交叉验证获取最佳决策树深度报错 5C

代码如下:

def best_depth_decision(d):

    lr2 = DecisionTreeRegressor(max_depth=d)

    kfold_depth = KFold(n_splits=10,random_state=1).split(x_train_pca,y_train)

    mse_kfold_test = []

    mse_kfold_train = []

    for k, (train, test) in enumerate(kfold_depth):

        lr2.fit(x_train_pca[train],y_train[train])

        y_test_pred2 = lr2.predict(x_train_pca[test])

        y_train_pred2 = lr2.predict(x_train_pca[train])

        s_train = mean_squared_error(y_train[train],y_train_pred2)

        s_test = mean_squared_error(y_train[test],y_test_pred2)

        mse_kfold_test = np.mean(mse_kfold_test.append(s_test))

        mse_kfold_train = np.mean(mse_kfold_train.append(s_train))

        return (mse_kfold_train,mse_kfold_test)

depths = np.arange(1,31)

scores2 = [best_depth_decision(d) for d in depths]

train_mse = [s[0] for s in scores2]

test_mse = [s[1] for s in scores2]

train_best_index2 = np.argmin(train_mse)

test_best_index2 = np.argmin(test_mse)

plt.plot(depths,test_mse)

plt.show()

报错如下:
图片说明

1个回答

Csdn user default icon
上传中...
上传图片
插入图片
抄袭、复制答案,以达到刷声望分或其他目的的行为,在CSDN问答是严格禁止的,一经发现立刻封号。是时候展现真正的技术了!
其他相关推荐
决策树深度调优时,每次输出的最佳深度差别很大
![图片说明](https://img-ask.csdn.net/upload/201905/27/1558955019_995442.png)![图片说明](https://img-ask.csdn.net/upload/201905/27/1558955030_160156.png) 请问是正常的吗?我的模型又如何选择最佳深度呢?
怎么用决策树进行多分类
是要给每一类建立一个决策树 然后分别判断 还是可以建立一个多分类的决策树啊 现在看的决策树都是二分 要么是这类要么不是这类 觉得只能判断属不属于一类 不能直接分成多类啊 求解
请问大佬们,我用python编写了一个id3算法,如何让让用户自己输入数据来验证这些数据对应的结果?
#--coding:GBK # -*- coding: utf-8 -*- #pip install matplotlib from math import log ##创建数据集 def createDataSet(): """ 创建数据集 """ dataSet = [['青年', '否', '否', '一般', '拒绝'], ['青年', '否', '否', '好', '拒绝'], ['青年', '是', '否', '好', '同意'], ['青年', '是', '是', '一般', '同意'], ['青年', '否', '否', '一般', '拒绝'], ['中年', '否', '否', '一般', '拒绝'], ['中年', '否', '否', '好', '拒绝'], ['中年', '是', '是', '好', '同意'], ['中年', '否', '是', '非常好', '同意'], ['中年', '否', '是', '非常好', '同意'], ['老年', '否', '是', '非常好', '同意'], ['老年', '否', '是', '好', '同意'], ['老年', '是', '否', '好', '同意'], ['老年', '是', '否', '非常好', '同意'], ['老年', '否', '否', '一般', '拒绝'], ] featureName = ['年龄', '有工作', '有房子', '信贷情况'] # 返回数据集和每个维度的名称 return dataSet, featureName ##分割数据集 def splitDataSet(dataSet,axis,value): """ 按照给定特征划分数据集 :param axis:划分数据集的特征的维度 :param value:特征的值 :return: 符合该特征的所有实例(并且自动移除掉这维特征) """ # 循环遍历dataSet中的每一行数据 retDataSet = [] for featVec in dataSet: if featVec[axis] == value: reduceFeatVec = featVec[:axis] # 删除这一维特征,切片不包括axis reduceFeatVec.extend(featVec[axis+1:]) #把aixs去掉之后的列表前后拼在一起 retDataSet.append(reduceFeatVec) return retDataSet#把去掉axis之后的列表返回 ##计算信息熵 # 计算的始终是类别标签的不确定度 def calcShannonEnt(dataSet): """ 计算训练数据集中的Y随机变量的香农熵 :param dataSet: :return: """ numEntries = len(dataSet) # 实例的个数 labelCounts = {} for featVec in dataSet: # 遍历每个实例,统计标签的频次 currentLabel = featVec[-1] # 表示最后一列,,为什么要等与最后一列 # 当前标签不在labelCounts map中,就让labelCounts加入该标签 if currentLabel not in labelCounts.keys(): labelCounts[currentLabel] =0 labelCounts[currentLabel] +=1 shannonEnt = 0.0#初始化香农熵,香农熵越小纯度越高 for key in labelCounts: prob = float(labelCounts[key]) / numEntries shannonEnt -= prob * log(prob,2) # log base 2, return shannonEnt#返回列表的总香农熵 ## 计算条件熵 def calcConditionalEntropy(dataSet,i,featList,uniqueVals): """ 计算x_i给定的条件下,Y的条件熵 :param dataSet: 数据集 :param i: 维度i :param featList: 数据集特征列表 :param unqiueVals: 数据集特征集合 :return: 条件熵 """ ce = 0.0 for value in uniqueVals: subDataSet = splitDataSet(dataSet,i,value) prob = len(subDataSet) / float(len(dataSet)) # 极大似然估计概率 ce += prob * calcShannonEnt(subDataSet) #∑pH(Y|X=xi) 条件熵的计算 return ce ##计算信息增益 def calcInformationGain(dataSet,baseEntropy,i): """ 计算信息增益 :param dataSet: 数据集 :param baseEntropy: 数据集中Y的信息熵 :param i: 特征维度i :return: 特征i对数据集的信息增益g(dataSet | X_i) """ featList = [example[i] for example in dataSet] # 第i维特征列表 uniqueVals = set(featList) # 换成集合 - 集合中的每个元素不重复 newEntropy = calcConditionalEntropy(dataSet,i,featList,uniqueVals)#计算条件熵, infoGain = baseEntropy - newEntropy # 信息增益 = 信息熵 - 条件熵 return infoGain ## 算法框架 def chooseBestFeatureToSplitByID3(dataSet): """ 选择最好的数据集划分 :param dataSet: :return: """ numFeatures = len(dataSet[0]) -1 # 最后一列是分类 baseEntropy = calcShannonEnt(dataSet) #返回整个数据集的信息熵 bestInfoGain = 0.0 bestFeature = -1 for i in range(numFeatures): # 遍历所有维度特征 infoGain = calcInformationGain(dataSet,baseEntropy,i) #返回具体特征的信息增益 if(infoGain > bestInfoGain): bestInfoGain = infoGain bestFeature = i return bestFeature # 返回最佳特征对应的维度 def createTree(dataSet,featureName,chooseBestFeatureToSplitFunc = chooseBestFeatureToSplitByID3): """ 创建决策树 :param dataSet: 数据集 :param featureName: 数据集每一维的名称 :return: 决策树 """ classList = [example[-1] for example in dataSet] # 类别列表 if classList.count(classList[0]) == len(classList): # 统计属于列别classList[0]的个数 return classList[0] # 当类别完全相同则停止继续划分 if len(dataSet[0]) ==1: # 当只有一个特征的时候,遍历所有实例返回出现次数最多的类别 return majorityCnt(classList) # 返回类别标签 bestFeat = chooseBestFeatureToSplitFunc(dataSet)#最佳特征对应的索引 bestFeatLabel = featureName[bestFeat] #最佳特征 myTree ={bestFeatLabel:{}} # map 结构,且key为featureLabel del (featureName[bestFeat]) # 找到需要分类的特征子集 featValues = [example[bestFeat] for example in dataSet] uniqueVals = set(featValues) for value in uniqueVals: subLabels = featureName[:] # 复制操作 myTree[bestFeatLabel][value] = createTree(splitDataSet(dataSet,bestFeat,value),subLabels) return myTree # 测试决策树的构建 dataSet,featureName = createDataSet() myTree = createTree(dataSet,featureName) print(myTree)
Sklearn中决策树的输出会报错
dot_data=tree.export_graphviz(clf,out_file="iris.dot") graph=pydotplus.graph_from_dot_data(dot_data) 这两行代码出现问题!! TypeError: object of type 'NoneType' has no len() 错误提示 http://scikit-learn.org/stable/modules/tree.html#classification 代码原来位置
机器学习算法-决策树对未知类别标签数据进行分类问题
机器学习算法还处于基础阶段,对决策树分类问题疑惑已久:构建好一颗决策树后,用该决策树对未知标签的数据进行分类,只能得到绝对的类别标签吗?有什么方法可以得到分类结果的概率呢? 比如:类别标签有两个:yes,no。决策树对某条未知标签的分类结果是yes,能否求出“yes”这个结果的概率,而不是绝对的一个类别标签。
weka 生成决策树后的规则提取问题
在使用weka j48算法生成决策树后,如何将决策规则导出呢? 由于数据近60万,所以生成的决策树非常大,暂不考虑手工提取规则的办法。 最近刚刚入门weka,还请大神赐教。
R语言实现决策树的步骤和分析
R语言中决策树的代码是如何实现的,有没有一个具体的例子,最后有实现后期的分析解释。。
关于Python实现决策树算法
用Python画出了决策树的形状,但是不理解决策树图中每个节点的内容。对某一个具体的节点,里面的内容包括判别指标,entropy(或gini)的值,samples表示样本个数,但是value表示什么意思,还有为什么在节点里面还有class表示的类,不是还没有开始判别吗,怎么会分类了?
如何计算决策树/随机森林的VC维
假设一个决策树有n个结果节点(leaf node).那么其VC维的上限是多少? 如果是一个有k个决策树,每个有n个结果节点的随机森林呢?求各路大神帮忙解答,感谢!
JAVA 数据挖掘 决策树
鸢尾花数据挖掘用决策树来做,怎么解决,将连续数据离散化?另外JAVA里面怎么建树?
学生党在线求一个决策树算法的应用,谢谢各位大佬
求一个现成的决策树算法的代码。 希望可以满足以下条件: 1.能在这三个软件上运行![图片说明](https://img-ask.csdn.net/upload/201907/10/1562725303_406010.png) 2.有使用说明书 3.遇到不会的可以随时请教问题
决策树同层的几个节点可能会都是同一属性吗?
决策树同层的几个节点可能会都是同一属性吗?各位大神们讲详细点哦
python决策树可视化速度慢?
想画个决策树出来,但是我的电脑跑不动,不知道为什么,是代码有问题还是很吃性能。 ``` from IPython.display import Image from sklearn.tree import export_graphviz import pydotplus # 提取一个决策树 estimator = model.estimators_[5] #features名称 features = list(train.columns) dot_data = export_graphviz(estimator, out_file=None, feature_names=features, class_names=features, filled=True, rounded=True, special_characters=True) graph = pydotplus.graph_from_dot_data(dot_data) # 使用ipython的终端jupyter notebook显示。 Image(graph.create_png()) ```
特征选择问题,如果使用决策树分类器进行分类,在知道分类属性的情况下,如何对属性进行分裂?
在做特征选择,我选用遗传算法作为搜索策略,使用类内类间可分离准则作为评价函数。 在经过若干迭代次数后,选择一个适应度值较高的个体作为最优或近似最优个体。即我 已经得到了最优特征向量,那我我想用这个最优特征向量里选定的特征作为决策树的 属性,那么问题是我如何对属性进行分裂,即如何在决策树中的每一个非叶子节点形成 分支呢? 求救各位前辈!
Earn more money 用C语言
Problem Description 渴望占有愈多而愈脆弱。 —— 安妮宝贝 古有Bill gates辍学创业,今有Wiskey创作卖书。但是如今网络写手太多,Wiskey愁着自己写的书没人买,所以特地到网络上搜集了许多信息,最后发现最大的竞争对手是来自距离地球有一亿亿光年的伽玛星球的U.F.O集团,据说都是吃泡面不眨眼的家伙。为了使自己的利益最大化,Wiskey开始思考着对策,但是U.F.O集团也不是专吃方便面的,她们也会往自己利益最大化的方向前进,两者轮流决策,不能改变对方的决策,并且两者的决策信息是公开的。请各位看官预测下Wiskey和U.F.O竞争的最后结果。 假如U.F.O和Wiskey从(400,400)开始,U.F.O先开始。对于U.F.O来说,(600,400)能是她们最大利益为50,轮到Wiskey决策,他会选择(600,800)收益45,U.F.O继续选择(800,800),而Wiskey再选择(800,600),此时Wiskey收益50,而U.F.O收益45。但对于U.F.O来说(800,600)这也是她们在Wiskey选择600的前提下自己的最优决策。这样U.F.O和Wiskey的竞争会稳定下来,最终的利益分配为(45,50)。当两者的利益已经最大化了,决策就会停止,这个点在博弈中就是Nash均衡点。 给你两人的收益表,请计算出Nash均衡点。 Input 第一个数字T,表示测试数据数目。每个测试数据包含X和Y,表示U.F.O有X种决策,Wiskey有Y种决策,接下来是X×Y的矩阵,表示U.F.O的收益表,最后是Y×X的矩阵,表示Wiskey的收益表。 Output 如果只有一个点请输出最终利益分配,其余答案则输出“Have XX Nash Points.”,一个答案一行。 Sample Input 2 3 3 10 15 10 50 40 15 40 45 35 45 15 10 50 40 50 40 45 35 3 3 10 15 10 50 40 50 40 45 35 45 15 10 50 40 50 40 45 35 Sample Output 45 50 Have 2 Nash Points.
写一半的论文卡住了,有大神能给提供点思路么,关于逻辑回归和决策树
在写一个组合使用逻辑回归和决策树并且优化的下论文, 进行到一半发现原来的优化想法有问题, 有大神能给点灵感什么的么
Python进行决策树剪枝提示AttributeError: 'function' object has no attribute 'deepcopy'。
![图片说明](https://img-ask.csdn.net/upload/201905/13/1557681499_941647.png) 在进行决策树剪枝的时候出现AttributeError: 'function' object has no attribute 'deepcopy'错误,一直解决不了。
object变量后期绑定OleDbCommand重载决策失败,因为没有可访问的Parameters接受此数目的参数。如何解决?
本人用VB.NET,代码如下: Dim OleDbParameter1 As Object OleDbParameter1 = New System.Data.OleDb.OleDbParameter OleDbParameter1.SourceColumn = "TEST1" OleDbParameter1.ParameterName = "TEST1" Dim OleDbCommand1 As Object = Nothing OleDbCommand1 = New System.Data.OleDb.OleDbCommand MsgBox(OleDbCommand1.Parameters.Count) '返回0 OleDbCommand1.Parameters.Add(OleDbParameter1) MsgBox(OleDbCommand1.Parameters.Count) '返回1 MsgBox(OleDbCommand1.Parameters(OleDbCommand1.Parameters.Count - 1).ParameterName) '重载决策失败,因为没有可访问的Parameters接受此数目的参数。 因为我的数据来源复杂,必须采取Object变量在后期绑定,请指教怎样解决上述问题?
SAS实现决策树算法CART、CHAID
各位经济学大神,有会用SAS软件实现决策树算法的吗?C4.5、CART或者CHAID的都可以。我刚接触SAS,还不晓得怎么实现,希望有经验的大神们指点一二哦 有没有人会啊!急求
相见恨晚的超实用网站
搞学习 知乎:www.zhihu.com 简答题:http://www.jiandati.com/ 网易公开课:https://open.163.com/ted/ 网易云课堂:https://study.163.com/ 中国大学MOOC:www.icourse163.org 网易云课堂:study.163.com 哔哩哔哩弹幕网:www.bilibili.com 我要自学网:www.51zxw
花了20分钟,给女朋友们写了一个web版群聊程序
参考博客 [1]https://www.byteslounge.com/tutorials/java-ee-html5-websocket-example
爬虫福利二 之 妹子图网MM批量下载
爬虫福利一:27报网MM批量下载    点击 看了本文,相信大家对爬虫一定会产生强烈的兴趣,激励自己去学习爬虫,在这里提前祝:大家学有所成! 目标网站:妹子图网 环境:Python3.x 相关第三方模块:requests、beautifulsoup4 Re:各位在测试时只需要将代码里的变量 path 指定为你当前系统要保存的路径,使用 python xxx.py 或IDE运行即可。
字节跳动视频编解码面经
引言 本文主要是记录一下面试字节跳动的经历。 三四月份投了字节跳动的实习(图形图像岗位),然后hr打电话过来问了一下会不会opengl,c++,shador,当时只会一点c++,其他两个都不会,也就直接被拒了。 七月初内推了字节跳动的提前批,因为内推没有具体的岗位,hr又打电话问要不要考虑一下图形图像岗,我说实习投过这个岗位不合适,不会opengl和shador,然后hr就说秋招更看重基础。我当时
Java学习的正确打开方式
在博主认为,对于入门级学习java的最佳学习方法莫过于视频+博客+书籍+总结,前三者博主将淋漓尽致地挥毫于这篇博客文章中,至于总结在于个人,实际上越到后面你会发现学习的最好方式就是阅读参考官方文档其次就是国内的书籍,博客次之,这又是一个层次了,这里暂时不提后面再谈。博主将为各位入门java保驾护航,各位只管冲鸭!!!上天是公平的,只要不辜负时间,时间自然不会辜负你。 何谓学习?博主所理解的学习,它
程序员必须掌握的核心算法有哪些?
由于我之前一直强调数据结构以及算法学习的重要性,所以就有一些读者经常问我,数据结构与算法应该要学习到哪个程度呢?,说实话,这个问题我不知道要怎么回答你,主要取决于你想学习到哪些程度,不过针对这个问题,我稍微总结一下我学过的算法知识点,以及我觉得值得学习的算法。这些算法与数据结构的学习大多数是零散的,并没有一本把他们全部覆盖的书籍。下面是我觉得值得学习的一些算法以及数据结构,当然,我也会整理一些看过
大学四年自学走来,这些私藏的实用工具/学习网站我贡献出来了
大学四年,看课本是不可能一直看课本的了,对于学习,特别是自学,善于搜索网上的一些资源来辅助,还是非常有必要的,下面我就把这几年私藏的各种资源,网站贡献出来给你们。主要有:电子书搜索、实用工具、在线视频学习网站、非视频学习网站、软件下载、面试/求职必备网站。 注意:文中提到的所有资源,文末我都给你整理好了,你们只管拿去,如果觉得不错,转发、分享就是最大的支持了。 一、电子书搜索 对于大部分程序员...
linux系列之常用运维命令整理笔录
本博客记录工作中需要的linux运维命令,大学时候开始接触linux,会一些基本操作,可是都没有整理起来,加上是做开发,不做运维,有些命令忘记了,所以现在整理成博客,当然vi,文件操作等就不介绍了,慢慢积累一些其它拓展的命令,博客不定时更新 顺便拉下票,我在参加csdn博客之星竞选,欢迎投票支持,每个QQ或者微信每天都可以投5票,扫二维码即可,http://m234140.nofollow.ax.
比特币原理详解
一、什么是比特币 比特币是一种电子货币,是一种基于密码学的货币,在2008年11月1日由中本聪发表比特币白皮书,文中提出了一种去中心化的电子记账系统,我们平时的电子现金是银行来记账,因为银行的背后是国家信用。去中心化电子记账系统是参与者共同记账。比特币可以防止主权危机、信用风险。其好处不多做赘述,这一层面介绍的文章很多,本文主要从更深层的技术原理角度进行介绍。 二、问题引入 假设现有4个人...
Python 基础(一):入门必备知识
目录1 标识符2 关键字3 引号4 编码5 输入输出6 缩进7 多行8 注释9 数据类型10 运算符10.1 常用运算符10.2 运算符优先级 1 标识符 标识符是编程时使用的名字,用于给变量、函数、语句块等命名,Python 中标识符由字母、数字、下划线组成,不能以数字开头,区分大小写。 以下划线开头的标识符有特殊含义,单下划线开头的标识符,如:_xxx ,表示不能直接访问的类属性,需通过类提供
这30个CSS选择器,你必须熟记(上)
关注前端达人,与你共同进步CSS的魅力就是让我们前端工程师像设计师一样进行网页的设计,我们能轻而易举的改变颜色、布局、制作出漂亮的影音效果等等,我们只需要改几行代码,不需...
国产开源API网关项目进入Apache孵化器:APISIX
点击蓝色“程序猿DD”关注我回复“资源”获取独家整理的学习资料!近日,又有一个开源项目加入了这个Java开源界大名鼎鼎的Apache基金会,开始进行孵化器。项目名称:AP...
程序员接私活怎样防止做完了不给钱?
首先跟大家说明一点,我们做 IT 类的外包开发,是非标品开发,所以很有可能在开发过程中会有这样那样的需求修改,而这种需求修改很容易造成扯皮,进而影响到费用支付,甚至出现做完了项目收不到钱的情况。 那么,怎么保证自己的薪酬安全呢? 我们在开工前,一定要做好一些证据方面的准备(也就是“讨薪”的理论依据),这其中最重要的就是需求文档和验收标准。一定要让需求方提供这两个文档资料作为开发的基础。之后开发
网页实现一个简单的音乐播放器(大佬别看。(⊙﹏⊙))
今天闲着无事,就想写点东西。然后听了下歌,就打算写个播放器。 于是乎用h5 audio的加上js简单的播放器完工了。 欢迎 改进 留言。 演示地点跳到演示地点 html代码如下`<!DOCTYPE html> <html> <head> <title>music</title> <meta charset="utf-8"&gt
Python十大装B语法
Python 是一种代表简单思想的语言,其语法相对简单,很容易上手。不过,如果就此小视 Python 语法的精妙和深邃,那就大错特错了。本文精心筛选了最能展现 Python 语法之精妙的十个知识点,并附上详细的实例代码。如能在实战中融会贯通、灵活使用,必将使代码更为精炼、高效,同时也会极大提升代码B格,使之看上去更老练,读起来更优雅。 1. for - else 什么?不是 if 和 else 才
数据库优化 - SQL优化
前面一篇文章从实例的角度进行数据库优化,通过配置一些参数让数据库性能达到最优。但是一些“不好”的SQL也会导致数据库查询变慢,影响业务流程。本文从SQL角度进行数据库优化,提升SQL运行效率。 判断问题SQL 判断SQL是否有问题时可以通过两个表象进行判断: 系统级别表象 CPU消耗严重 IO等待严重 页面响应时间过长
2019年11月中国大陆编程语言排行榜
2019年11月2日,我统计了某招聘网站,获得有效程序员招聘数据9万条。针对招聘信息,提取编程语言关键字,并统计如下: 编程语言比例 rank pl_ percentage 1 java 33.62% 2 c/c++ 16.42% 3 c_sharp 12.82% 4 javascript 12.31% 5 python 7.93% 6 go 7.25% 7
通俗易懂地给女朋友讲:线程池的内部原理
餐厅的约会 餐盘在灯光的照耀下格外晶莹洁白,女朋友拿起红酒杯轻轻地抿了一小口,对我说:“经常听你说线程池,到底线程池到底是个什么原理?”我楞了一下,心里想女朋友今天是怎么了,怎么突然问出这么专业的问题,但做为一个专业人士在女朋友面前也不能露怯啊,想了一下便说:“我先给你讲讲我前同事老王的故事吧!” 大龄程序员老王 老王是一个已经北漂十多年的程序员,岁数大了,加班加不动了,升迁也无望,于是拿着手里
经典算法(5)杨辉三角
杨辉三角 是经典算法,这篇博客对它的算法思想进行了讲解,并有完整的代码实现。
编写Spring MVC控制器的14个技巧
本期目录 1.使用@Controller构造型 2.实现控制器接口 3.扩展AbstractController类 4.为处理程序方法指定URL映射 5.为处理程序方法指定HTTP请求方法 6.将请求参数映射到处理程序方法 7.返回模型和视图 8.将对象放入模型 9.处理程序方法中的重定向 10.处理表格提交和表格验证 11.处理文件上传 12.在控制器中自动装配业务类 ...
腾讯算法面试题:64匹马8个跑道需要多少轮才能选出最快的四匹?
昨天,有网友私信我,说去阿里面试,彻底的被打击到了。问了为什么网上大量使用ThreadLocal的源码都会加上private static?他被难住了,因为他从来都没有考虑过这个问题。无独有偶,今天笔者又发现有网友吐槽了一道腾讯的面试题,我们一起来看看。 腾讯算法面试题:64匹马8个跑道需要多少轮才能选出最快的四匹? 在互联网职场论坛,一名程序员发帖求助到。二面腾讯,其中一个算法题:64匹
面试官:你连RESTful都不知道我怎么敢要你?
面试官:了解RESTful吗? 我:听说过。 面试官:那什么是RESTful? 我:就是用起来很规范,挺好的 面试官:是RESTful挺好的,还是自我感觉挺好的 我:都挺好的。 面试官:… 把门关上。 我:… 要干嘛?先关上再说。 面试官:我说出去把门关上。 我:what ?,夺门而去 文章目录01 前言02 RESTful的来源03 RESTful6大原则1. C-S架构2. 无状态3.统一的接
求小姐姐抠图竟遭白眼?痛定思痛,我决定用 Python 自力更生!
点击蓝色“Python空间”关注我丫加个“星标”,每天一起快乐的学习大家好,我是 Rocky0429,一个刚恰完午饭,正在用刷网页浪费生命的蒟蒻...一堆堆无聊八卦信息的网页内容慢慢使我的双眼模糊,一个哈欠打出了三斤老泪,就在此时我看到了一张图片:是谁!是谁把我女朋友的照片放出来的!awsl!太好看了叭...等等,那个背景上的一堆鬼画符是什么鬼?!真是看不下去!叔叔婶婶能忍,隔壁老王的三姨妈的四表...
为啥国人偏爱Mybatis,而老外喜欢Hibernate/JPA呢?
关于SQL和ORM的争论,永远都不会终止,我也一直在思考这个问题。昨天又跟群里的小伙伴进行了一番讨论,感触还是有一些,于是就有了今天这篇文。 声明:本文不会下关于Mybatis和JPA两个持久层框架哪个更好这样的结论。只是摆事实,讲道理,所以,请各位看官勿喷。 一、事件起因 关于Mybatis和JPA孰优孰劣的问题,争论已经很多年了。一直也没有结论,毕竟每个人的喜好和习惯是大不相同的。我也看
SQL-小白最佳入门sql查询一
不要偷偷的查询我的个人资料,即使你再喜欢我,也不要这样,真的不好;
项目中的if else太多了,该怎么重构?
介绍 最近跟着公司的大佬开发了一款IM系统,类似QQ和微信哈,就是聊天软件。我们有一部分业务逻辑是这样的 if (msgType = "文本") { // dosomething } else if(msgType = "图片") { // doshomething } else if(msgType = "视频") { // doshomething } else { // doshom...
致 Python 初学者
欢迎来到“Python进阶”专栏!来到这里的每一位同学,应该大致上学习了很多 Python 的基础知识,正在努力成长的过程中。在此期间,一定遇到了很多的困惑,对未来的学习方向感到迷茫。我非常理解你们所面临的处境。我从2007年开始接触 python 这门编程语言,从2009年开始单一使用 python 应对所有的开发工作,直至今天。回顾自己的学习过程,也曾经遇到过无数的困难,也曾经迷茫过、困惑过。开办这个专栏,正是为了帮助像我当年一样困惑的 Python 初学者走出困境、快速成长。希望我的经验能真正帮到你
“狗屁不通文章生成器”登顶GitHub热榜,分分钟写出万字形式主义大作
一、垃圾文字生成器介绍 最近在浏览GitHub的时候,发现了这样一个骨骼清奇的雷人项目,而且热度还特别高。 项目中文名:狗屁不通文章生成器 项目英文名:BullshitGenerator 根据作者的介绍,他是偶尔需要一些中文文字用于GUI开发时测试文本渲染,因此开发了这个废话生成器。但由于生成的废话实在是太过富于哲理,所以最近已经被小伙伴们给玩坏了。 他的文风可能是这样的: 你发现,...
程序员:我终于知道post和get的区别
是一个老生常谈的话题,然而随着不断的学习,对于以前的认识有很多误区,所以还是需要不断地总结的,学而时习之,不亦说乎
《程序人生》系列-这个程序员只用了20行代码就拿了冠军
你知道的越多,你不知道的越多 点赞再看,养成习惯GitHub上已经开源https://github.com/JavaFamily,有一线大厂面试点脑图,欢迎Star和完善 前言 这一期不算《吊打面试官》系列的,所有没前言我直接开始。 絮叨 本来应该是没有这期的,看过我上期的小伙伴应该是知道的嘛,双十一比较忙嘛,要值班又要去帮忙拍摄年会的视频素材,还得搞个程序员一天的Vlog,还要写BU...
相关热词 c# 图片上传 c# gdi 占用内存 c#中遍历字典 c#控制台模拟dos c# 斜率 最小二乘法 c#进程延迟 c# mysql完整项目 c# grid 总行数 c# web浏览器插件 c# xml 生成xsd
立即提问