阿里云天池 Python訓練營Task4: Python數據分析：從0完成一個數據分析實戰 學習筆記

本學習筆記為阿里云天池龍珠計劃Python訓練營的學習內容，學習鏈接為：https://tianchi.aliyun.com/specials/promotion/aicamppython?spm=5176.22758685.J_6770933040.1.6f103da1tESyzu

一、學習知識點概要

本次主要通過阿里云天池的賽題【Python入門系列】用Pandas揭秘美國選民的總統喜好 進行學習，主要學習內容有：

  • 數據集獲取
  • 數據處理
  • 數據探索和清洗
  • 數據分析
  • 數據可視化

二、學習內容

1.數據集獲取

首先，我們需要獲取以下信息：

所有候選人信息
該文件為每個候選人提供一份記錄，并顯示候選人的信息、總收入、從授權委員會收到的轉賬、付款總額、給授權委員會的轉賬、庫存現金總額、貸款和債務以及其他財務匯總信息。
數據字段描述詳細:https://www.fec.gov/campaign-finance-data/all-candidates-file-description/
關鍵字段說明

  • CAND_ID 候選人ID
  • CAND_NAME 候選人姓名
  • CAND_PTY_AFFILIATION 候選人黨派

數據來源:https://www.fec.gov/files/bulk-downloads/2020/weball20.zip

?

候選人委員會鏈接信息
該文件顯示候選人的身份證號碼、候選人的選舉年份、聯邦選舉委員會選舉年份、委員會識別號、委員會類型、委員會名稱和鏈接標識號。
信息描述詳細:https://www.fec.gov/campaign-finance-data/candidate-committee-linkage-file-description/
關鍵字段說明

  • CAND_ID 候選人ID
  • CAND_ELECTION_YR 候選人選舉年份
  • CMTE_ID 委員會ID

數據來源:https://www.fec.gov/files/bulk-downloads/2020/ccl20.zip

?

個人捐款檔案信息?【注意】由于文件較大，本數據集只包含2020.7.22-2020.8.20的相關數據，如果需要更全數據可以通過數據來源中的地址下載。
該文件包含有關收到捐款的委員會、披露捐款的報告、提供捐款的個人、捐款日期、金額和有關捐款的其他信息。
信息描述詳細:https://www.fec.gov/campaign-finance-data/contributions-individuals-file-description/
關鍵字段說明

  • CMTE_ID 委員會ID
  • NAME 捐款人姓名
  • CITY 捐款人所在市
  • State 捐款人所在州
  • EMPLOYER 捐款人雇主/公司
  • OCCUPATION 捐款人職業

數據來源:https://www.fec.gov/files/bulk-downloads/2020/indiv20.zip

接著我們需要安裝詞云處理包

# 安裝詞云處理包wordcloud
!pip install wordcloud --user

2.數據處理

進行數據處理前，我們需要知道我們最終想要的數據是什么樣的，因為我們是想分析候選人與捐贈人之間的關系，所以我們想要一張數據表中有捐贈人與候選人一一對應的關系，所以需要將目前的三張數據表進行一一關聯，匯總到需要的數據。

2.1 將委員會和候選人一一對應，通過CAND_ID關聯兩個表

由于候選人和委員會的聯系表中無候選人姓名，只有候選人ID（CAND_ID），所以需要通過CAND_ID從候選人表中獲取到候選人姓名，最終得到候選人與委員會聯系表ccl。

# 導入相關處理包
import pandas as pd
# 讀取候選人信息，由于原始數據沒有表頭，需要添加表頭
candidates = pd.read_csv("weball20.txt", sep = '|',names=['CAND_ID','CAND_NAME','CAND_ICI','PTY_CD','CAND_PTY_AFFILIATION','TTL_RECEIPTS','TRANS_FROM_AUTH','TTL_DISB','TRANS_TO_AUTH','COH_BOP','COH_COP','CAND_CONTRIB','CAND_LOANS','OTHER_LOANS','CAND_LOAN_REPAY','OTHER_LOAN_REPAY','DEBTS_OWED_BY','TTL_INDIV_CONTRIB','CAND_OFFICE_ST','CAND_OFFICE_DISTRICT','SPEC_ELECTION','PRIM_ELECTION','RUN_ELECTION','GEN_ELECTION','GEN_ELECTION_PRECENT','OTHER_POL_CMTE_CONTRIB','POL_PTY_CONTRIB','CVG_END_DT','INDIV_REFUNDS','CMTE_REFUNDS'])
# 讀取候選人和委員會的聯系信息
ccl = pd.read_csv("ccl.txt", sep = '|',names=['CAND_ID','CAND_ELECTION_YR','FEC_ELECTION_YR','CMTE_ID','CMTE_TP','CMTE_DSGN','LINKAGE_ID'])
# 關聯兩個表數據
ccl = pd.merge(ccl,candidates)
# 提取出所需要的列
ccl = pd.DataFrame(ccl, columns=[ 'CMTE_ID','CAND_ID', 'CAND_NAME','CAND_PTY_AFFILIATION'])

數據字段說明：

  • CMTE_ID：委員會ID
  • CAND_ID：候選人ID
  • CAND_NAME：候選人姓名
  • CAND_PTY_AFFILIATION：候選人黨派

2.2 將候選人和捐贈人一一對應，通過CMTE_ID關聯兩個表

通過CMTE_ID將目前處理好的候選人和委員會關系表與人捐款檔案表進行關聯，得到候選人與捐贈人一一對應聯系表cil。

# 讀取個人捐贈數據，由于原始數據沒有表頭，需要添加表頭
# 提示：讀取本文件大概需要5-10s
itcont = pd.read_csv('itcont_2020_20200722_20200820.txt', sep='|',names=['CMTE_ID','AMNDT_IND','RPT_TP','TRANSACTION_PGI','IMAGE_NUM','TRANSACTION_TP','ENTITY_TP','NAME','CITY','STATE','ZIP_CODE','EMPLOYER','OCCUPATION','TRANSACTION_DT','TRANSACTION_AMT','OTHER_ID','TRAN_ID','FILE_NUM','MEMO_CD','MEMO_TEXT','SUB_ID'])
# 將候選人與委員會關系表ccl和個人捐贈數據表itcont合并，通過 CMTE_ID
c_itcont =  pd.merge(ccl,itcont)
# 提取需要的數據列
c_itcont = pd.DataFrame(c_itcont, columns=[ 'CAND_NAME','NAME', 'STATE','EMPLOYER','OCCUPATION','TRANSACTION_AMT', 'TRANSACTION_DT','CAND_PTY_AFFILIATION'])

數據說明

  • CAND_NAME – 接受捐贈的候選人姓名
  • NAME – 捐贈人姓名
  • STATE – 捐贈人所在州
  • EMPLOYER – 捐贈人所在公司
  • OCCUPATION – 捐贈人職業
  • TRANSACTION_AMT – 捐贈數額（美元）
  • TRANSACTION_DT – 收到捐款的日期
  • CAND_PTY_AFFILIATION – 候選人黨派

3.數據探索和清洗

進過數據處理部分，我們獲得了可用的數據集，現在我們可以利用調用shape屬性查看數據的規模，調用info函數查看數據信息，調用describe函數查看數據分布。

# 查看數據規模 多少行 多少列
c_itcont.shape
#(756205, 8)
# 查看整體數據信息，包括每個字段的名稱、非空數量、字段的數據類型
c_itcont.info()
'''
<class 'pandas.core.frame.DataFrame'>
Int64Index: 756205 entries, 0 to 756204
Data columns (total 8 columns):#   Column                Non-Null Count   Dtype 
---  ------                --------------   ----- 0   CAND_NAME             756205 non-null  object1   NAME                  756205 non-null  object2   STATE                 756160 non-null  object3   EMPLOYER              737413 non-null  object4   OCCUPATION            741294 non-null  object5   TRANSACTION_AMT       756205 non-null  int64 6   TRANSACTION_DT        756205 non-null  int64 7   CAND_PTY_AFFILIATION  756205 non-null  object
dtypes: int64(2), object(6)
memory usage: 51.9+ MB
'''

通過上面的探索我們知道目前數據集的一些基本情況，目前數據總共有756205行，8列，總占用內存51.9+MB，STATE、EMPLOYER、OCCUPATION有缺失值，另外日期列目前為int64類型，需要進行轉換為str類型。

#空值處理，統一填充 NOT PROVIDEDc_itcont['STATE'].fillna('NOT PROVIDED',inplace=True)c_itcont['EMPLOYER'].fillna('NOT PROVIDED',inplace=True)c_itcont['OCCUPATION'].fillna('NOT PROVIDED',inplace=True)
# 對日期TRANSACTION_DT列進行處理
c_itcont['TRANSACTION_DT'] = c_itcont['TRANSACTION_DT'] .astype(str)
# 將日期格式改為年月日  7242020	
c_itcont['TRANSACTION_DT'] = [i[3:7]+i[0]+i[1:3] for i in c_itcont['TRANSACTION_DT'] ]
# 再次查看數據信息
'''
c_itcont.info()<class 'pandas.core.frame.DataFrame'>
Int64Index: 756205 entries, 0 to 756204
Data columns (total 8 columns):#   Column                Non-Null Count   Dtype 
---  ------                --------------   ----- 0   CAND_NAME             756205 non-null  object1   NAME                  756205 non-null  object2   STATE                 756205 non-null  object3   EMPLOYER              756205 non-null  object4   OCCUPATION            756205 non-null  object5   TRANSACTION_AMT       756205 non-null  int64 6   TRANSACTION_DT        756205 non-null  object7   CAND_PTY_AFFILIATION  756205 non-null  object
dtypes: int64(1), object(7)
memory usage: 51.9+ MB
'''
# 查看數據表中數據類型的列的數據分布情況
c_itcont.describe()
'''TRANSACTION_AMT
count	7.562050e+05
mean	1.504307e+02
std	    2.320452e+03
min	   -5.600000e+03
25%	    2.000000e+01
50%	    3.500000e+01
75%	    1.000000e+02
max	    1.500000e+06
'''
# 查看單列的數據發布情況
c_itcont['CAND_NAME'].describe()
'''
count                 756205
unique                   312
top       BIDEN, JOSEPH R JR
freq                  507816
Name: CAND_NAME, dtype: object
'''

4.數據分析

# 計算每個黨派的所獲得的捐款總額，然后排序，取前十位
c_itcont.groupby("CAND_PTY_AFFILIATION").sum().sort_values("TRANSACTION_AMT",ascending=False).head(10)
'''TRANSACTION_AMT
CAND_PTY_AFFILIATION	DEM    75961730REP	37170653IND	328802LIB	169202DFL	76825GRE	18607NON	11256UNK	10195CON	4117BDY	3250
'''# 計算每個總統候選人所獲得的捐款總額，然后排序，取前十位
c_itcont.groupby("CAND_NAME").sum().sort_values("TRANSACTION_AMT",ascending=False).head(10)
'''TRANSACTION_AMTCAND_NAME	BIDEN, JOSEPH R JR	68111142TRUMP, DONALD J.	16594982SULLIVAN, DAN	9912465JACOBS, CHRISTOPHER L.	6939209BLOOMBERG, MICHAEL R.	3451916MARKEY, EDWARD J. SEN.	606832SHAHEEN, JEANNE	505446KENNEDY, JOSEPH P III	467738CORNYN, JOHN SEN	345959
FIGLESTHALER, WILLIAM MATTHEW MD	258221
'''

獲得捐贈最多的黨派有DEM(民主黨)、REP(共和黨)，分別對應BIDEN, JOSEPH R JR(拜登)和TRUMP, DONALD J.(特朗普)，從我們目前分析的2020.7.22-2020.8.20這一個月的數據來看，在選民的捐贈數據中拜登代表的民主黨完勝特朗普代表的共和黨，由于完整數據量過大，所以沒有對所有數據進行匯總分析，因此也不能確定11月大選公布結果就一定是拜登當選。

# 查看不同職業的人捐款的總額，然后排序，取前十位
c_itcont.groupby('OCCUPATION').sum().sort_values("TRANSACTION_AMT",ascending=False).head(10)
'''TRANSACTION_AMTOCCUPATION	
NOT EMPLOYED	24436214RETIRED	18669950
NOT PROVIDED	5089355ATTORNEY	4443569FOUNDER	3519109PHYSICIAN	3295595CONSULTANT	1647033LAWYER	1565976PROFESSOR	1481260EXECUTIVE	1467865
'''
# 查看每個職業捐款人的數量
c_itcont['OCCUPATION'].value_counts().head(10)
'''
NOT EMPLOYED    224109
RETIRED         151834
ATTORNEY         19666
NOT PROVIDED     14912
PHYSICIAN        14033
CONSULTANT        8333
PROFESSOR         8022
TEACHER           8013
ENGINEER          7922
SALES             6435
Name: OCCUPATION, dtype: int64
'''

從捐款人的職業這個角度分析，我們會發現NOT EMPLOYED(自由職業)的總捐贈額是最多，通過查看每個職業捐贈的人數來看，我們就會發現是因為NOT EMPLOYED(自由職業)人數多的原因，另外退休人員捐款人數也特別多，所以捐款總數對應的也多，其他比如像：律師、創始人、醫生、顧問、教授、主管這些高薪人才雖然捐款總人數少，但是捐款總金額也占據了很大比例。

# 每個州獲捐款的總額，然后排序，取前五位
c_itcont.groupby('STATE').sum().sort_values("TRANSACTION_AMT",ascending=False).head(5)
'''TRANSACTION_AMT
STATE	CA	19999115NY	11468537FL	8128789TX	8101871MA	5187957
'''
# 查看每個州捐款人的數量
c_itcont['STATE'].value_counts().head(5)
'''
CA    127895
TX     54457
FL     54343
NY     49453
MA     29314
Name: STATE, dtype: int64
'''

最后查看每個州的捐款總金額，我們會發現CA(加利福利亞)、NY(紐約)、FL(弗羅里達)這幾個州的捐款是最多的，在捐款人數上也是在Top端，另一方面也凸顯出這些州的經濟水平發達。 大家也可以通過數據查看下上面列舉的高端職業在各州的分布情況，進行進一步的分析探索。

5.數據可視化

首先導入相關Python庫

# 導入matplotlib中的pyplot
import matplotlib.pyplot as plt
# 為了使matplotlib圖形能夠內聯顯示
%matplotlib inline
# 導入詞云庫
from wordcloud import WordCloud,ImageColorGenerator

5.1 按州總捐款數和總捐款人數柱狀圖

# 各州總捐款數可視化
st_amt = c_itcont.groupby('STATE').sum().sort_values("TRANSACTION_AMT",ascending=False)[:10]
st_amt=pd.DataFrame(st_amt, columns=['TRANSACTION_AMT'])
st_amt.plot(kind='bar')
<AxesSubplot:xlabel='STATE'>

5.2 各州捐款總人數可視化

# 各州捐款總人數可視化，取前10個州的數據
st_amt = c_itcont.groupby('STATE').size().sort_values(ascending=False).head(10)
st_amt.plot(kind='bar')
<AxesSubplot:xlabel='STATE'>

5.3 熱門候選人拜登在各州的獲得的捐贈占比

# 從所有數據中取出支持拜登的數據
biden = c_itcont[c_itcont['CAND_NAME']=='BIDEN, JOSEPH R JR']
# 統計各州對拜登的捐款總數
biden_state = biden.groupby('STATE').sum().sort_values("TRANSACTION_AMT", ascending=False).head(10)
# 餅圖可視化各州捐款數據占比
biden_state.plot.pie(figsize=(10, 10),autopct='%0.2f%%',subplots=True)
array([<AxesSubplot:ylabel='TRANSACTION_AMT'>], dtype=object)

5.3 總捐最多的候選人捐贈者詞云圖

通過數據分析中獲得捐贈總額前三的候選人統計中可以看出拜登在2020.7.22-2020.8.20這期間獲得捐贈的總額是最多的，所以我們以拜登為原模型，制作詞云圖。

首先下載圖片模型,這里提供的是已經處理好的圖片，有興趣的選手可以自己寫代碼進行圖片處理
# 處理結果：需要將人圖像和背景顏色分離，并純色填充，詞云才會只顯示在人圖像區域
# 拜登原圖：https://img.alicdn.com/tfs/TB1pUcwmZVl614jSZKPXXaGjpXa-689-390.jpg
# 拜登處理后圖片：https://img.alicdn.com/tfs/TB10Jx4pBBh1e4jSZFhXXcC9VXa-689-390.jpg
!wget https://img.alicdn.com/tfs/TB10Jx4pBBh1e4jSZFhXXcC9VXa-689-390.jpg
# 由于下載圖片文件名過長，我們對文件名進行重命名
import os
os.rename('TB10Jx4pBBh1e4jSZFhXXcC9VXa-689-390.jpg', 'biden.jpg')
# 將所有捐贈者姓名連接成一個字符串
data = ' '.join(biden["NAME"].tolist())
# 讀取圖片文件
bg = plt.imread("biden.jpg")
# 生成
wc = WordCloud(# FFFAE3background_color="white",  # 設置背景為白色，默認為黑色width=890,  # 設置圖片的寬度height=600,  # 設置圖片的高度mask=bg,    # 畫布margin=10,  # 設置圖片的邊緣max_font_size=100,  # 顯示的最大的字體大小random_state=20,  # 為每個單詞返回一個PIL顏色
).generate_from_text(data)
# 圖片背景
bg_color = ImageColorGenerator(bg)
# 開始畫圖
plt.imshow(wc.recolor(color_func=bg_color))
# 為云圖去掉坐標軸
plt.axis("off")
# 畫云圖，顯示
# 保存云圖
wc.to_file("biden_wordcloud.png")

<wordcloud.wordcloud.WordCloud at 0x7f64fca05400>

三、學習問題與解答

學習問題出現還是蠻多的，主要是出現的方法的機理，參數的作用不清楚。

四、學習思考與總結

本次學習的內容如果要完全理解對我這種幾天前才開始學Python的人來說還是挺難的，里面有涉及到安裝包、引入庫的操作。引入的那些如Pandas、wordcloud包里面的方法不熟悉，學習起來比較吃力。這些例程做下記錄，以后會好好學習弄懂。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/387401.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/387401.shtml
英文地址，請注明出處：http://en.pswp.cn/news/387401.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

JMETER從JSON響應中提取數據

JMETER從JSON響應中提取數據

如果你在這里&#xff0c;可能是因為你需要使用JMeter從Json響應中提取變量。 好消息&#xff01;您正在掌握掌握JMeter Json Extractor的權威指南。作為Rest API測試指南的補充&#xff0c;您將學習掌握Json Path Expressions 所需的一切。 我們走吧&#xff01;并且不要驚慌&…
閱讀更多...
centos7安裝oracle12c 二

centos7安裝oracle12c 二

環境&#xff1a;CentOS7VMware12&#xff0c;分配資源&#xff1a;CPU&#xff1a;2顆&#xff0c;內存&#xff1a;4GB&#xff0c;硬盤空間&#xff1a;30GB Oracle 12C企業版64位 下載地址&#xff1a;http://www.oracle.com/technetwork/database/enterprise-edition/down…
閱讀更多...
阿里云天池 Python訓練營Task5：Python訓練營測試 學習筆記

阿里云天池 Python訓練營Task5：Python訓練營測試 學習筆記

一、學習知識點概要 本次是Python訓練營的測試&#xff0c;在45分鐘內完成25題&#xff0c;滿分100分及格80分。題目主要考察Task1到Task3里面的Python基礎知識。在我隨到的25道題里&#xff0c;知識點有&#xff1a; 變量&#xff08;包括數據類型和容器類型&#xff09;運算…
閱讀更多...
centos7安裝oracle12c 三

centos7安裝oracle12c 三

場景描述&#xff1a;我在自己電腦的虛擬機上linux環境下安裝oracle11g數據庫。 Linux版本為&#xff1a;CentOS release 6.8 (Final)&#xff0c;Oracle版本為&#xff1a;linux.x64_11gR2 問題描述&#xff1a;在oracle安裝到Prerequisite Checks這一步的時候&#xff0c;出現…
閱讀更多...
mysql刪除一條記錄

mysql刪除一條記錄

mysql如何刪除一條記錄delete from 表名 where 條件實例&#xff1a;use db1delete from tb1 where id 1; 轉載于:https://www.cnblogs.com/effortsing/p/10393229.html
閱讀更多...
HBase體系結構

HBase體系結構

HBase HBase是Apache Hadoop的數據庫&#xff0c;基于HDFS文件系統 random,realtime read/write access to Big Data 開源、分布式、可擴展、面向列 larger tables--billions of rows X millions of columns 不支持表鏈接操作 不支持事務處理 HBase存儲的數據從邏輯上來…
閱讀更多...
《屬性數據分析引論》 部分課后習題R語言實踐（第三章、第四章）

《屬性數據分析引論》 部分課后習題R語言實踐（第三章、第四章）

目錄 前言 第三章 廣義線性模型 習題3.18 a小題 b小題 c小題 d小題 習題3.19 a小題 b小題 c小題 第四章 Logistic回歸 習題4.1 a小題 b小題 c小題 d小題 e小題 習題4.2 a小題 b小題 c小題 d小題 小結 前言 習題選自高等教育出版社譯制&#xff0c;Alan A…
閱讀更多...
Linux下SVN搭建

Linux下SVN搭建

在Linux系統中搭建svn服務所需要用到的軟件叫做subversion&#xff0c;可以通過yum來進行安裝&#xff0c;如圖 安裝好軟件后第一件事就是創建一個倉庫目錄 [rootserver1 ~]# mkdir /svn 使用svn自帶命令建立倉庫 [rootserver1 ~]# svnadmin create /svn 進入該倉庫&#xff0c…
閱讀更多...
HBase模式設計

HBase模式設計

HBase的使用是為了解決或優化某一問題 恰當的設計模式可以使其具有HBase本身所不具有的功能&#xff0c;并且使其執行效率得到成百上千倍的提高 在進行HBase數據庫模式設計的時候&#xff0c;不當的設置可能對系統的性能產生不良的影響 需要注意&#xff1a; 1、列族的數量及…
閱讀更多...
C++STL特殊容器priority_queue

C++STL特殊容器priority_queue

在了解priority_queue&#xff08;優先隊列&#xff09;前&#xff0c;可以先去瞅瞅queue&#xff0c;下面是傳送門啦>——< 傳送門 priority_queue的基本性能 class priority_queue<>實現出一個queue&#xff0c;只不過其中的元素依照優先級被讀取。priority_queu…
閱讀更多...
可用于多元正態的參數估計 及 均值向量和協差陣檢驗 的R語言函數總結

可用于多元正態的參數估計 及 均值向量和協差陣檢驗 的R語言函數總結

一、多元正態的參數估計 1.1 樣本均值 在R語言中&#xff0c;均值通常用函數mean()得到&#xff0c;但是mean()只能計算一維變量的樣本均值&#xff0c;在面對多元隨機變量的樣本時&#xff0c;假設我們以數據框的形式保存樣本&#xff0c;我們有以下方法可以得到樣本均值&…
閱讀更多...
30秒的PHP代碼片段-MATH

30秒的PHP代碼片段-MATH

本文來自GitHub開源項目 點我跳轉 30秒的PHP代碼片段 精選的有用PHP片段集合&#xff0c;您可以在30秒或更短的時間內理解這些片段。數學函數 average 返回兩個或多個數字的平均值。 function average(...$items) { $count count($items); return $count 0 ? 0 : array_sum(…
閱讀更多...
Hive簡介

Hive簡介

Hive最初是應Facebook每天產生的海量新興社會網絡數據進行管理和機器學習的需求而產生和發展的 是建立在Hadoop上的數據倉庫基礎架構 作為Hadoop的一個數據倉庫工具&#xff0c;Hive可以將結構化的數據文件映射為一張數據庫表&#xff0c;并提供簡單的SQL查詢功能 Hive作為數…
閱讀更多...
可用于 線性判別、聚類分析 的R語言函數總結

可用于 線性判別、聚類分析 的R語言函數總結

一、判別分析 判別分析是一種分類技術&#xff0c;其通過一個已知類別的“訓練樣本”來建立判別準則&#xff0c;并通過預測變量來為未知類別的數據進行分類。根據判別的模型分為線性判別和非線性判別&#xff0c;線性判別中根據判別準則又分為Fisher判別&#xff0c;Bayes判別…
閱讀更多...
Linux 環境下搭建 Jenkins（Hudson）平臺

Linux 環境下搭建 Jenkins（Hudson）平臺

安裝jenkins&#xff1a;安裝 jenkins 有兩種方式&#xff1a;安裝方式一&#xff1a; [java] view plaincopysudo java -jar jenkins.war –httpPort18080 –ajp13Port18009 但是很多時候我們是使用SSH方式到目標機器上的&#xff0c;放我們關閉SSH連接時&#xff0c;這個命…
閱讀更多...
Android APK 打包過程 MD

Android APK 打包過程 MD

Markdown版本筆記我的GitHub首頁我的博客我的微信我的郵箱MyAndroidBlogsbaiqiantaobaiqiantaobqt20094baiqiantaosina.comAndroid APK 打包流程 MD 目錄 目錄APK 的打包流程整體流程資源的編譯和打包資源ID資源索引概況具體打包過程aapt階段aidl階段Java Compiler階段dex階段a…
閱讀更多...
可用于 主成分分析、R型因子分析、簡單相應分析 的R語言函數總結

可用于 主成分分析、R型因子分析、簡單相應分析 的R語言函數總結

一、主成分分析 主成分分析是多元統計分析的一種常用的降維方法&#xff0c;它以盡量少的信息損失&#xff0c;最大程度將變量個數減少&#xff0c;且彼此間互不相關。提取出來的新變量成為主成分&#xff0c;主成分是原始變量的線性組合。 1.1 KMO檢驗和Bartlett球形檢驗 在…
閱讀更多...
[國家集訓隊]墨墨的等式

[國家集訓隊]墨墨的等式

Description 墨墨突然對等式很感興趣&#xff0c;他正在研究a1x1a2y2…anxnB存在非負整數解的條件&#xff0c;他要求你編寫一個程序&#xff0c;給定N、{an}、以及B的取值范圍&#xff0c;求出有多少B可以使等式存在非負整數解。 Input 輸入的第一行包含3個正整數&#xff0c;…
閱讀更多...
Storm簡介

Storm簡介

Storm是實時流式數據處理框架&#xff0c;支持多種編程語言 應用案例&#xff1a; realtime analytics online machine learning continuous computation distributed RPC ETL 性能&#xff1a;a million tuples per second per node 可擴展、高容錯 結合消息隊列和數據庫…
閱讀更多...
持續集成之Jenkins安裝部署

持續集成之Jenkins安裝部署

安裝JDKJenkins是Java編寫的&#xff0c;所以需要先安裝JDK&#xff0c;這里采用yum安裝&#xff0c;如果對版本有需求&#xff0c;可以直接在Oracle官網下載JDK。 [rootlinux-node1 ~]# yum install -y java-1.8.0 安裝Jekins [rootlinux-node1 ~]# cd /etc/yum.repos.d/ […
閱讀更多...
最新文章

Copyright @ 2022~2023