当前位置：首页 > news >正文

Python Day27 学习

news 来源：原创 2025/7/7 13:39:16

今天学习讲义Day17的内容：无监督算法中的聚类@浙大疏锦行

Q1. 什么是聚类？

本质上就是一种分组分类

关于聚类的准备工作：

代码实现

# 先运行之前预处理好的代码
import pandas as pd
import pandas as pd    #用于数据处理和分析，可处理表格数据。
import numpy as np     #用于数值计算，提供了高效的数组操作。
import matplotlib.pyplot as plt    #用于绘制各种类型的图表
import seaborn as sns   #基于matplotlib的高级绘图库，能绘制更美观的统计图形。
import warnings
warnings.filterwarnings("ignore")# 设置中文字体（解决中文显示问题）
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统常用黑体字体
plt.rcParams['axes.unicode_minus'] = False    # 正常显示负号
data = pd.read_csv('data.csv')    #读取数据# 先筛选字符串变量 
discrete_features = data.select_dtypes(include=['object']).columns.tolist()
# Home Ownership 标签编码
home_ownership_mapping = {'Own Home': 1,'Rent': 2,'Have Mortgage': 3,'Home Mortgage': 4
}
data['Home Ownership'] = data['Home Ownership'].map(home_ownership_mapping)# Years in current job 标签编码
years_in_job_mapping = {'< 1 year': 1,'1 year': 2,'2 years': 3,'3 years': 4,'4 years': 5,'5 years': 6,'6 years': 7,'7 years': 8,'8 years': 9,'9 years': 10,'10+ years': 11
}
data['Years in current job'] = data['Years in current job'].map(years_in_job_mapping)# Purpose 独热编码，记得需要将bool类型转换为数值
data = pd.get_dummies(data, columns=['Purpose'])
data2 = pd.read_csv("data.csv") # 重新读取数据，用来做列名对比
list_final = [] # 新建一个空列表，用于存放独热编码后新增的特征名
for i in data.columns:if i not in data2.columns:list_final.append(i) # 这里打印出来的就是独热编码后的特征名
for i in list_final:data[i] = data[i].astype(int) # 这里的i就是独热编码后的特征名# Term 0 - 1 映射
term_mapping = {'Short Term': 0,'Long Term': 1
}
data['Term'] = data['Term'].map(term_mapping)
data.rename(columns={'Term': 'Long Term'}, inplace=True) # 重命名列
continuous_features = data.select_dtypes(include=['int64', 'float64']).columns.tolist()  #把筛选出来的列名转换成列表# 连续特征用中位数补全
for feature in continuous_features:     mode_value = data[feature].mode()[0]            #获取该列的众数。data[feature].fillna(mode_value, inplace=True)          #用众数填充该列的缺失值，inplace=True表示直接在原数据上修改。# 最开始也说了 很多调参函数自带交叉验证，甚至是必选的参数，你如果想要不交叉反而实现起来会麻烦很多
# 所以这里我们还是只划分一次数据集
from sklearn.model_selection import train_test_split
X = data.drop(['Credit Default'], axis=1)  # 特征，axis=1表示按列删除
y = data['Credit Default'] # 标签
# # 按照8:2划分训练集和测试集
# X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  # 80%训练集，20%测试集

import numpy as np
import pandas as pd
from sklearn.cluster import KMeans, DBSCAN, AgglomerativeClustering
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
import seaborn as sns# 标准化数据（聚类前通常需要标准化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# X_scaled

Q2. 聚类效果评估指标？

摘自讲义

Q3. 聚类常见的算法有哪些？

摘自讲义

（1）KMeans 聚类

基本概念

代码实现

import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.metrics import silhouette_score, calinski_harabasz_score, davies_bouldin_score
import matplotlib.pyplot as plt
import seaborn as sns# 评估不同 k 值下的指标
k_range = range(2, 11)  # 测试 k 从 2 到 10
inertia_values = []
silhouette_scores = []
ch_scores = []
db_scores = []for k in k_range:kmeans = KMeans(n_clusters=k, random_state=42)kmeans_labels = kmeans.fit_predict(X_scaled)inertia_values.append(kmeans.inertia_)  # 惯性（肘部法则）silhouette = silhouette_score(X_scaled, kmeans_labels)  # 轮廓系数silhouette_scores.append(silhouette)ch = calinski_harabasz_score(X_scaled, kmeans_labels)  # CH 指数ch_scores.append(ch)db = davies_bouldin_score(X_scaled, kmeans_labels)  # DB 指数db_scores.append(db)print(f"k={k}, 惯性: {kmeans.inertia_:.2f}, 轮廓系数: {silhouette:.3f}, CH 指数: {ch:.2f}, DB 指数: {db:.3f}")# 绘制评估指标图
plt.figure(figsize=(15, 10))# 肘部法则图（Inertia）
plt.subplot(2, 2, 1)
plt.plot(k_range, inertia_values, marker='o')
plt.title('肘部法则确定最优聚类数 k（惯性，越小越好）')
plt.xlabel('聚类数 (k)')
plt.ylabel('惯性')
plt.grid(True)# 轮廓系数图
plt.subplot(2, 2, 2)
plt.plot(k_range, silhouette_scores, marker='o', color='orange')
plt.title('轮廓系数确定最优聚类数 k（越大越好）')
plt.xlabel('聚类数 (k)')
plt.ylabel('轮廓系数')
plt.grid(True)# CH 指数图
plt.subplot(2, 2, 3)
plt.plot(k_range, ch_scores, marker='o', color='green')
plt.title('Calinski-Harabasz 指数确定最优聚类数 k（越大越好）')
plt.xlabel('聚类数 (k)')
plt.ylabel('CH 指数')
plt.grid(True)# DB 指数图
plt.subplot(2, 2, 4)
plt.plot(k_range, db_scores, marker='o', color='red')
plt.title('Davies-Bouldin 指数确定最优聚类数 k（越小越好）')
plt.xlabel('聚类数 (k)')
plt.ylabel('DB 指数')
plt.grid(True)plt.tight_layout()
plt.show()

打印结果：

k=2, 惯性: 218529.50, 轮廓系数: 0.320, CH 指数: 479.34, DB 指数: 3.222
k=3, 惯性: 207982.87, 轮廓系数: 0.209, CH 指数: 441.88, DB 指数: 2.906
k=4, 惯性: 200477.28, 轮廓系数: 0.220, CH 指数: 399.12, DB 指数: 2.441
k=5, 惯性: 192940.36, 轮廓系数: 0.224, CH 指数: 384.19, DB 指数: 2.042
k=6, 惯性: 185411.81, 轮廓系数: 0.227, CH 指数: 380.64, DB 指数: 1.733
k=7, 惯性: 178444.49, 轮廓系数: 0.130, CH 指数: 378.31, DB 指数: 1.633
k=8, 惯性: 174920.27, 轮廓系数: 0.143, CH 指数: 352.31, DB 指数: 1.817
k=9, 惯性: 167383.96, 轮廓系数: 0.150, CH 指数: 364.27, DB 指数: 1.636
k=10, 惯性: 159824.84, 轮廓系数: 0.156, CH 指数: 378.43, DB 指数: 1.502

对以上代码不理解的部分进行学习

关于评估不同k值下的指标

代码继续

# 提示用户选择 k 值
selected_k = 6# 使用选择的 k 值进行 KMeans 聚类
kmeans = KMeans(n_clusters=selected_k, random_state=42)
kmeans_labels = kmeans.fit_predict(X_scaled)
X['KMeans_Cluster'] = kmeans_labels# 使用 PCA 降维到 2D 进行可视化
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)# KMeans 聚类结果可视化
plt.figure(figsize=(6, 5))
sns.scatterplot(x=X_pca[:, 0], y=X_pca[:, 1], hue=kmeans_labels, palette='viridis')
plt.title(f'KMeans Clustering with k={selected_k} (PCA Visualization)')
plt.xlabel('PCA Component 1')
plt.ylabel('PCA Component 2')
plt.show()# 打印 KMeans 聚类标签的前几行
print(f"KMeans Cluster labels (k={selected_k}) added to X:")
print(X[['KMeans_Cluster']].value_counts())

打印结果：

KMeans Cluster labels (k=6) added to X:
KMeans_Cluster
0                 5205
1                 1220
2                  903
3                  128
4                   34
5                   10
dtype: int64

对以上代码不理解处进行学习

今天学习到这里，明日学习剩余的聚类算法。加油！！！> 0 <

Python Day27 学习

今天学习讲义Day17的内容：无监督算法中的聚类浙大疏锦行 Q1. 什么是聚类？ 本质上就是一种分组分类关于聚类的准备工作： 代码实现 # 先运行之前预处理好的代码 import pandas as pd import pandas as pd #用于数据处理和分析&#xff…...

编程日记 2025/7/7 13:39:16

set PATH 新增 D:\Git\mingw64\bin where tclsh D:\Git\mingw64\bin\tclsh.exe where wish D:\Git\mingw64\bin\wish.exe 编写 test_tk.tcl 如下 #!/usr/bin/tclsh # test 文件对话框 package require Tk# 弹出文件选择对话框，限制选择.txt文件 set filePath […...

编程日记 2025/7/7 12:56:05

渐开线少齿差传动学习笔记

之前看到了一个渐开线一齿差的视频，觉得比较有意思，想自己动手做一个看看，下面是最开始尝试的一个失败的结果，不知道小伙伴们发现问题了没？ 本来就是想凑一凑看看，但是发现不是凑起来不是件容易的事。那么…...

编程日记 2025/7/7 12:28:53

基于CATIA参数化圆锥建模的自动化插件开发实践——NX建模之圆锥体命令的参考与移植（二）

引言在CATIA二次开发领域，参数化建模技术可提升复杂几何体的创建效率达60%。本文基于PySide6 GUI框架与pycatia接口库，深度解析锥体自动化建模工具的开发实践。该工具创新性地融合了NX的交互逻辑与CATIA的混合建模技术，实现双模式输入（高度/锥角）的智能参数转换，较传统…...

编程日记 2025/7/7 13:24:41

Java集合框架详解：单列集合与双列集合

目录 1. 引言：为什么需要集合框架 2. 基础概念：集合框架概述 2.1 集合框架的结构编辑编辑 2.2 集合与数组的比较 3. 前置知识：理解集合框架背后的基础数据结构 3.1 数组 3.2 链表 3.3 哈希表 3.4 二叉树与二叉查找树 3.5 红…...

编程日记 2025/7/7 11:07:06

leetcode 33. Search in Rotated Sorted Array

题目描述可以发现的是，将数组从中间分开成左右两部分的时候，一定至少有一部分的数组是有序的。左部分[left,mid-1]，右部分[mid1,right]。第一种情况：左右两部分都是有序的，说明nums[mid]就是整个数组的最大值。此时…...

编程日记 2025/7/7 13:20:53

OpenCV 图像色彩空间转换

一、知识点: 1、色彩空间转换函数 (1)、void cvtColor( InputArray src, OutputArray dst, int code, int dstCn 0, AlgorithmHint hint cv::ALGO_HINT_DEFAULT ); (2)、将图像从一种颜色空间转换为另一种。 (3)、参数说明: src: 输入图像，即要进行颜…...

编程日记 2025/7/7 12:44:20

python-leetcode 69.最小栈

题目： 设计一个支持push,pop,top,操作，并能在常数时间内检索到最小元素的栈。辅助栈法： 1：使用两个栈，一个主栈用于存储所有元素，另一个辅助栈用于存储当前元素的最小值 2: 每次push时，将元…...

编程日记 2025/7/7 12:13:51

C#基础：yield return关键字的特点

一、特点 1.最终返回的结果是IEnumerable<T> 2.使用yield return时，返回的是单个元素（即T） 3.好处：延迟加载，需要时才计算二、验证通过打断点可知，只有当listB遍历的时候，才会进入Get…...

编程日记 2025/7/7 11:05:25

机器学习集成学习方法之随机森林

集成学习方法之随机森林 1 集成学习2 随机森林的算法原理2.1 Sklearn API2.2 示例 1 集成学习机器学习中有一种大类叫集成学习（Ensemble Learning），集成学习的基本思想就是将多个分类器组合，从而实现一个预测效果更好的集成分类…...

编程日记 2025/7/7 13:00:57

【Vue篇】组件的武林绝学：状态风暴下的乾坤挪移术

引言 🔍 Vue组件迷雾重重？ ✧ Scoped如何实现样式隔离？ ✧ Data为何必须是函数？ ✧ 父子组件如何跨域通信？ ✧ Props单向数据流如何破局？ 🚀 本文直击组件化七大核心： ▸ 样式隔离原…...

编程日记 2025/7/7 11:09:14

使用亮数据代理IP+Python爬虫批量爬取招聘信息训练面试类AI智能体（手把手教学版）

文章目录一、为什么要用代理IP？(重要！！！)二、环境准备（三件套走起）2.1 安装必备库（pip大法好）2.2 获取亮数据代理（官网注册送试用） 三、编写爬虫代码&#x…...

编程日记 2025/7/7 13:03:47

【MySQL】第七弹——复习总结视图

文章目录 🌏客户端和数据库操作🌏表操作🌏CRUD 增删改查总结🌏数据库约束🌏表的设计🌏分组查询🌏聚合函数🌏联合查询🌏SQL语句中各部分的执行顺序🪐视图 &…...

编程日记 2025/7/7 11:02:57

基于Springboot + vue3实现的工商局商家管理系统

项目描述本系统包含管理员、商家两个角色。管理员角色： 用户管理：管理系统中所有用户的信息，包括添加、删除和修改用户。许可证申请管理：管理商家的许可证申请，包括搜索、修改或删除许可证申请。许可证审批管理…...

编程日记 2025/7/7 11:03:51

前端开发——前端样式BUG调试全指南2025终极版

前端开发——前端样式BUG调试全指南2025终极版前端样式BUG调试指南（2025终极版）一、调试方法论与工具链1. 问题定位三板斧(1) 现象复现与特征提取(2) 现代调试工具组合拳(3) 三维问题定位法 2. 深度排查六步法步骤1：样式覆盖检测步骤2&#…...

编程日记 2025/6/27 23:20:48

【DeepSeek】为什么需要linux-header

编译Linux驱动程序时，通常需要 Linux内核头文件（linux-headers），而不是完整的源代码（linux-source）。以下是详细解释： 1. 为什么需要内核头文件？ 头文件的作用： 内核头文…...

编程日记 2025/7/7 9:36:59

c语言刷题之实际问题

小乐乐定闹钟代码如下： 小乐乐排电梯代码如下： 小乐乐与欧几里得代码如下： 小乐乐改数字代码如下： 小乐乐走台阶代码如下： 台阶为1,2时走法分别1，2种 1:(1) 2:(1,1),(2) 要走完n阶时，即我…...

编程日记 2025/6/27 23:10:50

【图像大模型】Kolors：基于自监督学习的通用视觉色彩增强系统深度解析

Kolors：基于自监督学习的通用视觉色彩增强系统深度解析一、项目架构与技术原理1.1 系统定位与核心能力1.2 核心算法突破1.2.1 色彩感知表征学习1.2.2 动态色彩变换矩阵二、系统实现与训练策略2.1 训练框架设计2.1.1 自监督预训练 2.2 损失函数设计三、实战部署指…...

编程日记 2025/6/27 23:16:06

生产消费者模型读写者模型

概念生产者消费者模式就是通过一个容器来解决生产者和消费者的强耦合问题。生产者和消费者彼此之间不直接通讯，而通过阻塞队列来进行通讯，所以生产者生产完数据之后不用等待消费者处理，直接扔给阻塞队列，消费者不找生产者要数据…...

编程日记 2025/6/27 23:29:31

每日Prompt：双重曝光

提示词双重曝光，Midjourney 风格，融合、混合、叠加的双重曝光图像，双重曝光风格。一幅由 Yukisakura 创作的杰出杰作，展现了一个奇妙的双重曝光构图，将阿拉贡阿拉松之子的剪影与生机勃勃春季里中土世界视觉上引人注目…...

编程日记 2025/6/27 22:59:58

基于springboot3 VUE3 火车订票系统前后端分离项目适合新手学习的项目包含智能客服换乘算法

博主介绍：专注于Java（springboot ssm 等开发框架） vue .net php phython node.js uniapp 微信小程序等诸多技术领域和毕业项目实战、企业信息化系统建设，从业十五余年开发设计教学工作 ☆☆☆ 精彩专栏推荐订阅☆☆☆☆☆…...

编程日记 2025/6/27 23:39:45

DAY29 超大力王爱学Python

知识点回顾类的装饰器装饰器思想的进一步理解：外部修改、动态类方法的定义：内部定义和外部定义作业：复习类和函数的知识点，写下自己过去29天的学习心得，如对函数和类的理解，对python这门工具的理解等&…...

编程日记 2025/6/27 23:28:25

jvm对象压缩

最近在看一些文章，知道64位jvm在启动时指定-XX:UseCompressedOops后就会开启压缩，但是怎么压缩的，以及什么情况下压缩失效，没有一篇文章讲的特别透彻，在这里记录一下，后面抽时间进行更新。参考文档 https…...

编程日记 2025/6/27 23:39:04

TripGenie：畅游济南旅行规划助手：个人工作纪实(十八）

本周，我增加了网页搜索并在右侧显示搜索链接与标题的功能，通过这个功能，可以帮助用户搜索网络上关于济南旅游的信息，提高用户检索信息的速度，用户可以通过点击网页链接了解更多关于济南的信息。首先，我设计…...

编程日记 2025/6/27 23:11:54

Brooks Polycold快速循环水蒸气冷冻泵客户使用手含电路图，适用于真空室应用

Brooks Polycold快速循环水蒸气冷冻泵客户使用手含电路图，适用于真空室应用...

编程日记 2025/6/27 23:15:02

Rofin PowerLine E Air维护和集成手侧激光Maintenance and Integration Manual

Rofin PowerLine E Air维护和集成手侧激光Maintenance and Integration Manual...

编程日记 2025/6/27 23:40:06

C++中String类

1.String学习前的了解 1.1范围for和auto关键字范围 for 循环范围 for 循环是 C11 引入的一种语法糖，用于简化遍历容器或序列的代码。其基本语法如下： 迭代器版本： 范围for主要用来遍历一个容器(数据结构).范围for的（&#xf…...

编程日记 2025/7/4 9:41:53

LSTM语言模型验证代码

#任务：基于已有文本数据，建立LSTM模型，预测序列文字 1 完成数据预处理，将文字序列数据转化为可用于LSTM输入的数据。 2 查看文字数据预处理后的数据结构，并进行数据分离操作 3 针对字符串输入（“In the hea…...

编程日记 2025/6/27 23:24:22

Nextjs App Router 开发指南

Next.js是一个用于构建全栈web应用的React框架。App Router 是 nextjs 的基于文件系统的路由器，它使用了React的最新特性，比如 Server Components, Suspense, 和 Server Functions。术语树(Tree): 一种用于可视化的层次结构。例如，包含父…...

编程日记 2025/6/27 23:19:38

测试W5500的第3步_使用ioLibrary库创建TCPServer

W5500是一款具有8个Socket的网络芯片，支持TCP Server模式，最多可同时连接8个客户端。本文介绍了基于STM32F10x和W5500的TCP Server实现，包括SPI初始化、W5500复位、网络参数配置、Socket状态管理等功能，适用于需要多客户端连接的嵌…...

编程日记 2025/6/27 23:09:26

Python训练营打卡——DAY31（2025.5.20）

目录一、机器学习项目的流程二、文件的组织 1. 项目核心代码组织 2. 配置文件管理 3. 实验与探索代码 4. 项目产出物管理三、注意事项 if name "main" 编码格式类型注解四、通俗解释 1. 拆分文件和目录：整理房间一样管理代码 2. 导…...

编程日记 2025/6/27 23:20:03

P1152 欢乐的跳

P1152 欢乐的跳 - 洛谷使用map映射来解 #include<bits/stdc.h> using namespace std; int n,a[1005],c[1005]; map<int,int>b;//因为要记录1~n-1是否都出现了 int main(){cin>>n;cin>>a[1];for(int i2;i<n;i){cin>>a[i];//c[i-1]a[i]-a[…...

编程日记 2025/6/27 23:29:47

基于 STM32 的蔬菜智能育苗系统硬件与软件设计

一、系统总体架构蔬菜智能育苗系统通过单片机实时采集温湿度、光照等环境数据，根据预设阈值自动控制灌溉、补光、通风等设备，实现育苗环境的智能化管理。系统主要包括以下部分：主控芯片：STM32F103C8T6（32 位 ARM Cortex-M3 单片机，性价比高，适合嵌入式控制）传感器模…...

编程日记 2025/6/27 23:17:16

数论：数学王国的密码学

在计算机科学的世界里，数论就像是一把神奇的钥匙，能够解开密码学、算法优化、随机数生成等诸多领域的谜题。作为 C 算法小白，今天我就带大家一起走进数论的奇妙世界，探索其中的奥秘。什么是数论？ 数论是纯粹数学的分…...

编程日记 2025/7/6 11:38:03

软考软件评测师——黑盒测试测试方法

以下为优化后的博客内容： 软件测试方法论精要第一部分核心知识点解析一、等价类划分法基本概念将测试对象的输入域划分为若干子集，每个子集选取代表性样本作为测试用例。分为有效等价类（合法输入）和无效等价类&#xff0…...

编程日记 2025/6/27 23:29:25

python训练 60天挑战-day31

知识点回顾规范的文件命名规范的文件夹管理机器学习项目的拆分编码格式和类型注解昨天我们已经介绍了如何在不同的文件中，导入其他目录的文件，核心在于了解导入方式和python解释器检索目录的方式。搞清楚了这些，那我们就可以来看看&#x…...

编程日记 2025/7/6 13:30:58

2025年电工杯新规发布-近三年题目以及命题趋势

电工杯将于2025.5.23 周五早八正式开赛，该竞赛作为上半年度竞赛规模最大的竞赛，因免报名费、一级学会承办等因素，被众多高校认可。本文将在从2025年竞赛新规、历史赛题选题分析、近年优秀论文分享、竞赛模板分析等进行电工杯备赛，…...

编程日记 2025/7/3 18:29:13

四元数中 w xyz 的含义及应用

四元数是一种用于表示三维空间中旋转的数学工具，形式通常为 qwxiyjzk，其中w 是实部，x,y,z 是虚部。它们的含义如下： 1. w（实部） 2. x,y,z（虚部/向量部分） 3. 单位四元数的条件四元…...

编程日记 2025/6/27 23:05:24

CSS 样式表的四种应用方式详解以及css注释的应用

一、外部 CSS（推荐方式） 定义：将 CSS 代码保存为独立的 .css 文件，通过 <link> 标签引入 HTML。优点： 实现内容与样式完全分离多个页面可共享同一 CSS 文件浏览器可缓存 CSS 文件，提升加载速度 …...

编程日记 2025/6/27 23:32:06

IntentUri页面跳转

android browser支持支持Intent Scheme URL语法的可以在wrap页面加载或点击时，通过特定的intent uri链接可以打开对应app页面，例如 <a href"intent://whatsapp/#Intent;schememyapp;packagecom.xiaoyu.myapp;S.help_urlhttp://Fzxing.org;end&qu…...

编程日记 2025/6/27 23:18:07

蓝桥杯2114 李白打酒加强版

问题描述话说大诗人李白, 一生好饮。幸好他从不开车。一天, 他提着酒显, 从家里出来, 酒显中有酒 2 斗。他边走边唱: 无事街上走，提显去打酒。逢店加一倍, 遇花喝一斗。这一路上, 他一共遇到店 N 次, 遇到花 M 次。已知最后一次遇到的是花, 他正好把酒喝光了。…...

编程日记 2025/6/27 23:20:01

[ 计算机网络 ] 深入理解OSI七层模型

🎉欢迎大家观看AUGENSTERN_dc的文章(o゜▽゜)o☆✨✨ 🎉感谢各位读者在百忙之中抽出时间来垂阅我的文章，我会尽我所能向的大家分享我的知识和经验📖 🎉希望我们在一篇篇的文章中能够共同进步！！&…...

编程日记 2025/6/27 23:12:30

实战：基于Pangolin Scrape API，如何高效稳定采集亚马逊BSR数据并破解反爬虫？

引言：BSR数据——亚马逊运营的"指南针" 在竞争激烈的亚马逊市场，BSR (Best Sellers Rank) 数据已经成为卖家们不可或缺的"指南针"。这一数字化指标不仅反映商品在特定品类中的销售表现，更直接影响平台的流量分配和消费者…...

编程日记 2025/6/27 23:19:44

电子制造企业智能制造升级：MES系统应用深度解析

在全球电子信息产业深度变革的2025年，我国电子信息制造业正经历着增长与转型的双重考验。据权威数据显示，2025年一季度行业增加值同比增长11.5%，但智能手机等消费电子产量同比下降1.1%，市场竞争白热化趋势显著。叠加关税政策调整、…...

编程日记 2025/6/27 23:14:17

lambda架构和kappa架构区别

Lambda架构与Kappa架构是大数据处理领域的两种核心架构模式，主要差异体现在数据处理逻辑、系统复杂度和适用场景等方面。以下是二者的详细对比分析： 一、核心设计差异 ‌Lambda架构包含三层：批处理层（Batch Layer）、…...

编程日记 2025/6/27 23:26:26

【css知识】flex-grow: 1

目录一、基本概念：二、工作原理：多个元素的情况： 三、实际应用示例：常见使用场景：注意事项： 四、最佳实践：五、与其他 flex 属性配合： 🚀写在最后 flex-grow: 1是什么&a…...

编程日记 2025/6/27 23:08:13

六足连杆爬行机器人的simulink建模与仿真

目录 1.课题概述 2.系统仿真结果 3.核心程序 4.系统原理简介 5.完整工程文件 1.课题概述六足连杆爬行机器人的simulink建模与仿真。通过simulink，对六足机器人的六足以及机身进行simulink建模，模拟其行走，仿真输出机器人行走时六足的坐…...

编程日记 2025/6/27 23:35:45

软考软件测评师——系统安全设计（防火墙技术）

目录一、核心概念解析二、技术联动体系三、技术局限认知四、网络架构设计五、防护系统测试规范一、核心概念解析 1. 防火墙技术网络安全基础防护体系，通过软硬件结合方式在内外部网络间建立隔离屏障。核心作用包括流量监控、访问控制、日志记录三大模块…...

编程日记 2025/6/27 22:59:29

漏洞检测与渗透检验在功能及范围上究竟有何显著差异？

漏洞检测与渗透检验是确保系统安全的重要途径，这两种方法各具特色和功效，它们在功能上有着显著的差异。目的不同漏洞扫描的主要任务是揭示系统内已知的安全漏洞和隐患，这就像是对系统进行一次全面的健康检查，看是否有已知的疾…...

编程日记 2025/6/27 23:29:22

探秘「4+3原型驱动的交付模式」如何实现软件快速定制

软件行业长期受困于需求沟通难题：客户需求表达不清、频繁变更及真伪需求混杂难辨；终端业务部门参与度低加剧后期确认困难，加之调研结果传递失真引发功能实现偏差——"需求黑洞"始终是甲乙双方的共同痛点。然而，NC科技…...

编程日记 2025/6/27 23:38:11

今天学习讲义Day17的内容：无监督算法中的聚类@浙大疏锦行

Q1. 什么是聚类？

Q2. 聚类效果评估指标？

Q3. 聚类常见的算法有哪些？

（1）KMeans 聚类

基本概念

代码实现

打印结果：

对以上代码不理解的部分进行学习

代码继续

打印结果：

对以上代码不理解处进行学习

相关文章：