【论文阅读和实现】On Spectral Clustering: Analysis and an algorithm【Python实现】
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/a19990412/article/details/88706351 On Spectral Clustering: Analysis and an algorithm 这是一篇引用量很高（7k+）的paper。开篇的abstract就吸引人。 概括： 本文提出了一种简单的谱聚类算法，该算法易于实现而且表现的不错，并且基于矩阵摄动理论，我们可以分析算法并找出可以预期的良好条件。 这篇文章的算法主要
LVQ模型Python实现
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/a19990412/article/details/88763261 简述 LVQ模型是聚类的经典模型，跟Kmeans有点像。但是作为一个聚类，这个模型是一个有监督的模型。 算法流程 输入的数据集X, y，还有学习率（在0,1之间） η\etaη 初始，选k个点，作为原型向量 然后开始循环 在样本集中随机选个点。 找到在原型向量中离它最近的点 然后来比较这两个点之间的y是否一样。一样就正向更新节点
【论文阅读】A social recommender system using item asymmetric correlation
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/a19990412/article/details/88809118 Abstract 推荐系统在近几年极大突出的信息筛选技术之一，然而，有两个主要的问题： 数据稀疏：数据太稀疏了，没办法操作 冷开始：一开始数据不多（或者），推荐效果不好或无法进行 有一类系统，叫做社会推荐系统被提出，可以有效地解决数据稀疏度和冷开始的问题。 给定一个社会关系并不是在每一个推荐系统都是可行的，这个隐含的在物品之间的
OSPF 多区域配置
OSPF（SPF）属于链路状态路由选择协议，并且是公有标准，理论上是没有网络规模限制的；支持网络的层次化设计，可以将网络分为2层。层，是通过“区域”的概念来进行区分的。划分区域以后，可以带来以下好处：1、节省区域中的每一个设备的系统资源（大区域被划分以后，小区域中的数据库内容就会变少）（同一个区域中的所有的路由器，数据库是完全相同）2、增强OSPF网络的稳定性（一个不稳定链路造成的不良影响，仅在同
【论文阅读】Clustering by Shift
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/a19990412/article/details/88981564 Min Cut 含义很简单，就是将不属于同一类的所有点之间的相似度累加起来就好了。 是一种描述不同类之间 分离程度。 缺点：这个方法倾向于切割小的组出来。 这篇论文提出的想法之一： 进一步做一个变形。中间用到了一步，就是将属于同一类的就算部分补全，使得公式更加整洁。通过化简构造出了一个常数的部分，之后，就只需要考虑后面的非常数部
导出Excel之Epplus使用教程3（图表设置）
导出Excel之Epplus使用教程1（基本介绍） 导出Excel之Epplus使用教程2（样式设置） 导出Excel之Epplus使用教程3（图表设置） 导出Excel之Epplus使用教程4（其他设置） Epplus的图表实现是很简单的，它支持的图表类型也很多，基本上能满足我们的需求。创建图表分为三步（以柱状图举例）： 1、创建图表 ExcelChart chart = worksheet.Drawings.AddChart("chart", eChartType.ColumnCluste
导出Excel之Epplus使用教程4（其他设置）
导出Excel之Epplus使用教程1（基本介绍） 导出Excel之Epplus使用教程2（样式设置） 导出Excel之Epplus使用教程3（图表设置） 导出Excel之Epplus使用教程4（其他设置） 1、嵌入VBA代码 首先将vba代码保存成txt文本格式，然后用epplus去调用这个txt文本文件即可，非常简单，当然要想vba调用成功，前提是你的vba代码是没问题的喽！ worksheet.CodeModule.Name = "sheet" ; worksheet.CodeModul
外部读取Excel的两种方法
1、使用Epplus读取 下载地址为https://epplus.codeplex.com/，下载文件后引用Epplus.dll文件。 这个类库读取Excel方便快捷，但是它只能读取.xlsx类型的文件，不支持.xls，具体代码如下：
static void Main(string[] args)
{
//获取excel文件
var file = new FileInfo(@"D:\a.xlsx");
DataTable dt = null;
using (var package =
使用ClosedXML开发Office之–Excel的开发
一、ClosedXML介绍 1.简单的说ClosedXML就是一个类库，主要用于开发Office组件。它也是基于OpenXML，但在它的基础上做了很多封装，比OpenXML开发更加容易、方便； 2.ClosedXML是以OpenXML为基础的，所以在实际项目应用中，除了要添加对ClosedXML.dll应用，还必须添加DocumentFormat.OpenXml.dll的应用； 3.ClosedXML.dll目前有.NET3.5和.NET4.0两个版本，可以去官网下载：http://close
比NPOI更好用的Excel操作库——EPPlus
提到通过纯.Net读写Excel，一般首先想到的自然是大名鼎鼎的NPOI，就连微软官方的MSDN都有专门的一篇文章来介绍它的用法。今天在一个项目中使用到了导出报表为Excel的功能，便特地的试用了一下，感觉虽然它的功能够强大，但谈不上好用。可能是由于其起源与Java的POI的缘故，大部分的API还透浓浓着Java的味道。 例如，要在一个单元格中写入数据时，必须先CreateRow()，再CreateCell()才能写入，不能使用类似Cells[rowIndex, colIndex]=value
EPPlus实战篇——Excel读取
.net core 项目 可以从excel读取任何类型(T)的数据，只要T中的field的[Display(Name = "1233")]中的name==excel column header's name 引用的nuget包： 1.EPPlus.Core 2. System.ComponentModel.Annotations //类定义 public class ExcelReadServiceAccordingDisplayAttr<T> : IExcelReadService<T> w
EPPlus实战篇——Excel写入
.net core 项目 可以向excel写入任何类型(T)的数据，只要T中的field的[Display(Name = "1233", Description = "#,##0.00")]：name==excel column header's name ，dicription==excel cell's formate 引用的nuget包： 1.EPPlus.Core 2. System.ComponentModel.Annotations 操作类： public class ExcelW
epplus读取excel里的数据
FileStream fs = new FileStream(file.FullName, FileMode.Open, FileAccess.ReadWrite, FileShare.ReadWrite);
using (ExcelPackage pck = new ExcelPackage(fs))
{
ExcelWorksheet ws = pck.Workbook.Worksheets[1];
int minColumnNum = ws.Dimension.Start.
使用NPOI读取Excel里的数据
DataTable dt = new DataTable();
using (FileStream file = new FileStream(@"C:\Users\Administrator\Desktop\导入datatable\导入datatable\OK.xlsx", FileMode.Open, FileAccess.Read))
{
XSSFWorkbook hssfworkbook = new XSSFWorkbook(file);
NPOI.SS.UserModel.ISh
使用ClosedXML,读取到空行
最近项目中使用了ClosedXML.dll来处理Excel,在读取Excel的时候,用workSheet.Rows()获取Excel行数,默认读取Excel最大行数1048576 所以为了读取到不是空的Row,那就要利用LastRowUsed().RowNumber()判断出有内容的最后一个行数 解决方案如下: using ClosedXML.Excel; ... int lastRow = workSheet.LastRowUsed().RowNumber(); foreach (IXLRo
git跟svn 服务端对比
Git已经火了很久，简单的使用也没有问题，但有几个问题一直以来都没有搞清楚：git跟svn有哪些异同，两者相互的优劣是什么，git的分布式怎么理解，为什么有离线提交，，，自己动手，分别看一下服务端跟客户端使用有什么异同，大概也就了解了。 选择的服务端分别是gitlab跟visual svn server。 1、gitlab简单说明： svn是我们比较熟悉的，svn有服务端跟客户端；虽然git是分布式的，但平时我们使用的时候往往都是有一个服务端的，比如gitlab，github等
CentOS 7 Minimal 安装 Gitlab 8.9
之前整理过一份 CentOS 6.5 Minimal 系统环境下，用源代码的方式安装 Gitlab 7.5 的文档，后面因为要将 Gitlab 升级到 8.9 的版本，操作系统也升级到了 CentOS 7，因此重新整理了一份。 Software stack GitLab is a Ruby on Rails application that runs on the following software: Ubuntu/Debian/CentOS/RHEL Ruby (MRI) 2.1 Git
gitlab-server环境搭建
1.安装GitLab的需求 操作系统 受支持的Unix衍生版 Ubuntu Debian CentOS Red Hat Enterprise Linux (使用CentOS的包和命令) Scientific Linux (使用CentOS的包和命令) Oracle Linux (使用CentOS的包和命令) 不受支持的Unix衍生版 OS X Arch Linux Fedora Gentoo FreeBSD 上面这些不受支持的Unix衍生版也可以自己手动编译安装GitLab。 非Unix操作系
企业级大数据处理方案-01
企业级大数据处理方案有三种业务场景： 1.离线处理；（mapreduce（第一代）、sparksql（第二代）） 2.实时处理；（数据库操作、storm） 3.准实时处理。（spark Streaming） mapreduce与spark对比 mr与spark优缺点对比：（一） a.mapreduce频繁的数据读写,使数据处理速度滞后 b.spark所有计算在内存中消除了，磁盘读写此快其一 mr与spark优缺点对比：（二） a.mapreduce每一个计算过程与上一个计算过程无血统继承 b.
企业级大数据处理方案-02.环境决定需求、性能决定选型
上讲，讲述了大概九种的技术种类以及他们的领域。那么既然有吃饭的，那就必须有做饭的。因此大数据技术结构的选型，必须有的组成部分至少三种（来源、计算、存储） 最简单的数据处理架构： 最少单元的数据处理方案，当然这个不是最好的，为什么呢，问题： 1.流式处理数据（Streaming）时，数据量小时，数据存储到HDFS中，20M或者100K，这种情况是有的。这种计算结果的存储极大浪费了存储空间。HDFS不适用于大批量小文件的存储，（只是不适用，不是不能） 2.数据量大时，数据处理不过来（receive
今日推荐
周排行