subset

向AI转型的程序员都关注了这个号 👇👇👇 大数据挖掘DT机器学习 公众号： datayx 接着上一次的一元线性回归 python机器学习：线性回归 往下讲，这篇文章要讲解的多元线性回归。 1、什么是多元线性回归模型？ 当 y 值的影响因素 不 唯一时, 采 用多元线性回归模型 。 例如商品的销售额可能不电视广告投入,收音机广告投入,报纸广告投入有关系,可以有 sales = β0+ β 1*TV+ β 2* radio+ β 3*newspaper. 2、使用pandas来读取数据 pandas 是一个用于数据探索、数据分析和数据处理的python库 import pandas as pd # read csv file directly from a URL and save the results data = pd .read_csv('/home/lulei/Advertising.csv') # display the first 5 rows data.head() 这里的Advertising.csv是来自http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv。大家可以自己下载。 上面代码的运行结果： TV Radio Newspaper Sales 0 230.1 37.8 69.2 22.1 1 44.5 39.3

今天找到了一个比较新手友好的slides，结合lec1和学姐的笔记一起看~ full-rank lattice 满格 R n \mathbb{R}^{n} R n 的概念：n维度实数集，每个元素是n维向量,向量中的每个分量是实数 Z n \mathbb{Z}^{n} Z n 的概念：n维度整数集，向量中每个分量是整数 格(lattice)是一种数学结构，定义为一组线性无关的非0向量（称作格基）的整系数线性组合。具体来说，给定一组格基 x 1 , … , x n x_{1}, \ldots, x_{n} x 1 ​ , … , x n ​ ，对任意的整数 c 1 , … , c n , c 1 x 1 + … + c n x n c_{1}, \ldots, c_{n}, \quad c_{1} x_{1}+\ldots+c_{n} x_{n} c 1 ​ , … , c n ​ , c 1 ​ x 1 ​ + … + c n ​ x n ​ 都是属于这个格的向量， n n n 称为格的维数。例如，下图表示了一个二维格和两组不同的格基： 一个格的格基可以不是唯一的，例如((2,1),(1,1))和((1,0),(0,1)）都是二维整数格的一组格基，即使定义了同样格的两组格基，长度也可能相差很大。一个维数足够高的格

import pandas excel =pandas.read_excel(r ' E:\pandas练习\成绩单.xlsx ' ) def low_score_red(s): color = " red " if s<60 else " black " return " color:{} " .format(color) a =excel.style.applymap(low_score_red,subset=[ ' test_1 ' , ' test_2 ' , ' test_3 ' ]) def highest_score_green(col): return [ " background-color:yellow;color:green " if s==col.max() else " background-color:green;color:brown " for s in col] a.apply(highest_score_green,subset =[ ' test_1 ' , ' test_2 ' , ' test_3 ' ]) 来源： oschina 链接： https://my.oschina.net/u/4392911/blog/4357975

服务端安装ansible [root@k8s-mater]yum install https://dl.fedoraproject.org/pub/epel/epel-release-latest-7.noarch.rpm [root@k8s-mater]yum install ansible -y [root@k8s-master ansible]# ansible --help Usage: ansible <host-pattern> [options] Options: -a MODULE_ARGS, --args=MODULE_ARGS module arguments -k, --ask-pass ask for SSH password --ask-su-pass ask for su password -K, --ask-sudo-pass ask for sudo password --ask-vault-pass ask for vault password -B SECONDS, --background=SECONDS run asynchronously, failing after X seconds (default=N/A) -C, --check don't make any changes; instead, try to predict

ceph scrub介绍 scrub的调度 1.1 相关数据结构 1.2 scrub的调度实现 1.2.1 OSD::sched_scrub函数 1.2.2 PG::sched_scrub()函数 1.3 scrub资源预约消息转换 scrub的实现 2.1 相关数据结构 2.1.1 Scrubber 2.1.2 Scrubmap 2.2 Scrub的控制流程 2.2.1 chunky_scrub() 2.3 构建Scrubmap 2.3.1 build_scrub_map_chunk 2.3.2 PGBackend::be_scan_list 2.3.3 ReplicatedBackend::be_deep_scrub 2.4 从副本处理，构建scrubmap 2.5 副本对比 2.5.1 scrub_compare_maps 2.5.2 be_compare_scrubmaps 2.5.3 be_select_auth_object 2.6 结束scrub过程 ceph scrub介绍 ceph通过scrub保证数据的一致性，scrub 以PG 的chunky为单位，对于每一个pg，ceph 分析该pg下的所有object, 产生一个类似于元数据信息摘要的数据结构，如对象大小，属性等，叫scrubmap, 比较所有有副本的scrubmap，选出auth 对象，通过对比auth