qq_32294855
qq_32294855

聚类算法之层次聚类

一. 层次聚类

层次聚类(hierarchical clustering)是一种基于原型的聚类算法，试图在不同层次对数据集进行划分，从而形成树形的聚类结构。数据集的划分可采用"自底向上"的聚合策略，也可以采用"自顶向下"的分拆策略。层次聚类算法的优势在于，可以通过绘制树状图(dendrogram)，帮助我们使用可视化的方式来解释聚类结果。层次聚类的另一个优点就是，它不需要事先指定簇的数量。

二. 凝聚层次聚类

层次聚类可以分为凝聚(agglomerative)层次聚类和分裂(divsive)层次聚类。分裂层次聚类采用的就是"自顶而下"的思想，先将所有的样本都看作是同一个簇，然后通过迭代将簇划分为更小的簇，直到每个簇中只有一个样本为止。凝聚层次聚类采用的是"自底向上"的思想，先将每一个样本都看成是一个不同的簇，通过重复将最近的一对簇进行合并，直到最后所有的样本都属于同一个簇为止。
在凝聚层次聚类中，判定簇间距离的两个标准方法就是单连接(single linkage)和全连接(complete linkage)。单连接，是计算每一对簇中最相似两个样本的距离，并合并距离最近的两个样本所属簇。全连接，通过比较找到分布于两个簇中最不相似的样本(距离最远)，从而来完成簇的合并。
聚类算法之层次聚类_第1张图片凝聚层次聚类除了通过单连接和全连接来判断两个簇之间的距离之外，还可以通过平均连接(average linkage)和ward连接。使用平均连接时，合并两个簇所有成员间平均距离最小的两个簇。使用ward连接，合并的是使得SSE增量最小的两个簇。

三. 全连接的凝聚层次聚类

基于全连接的凝聚层次聚类主要包括下面几个步骤：
1、获取所有样本的距离矩阵
2、将每个数据点作为一个单独的簇
3、基于最不相似(距离最远)样本的距离，合并两个最接近的簇
4、更新样本的距离矩阵
5、重复2到4，直到所有样本都属于同一个簇为止

你可能感兴趣的:(层次聚类)

  • 机器学习宝典——第6章 爱看烟花的码农 机器学习人工智能
    第6章：聚类算法(Clustering)你好，同学！欢迎来到无监督学习的世界。与监督学习不同，这里的我们没有“标准答案”（标签），我们的目标是在数据中发现隐藏的、内在的结构。聚类算法就是实现这一目标的核心工具，它试图将数据集中的样本划分为若干个不相交的子集，我们称之为“簇”(cluster)。本章我们将深入探讨三种最具代表性的聚类算法：K-均值(K-Means)、层次聚类(Hierarchical
  • 机器学习算法_聚类KMeans算法 TY-2025 机器学习机器学习算法聚类
    一、聚类算法分析1.概念概念：根据样本之间的相似性，将样本划分到不同的类别中；不同的相似度的计算方法，会得到不同的聚类结果，常见的相似度计算方法有欧氏距离法（无监督算法）聚类算法的目的是在没有先验知识的情况下，自动发现数据集中的内在结构和模式2.聚类算法分类（1）根据聚类颗粒度分类个数比较多的，细聚类；个数比较多的，粗聚类（2）根据实现方法分类K-means：按照质心分类层次聚类：对数据进行逐层划
  • 【人工智能机器学习基础篇】——深入详解无监督学习之聚类，理解K-Means、层次聚类、数据分组和分类 猿享天开 人工智能数学基础专讲机器学习人工智能无监督学习聚类
    深入详解无监督学习之聚类：如K-Means、层次聚类，理解数据分组和分类无监督学习是机器学习中的一个重要分支，旨在从未标注的数据中发现潜在的结构和模式。聚类（Clustering）作为无监督学习的核心任务之一，广泛应用于数据分组、模式识别和数据压缩等领域。本文将深入探讨两种常用的聚类算法：K-Means聚类和层次聚类，并详细解释它们在数据分组和分类中的应用。目录深入详解无监督学习之聚类：如K-Me
  • 5.11 day17
    知识点聚类的指标聚类常见算法：kmeans聚类、dbscan聚类、层次聚类三种算法对应的流程实际在论文中聚类的策略不一定是针对所有特征，可以针对其中几个可以解释的特征进行聚类，得到聚类后的类别，这样后续进行解释也更加符合逻辑。聚类的流程标准化数据选择合适的算法，根据评估指标调参（）将聚类后的特征添加到原数据中原则t-sne或者pca进行2D或3D可视化KMeans和层次聚类的参数是K值，选完k指标
  • 机器学习与深度学习13-K均值聚类 my_q 机器学习与深度学习机器学习深度学习均值算法
    目录前文回顾1.K均值聚类定义2.K均值聚类的工作原理3.如何确定K均值聚类的K值4.K均值聚类的优点和局限性5.K均值聚类的常见初始化方法6.K均值聚类和层次聚类的区别与联系前文回顾上一篇文章地址：链接1.K均值聚类定义K均值聚类（K-meansclustering）是一种常用的无监督学习算法，用于将数据集划分为K个不同的簇。该算法通过最小化簇内样本之间的平方误差和最大化簇间的距离来确定簇的位置
  • 使用Python实现层次聚类算法 Echo_Wish 从零开始学Python人工智能Python笔记算法python聚类
    层次聚类（HierarchicalClustering）算法是一种基于树形结构的聚类方法，它将数据点逐渐合并成越来越大的簇，直到所有数据点都合并到一个簇中。在本文中，我们将使用Python来实现一个基本的层次聚类算法，并介绍其原理和实现过程。什么是层次聚类算法？层次聚类算法是一种自底向上或自顶向下的聚类方法，它通过计算数据点之间的相似度（距离）来构建一个树形结构，其中每个节点代表一个簇。在自底向上
  • python 凝聚层次聚类_层次聚类python
    {"data":{"id":"8000-000000437045-0","name":"SEO专题页栏目分发组","type":"1","position":"8000-000000004003-0","status":1,"linkList":[{"id":"8000-000000669911-0","keyword":"[7天玩转网络AI模型开发]hw85223487","url":"http
  • 层次聚类python实现_层次聚类和随机森林（python实现） weixin_39813009 层次聚类python实现
    层次聚类步骤：假设有N个待聚类的样本，对于层次聚类来说，基本步骤就是：1、(初始化)把每个样本归为一类，计算每两个类之间的距离，也就是样本与样本之间的相似度；2、按一定规则选取符合距离要求的类别，完成类间合并；3、重新计算新生成的这个类与各个旧类之间的相似度；4、重复2和3直到所有样本点都归为一类，结束。随机森林步骤：从原始训练集中使用Bootstraping方法随机有放回采样选出m个样本，共进行
  • 聚类算法性能对比：K-means vs DBSCAN vs 层次聚类 AI智能探索者 算法聚类kmeansai
    聚类算法性能对比：K-meansvsDBSCANvs层次聚类关键词：聚类算法、K-means、DBSCAN、层次聚类、性能对比、机器学习、无监督学习摘要：聚类是无监督学习的核心任务之一，广泛应用于用户分群、图像分割、异常检测等场景。本文将用“分水果”“找朋友”“建家谱”等生活化比喻，从原理、优缺点到实战场景，一步一步对比K-means、DBSCAN、层次聚类三种主流算法。无论你是刚入门的机器学习爱
  • 西瓜书--无监督学习（聚类） oisflo 学习聚类机器学习
    无监督学习无监督学习无监督学习前言一、无监督学习是什么？1）机器学习的分类2）解释（图文结合）3）区别二、无监督学习应用范围三、无标注数据的结构1）用处四、聚类1）聚类的含义：2)怎么判断是好的聚类：原则：3）聚类的分类：1）软聚类（softclustering）vs.硬聚（hardclustering）2）层次聚类vs.非层次聚类（图）+举例3）==算法==：凝聚式层次聚类（步骤+图文显示）分裂
  • Python 打卡训练营 Day17 宸汐Fish_Heart python开发语言
    DAY17知识点聚类的指标聚类常见算法：kmeans聚类、dbscan聚类、层次聚类三种算法对应的流程实际在论文中聚类的策略不一定是针对所有特征，可以针对其中几个可以解释的特征进行聚类，得到聚类后的类别，这样后续进行解释也更加符合逻辑。聚类的流程标准化数据选择合适的算法，根据评估指标调参（）KMeans和层次聚类的参数是K值，选完k指标就确定DBSCAN的参数是eps和min_samples，选完
  • 结合PCA、t-SNE/UMAP与聚类算法进行高维数据分析 闲人编程 人工智能实战教程—论文创新点算法聚类数据分析PCAt-SNEpythonUMAP
    目录结合PCA、t-SNE/UMAP与聚类算法进行高维数据分析1.引言2.高维数据挑战3.降维技术概述3.1主成分分析（PCA）3.2t-SNE3.3UMAP4.聚类算法概述4.1K-Means4.2层次聚类4.3DBSCAN5.结合降维与聚类的方法6.案例分析6.1案例一：手写数字识别（MNIST）6.2案例二：基因表达数据分析6.3案例三：客户细分7.代码实现8.结论结合PCA、t-SNE/U
  • 数据可视化工具：树状图与时间序列分析 火箭统 树状图层次聚类时间序列可视化条形图折线图
    树状图与时间序列分析在数据可视化中的应用背景简介在数据分析和信息传递中，数据可视化工具扮演着至关重要的角色。本章探讨了几种常用的可视化工具，如树状图和时间序列分析工具，它们在展示和解释复杂数据集方面的作用。树状图的解读与应用层次聚类的图形表示：树状图（Dendrogram）是一种基于层次聚类分析的图形表示工具，它在分析定性数据时尤其有用。通过关注对象连接的高度，我们可以揭示不同对象之间的相似性或差
  • 【Python机器学习】凝聚聚类——层次聚类与树状图 zhangbin_237 Python机器学习机器学习python聚类人工智能学习
    凝聚聚类生成了所谓的层次聚类。聚类过程迭代进行，每个点都从一个单点簇变为属于最终的某个簇。每个中间步骤都提供了数据的一种聚类（簇的个数也不相同）。有时候，同时查看所有可能的聚类也是有帮助的。举例：importmatplotlib.pyplotaspltimportmglearn.plotsmglearn.plots.plot_agglomerative()plt.show()虽然这种可视化为层次聚
  • [特殊字符] 第八讲 | 聚类分析在地学/农学数据分组中的实战应用 Chh0715 r语言回归数据分析学习方法
    专栏：科研统计方法实战分享|地学/农学人的数据分析工具箱✍️作者：平常心0715本讲关键词：聚类分析、K-means、层次聚类、样地分类、R实操一、聚类分析是什么？聚类分析（ClusterAnalysis）是一种无监督学习方法，将样本按其特征的相似性自动划分为若干类。它不依赖预设标签，常用于：样地类型划分土壤性质分区农户行为模式识别土壤剖面/样点聚合分析等二、常用的聚类分析方法有哪些？方法说明适用
  • 机器学习中的密度聚类算法：深入解析与应用 长风清留扬 程序人生机器学习支持向量机人工智能深度学习聚类回归
    在机器学习的广阔领域中，聚类算法作为一种无监督学习方法，扮演着至关重要的角色。其中，密度聚类算法以其独特的优势，在数据挖掘、图像分割、市场细分等多个领域得到了广泛应用。一、密度聚类算法的基本原理密度聚类算法是一种基于数据点密度的聚类方法，其核心理念是发现数据空间中具有相似密度的区域，并将这些区域划分为不同的聚类。与传统的聚类算法（如K均值和层次聚类）相比，密度聚类算法不需要提前指定聚类的个数，能够
  • 深度探索：层次聚类算法在机器学习中的原理与应用 生瓜蛋子 机器学习机器学习算法聚类
    目录1.引言与背景2.层次聚类定理3.算法原理4.算法实现Python代码实现5.优缺点分析优点：缺点：6.案例应用7.对比与其他算法8.结论与展望1.引言与背景层次聚类（HierarchicalClustering）是一种重要的无监督机器学习聚类方法，它通过构建一棵层次分明的聚类树（Dendrogram），以递归方式将数据点逐步合并或分割，从而揭示数据内在的层次结构和相似性关系。层次聚类最初由J
  • 第五讲 | 样地怎么分组才科学？聚类分析在样地分类中的应用实战 Chh0715 r语言数据分析机器学习
    专栏：科研统计方法实战分享|地学/农学人的数据分析工具箱✍️作者：平常心0715本讲关键词：聚类分析、样地分组、层次聚类、K均值、距离矩阵、热图一、聚类分析是什么？聚类分析（ClusterAnalysis）是一种无监督分类方法，可以根据样本（如土壤样地、作物品种、区域类型）在多个变量上的相似性，自动将它们划分为若干组（Cluster）。不需要先验标签，纯粹依据数据结构进行“自动分组”。二、科研中常
  • 机器学习算法--层次聚类算法 2301_79295435 机器学习算法聚类
    一、层次聚类算法简介层次聚类算法（HierarchicalClusteringAlgorithm）是一种常用的无监督学习算法，用于将数据集划分成多个不同层次的簇。与K均值聚类不同，层次聚类不需要预先指定聚类数量，而是通过计算样本之间的相似度或距离来构建一个层次结构。二、层次聚类算法基本思想层次聚类算法的基本思想是将数据集构建成一个层次结构，其中每个样本最初表示为一个单独的簇，然后通过计算样本之间的
  • 说话人分离中的聚类方法：深入解析Agglomerative聚类、KMeans聚类和Oracle聚类 CyreneSimon 聚类kmeansoracle
    说话人分离（SpeakerDiarization）是将音频流根据说话人身份划分为同质片段的过程。这一过程中的关键步骤是聚类，即将说话人嵌入（embeddings）分组为不同的簇，每个簇代表一个独特的说话人。在pyannote.audio`管道中使用的三种聚类方法：层次聚类（AgglomerativeClustering）、KMeans聚类（KMeansClustering）和Oracle聚类（Or
  • 数据挖掘导论——第七章：聚类 Wis4e 数据挖掘聚类人工智能
    什么是聚类？数据间的相似性和距离的测量方式有哪些？数据标准化如何进行距离计算？层次聚类的思想和流程？K-均值聚类的思想和流程？距离的计算方式如何影响聚类结果？聚类的要素，包括数据，差异性/相似性测量方式，聚类算法（标准化执行程序或流程）理解相似性和差异性的度量（p40）。Jaccard和余弦相似性度量。以下内容由AI生成：余弦相似度（CosineSimilarity）是一种衡量两个向量在方向上相似
  • 2小时学懂【多元统计分析】——聚类分析（R语言） 木小鹿 多元统计R语言代码机器学习算法人工智能开发语言数据挖掘数据分析
    聚类分析是一种无监督学习方法，用于将相似的观测值（或对象）分组到集群中。下面我将展示如何使用几种常见的聚类方法：K-均值（K-means）、层次聚类（HierarchicalClustering）和DBSCAN。1.K-均值聚类（K-meansClustering）K-均值是一种迭代的聚类算法，它将数据划分为K个预定义的集群。#加载需要的包library(cluster)#假设我们有一些二维数据s
  • 聚类算法概念、分类、特点及应用场景【机器学习】【无监督学习】 飞火流星02027 云计算机器学习算法聚类人工智能聚类算法
    概念机器学习聚类算法‌是一种无监督学习方法，旨在将数据集分割成不同的类或簇，使得同一簇内的数据对象相似性尽可能大，而不同簇之间的数据对象差异性也尽可能大。聚类算法广泛应用于新闻自动分组、用户分群、图像分割等领域。‌主要聚类算法及其特点‌层次聚类算法‌层次法(hierarchicalmethods)通过构建数据点之间的层次结构来进行聚类，可以是自底向上的凝聚方法或自顶向下的分裂方法。代表算法包括CU
  • 聚类算法与应用 theskylife 数据挖掘算法聚类机器学习数据挖掘人工智能
    目录写在开头1.聚类算法简介2.K均值聚类2.1基本原理2.1.1中心点与数据点的距离2.1.2簇的形成和迭代优化2.2应用场景2.2.1图像分割2.2.2客户分群3.层次聚类3.1基本原理3.1.1树状结构的建立3.1.2聚合或分裂策略3.2应用场景3.2.1生物学中的基因表达数据聚类3.2.2文本数据的主题分类4.聚类算法的实践应用4.1数据准备与预处理4.2算法选择与模型训练4.2.1根据任
  • 机器学习强基计划7-6：图文详解层次聚类AGNES算法(附Python实现)_agnes聚类算法python代码 软件开发Java 2024年程序员学习机器学习算法聚类
    先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课
  • 层次聚类构建层次结构的簇 纠结哥_Shrek 聚类数据挖掘机器学习
    层次聚类（HierarchicalClustering）可以通过自定义函数来完成。层次聚类可以分为两种方法：凝聚型（Agglomerative）和分裂型（Divisive）。这里主要介绍一种常用的凝聚型方法，它是自底向上的方法，逐步合并最近的簇，直到达到预定的簇数量或者所有数据点合并成一个簇。可以使用距离度量来衡量不同簇之间的相似性（例如欧氏距离），并通过最短距离来决定哪些簇合并。最终，我们将通过
  • 【机器学习】聚类【Ⅰ】基础知识与距离度量 不牌不改 【机器学习】聚类机器学习算法
    主要来自周志华《机器学习》一书，数学推导主要来自简书博主“形式运算”的原创博客，包含自己的理解。有任何的书写错误、排版错误、概念错误等，希望大家包含指正。由于字数限制，分成五篇博客。【机器学习】聚类【Ⅰ】基础知识与距离度量【机器学习】聚类【Ⅱ】原型聚类经典算法【机器学习】聚类【Ⅲ】高斯混合模型讲解【机器学习】聚类【Ⅳ】高斯混合模型数学推导【机器学习】聚类【Ⅴ】密度聚类与层次聚类聚类1聚类任务在“无
  • 层次聚类算法 数小模. 算法数学建模算法聚类机器学习
    层次聚类算法是通过将数据组织为若干组并形成一个相应的树来进行聚类。根据层次是自底向上还是自顶向下形成的，层次聚类算法可以进一步分为凝聚型的聚类算法（AGENES）算法和分裂型的聚类（DIANA）算法。一个完全层次聚类的质量由于无法对已经做的合并或分解进行调整而受到影响。但是层次聚类算法没有使用准则函数，它所含的对数据结构的假设更少，所以它的通用性更强。这种自底向上的策略首先将每个对象作为一个簇，然
  • GraphRAG入门:基本概念、应用场景及学习方法 学习中的程序媛~ 学习方法
    一、GraphRAG的用途是什么GraphRAG用于复杂信息分析,适合处理跨文档、有噪音或主题抽象的数据.二、GraphRAG能做什么GraphRAG能连接大量信息,回答普通难搜索难以解答的问题.她可以回答跨文档的问题,也能总结数据集的主要主题.三、GraphRAG的特点1.知识图谱提取:使用llm自动从输入文本文档中创建知识图谱,表示数据中的实体、关系和关键声明2.层次聚类使用leiden技术对
  • 学习笔记1 三大聚类方法：K-means聚类、层次聚类、DBSCAN聚类 泠泠风来 聚类matlab
    学习笔记1：三大聚类方法：K-means聚类、层次聚类、DBSCAN聚类文章目录前言一、K-means聚类操作过程二、层次聚类操作过程三、DBSCAN聚类操作过程总结前言在样本数量较多的情况下，可以通过聚类将样本划分为多个类，对每个类中单独使用模型进行分析和相关运算，亦可以探究不同类之间的相关性和主要差异。例如MathorCup2022年D题此外，可以借助https://www.naftaliha
  • apache ftpserver-CentOS config gengzg apache
    <server xmlns="http://mina.apache.org/ftpserver/spring/v1" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation=" http://mina.apache.o
  • 优化MySQL数据库性能的八种方法 AILIKES sqlmysql
    1、选取最适用的字段属性 　　MySQL可以很好的支持大数据量的存取，但是一般说来，数据库中的表越小，在它上面执行的查询也就会越快。因此，在创建表的时候，为了获得更好的 性能，我们可以将表中字段的宽度设得尽可能小。例如，在定义邮政编码这个字段时，如果将其设置为CHAR(255),显然给数据库增加了不必要的空间，甚至使用VARCHAR这种类型也是多余的，因为CHAR(6)就可以很
  • JeeSite 企业信息化快速开发平台 Kai_Ge JeeSite
    JeeSite 企业信息化快速开发平台 平台简介 JeeSite是基于多个优秀的开源项目，高度整合封装而成的高效，高性能，强安全性的开源Java EE快速开发平台。 JeeSite本身是以Spring Framework为核心容器，Spring MVC为模型视图控制器，MyBatis为数据访问层， Apache Shiro为权限授权层，Ehcahe对常用数据进行缓存，Activit为工作流
  • 通过Spring Mail Api发送邮件 120153216 邮件main
    原文地址：http://www.open-open.com/lib/view/open1346857871615.html 使用Java Mail API来发送邮件也很容易实现，但是最近公司一个同事封装的邮件API实在让我无法接受，于是便打算改用Spring Mail API来发送邮件，顺便记录下这篇文章。 【Spring Mail API】 Spring Mail API都在org.spri
  • Pysvn 程序员使用指南 2002wmj SVN
    源文件:http://ju.outofmemory.cn/entry/35762 这是一篇关于pysvn模块的指南. 完整和详细的API请参考 http://pysvn.tigris.org/docs/pysvn_prog_ref.html. pysvn是操作Subversion版本控制的Python接口模块. 这个API接口可以管理一个工作副本, 查询档案库, 和同步两个. 该
  • 在SQLSERVER中查找被阻塞和正在被阻塞的SQL 357029540 SQL Server
    SELECT  R.session_id AS BlockedSessionID ,          S.session_id AS BlockingSessionID ,          Q1.text AS Block
  • Intent 常用的用法备忘 7454103 .netandroidGoogleBlogF#
    Intent     应该算是Android中特有的东西。你可以在Intent中指定程序 要执行的动作（比如：view,edit,dial），以及程序执行到该动作时所需要的资料 。都指定好后，只要调用startActivity()，Android系统 会自动寻找最符合你指定要求的应用 程序，并执行该程序。 下面列出几种Intent 的用法 显示网页:
  • Spring定时器时间配置 adminjun spring时间配置定时器
    红圈中的值由6个数字组成，中间用空格分隔。第一个数字表示定时任务执行时间的秒，第二个数字表示分钟，第三个数字表示小时，后面三个数字表示日，月，年，< xmlnamespace prefix ="o" ns ="urn:schemas-microsoft-com:office:office" /> 测试的时候，由于是每天定时执行，所以后面三个数
  • POJ 2421 Constructing Roads 最小生成树 aijuans 最小生成树
    来源：http://poj.org/problem?id=2421 题意：还是给你n个点，然后求最小生成树。特殊之处在于有一些点之间已经连上了边。 思路：对于已经有边的点，特殊标记一下，加边的时候把这些边的权值赋值为0即可。这样就可以既保证这些边一定存在，又保证了所求的结果正确。 代码： #include <iostream> #include <cstdio>
  • 重构笔记——提取方法（Extract Method） ayaoxinchao java重构提炼函数局部变量提取方法
    提取方法（Extract Method）是最常用的重构手法之一。当看到一个方法过长或者方法很难让人理解其意图的时候，这时候就可以用提取方法这种重构手法。   下面是我学习这个重构手法的笔记：   提取方法看起来好像仅仅是将被提取方法中的一段代码，放到目标方法中。其实，当方法足够复杂的时候，提取方法也会变得复杂。当然，如果提取方法这种重构手法无法进行时，就可能需要选择其他
  • 为UILabel添加点击事件 bewithme UILabel
        默认情况下UILabel是不支持点击事件的，网上查了查居然没有一个是完整的答案，现在我提供一个完整的代码。   UILabel *l = [[UILabel alloc] initWithFrame:CGRectMake(60, 0, listV.frame.size.width - 60, listV.frame.size.height)]
  • NoSQL数据库之Redis数据库管理(PHP-REDIS实例) bijian1013 redis数据库NoSQL
    一.redis.php <?php //实例化 $redis = new Redis(); //连接服务器 $redis->connect("localhost"); //授权 $redis->auth("lamplijie"); //相关操
  • SecureCRT使用备注 bingyingao secureCRT每页行数
    SecureCRT日志和卷屏行数设置 一、使用securecrt时，设置自动日志记录功能。 1、在C:\Program Files\SecureCRT\下新建一个文件夹(也就是你的CRT可执行文件的路径），命名为Logs； 2、点击Options -> Global Options -> Default Session -> Edite Default Sett
  • 【Scala九】Scala核心三：泛型 bit1129 scala
    泛型类 package spark.examples.scala.generics class GenericClass[K, V](val k: K, val v: V) { def print() { println(k + "," + v) } } object GenericClass { def main(args: Arr
  • 素数与音乐 bookjovi 素数数学haskell
        由于一直在看haskell，不可避免的接触到了很多数学知识，其中数论最多，如素数，斐波那契数列等，很多在学生时代无法理解的数学现在似乎也能领悟到那么一点。     闲暇之余，从图书馆找了<<The music of primes>>和<<世界数学通史>>读了几遍。其中素数的音乐这本书与软件界熟知的&l
  • Java-Collections Framework学习与总结-IdentityHashMap BrokenDreams Collections
            这篇总结一下java.util.IdentityHashMap。从类名上可以猜到，这个类本质应该还是一个散列表，只是前面有Identity修饰，是一种特殊的HashMap。         简单的说，IdentityHashMap和HashM
  • 读《研磨设计模式》-代码笔记-享元模式-Flyweight bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ import java.util.ArrayList; import java.util.Collection; import java.util.HashMap; import java.util.List; import java
  • PS人像润饰&调色教程集锦 cherishLC PS
      1、仿制图章沿轮廓润饰——柔化图像，凸显轮廓 http://www.howzhi.com/course/retouching/   新建一个透明图层，使用仿制图章不断Alt+鼠标左键选点，设置透明度为21%，大小为修饰区域的1/3左右（比如胳膊宽度的1/3），再沿纹理方向（比如胳膊方向）进行修饰。   所有修饰完成后，对该润饰图层添加噪声，噪声大小应该和
  • 更新多个字段的UPDATE语句 crabdave update
    更新多个字段的UPDATE语句                    update tableA a set (a.v1, a.v2, a.v3, a.v4) = --使用括号确定更新的字段范围
  • hive实例讲解实现in和not in子句 daizj hivenot inin
    本文转自：http://www.cnblogs.com/ggjucheng/archive/2013/01/03/2842855.html 当前hive不支持 in或not in 中包含查询子句的语法，所以只能通过left join实现。 假设有一个登陆表login(当天登陆记录,只有一个uid),和一个用户注册表regusers(当天注册用户，字段只有一个uid)，这两个表都包含
  • 一道24点的10+种非人类解法（2,3,10,10） dsjt 算法
    这是人类算24点的方法？！！！ 事件缘由：今天晚上突然看到一条24点状态，当时惊为天人，这NM叫人啊？以下是那条状态 朱明西 : 24点，算2 3 10 10，我LX炮狗等面对四张牌痛不欲生，结果跑跑同学扫了一眼说，算出来了，2的10次方减10的3次方。。我草这是人类的算24点啊。。 然后么。。。我就在深夜很得瑟的问室友求室友算 刚出完题，文哥的暴走之旅开始了 5秒后
  • 关于YII的菜单插件 CMenu和面包末breadcrumbs路径管理插件的一些使用问题 dcj3sjt126com yiiframework
    在使用 YIi的路径管理工具时，发现了一个问题。                    <?php         
  • 对象与关系之间的矛盾：“阻抗失配”效应[转] come_for_dream 对象
    概述   “阻抗失配”这一词组通常用来描述面向对象应用向传统的关系数据库（RDBMS）存放数据时所遇到的数据表述不一致问题。C++程序员已经被这个问题困扰了好多年，而现在的Java程序员和其它面向对象开发人员也对这个问题深感头痛。   “阻抗失配”产生的原因是因为对象模型与关系模型之间缺乏固有的亲合力。“阻抗失配”所带来的问题包括：类的层次关系必须绑定为关系模式（将对象
  • 学习编程那点事 gcq511120594 编程互联网
    一年前的夏天，我还在纠结要不要改行，要不要去学php？能学到真本事吗？改行能成功吗？太多的问题，我终于不顾一切，下定决心，辞去了工作，来到传说中的帝都。老师给的乘车方式还算有效，很顺利的就到了学校，赶巧了，正好学校搬到了新校区。先安顿了下来，过了个轻松的周末，第一次到帝都，逛逛吧！ 接下来的周一，是我噩梦的开始，学习内容对我这个零基础的人来说，除了勉强完成老师布置的作业外，我已经没有时间和精力去
  • Reverse Linked List II hcx2013 list
    Reverse a linked list from position m to n. Do it in-place and in one-pass. For example:Given 1->2->3->4->5->NULL, m = 2 and n = 4, return 
  • Spring4.1新特性——页面自动化测试框架Spring MVC Test HtmlUnit简介 jinnianshilongnian spring 4.1
    目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
  • Hadoop集群工具distcp liyonghui160com
        1. 环境描述 两个集群：rock 和 stone rock无kerberos权限认证，stone有要求认证。 1. 从rock复制到stone，采用hdfs Hadoop distcp -i hdfs://rock-nn:8020/user/cxz/input hdfs://stone-nn:8020/user/cxz/运行在rock端，即源端问题：报版本
  • 一个备份MySQL数据库的简单Shell脚本 pda158 mysql脚本
    　　主脚本（用于备份mysql数据库）： 　　该Shell脚本可以自动备份 数据库。只要复制粘贴本脚本到文本编辑器中，输入数据库用户名、密码以及数据库名即可。我备份数据库使用的是mysqlump 命令。后面会对每行脚本命令进行说明。 　　 1. 分别建立目录“backup”和“oldbackup” 　　#mkdir /backup 　　#mkdir /oldbackup 　
  • 300个涵盖IT各方面的免费资源（中）——设计与编码篇 shoothao IT资源图标库图片库色彩板字体
    A. 免费的设计资源 Freebbble:来自于Dribbble的免费的高质量作品。 Dribbble:Dribbble上“免费”的搜索结果——这是巨大的宝藏。 Graphic Burger:每个像素点都做得很细的绝佳的设计资源。 Pixel Buddha:免费和优质资源的专业社区。 Premium Pixels:为那些有创意的人提供免费的素材。
  • thrift总结 - 跨语言服务开发 uule thrift
    官网 官网JAVA例子 thrift入门介绍 IBM-Apache Thrift - 可伸缩的跨语言服务开发框架 Thrift入门及Java实例演示 thrift的使用介绍   RPC    POM： <dependency> <groupId>org.apache.thrift</groupId>
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他