tag 數據

標籤
貢獻710
388
05:56 PM · Oct 25 ,2025
u_13357275 頭像 u_17579295 頭像 u_16565975 頭像 tech 頭像 u_15745565 頭像 u_15469972 頭像 u_17567677 頭像 u_14767244 頭像 u_16653481 頭像 u_17420180 頭像 u_13715298 頭像 u_15988698 頭像

@數據 / 博客 RSS 訂閱

u_16099249 頭像

雲端築夢大師 - presto分析函數

級別： 中級 Goran Begic, 高級 IT 工程師, IBM Allan Pratt, 首席工程師, IBM 2007 年 5 月 14 日 本文來自於 Rational Edge：本文討論了其他 Rational 最佳實踐中的運行時分析，並概述了其對軟件開發人員、測試人

分析工具 , presto分析函數 , 數據 , 雲計算 , 雲原生 , Visual

收藏 評論

u_16970152 頭像

求知上進 - Python 數據結構：可變與不可變

1.前言 在 Python 中，數據結構的選擇直接影響程序的性能和可維護性。可變（mutable）與不可變（immutable）數據結構是 Python 數據模型的核心概念。這些概念不僅影響數據的存儲方式，還影響數據的操作方式。 理解可變與不可變數據結構的特性，可以幫助我們更有效地進行數據處理、內存管理和性能優化。在日常編程中，選擇合適的數據結構不僅能提高代碼效率，還

不可變對象 , 數據 , 數據結構 , 人工智能 , 深度學習

收藏 評論

u_16099267 頭像

雲端創新夢想家 - 機器學習算法--python實現應用機器學習於情感分析-訓練文檔分類_糯米君

章節導語 “圖像是靜止的像素矩陣，而語言是流動的河流。你無法只看‘銀行’這兩個字就明白它的意思，因為在‘河邊的銀行’和‘存款的銀行’中，它的含義截然不同。” 歡迎來到人工智能最迷人也最困難的領域——自然語言處理（Natural Language Processing, NLP）。 在上一章，我們處理的是圖像，它們是固定大小的網格（比如 ）。但文

數據 , 自然語言處理 , 人工智能 , 全連接 , Css , 前端開發 , HTML , Python

收藏 評論

u_16213631 頭像

mob64ca1403c772 - Collapse圖標居左elementui

Excel迷你圖支持三種類型：折線圖、柱形圖、盈虧圖；由於迷你圖只佔用了一個單元格的位置，非常小巧，所以非常適合數據量大、或者分析儀表盤中使用。 一、插入迷你圖 選擇將要在迷你圖中展示的數據，切換到【插入】功能頁籤，點擊“迷你圖”功能組的“折線圖”功能按鈕，將打開“創建迷你圖”窗口，剛才選擇的數據區域已經顯示在“數據範圍”中，光

機器學習 , 數據區 , 數據 , 座標軸 , 人工智能

收藏 評論

u_17567677 頭像

沃觀態勢感知 - 國外社交媒體分析服務如何指引出海企業的全球市場戰略

隨着全球消費者行為日趨線上化，社交媒體已經成為品牌認知、口碑生成和用户溝通的第一線陣地。對以全球市場為目標的出海企業來説，決策不再依賴主觀判斷，而是依託來自不同國家、文化圈和平台生態的用户行為數據。國外社交媒體分析服務因此成為企業制定市場戰略的核心工具，它不僅提供表層數據，更通過對內容傳播、消費者態度、競品動態和文化偏好的深入解析，為品牌提供可執行的市場佈局方案。 出海企業

碎片化 , 數據 , 人工智能 , 數據分析 , 社交媒體

收藏 評論

u_16213585 頭像

mob64ca13f8b166 - grafana往上翻頁

MOSS 2007開發中難免會碰到列表方式展現數據並進行翻頁功能的要求，MOSS 2007的對象模型中，實現翻頁的是SPListItemCollection的ListItemCollectionPosition屬性，但是這個屬性僅記錄和下一頁的起始位置，並沒有屬性來記錄上一頁的位置，所以實現上翻頁就比較麻煩了，而且只能一頁一頁的翻不能進行跳轉翻頁。如果要實現上述功能就要計算出所有

grafana往上翻頁 , 數據 , 雲計算 , 分頁 , text , 雲原生

收藏 評論

u_14306318 頭像

咚咚王哲 - 人工智能之數據分析 numpy：第六章 數組基本操作

人工智能之數據分析 numpy 第六章 數組基本操作 (文章目錄) 前言 NumPy 提供了豐富而高效的​數組基本操作​，包括形狀變換、維度調整、連接與分割、元素增刪、翻轉、對角線提取等。這些操作在數據預處理、圖像處理、科學計算中極為常用。 一、修改數組形狀（Reshaping） 1. reshape() 返回一個具有新形狀的​

數組 , yyds乾貨盤點 , 數據 , 後端開發 , Python

收藏 評論

u_16565975 頭像

計算機專業指導老師 - 基於VUE的藝術玻璃銷售管理系統[VUE]-計算機畢業設計源碼+LW文檔

摘要：隨着藝術玻璃市場的不斷髮展和信息化需求的增長，傳統的銷售管理方式已難以滿足企業高效運營的要求。本文旨在設計並實現一個基於VUE框架的藝術玻璃銷售管理系統，通過現代化的前端技術和合理的系統架構，提升藝術玻璃銷售管理的效率和水平。該系統具備用户管理、玻璃類型管理、商品管理、訂單信息管理等功能模塊，能夠滿足藝術玻璃銷售企業在日常運營中的多樣化需求，提高企業的信息化管理能力和市場競

軟件研發 , 數據 , 信息管理 , 管理系統

收藏 評論

u_16213665 頭像

mob64ca140beea5 - 工業自動化論述

工業自動化核心架構與概念綜述（SCADA / DCS / PLC 及周邊生態） 本文對工業自動化領域常見的框架與概念進行結構化梳理與補充，便於工程選型、體系設計與溝通。內容涵蓋 SCADA、DCS、PLC（含軟PLC/安全PLC/PAC）、RTU、現場總線、HMI、OPC UA、IIoT、MES 等主流技術與典型應用場景，並給出選型建議與最佳實踐要點。

數據 , 後端開發 , 現場總線 , 工業自動化 , Python

收藏 評論

u_17006198 頭像

悟已往之不諫 - can通信案例

... /* USER CODE BEGIN 1 */ void User_Config_Filter(void) { // 給FIFO0配置一個過濾器0 CAN_FilterTypeDef filter_config; filter_config.FilterBank = 0; filter_config.FilterFIFOAssignment =

User , 數據 , 物聯網 , 賦值

收藏 評論

u_15702012 頭像

呀哈哈kk - 【詳解】Hive操作語句整理

Hive操作語句整理 Apache Hive 是一個基於 Hadoop 的數據倉庫工具，可以將結構化的數據文件映射為一張數據庫表，並提供簡單的 SQL 查詢功能，可以將 SQL 語句轉換為 MapReduce 任務進行運行。本文將對常用的 Hive 操作語句進行整理，幫助初學者快速掌握 Hive 的基本使用方法。 1. 創建數據庫 在 Hive 中，可以通過以下

數據 , hive , 數據庫 , 後端開發 , JAVA

收藏 評論

u_16213657 頭像

mob64ca140a1f7c - docker-compose 基礎和介紹

Docker Compose 的主要功能可以總結為一句話： 👉 用一個配置文件（docker-compose.yml），一次性管理、啓動、停止、編排多個 Docker 容器。 下面是它的核心功能點（簡單明瞭版）： 🧩 1. 多容器編排（Multi-container orchestration） 把 多個需要協同工作的服務（如：we

數據 , 後端開發 , 重啓 , Docker , Python

收藏 評論

u_16099199 頭像

數據俠客行 - 用python批量提取excel單元格圖片並保存

一、快速掌握excel分析技能 1、excel學習 excel教程不要太多，如何快速學習excel，我之前也回答過，反正就是逮住一本教程，照着練： 把一本體系化的excel教程吃透了，就足以應對業務工作所需的數據分析了。 2、excel實操 好用的函數能讓你數據分析時，如有神助，下面是我在數據分析時

python做excel數據分析統計服 , 數據 , 後端開發 , 數據分析 , 數據處理 , Python

收藏 評論

teletest1 頭像

xinertel - WIFI耦合測試方案詳解

為何網絡終端設備的WiFi測試，首選射頻功率耦合測試？ WiFi上網的核心是“信號傳得出去、收得進來”，而射頻（RF）功率直接決定信號的傳輸距離與穩定性——功率過弱會導致隔牆斷連，功率超標干擾其他設備易引發信道爭搶、上網卡頓。 傳統屏蔽箱吞吐量測試雖能反映實際體驗，但批量生產場景中存在效率低、佔地廣的問題。RF功率耦合測試方案可實現1拖16批

功能測試 , 多任務 , 數據 , 網絡安全

收藏 評論

u_16739385 頭像

夢的點滴 - 前端緩存策略：HTTP 緩存與本地存儲實戰

做前端性能優化時，緩存是繞不開的話題。第一次優化電商項目時，發現用户每次打開頁面都要重新加載大量圖片和 JS 文件，加載時間超過 5 秒。後來用了緩存策略，把重複請求的資源緩存起來，首屏加載直接降到 2 秒內，用户體驗提升明顯。 前端緩存主要分兩類：HTTP 緩存（針對網絡請求）和本地存儲（針對前端數據）。前者讓瀏覽器少發請求，後者讓前端少處理數據，兩者配合能大幅提升性能。

數據 , HTTP , 緩存 , 前端開發 , Javascript

收藏 評論

lizhuo6 頭像

oioihoii - C++數據競爭與無鎖編程

在多核處理器成為標配的今天，併發編程從"錦上添花"變成了"必不可少"。然而，併發在帶來性能提升的同時，也引入了新的複雜性——數據競爭。傳統鎖機制雖然直觀，但在高併發場景下可能成為性能瓶頸。無鎖編程作為替代方案，提供了更高的併發度，但也帶來了前所未有的複雜性。 一、數據競爭的本質 1.1 什麼是數據競爭？ 數據競爭發生在多個線程同時訪問同一內存位置，且至少有一個線程執行寫操作，

無鎖 , 數據 , c++ , 後端開發 , 無鎖編程 , c

收藏 評論

u_16213718 頭像

mob64ca1418aeab - BMS（電池管理系統）第一課——BMS系統框架簡介什麼是BMS？

BMS（電池管理系統）架構詳細講解 從你提供的BMS（Battery Management System）架構圖來看，主要涉及到電池監控模塊、通信模塊、功率控制模塊等部分。下面我將詳細講解該架構的各個功能模塊及其工作原理。 1. 電池管理核心模塊 電池管理系統的核心部分由BQ76930芯片組成（圖中的兩個芯片，分別對應8節和9節

數據 , 架構 , 後端開發 , 預充電 , 通信接口 , Python

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI能掐會算？揭秘工廠裏的“預言家”：故障預測系統

想象一下：你工廠裏那台價值千萬的核心設備，突然在凌晨三點停止運轉——生產線中斷、訂單延誤、損失以秒計算。現在，另一個場景：系統提前三天發來預警：“C區7號軸承將於72小時後異常，建議週四早班檢修。”這不是魔法，而是AI故障預測系統在發揮作用。 這個“預言家”究竟如何工作？ 核心原理很簡單：從數據中尋找故障的“前奏模式”。就像老技師聽機器聲音能判斷問題，AI則通過海量數據“學習”故

數據 , NLP , 數據中心 , 人工智能 , 深度學習

收藏 評論

u_16213565 頭像

編程藝術大師 - Simple Icons -

Simple Icons 品牌圖標 popularity 評估標準：SimilarWeb 排名與下載量分析 你是否曾好奇為什麼有些品牌圖標能被收錄進 Simple Icons，而另一些卻不能？作為全球最受歡迎的開源品牌圖標庫，Simple Icons 有着嚴格的收錄標準。本文將深入解析其核心評估體系，重點解讀 SimilarWeb 排名與下

ico , 數據 , 開發者 , 前端開發 , Javascript

收藏 評論

u_13715298 頭像

技術員阿偉 - 《遊戲評論區輿情量化與運營預警實戰指南》

遊戲評論區早已不是簡單的互動場域，而是藏着用户情緒密碼的隱形監測站。每一條留言背後，都涌動着未被言説的態度傾向，每一次情緒共振，都可能醖釀成影響內容生命週期的輿情浪潮。多數運營者仍停留在“人工刷評”的低效階段，要麼錯過情緒發酵的黃金預警期，要麼被海量無效信息誤導決策，而真正的進階玩法，在於將散落的評論情緒轉化為可量化的輿情信號，通過精準解碼實現“情緒未爆先預警”，讓運營動作從被動

yyds乾貨盤點 , 數據 , 錨點 , 權重 , 代碼人生

收藏 評論

u_16099238 頭像

碼海探險家 - sumo設置公交車站_城市交通仿真平台SUMO.pdf_weixin

SUMO-Web3D：突破性3D交通可視化引擎 — 沉浸式微觀模擬與實時交互體驗 SUMO-Web3D是一款革新性的開源工具，它將傳統的SUMO交通模擬器無縫遷移至3D網頁環境。通過TraCI接口與three.js圖形庫的深度整合，用户可在瀏覽器中直觀觀察車輛行駛、行人流動等微觀交通行為，支持自定義場景配置與多維度交互控制。無論是城市交通規

大數據 , 數據 , hadoop , 3d

收藏 評論

u_17532872 頭像

mb68d0c3c853079 - AI降噪引領下的合規新格局——金融API風險監測系統全景實踐

一、概要： （提示：在金融行業數字化深入推進的背景下，API已成為支撐業務創新的關鍵載體。）金融行業的數字化轉型正從“系統互聯”邁向“數據智能”。在這一過程中，API承擔着開放銀行、跨境支付、智能投顧等核心業務的連接樞紐，成為金融科技生態的核心接口。然而，隨着調用規模爆炸式增長，API已從“業務橋樑”演變為潛在的“風險通道”。針對這一趨勢，推出了“知影-API風

風控 , 數據 , 網絡安全 , API

收藏 評論

u_16700356 頭像

mofcloud - AI API 聚合：跨多個 LLM 的成本與複雜性管理

如果你在沒有聚合層的情況下使用多個 LLM，就像在同時管理好幾個不同的雲平台——能用，但賬單往往會讓人吃驚。 大多數團隊並不是主動選擇多模型架構，而是逐步累積出來的：一個模型負責推理，一個負責總結，再加一個用於客服微調。 半年之後，AI 技術棧就變成了充滿不同計費方式和 token 規則的 API 迷宮。 AI API 聚合能解決這個問題。

FinOps , 數據 , 雲計算 , API , AI , 雲原生

收藏 評論

u_13715298 頭像

技術員阿偉 - 《從數據到轉化：遊戲地域偏好驅動的精準推送指南》

有些團隊投入大量資源做全量推送，卻始終困在“高曝光低轉化”的死循環裏，核心癥結在於無視不同地區玩家的地域行為基因差異—同款硬核競技活動，在北方地區的參與率可能高達40%，而在南方地區卻不足10%；一套休閒掛機玩法，在東部沿海城市的7日留存率能達到65%，在西北內陸卻僅為30%。這種差異並非偶然，而是地域文化積澱、作息節律差異、審美取向分化、社交習慣不同等多重因素長期塑造的結果。真

差異化 , yyds乾貨盤點 , 數據 , 推送 , 代碼人生

收藏 評論