数据结构 算法 素质 结构
分页查询处理上百万数据 更新
$count = Route::find()->where(['ro_visible'=>1])->count();//统计数据表数量$limit = 100;$pagecount = ceil($count/$limit); // 计算数据表的 页数//事务执行$tr = Yii::$app->d ......
实时数据库简介（转载）
实时数据库简介 1.前言 一提到数据库，大家肯定会想到SQL Server、Oracle等关系型数据库。实际上，数据库的种类非常多，在计算机发展的历史上，存在着多种类型的数据库。早期，关系型数据库与层次型数据库、网络型数据库并驾齐驱，但关系型数据库依靠其描述简单、实现容易等特点，在竞争中取得了胜利， ......
综合能源系统优化 数据来源《考虑用户侧柔性负荷的社区综合能源系统日前优化调度_刘蓉晖》
综合能源系统优化 数据来源《考虑用户侧柔性负荷的社区综合能源系统日前优化调度_刘蓉晖》%% 风电+储能+电网交易+燃气轮机+燃气锅炉+电制冷机+（%燃料电池FC+溴化锂制冷机LBR+余热锅炉） 有电负荷+热负荷+冷负荷 加上环境成本简单 注释清楚 相对于大众版本，注释经过本人优化 MATLAB+ya ......
distcp同步数据时遇到 Operation category READ is not supported in state standby
所遇问题如标题 原因： 同步的目的集群IP处于standby状态。同步给到的目的集群在命令中填的是集群IP，由于配置了高可用，namenode出于其他原因切换到了另一台机器，所以该IP处于standby的状态，此时namenodeIP不是当前同步命令中的IP，更改使用中的namenode IP（ac ......
linux 安装神州通用数据库 V7
@(linux 安装神州通用数据库 V7.0) 操作系统、数据库 操作系统：debian 10 数据库：神州通用数据库 V7.0 1、官方下载链接 http://www.shentongdata.com/index.php/download/list-27 2、windows客户端下载链接 http ......
MATLAB 微网优化调度 两阶段鲁棒 CCG算法 经济调度 鲁棒优化
MATLAB 微网优化调度 两阶段鲁棒 CCG算法 经济调度 鲁棒优化参考文档：《微电网两阶段鲁棒优化经济调度方法》仿真平台：MATLAB YALMIP+CPLEX优势：代码注释详实，出图效果非常好（具体看图），非目前烂大街版本，请仔细辨识！主要内容：构建了微网两阶段鲁棒调度模型，建立了min-ma ......
第1章 大数据概述
1.1 信息与数据 1、信息 人们对于客观事物属性和运动状态的反映。 信息所反映的是关于某一客观系统中，某一事物的存在方式或某一时刻的运动状态。 信息可以通过载体传递，可以通过信息处理工具进行存储、加工、传播、再生和增值。 在信息社会中，信息一般可与物质或能量相提并论，它是一种重要的资源。 2、数据 ......
el-table树形数据勾选框子父级联
element官网并没有配置树形数据勾选子父级联的配置，要想实现可以借助 select 、select-all事件和 toggleRowSelection 方法实现。 select 事件： onCheck(selection, row) { if (!this.isTreeData) return ......
Notepad整行编辑及行尾添加数据的操作
多行合并为一行： 1、按Ctrl+F，弹出“替换”的窗口；2、选择“替换”菜单；3、“查找目标”内容输入为：\r\n；4、“替换为”内容为空；5、“查找模式”选择为正则表达式；6、设置好之后，点击“全部替换”，即可将多行数据合并成一行。 多行行尾批量添加数据： 在查找目标（Find what）输入$ ......
Java中进行高精准度坐标数据计算使用BigDecimal（计算距离、开平方）
场景 Java中使用java.awt.geom.Point2D进行坐标相关的计算(距离、平方等)： https://blog.csdn.net/BADAO_LIUMANG_QIZHI/article/details/126072919 Java中使用JTS对空间几何计算(读取WKT、距离、点在面内、 ......
读取 k8s 存储在 etcd 上的数据
读取 k8s 存储在 etcd 上的数据 Etcd Assistant 是一款 Etcd 可视化管理工具，便捷高效地操作您的 etcd 集群；支持多种键的视图；管理租约、用户、角色和权限。 etcd是一个分布式KV存储系统，在分布式系统中被广泛使用，Kubernetes就是使用了etcd存储持久化数 ......
【算法设计与分析】期中复习
一、概论 什么是算法？ 算法是求解问题的一系列步骤，用来将输入数据转换成输出结果 算法设计应该满足以下目标（对使用算法的人来讲） 正确性：算法能正确地执行，能完成任务 可使用性：算法要能被方便地使用 可读性：算法应具有较好的可读性，易于理解 健壮性：要有异常处理，对不合理的数据进行检查，从而避免异常 ......
基于DNA序列的图像加解密算法仿真
1.算法仿真效果 matlab2022a仿真结果如下： 2.算法涉及理论知识概要 随着互联网和通信行业的快速发展，信息安全也越来越受关注，由此很多数据加密算法被提出，并被大量使用，例如AES算法，DES算法等，由于人在生活中所获得的信息大部分来自于视觉，图像就成为了人类生活活动中最常见的信息载体.高 ......
RTThread使用DMA串口接收数据不连续的问题
RTThread使用DMA接收串口数据的问题 问题/现象 解决方式 解决方式① 解决方式② 其它疑问 问题/现象 使用RTThread的DMA接收串口数据,数据不连续,即IDLE中断没有起到作为一个frame的判定. 经过对serial和drv_uarts源码的分析,得出原因: graph LR R ......
m基于整数序列的QC-LDPC的稀疏校验矩阵构造算法性能对比matlab仿真,对比差分序列,PEG,Mackey等
1.算法仿真效果 matlab2013b仿真结果如下： 2.算法涉及理论知识概要 QC-LDPC（Quasi-Cyslic Low-Density Parity-Check Codes）即准循环LDPC码。之前介绍的LDPC码基本属于随机构造法，构造出的码性能很好，但校验矩阵具有不规律性，存在校验矩 ......
m基于大衍数无高阶环稀疏校验矩阵H构造算法和RMP消息传递的QC-LDPC性能matlab仿真
1.算法仿真效果 matlab2017b仿真结果如下： 2.算法涉及理论知识概要 LDPC 码早于1962 年由Gallager提出，可以看成是一个具有稀疏校验矩阵的线性分组码。自从Mackay 和Neal发现LDPC 码的性能非常接近香农限以后，LDPC 码越来越受到人们的重视。基于准循环LDPC ......
vue学习 第十一天 CSS3新特性 ---- 新增选择器（1、属性选择器 2、结构伪类选择器 3、伪元素选择器） / CSS3盒子模型（border-box总体宽度不变）/ 图片模糊、宽度计算 / 过渡（transition）
CSS3 新特性 1、CSS3 现状 1） 新增的CSS3特性有兼容性问题，ie9+才支持 2） 移动端支持优于PC 端 3.）不断改进中，应用相对广泛 2、CSS3 新增选择器 CSS3给我们新增了选择器，可以更加便捷，更加自由的选择目标元素。 1）属性选择器 2）结构伪类选择器 3）伪元素选择器 ......
最近公共祖先 算法总结
现知LCA算法有倍增、Tarjan、树链剖分 再LCA问题上各自的特点如下表 | | 倍增 | Tarjan | 树链剖分 | | : : | : : | : : | : : | | 数组 | fa[u][i], dep | fa, vis, query, ans | fa, dep, size_t ......
java基于springboot+vue非前后端分离的网上商城购物系统、在线商城管理系统，附源码+数据库+文档+PPT
1、项目介绍 java基于springboot+vue非前后端分离的网上商城购物系统、在线商城管理系统，实现管理员：首页、个人中心、用户管理、商品分类管理、商品信息管理、订单评价管理、系统管理、订单管理，用户；首页、个人中心、订单评价管理、我的收藏管理、订单管理，前台首页；首页、商品信息、商品资讯、 ......
开源+实时+数据即服务的架构——唐建法受邀出席2023数据技术嘉年华【干货回顾】
依据现代数据栈的定义，Tapdata 是一个专注于数据集成和数据准备的现代数据栈工具，主要承担数据的采集、集成、准备和服务模块，其核心价值体现在数据集成上：将企业的数据进行联通，为新的数据业务提供新鲜的数据。 ......
pandas drop、loc和iloc函数对数据框进行操作
pandas.DataFrame.drop—从行或列中删除指定的标签 参考：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.drop.html 语法格式 DataFrame.drop(labels ......
【大数据】Hive 分区和分桶的区别及示例讲解
一、概述 在大数据处理过程中，Hive是一种非常常用的数据仓库工具。Hive分区和分桶是优化Hive性能的两种方式，它们的区别如下： 1）分区概述 Hive分区是把数据按照某个属性分成不同的数据子集。 在Hive中，数据被存储在HDFS中，每个分区实际上对应HDFS下的一个文件夹，这个文件夹中保存了 ......