- 综合排序
- 最热优先
- 最新优先
- 来自专栏布衣者博客
LeetCode-题库-刷题(6-7)
将一个给定字符串 s 根据给定的行数 numRows ，以从上往下、从左到右进行 Z 字形排列。 具体题目链接
47620发布于 2021-09-07 - 来自专栏linjinhe的专栏
设计数据密集型应用（6-7）：分片、事务
分片 假设我们有一个单机数据库，上面有三张表：用户表、商品表和订单表。 ? 无分片 业务刚起步的时候，数据量很少，这个只有三张表的数据库运行得很好。 ? 垂直分片 随着业务发展，用户数量、商品数量、订单数量都在持续增长，数据库的负载越来越高。我们开始对数据库进行垂直拆分（垂直分片），把这三张表拆到三个数据库，而业务代码改改数据库的配置就好。 ? 再后来，一个数据库也承载不了用户表的数据，需要对用户表进行水平拆分（水平分片）。比如，根据用户 ID 将数据哈希到 n 个数据库。 一般说的分片（sharding/partition）是指水平分片——将一个大的数据集（很多 record、row、document）分成多个小的数据集。 对单副本的数据库来说，持久性的意思是数据被写入外存，比如 HDD 或 SSD。对多副本的数据库来说，持久性意味着数据以及成功复制到其它节点。
80150发布于 2020-04-02 - 来自专栏python3
笨办法学Python - 习题6-7:
Process finished with exit code 0 上面的代码主要是有几个点需要注意下： 占位符的问题，%d 代表整数，%s 代表字符串，数据类型必须要匹配 %r 和 %s 的区别和联系
74010发布于 2020-02-10 - 来自专栏iOS面试
iOS 面试策略之算法基础6-7节
字母矩阵越大，搜索时间就越长；其次，字典可能会非常大，如果每个单词都搜索一遍，开销太大。这种做法的总复杂度为 O(m· n2)，其中m为字典中单词的数量，n 为矩阵的边长。 数据溢出：因为动态规划是一种由简至繁的过程，其中积蓄的数据很有可能超过系统 当前数据类型的最大值，从而导致程序抛出异常。 这两点，我们在上面这道求解斐波拉契数列第100个数的题目就都遇到了。 实际上 F(40) 就已经突破一亿，F(100) 一定会造成整型数据溢出。 当然对于这两点我们也有相应的解决方法。 对付栈溢出，我们可以把递归写成循环的形式（所有的递归都可改写成循环）；对付数据溢出，我们可以在程序每次计算中，加入数据溢出的检测，适时终止计算，抛出异常。
92430发布于 2021-04-22 - 来自专栏AI SPPECH
IO竞赛2025年题目解析：中级难度（6-7）
2025年的中级难度（难度系数6-7）题目综合考察了选手的算法设计、数据结构应用、数学建模和问题分析能力。本文将深入解析2025年中级难度的IO竞赛题目，帮助选手们突破瓶颈，提升解题能力。 难度进阶路径: 入门(1-3) → 基础(4-5) → 中级(6-7) → 高级(8-10) 难度系数 考察重点 核心知识点 学习目标 6-7 高级算法、数据结构综合应用 高级动态规划、图论、数论、几何 7，这一阶段的题目开始考察更高级的算法和数据结构的综合应用。 问题建模难度增加，需要将实际问题转化为算法模型 数据结构的选择和实现更加复杂 代码量增加，对代码的正确性和效率要求更高 往往需要结合多种算法和数据结构来解决问题 第二章：难度系数6题目解析 难度系数6 的题目是中级难度的基础，开始涉及更复杂的算法设计和数据结构应用。
33210编辑于 2025-11-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-7 sklearn中的随机梯度下降法
在jupyter调用我们自己封装的随机梯度下降法，首先是先在虚拟数据上验证算法正确性，然后应用真实的数据。 ? ? ? ? ? ? 二 sklearn实现随机梯度下降法 ? ?
1.2K20发布于 2019-11-13 - 来自专栏大数据文摘
大数据：大机遇还是大忽悠？
持反方观点，为大技术时代的到来欢呼的，一位是北京大学光华管理学院新媒体营销研究中心副主任苏萌，另一位是日本政治家、内阁成员山本一太。 他提出“一台电脑论”，即科学家们研究所需的数据，最好用一台电脑就能装下，否则数据处理会过于繁琐，无助于解决问题。他结合自身经验说，随着数据量的增大，研究的准确性一开始会随之上升，但很快就会趋平。 这有三个原因：一是因为不同机构间的数据还未真正流动起来，目前还只是数据“孤岛”；二是完整的生态产业链还未形成，尽管通过行为数据分析已能够分辨出一个消费者的喜好，但从供应到购买的链条还没建成；三是因为数据分析人才仍然极度匮乏 一位听众挑战正方，说，你们认为大数据过于庞杂纷繁，反而解决不了问题，那是不是说，当处理数据的计算工具变得足够好时，大数据就会变得有用？ 正如Howard在发表“失败感言”时所说，“我们并非反对数据，只是反对大而无当的数据，数据本身当然非常重要”。人类已经并将继续产生日益庞大的数据，或许不论我们接受与否，大数据时代都已到来。
4.3K81发布于 2018-05-18 - 来自专栏全栈开发那些事
6-7 在一个数组中实现两个堆栈 (20分)
其中Tag是堆栈编号，取1或2；MaxSize堆栈数组的规模；Stack结构定义如下：
1.2K40编辑于 2023-02-27 - 来自专栏服务端技术杂谈
：UBER数据大迁徙
数据大迁移的日期定为万圣节（10月31日），而这恰是交通量会非常高的一天。 上面图中的大问题是：我们仍然依赖于单一的PostgreSQL （数据库管理系统）来存储大部分的数据。下面的饼图显示了数据是如何在数据库中分配的： ? 我们评估了各种NoSQL（不同于传统的关系数据库的数据库管理系统的统称）的具有上述特点风格的数据库。 追加（无更新）数据模型：它仅支持一个只追加数据模型中，一旦它被写入后，就不能进行修改。这对于存储交易数据，并希望防止数据损坏的系统是非常有用的。由于是只追加模型，修改会自然幂等和交换。 在真正可以开始大迁移之前，第一个任务是从用户身份到用户唯一识别码的迁移，因为原代码依赖于自动递增的PostgreSQL 数据库标识符。几百条SQL查询需要被重写。
3K70发布于 2018-04-16 - 来自专栏分布式系统和大数据处理
大数据：大价值大机遇大变革
大数据：大价值大机遇大变革 2017-3-26 张子阳 推荐: 1 难度: 1 ? 这本书就像一个印刷出来的PPT，字体比较大，留白比较多，大量图片，全彩印刷。 概括起来有下面这些要点： 数据量正指数级别增长。大数据时代已经来临。 大数据特点：存储量大、计算量大、增长速度快、类型多样化。 制造业应用：给挖掘机安装GPS和数据上传系统，统计挖掘机每月的工作时长。然后根据大量用户的实际使用数据，来判断市场是否有过剩的风险。 银行业应用：反诈骗系统。 数据仓库（Data Warehouse）是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。 相对稳定：数据一旦进入数据仓库以后，一般很少进行修改，更多地是对信息进行查询操作。 反映历史变化：不只是反映企业当前的状态，而是记录了过去某一点到当前各个阶段的信息。
1.2K40发布于 2018-09-30 - 来自专栏大数据文摘
2016大数据发展7大趋势
大数据已过时，算法正当道。数据已经成为一种商品，每个组织都能够收集和存储大量的数据。分析大数据也不再那么引人注目了。每个组织都可以聘用或培训大数据分析人员来了解数据模式。 由于数据湖带来了相当多的挑战，在2016年，我们将看到数据湖管理的未来：数据湖服务作为一种解决方案，为您的数据湖提供一个完整的管理方案。 由于数据湖在大规模数据存储和分析方面具有巨大优势，数据湖服务解决方案将被用于许多组织中。 因此，高级管理人员正在寻找其人力资源的确切数据，所以，2016年我们会看到人力资源分析将迈出一大步。 人力资源分析虽然是人事部门新的业务领域，但为了更好地提高人力资源的投资回报率，该业务增长极为迅速。 对于那些大的商业组织而言，大数据已经成为通用语言。在适应新趋势方面，政府是缓慢的，但是在2016年，我们会看到更多的国家、地区和地方政府会采用大数据技术来提高社会和公民的体验。
1.3K60发布于 2018-05-22 - 来自专栏程序员小灰
数据结构大总结！
说到算法，就不能不说起数据结构。今天我来讲一讲，什么是数据结构？程序员怎么学好数据结构？ 我们介绍算法的时候说过，计算机当中的算法，本质就是一系列程序指令，用以解决特定的运算和逻辑问题。 而所谓数据结构，是数据的组织、管理和存储格式。简单理解的话，数据结构就是执行算法的“原材料”。 俗话讲，巧妇难为无米之炊。算法，就好比是聪明勤劳的女主人，而数据结构，就是用来做饭做菜的柴米油盐。 数据结构都有哪些组成方式呢？ 首先，是线性结构。 但凡有过一点编程基础的小伙伴，肯定都知道数组，这就是一种典型的线性数据结构。 除了数组以外，链表也是一种重要的数据结构。 Redis当中的集合 sortedSet，背后的数据结构就是跳表。 复合数据结构，往往结合了多种基础数据结构当然优势，在特定的场景下非常有用。 这就是数据结构的几种组成方式，大家可以把这张图保存一下。由于篇幅原因，图里面所列出的具体数据结构，只是最最常用的几种，并非全部。
1.4K41发布于 2021-11-30 - 来自专栏华章科技
2016大数据版图
本文全面总结了大数据领域的发展态势，分析认为尽管大数据作为一个术语似乎已经过气，但是大数据分析与应用才刚刚开始兴起，在与 AI、人工智能等新兴技术的结合下，大数据的机会也许要比大家想象的还要大。 后来随着开源运动的迅速发展，一大批此类新技术开始共享到更广的范围。然后，一些互联网大公司的工程师离职去创办自己的大数据初创企业。 大企业对由年轻的初创企业来处理自己基础设施的关键部分的谨慎是可以理解的。还有，令创业者感到绝望的是，许多（还是大多数？）企业仍顽固地拒绝把数据迁移到云端（至少不愿迁移到公有云）。 你得捕捉数据、存储数据、清洗数据、查询数据、分析数据并对数据进行可视化。这些工作一部分可以由产品来完成，而有的则需要人来做。一切都需要无缝集成起来。 大数据与 AI 的结合将会推动很多行业的惊人创新。从这个角度来说，大数据的机会也许要比大家想象的还要大。
1.2K41发布于 2018-08-14 - 来自专栏机器学习/数据可视化
数据平滑9大妙招
今天给大家分享9大常见数据平滑方法：移动平均Moving Average指数平滑Exponential Smoothing低通滤波器多项式拟合贝塞尔曲线拟合局部加权散点平滑LoessKalman滤波小波变换 它对最近的数据点给予较高的权重，而对较早的数据点给予较低的权重。这使得EMA更适合用于追踪快速变化的数据。 指数平滑的主要特点包括：加权平滑：指数平滑使用指数权重来平滑数据。较新的数据点获得更高的权重，而较旧的数据点获得较低的权重。这意味着它对最近的数据更为敏感，从而更好地捕获了数据的最新趋势。 Loess平滑通常用于探索性数据分析、数据可视化、时间序列分析和回归建模的预处理步骤。它可以帮助用户识别数据中的局部特性、趋势和周期性，从而更好地理解数据的结构。 数据平滑：Savitzky-Golay滤波器旨在平滑数据，减小数据中的高频噪声和突发波动。它保留了数据中的趋势和主要特征，同时去除了噪声。
6.4K44编辑于 2023-10-13 - 来自专栏樯橹代码
大屏数据显示优化
大屏数据显示优化 大屏数据的页面里面包含了一些3D地图和世界航班趋势图，反应上来有个问题，就是动画比较卡顿。 而大屏像素很低，高清的图片也显示的像素点很大，看起来非常模糊，所以并没有必要使用高清的。把图片质量降低一些，切换卡顿就不见了，显示却并没有特别的变化。
5.2K20发布于 2019-09-02 - 来自专栏飞总聊IT
大数据为什么大？
但如果听数据砖家讲，那就是真的大，不但大，还金贵！ 因为从海量的数据中挖掘信息，就跟淘金差不多。 ? 因此人们给数据从业者起了上面那些亲切的名字。虽然这个行业薪水可观，但工作确实玩命！ 同时也体现了大数据行业一直以来都存在的痛点。 数据的采集抓取； 数据的存储管理； 数据的分析处理； 如何做好以上几个环节的工作，是目前大数据分析行业一直存在的难题。 这其实不是数据的问题，而是处理数据的设备问题！ 很多数据分析公司都疏忽了服务器的重要性，一些老牌数据公司甚至还在使用二手服务器做为数据载体。 这也是为什么很多重要数据总是容易泄露或丢失的原因。 ? 对于那些使用劣质服务器工作的数据分析尸们来说，每一次数据采集、抓取都是一场人与机器的博弈。 更像是一场拉锯战！ 技术创新所驱动的新硬件时代已经来到，它将为数据的未来探索保驾护航！更重要的是卓越的硬件会让数据从业者不再烦恼，真正让有价值的数据在未来跑起来，助力我们的未来智能生活！
1.7K20发布于 2018-11-06 - 来自专栏灯塔大数据
回顾2016年大数据发展，盘点十大热门数据岗位
随着很多大公司对数据分析需求增多，数据相关岗位的人才需求量也越来越大。 数据学作为一门学科，已经受到时代的追捧。 2016年的尾声即将到来，我们是时候回顾一下大数据的发展，盘点十大最热门的数据岗位。 ? TOP1 首席数据官（CDO） 三军不可无帅也，所有想在大数据项目中取得成功的公司都需要首席数据官坐镇指挥。 首席数据官的工作内容非常多，职责也很复杂，他们负责公司的数据框架搭建、数据管理、数据安全保证、商务智能管理、数据洞察和高级分析。 TOP7 大数据工程师 正如上文提到过的，数据工程师的工作是负责管理公司的数据，包括数据的收集，存储、处理和分析。从经验来看，这涉及到使用关系型数据库，来管理以表格方式存储的数据。 大数据工程师需要能够搭建并维护大型异构数据框架，这些数据通常是在MongoDB等NoSQL数据库中。
1.6K60发布于 2018-04-08 - 来自专栏数据科学与人工智能
【数据科学】教你成为数据科学“大咖”！
一、利用互联网成为“大咖” 随着互联网的迅猛发展，网络公开课的网站和APP等日益成熟，从听课、讨论到考试，一条龙的自学服务已经颇成规模。 二、学习数据科学的动力 现在数据科学家岗位面临极大的缺口。所谓数据科学家，就是同时掌握统计学 知识与程序设计技巧，能够服务大数据开发的技术专家。成为一名数据科学家，就有了大数据时代互联网行业的通行证。 四、从这里开始：数据科学的课程表 这些数据科学的开源课程，从数学、编程等几个方面塑造数据科学“大咖”。这不是为了重温大学课程，而是以问题导向准备知识。 （6）进阶 对于立志成为数据科学“大咖”的人，推荐继续阅读《Doing Data Science: Straight Talk from the Frontline》一书。 Capstone Analysis of Your Own Design; Quora’s Idea Compendium》和华盛顿大学的《Healthcare Twitter Analysis》，则能够在打开 “大咖
1.5K40发布于 2018-02-28 - 来自专栏凹凸玩数据
盘点 10大 数据库！
大家好，我是小五 DB-Engines 最近发布了 2021 年 9 月份的数据库排名。该网站根据数据库管理系统的受欢迎程度对其进行排名，实时统计了 378 种数据库的排名指数。 前 30 名的排行情况详见下图，前10大数据库 用线段做了分割。同时在文末，会免费赠送给大家一些数据库书籍！ 跌幅榜情况 较去年同期，本月三霸主集体暴跌再次霸占了“同期跌幅榜”。 虽然各大开源类数据库百花齐放，然而，在 DB-Engines 全球数据库排行榜上，Oracle 和 MySQL 依然是世界上最受欢迎的商业和开源类数据库，而且领跑优势还在继续扩大。 小众数据库不可小觑 数据库相关从业人员可以将 DB-Engines 数据库排名作为参考，大数据时代发展速度之快超乎我们的想象，新的数据库产品仍然在不断诞生，如果你的需求比较特殊，大众数据库产品无法很好地满足你 InfluxDB 专注于海量时序数据的高性能读、高性能写、高效存储与实时分析，解决海量数据场景的问题。
2.6K10发布于 2021-10-18 - 来自专栏大数据文摘
贵州专题：大数据，大机遇！
贵州计划2015年大数据相关产业规模达1100亿元 贵州省政府印发了《关于加快大数据产业发展应用若干政策的意见》和《贵州省大数据产业发展应用规划纲要(2014—2020年)》。 到2015年，大数据产业基地基础设施基本建成，1-2个重点领域的大数据服务平台初具雏形，通过大数据带动相关产业规模达到1100亿元；到2017年，形成1—2个大数据产业示范园区，引进和培育30户大数据龙头企业 大力引进国家级数据资源库、存储与服务中心、数据灾备中心、超级计算中心，逐步完善产业发展环境，加速吸引以大数据服务为核心的电子信息企业入驻和大数据人才汇集。 发展目标：到2015年，三大电信运营商数据中心等大数据产业基地基础设施基本建成，1-2个重点领域的大数据服务平台初具雏形，大数据应用服务初步形成布局。 引进10家左右大数据存储管理、分析处理的先进企业和若干电子信息产品制造业的龙头企业，培育200家大数据保障、系统集成服务、数据服务软件研发的中小企业，基本形成大数据产业配套体系，初步建立以大数据应用为基本业态的产业发展模式
1.5K120发布于 2018-05-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号