80发布于 2018-03-15 - 来自专栏镁客网
美股遭血洗，科技股大跌
并且，隔夜美股的暴跌态势已经蔓延到了亚太股市和欧洲股市。 今日早上，亚太市场开盘后随美股一样暴跌。 其中，最早开盘的澳洲股指ASX200指数盘初跌2%，日股日经225指数开盘跌2%，日本东证指数下跌3%，迈向3月以来最大跌幅，韩国KOSPI指数开盘下跌2.43%。 台股加权指数开盘跌1.9%，目前跌幅扩大至逾4%。 在美股惨遭血洗的时候，其中，科技巨头的股票也一路下跌。 国内媒体认为，美债收益率上升是美股承压原因之一。美国国债收益率本月以来一直攀升，10年美债收益率一度触及3.25%的七年最高水平。10月5日，有数据显示，美国失业率降到了3.7%的历史低位。
68140发布于 2018-10-18 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-7 sklearn中的随机梯度下降法
在jupyter调用我们自己封装的随机梯度下降法，首先是先在虚拟数据上验证算法正确性，然后应用真实的数据。 ? ? ? ? ? ? 二 sklearn实现随机梯度下降法 ? ?
1.2K20发布于 2019-11-13 - 来自专栏小姚的后端记录
八股
八股 浏览器输入网址到看到结果的全过程 ==首先是解析url，然后进行缓存判断，判断请求的资源在不在缓存中，如果在缓存中且没有失效，就直接使用，否则就要向服务器发起请求。 数据链路层（Data Link Layer）： 主要功能：在直接连接的两个设备之间提供可靠的数据传输。 作用：将物理层提供的比特流分组成数据帧，并负责数据的错误检测和纠正。 网络层（Network Layer）： 主要功能：实现数据包的路由和转发，为数据在不同网络之间的传输提供路径。 作用：负责逻辑寻址、数据包的路由选择和跨网络的数据传输。IP协议是网络层的代表。 通常用于实现不同应用程序之间的数据交互。 表示层（Presentation Layer）： 主要功能：数据格式转换、数据加密和解密。 数据类型： Cookie：Cookie只能存储文本数据，通常用于存储小量的用户信息，如用户ID、首选语言或会话令牌。 Session：Session可以存储各种数据类型，包括对象和复杂数据结构。
60940编辑于 2023-10-11 股票数据API：日股、韩股、新加坡股票、印尼股票市场实时行情实时数据API—python
本文将介绍一个高效的亚太股市数据 API，支持日本股市行情、韩国股市行情、新加坡股市行情和印尼股市行情的实时数据查询。 该 API 提供实时价格、K 线数据、历史数据查询、实时 tick、实时报价、低延时报价 api、盘口数据和逐笔成交等功能，特别适合量化交易开发者使用。 主要优势：实时数据：毫秒级更新，支持实时价格和逐笔成交。历史数据查询：批量获取多股 K 线数据，包括开盘价、最高价、最低价、收盘价和成交量（OHLCV）。 批量历史 K 线查询支持多股同时查询历史 K 线数据，周期从分钟线到月线。适合历史数据查询和 K 线数据分析。请求路径：GET /stock/klines? K 线数据分析，支持多股批量操作。
1.6K10编辑于 2025-12-11A 股 Level-2 行情数据 API 实战指南
本文将系统介绍 A 股 Level-2 行情数据 API 的技术特点、接入方案及实战应用，帮助开发者在量化交易的道路上构建坚实的数据底座。 数据量方面，A 股 Level-2 行情每日增量约 30-45GB，历史数据可达 10TB 级别。这意味着，处理 Level-2 数据不仅需要高效的 API 接入方案，更需要强大的数据存储与计算能力。 同花顺 iFinD：延迟在 100-200 毫秒，覆盖全市场 A 股及港股数据。采用年费制，数据质量稳定，功能丰富，适合专业投资机构使用。 4.2 实时行情接入代码示例以下提供 iTick API 的完整接入示例，包括 REST API 和 WebSocket 两种方式，涵盖 A 股、港股、美股等市场。 七、结语A 股 Level-2 行情数据 API 为量化开发者打开了一扇通往市场微观结构的大门。从十档盘口的深度分析到逐笔成交的资金流向追踪，Level-2 数据承载着比传统行情丰富十倍的信号价值。
2.7K21编辑于 2026-03-21- 来自专栏数据科学实战
AkShare-股票数据-港股美股复权后数据
作者寄语 更新之前的港股和美股接口直接返回复权后的数据，方便策略回测使用，具体的使用方法参见文档。 AkShare 股票数据 美股-历史行情 接口: stock_us_daily 目标地址: http://finance.sina.com.cn/stock/usstock/sector.shtml 描述 : 获取美股历史行情数据，设定 adjust="qfq" 则返回前复权后的数据，默认 adjust="", 则返回未复权的数据，历史数据按日频率更新 限量: 单次返回指定上市公司指定 adjust 后的所有历史行情数据 输入参数 名称 类型 必选 描述 symbol str Y 美股代码, 可以通过 「get_us_stock_name」 函数返回所有美股代码, 由于美股数据量大, 建议按需要获取 adjust str , 可以选择返回复权后数据,更新频率为日频 限量: 单次返回指定上市公司的历史行情数据(包括前后复权因子), 提供新浪财经拥有的该股票的所有数据(并不等于该股票从上市至今的数据) 输入参数 名称 类型
2.7K20发布于 2020-05-07 - 来自专栏数据科学实战
AkShare-股票数据-千股千评
作者寄语 熟悉东方财富的小伙伴一定听过东方财富的股吧评论数据，无论是学术论文还是业界的金工报告都有提及相关内容，本次更新根据股吧浏览、自选股添等数据统计得出，关注指数越高代表该股越受市场关注的千股千评指数接口 ，本数据有东方财富制定。 /stockcomment/ 描述: 获取东方财富网-数据中心-特色数据-千股千评 限量: 单次获取所有数据 输入参数 名称 类型 必选 描述 - - - - 输出参数 名称 类型 默认显示 描述 TDate 接口示例 import akshare as akstock_em_comment_df = ak.stock_em_comment()print(stock_em_comment_df) 数据示例 - - -3953 2020-03-23T00:00:00 900955 海创B股 ...
2.9K20发布于 2020-03-25 - 来自专栏数据科学实战
AkShare-股票数据-破净股统计
作者寄语 更新 破净股统计 接口，破净是指市值跌破净资产值，破净股是指股票的每股市场价格低于它每股净资产价格。 数据的时间段为：2005年-至今 更新接口 "stock_a_below_net_asset_statistics" # A 股破净股统计 破净股统计 接口: stock_a_below_net_asset_statistics 目标地址: https://www.legulegu.com/stockdata/below-net-asset-statistics 描述: 获取 A 股破净股统计数据 限量: 单次获取所有历史数据 输入参数 名称 类型 必选 描述 - - - - 输出参数 名称 类型 默认显示 描述 date datetime Y 交易日 below_net_asset float Y 破净股家数 total_company = ak.stock_a_below_net_asset_statistics() print(stock_a_below_net_asset_statistics_df) 数据示例
92130发布于 2020-07-23 - 来自专栏数据科学实战
AKShare-股票数据-行业成份股
作者寄语 本次接口主要东方财富的行业板块中成份股，可以与同花顺的对照使用。 更新接口 "stock_board_industry_cons_em" # 东方财富-成份股 东方财富-成份股 接口: stock_board_industry_cons_em 目标地址: https: //data.eastmoney.com/bkzj/BK1027.html 描述: 东方财富-沪深板块-行业板块-板块成份 限量: 单次返回指定 symbol 的所有成份股 输入参数 名称 类型 描述 stock_board_industry_cons_em_df = ak.stock_board_industry_cons_em(symbol="小金属") print(stock_board_industry_cons_em_df) 数据示例
1.8K30编辑于 2022-01-12 美股实时行情与 K 线数据对接
对于金融科技开发者而言，如何稳定、低延迟地获取美股数据是开发全球资产配置工具的第一步。本文将基于 StockTV 全球金融 API，为你详解如何快速集成美股实时行情、历史数据及指数信息。 一、 美股接口对接美股数据通常面临着交易所授权费高昂、API 协议复杂（如 FIX 协议）等痛点。 涨跌幅排行榜：使用 stock/updownList 接口快速获取美股全市场的“涨幅榜”或“跌幅榜”，实时挖掘热点个股。 数据缓存：对于 stock/companies 接口提供的公司描述、行业分类等静态信息，建议在本地数据库做缓存，以优化 App 加载速度。 结语对接美股数据并不复杂，关键在于选择一个稳定且数据维度丰富的供应商。StockTV API 以其标准化的 JSON 结构和覆盖全球的金融数据，极大地降低了金融应用的开发门槛。
60610编辑于 2026-02-26爬虫技术选股：Python 自动化筛选潜力股
核心技术工具说明本次自动化选股项目依赖 Python 的三大核心库，各自承担关键职责：Requests：轻量高效的 HTTP 请求库，负责向金融数据网站发送请求，获取公开的个股行情与财务数据，是爬虫实现的核心工具 Pandas：高性能的数据处理与分析库，负责对提取的金融数据进行清洗、整理、指标计算与筛选，是实现选股逻辑的关键支撑。2. 二、项目实现流程概述本次 Python 自动化选股的核心流程分为四步：爬虫搭建：抓取 A 股市场个股的基础信息（股票代码、名称）与核心财务 / 行情数据（每股收益、净利润增长率、市盈率、市净率等）；数据清洗 ：处理抓取到的缺失值、异常值、格式错误等问题，形成标准化数据集；选股逻辑实现：基于价值投资与成长投资的核心指标，预设筛选规则，利用 Pandas 完成自动化筛选；结果输出：将筛选出的潜力股整理为表格，保存为本地文件方便查阅 A 股列表数据，提取核心选股指标。
1K10编辑于 2026-01-14- 来自专栏kwai
数据库基础(六) mysql八股文
2，引擎：InnoDB，MyIsam 3，超键，候选键，主键，外键 4，Sql约束： 主键约束：唯一性，非空 唯一约束：唯一性，有一个可为空 检查约束：对列的数据范围限定 默认约束：数据的默认值 外键约束 5，事务实现原理 6，redo log，undo log 7，binlog 8，事务中可以混合使用引擎吗 不可以，正常情况下没问题，但是如果需要回滚，innodb没问题，myisam就会无法撤销，出现数据不一致 也可以对数据，如for update。 乐观锁有CAS和版本号机制。 4，InnoDB的行锁怎么实现 给索引项加锁，所以使用行锁一定要使用索引。 其他 1，为什么要使用分库分表 分表：数据太大 分库：并发太大 2，读写分离，主从同步，主从复制 就这两大类问题。
1K60编辑于 2022-01-10 日股历史数据历史行情,价格,走势,实时API
日股历史数据和实时报价对量化工作意义重大。 日股 API 为量化工作者获取这两类数据提供便捷途径，专业日股 API 能定制数据获取，提高效率和准确性，满足量化交易要求，免费报价 API 虽有局限，但对初步量化研究和小型量化团队也有价值，能降低成本开展工作 近期日股整体呈现上涨趋势，具体来看以下几个方面：指数表现：当地时间 1 月 15 日，日股三大股指全面大幅上涨。 上涨原因分析通胀数据符合预期：最新发布的消费者价格指数（CPI）数据显示，日本 2024 年 12 月 CPI 同比上升 2.9%，环比升 0.4%，均与市场预期相符。 请求K线python -m pip install requests"""**iTick**：是一家数据代理机构，为金融科技公司和开发者提供可靠的数据源APIs，涵盖外汇API、股票API、加密货币API
4K00编辑于 2025-02-04港美A股实时盘口数据：Python 接入示例教程
港美A股实时盘口数据：Python 接入示例教程在量化交易和大宗交易决策中，实时盘口数据（也称为市场深度或 Level 2 数据）是关键要素。 本文聚焦港股（HK）、美股（US）和 A 股（SH/SZ）的实时盘口，介绍如何通过 RESTful API 和 WebSocket 方式接入这些数据，支持多市场覆盖和毫秒级更新。 例如，在港股市场，腾讯控股（700.HK）的盘口可能显示买一价 568 HKD，挂单量 75000 股。 美股 (US)：如 AAPL (苹果)、TSLA (特斯拉)。A 股 (SH/SZ)：上海和深圳交易所股票。接入方式有批量查询（REST）和实时推送（WebSocket）。 支持港美 A 股订阅（如 params: "700$HK,AAPL$US,600000$SH"）。
91600编辑于 2025-12-01
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