接触过Linux系统的人都知道Linux系统都是由文件组成的。那我们就应该意识到关于文件权限的重要性。下面详细介绍一下:博文大纲:用户与用户组;Linux文件权限的重要性;文件与目录的默认权限与隐藏权限;文件特殊权限;一、用户与用户组我们来通过一张图片,来详细了解一下用户与用户组之间的关系:通过这张图片就可以详细的了解用户与用户组之间的关系!我们通过浏览/root目录下的文件来了解一下每个文件各个
分类:
系统相关 时间:
2019-10-10 19:56:01
阅读次数:
118
类型关系 Scala 支持在泛型类上使用型变注释,用来表示复杂类型、组合类型的子类型关系间的相关性 协变 ,变化方向相同,通常用在生产 假设 , 对于 ,则 也可看做 由于 Scala 标准库中不可变 的定义为 ,因此 是 的子类型, 也是 的子类型,所以可直接将他们当作 使用。 逆变 ,变化方向相 ...
分类:
其他好文 时间:
2019-10-10 00:16:41
阅读次数:
62
一、问题描述 多边形是平面上一条分段线性的闭曲线。也就是说,多边形是由一系列首尾相接的直线段组成的。组成多边形的各直线段称为该多边形的边。多边形相接两条边的连接点称为多边形的顶点。若多边形的边之间除了连接顶点外没有别的公共点,则称该多边形为简单多边形。一个简单多边形将平面分为3个部分:被包围在多边形 ...
分类:
编程语言 时间:
2019-10-07 17:59:48
阅读次数:
122
1.高内聚,低耦合 所谓高内聚,是指一个软件模块内各个元素彼此结合的紧密程度要高,即一个软件模块是由相关性很强的代码组成,只负责一项任务,也就是常说的单一责任原则。 所谓低耦合,是指一个软件系统内不同模块之间的互连程度要低。不同模块之间的联系越紧密,其耦合性就越强,模块的独立性则越差,模块间耦合的高 ...
分类:
其他好文 时间:
2019-10-06 15:18:40
阅读次数:
216
from 10.5-10.7 1. tf-idf 词频 * 逆文档频率 词频为给定词在该词所在文档中出现的频率(该词在文件中的出现次数 / 该文件中所有词出现次数之和);对词数进行归一化,以防止它偏向长的文件。 逆向文件频率是一个词普遍重要性的度量。某一特定词的IDF,可以由总文件数目除以包含该词文 ...
分类:
其他好文 时间:
2019-10-05 20:42:27
阅读次数:
109
import pandas as pddf2=pd.read_excel('./data/data2.xlsx',index_col='产品编码')df2.head()x=df2['供应商进货价']y=df2['销售价']from pylab import mplmpl.rcParams['font ...
分类:
其他好文 时间:
2019-10-03 22:05:35
阅读次数:
158
逐点互信息(PIM):用来衡量两个事物的相关性 定义如下: 在概率论中,我们知道,如果x跟y不相关,则 P(x,y) = P(x)P(y)。二者相关性越大,则 P(x,y) 就相比于 P(x)P(y) 越大。根据条件概率公式,你还可以写成 这也很好理解,在y出现的情况下x出现的条件概率 p(x|y) ...
分类:
其他好文 时间:
2019-10-03 10:21:48
阅读次数:
105
Part 3: Top 50 ggplot2 Visualizations - The Master List, 结合进阶1、2内容构建图形 有效的图形是: 1 相关性图 散点图 最常用 带圈的散点图 展示结果时,在图中圈出特定的点有注意吸引注意力,使用ggalt包中的geom_encircle() ...
分类:
其他好文 时间:
2019-10-02 22:45:45
阅读次数:
237
主成分分析(Principe Component Analysis,PCA),属于最常用的降维方法之一。顾名思义,主成分分析就是找出数据的主要部分来替代表示原始数据。所谓主要部分,就是用它来表示原始数据时,误差小。那么如何衡量这个误差呢?首先,将数据从高维降低到低维,实际上就是找一个超平面,使其能够... ...
分类:
编程语言 时间:
2019-10-02 20:35:27
阅读次数:
150
搜索引擎如何判断网页核心关键词? 选择恰当的关键词是SEO考验技巧的环节之一,只有选择正确的关键词,才能使SEO走在正确的方向上。 网页核心关键词和网站页面的相关性程度,相关性好自然会有好的排名。 搜索引擎判断网页核心关键词会通过标签、关键词密度、站内和站外的锚文本来判定一个页面的核心关键词。 搜索 ...
分类:
Web程序 时间:
2019-09-29 18:19:29
阅读次数:
109