上一页 1 ··· 6 7 8 9 10 11 12 13 14 ··· 17 下一页

2019年9月29日

python 字符串操作

摘要: Python字符串操作 字符串padding s.center(10, '*') s.ljust(10, '*') s.rjust(10, '*') 字符串全角半角互转 有规律(不含空格): 全角字符unicode编码从65281~65374 (十六进制 0xFF01 ~ 0xFF5E)半角字符un 阅读全文

posted @ 2019-09-29 11:34 iUpoint 阅读(372) 评论(0) 推荐(0) 编辑

2019年9月24日

二叉树

摘要: 平衡二叉树 它是一棵空树或它的左右两个子树的高度差的绝对值不超过1,并且左右两个子树都是一棵平衡二叉树。 完全二叉树 对一颗具有n个结点的二叉树按层进行编号,如果编号为i (1 <= i <= n)的结点与同样深度的满二叉树节点编号为i的结点在二叉树中的位置完全相同,则这颗树,我们称之为完全二叉树。 阅读全文

posted @ 2019-09-24 14:16 iUpoint 阅读(160) 评论(0) 推荐(0) 编辑

动态规划

摘要: 动态规划,以空间换时间,自底向上求解 计算两字符串的最长公共子序列(可以不连续) 给定两个字符串,求出它们之间最长的相同子字符串的长度。 穷举法: 动态规划法 参考链接: 求2个字符串的最长公共子序列和最长公共子字符串 详解动态规划——邹博讲动态规划 阅读全文

posted @ 2019-09-24 10:38 iUpoint 阅读(183) 评论(0) 推荐(0) 编辑

哈希分治法

摘要: 转载自:哈希分治法 - 统计海量数据中出现次数最多的前10个IP 实现代码如下: 阅读全文

posted @ 2019-09-24 10:28 iUpoint 阅读(447) 评论(0) 推荐(0) 编辑

2019年9月20日

oracle xmltype + blob + clob

摘要: oracle varchar2最大存储长度为4000,所以当字段长度超限时可尝试存储为blob或xmltype格式 xmltype --1、创建xml表 Create TABLE testxml( id NUMBER, data XMLTYPE ); --2、插入数据 --1)创建目录 CREATE 阅读全文

posted @ 2019-09-20 14:27 iUpoint 阅读(1037) 评论(0) 推荐(0) 编辑

2019年8月20日

ora-12505报错解决方法(转)

摘要: 用oracle数据库新建连接时遇到ora-12505,此问题解决后又出现ora-12519错误,郁闷的半天,经过一番折腾问题解决,下面小编把我的两种解决方案分享给大家,仅供参考。 解决方案一: 今天工作时在新建连接的时候遇到ORA-12505,解决后又遇到ORA-12519错误。 ORA-12505 阅读全文

posted @ 2019-08-20 10:40 iUpoint 阅读(18309) 评论(0) 推荐(2) 编辑

2019年8月19日

爬取沪深a股数据

摘要: 首先从东方财富网获取股票代码 再从网易财经下载股票历史数据 参考资料: 爬虫:爬取股票历史交易数据 爬取东方财富股票信息网 Python爬虫(5):比Selenium快100倍的方法爬东方财富网财务报表 阅读全文

posted @ 2019-08-19 11:05 iUpoint 阅读(2341) 评论(0) 推荐(0) 编辑

2019年8月16日

查看oracle表空间内存

摘要: 查看oracle表空间内存 SELECT a.tablespace_name "表空间名", total "表空间大小", free "表空间剩余大小", (total - free) "表空间使用大小", total / (1024 * 1024 * 1024) "表空间大小(G)", free 阅读全文

posted @ 2019-08-16 17:08 iUpoint 阅读(2215) 评论(0) 推荐(0) 编辑

2019年8月15日

RFM模型的应用 - 电商客户细分(转)

摘要: RFM模型是网点衡量当前用户价值和客户潜在价值的重要工具和手段。RFM是Rencency(最近一次消费),Frequency(消费频率)、Monetary(消费金额) 消费指的是客户在店铺消费最近一次和上一次的时间间隔,理论上R值越小的客户是价值越高的客户,即对店铺的回购几次最有可能产生回应。目前网 阅读全文

posted @ 2019-08-15 14:25 iUpoint 阅读(1617) 评论(0) 推荐(0) 编辑

2019年8月9日

面试

摘要: 正则化:机器学习面试复习 正则化之所以能够降低过拟合的原因在于,正则化是结构风险最小化的一种策略实现。 给loss function加上正则化项,能使得新得到的优化目标函数h = f+normal,需要在f和normal中做一个权衡(trade-off),如果还像原来只优化f的情况下,那可能得到一组 阅读全文

posted @ 2019-08-09 13:44 iUpoint 阅读(164) 评论(0) 推荐(0) 编辑

上一页 1 ··· 6 7 8 9 10 11 12 13 14 ··· 17 下一页

导航