sugar

这篇文字是我好久以来的想法，有一些感悟，有一些激烈的言辞，我很自豪我就是一名程序员，我希望给程序员或者前程序员们带来一点启发。也许你认可我的言辞，也许你不屑我的观点，无论如何，欢迎谈谈你的看法。 让程序员做更多种类的事 为什么有人说小公司锻炼人？在小公司，条件并不那么齐备，很多事情都需要程序员自己做，自己去澄清需求、自己做设计、自己搭建环境、自己测试，甚至自己上线、自己维护（这件事情在我们团队被称为“自己吃自己狗食”）。 然而到了某些公司，在一些正规的流程下，“人”反而显得不那么重要了：一个完、整的流程被切分成若干环节，程序员只能负责那小小的一环，更严重的是，他们显示出消极和片面的情绪，他们称自己码农，自嘲并且觉得在总做一些低级和毫无技术含量的事情。 关于“码农”——这似乎是一件很悲哀的事情，在美国，程序员是一个相当值得尊敬的行业，硅谷的技术员工很早年薪平均已经超过10万美元；在中国，教师的行业起码获得了人们口头上的尊敬（虽然实质上也许并没有获得应有的待遇），而程序员，往往只能看到自己给自己呐喊。 这里没有绝对的对错之分，但我一直在博客中强调软件开发实质是一种创造性的劳动，只是在一个流程严格控制的公司内，这样的创造的火花可能被扼杀， 换来的好处是人员的流动中，代价最小化：谁都可以走、谁都可以代替谁，所有问题都被认为只是时间问题……那么，程序员，你的自我价值何在呢？ 关于测试

Sugar-Electron 基于Electron的轻量级开发框架 前言 关于应用稳定性 关于开发效率低 特性 设计原则 安装 脚手架 核心功能 基础进程类——BaseWindow 举个例子 服务进程类——Service 举个例子 进程通信——ipc 请求响应 举个例子 发布订阅 举个例子 主进程与渲染进程间通信（进程名"main"，为主进程预留） 举个例子 进程管理——windowCenter 举个例子 进程间状态共享——store 举个例子 配置——config 举个例子 插件——plugins 插件封装 插件安装 插件使用 自动初始化核心模块 举个例子 注意事项 API start BaseWindow Service windowCenter ipc store 前言 今天给大家带来一款基于Electron桌面开发平台的自研应用框架Sugar-Electron，期望能改善Electron应用稳定性和帮助开发团队降低开发和维护成本。 笔者使用Electron做桌面应用，已经有3年的时间，期间也遇到很多大大小小的坑。但总结起来，最大的问题还是应用稳定性和开发效率问题。我们期望通过这个框架，能让应用程序在这两个方面有所优化。 项目源码地址： https://github.com/SugarTurboS/Sugar-Electron 如有任何疑问，可以扫码加入微信群聊讨论

持续优化中~~~ 研究背景： 中国制酒历史源远流长，品种繁多，名酒荟萃，享誉中外。其中，黄酒跟白酒是两种主要的酒类。它们渗透于中华民族的源远流长的文明史中，对文学创作、文化娱乐、饮食文化的影响更是起到一个重要作用。但是，随着全球化的脚步，我们的生活中渐渐出现了红葡萄酒、白葡萄酒。喝葡萄酒渐渐成为一种时尚。百度了一下葡萄酒的功能，有如下： 1）葡萄酒中含有抗氧化成分和丰富的酚类化合物，可防止动脉硬化和血小板凝结，保护并维持心脑血管系统的正常生理机能，起到保护心脏、防止中风的作用； 2） 饮用葡萄酒对女性有很好的美容养颜的功效，可养气活血，使皮肤富有弹性。 好像还很不错的样子。在 UCI数据库中，发现一个关于葡萄酒质量评分的数据集，于是决定来探讨一下影响葡萄酒口感的因素是什么。 目的： 从UCI下载数据集:Wine Quality Data Set ,里面包含红葡萄酒和白葡萄酒的2个样本数据集。里面均包含葡萄酒的11个物理化学方面的因素，还有1个对葡萄酒质量的测评平均分数（0-10分）。现采用其白葡萄酒数据，对该数据集进行一定的数据分析： （1）建立回归模型，研究这些性质是怎样影响白葡萄酒的质量评价 （2）找出影响较大的前三因素 （3）这些物理化学性质之间是否存在一定的关系 目录： 一.数据探索分析&数据预处理 二.建模分析 三.总结与建议 一.数据探索分析&数据预处理 import

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ 导读： Facebook和谷歌非常方便，但是这些创新产品远远无法与电力的发明，甚至室内厕所和清洁水相媲美，后者在改善人类健康、延长人类寿命方面发挥了至关重要的作用。 大数据、人工智能等技术的发展、科技巨头的崛起，为我们创造生活便利的同时，又带来了哪些危机和隐患？我们应该如何面对？ 01 高科技时代的零失业现象 半个多世纪以前，著名数学家约翰·冯·诺依曼曾提出，也许有一天，生产一台机器的成本会低于雇用或训练一个“工人”的成本，而这些机器将由其他学习如何生产机器的机器来生产。从企业的角度考虑，让机器替代人力的关键原因并不仅仅是机器提高了生产率。机器的设计、制造和管理比人力资源管理要容易和便宜得多。 比如，机器不会像人类那样罢工，也不需要专门设立一个人力资源部门来照顾人们的需求，而且机器不会被感情因素左右。正如之前我们所提到的关于放射科医生被机器取代的例子一样，诺依曼的预言正在成为现实。考虑到人工智能在过去5年所取得的进步，在未来，机器能取代的工作的范围和种类只会不断加速扩大。 在某些领域，人工智能的进步并不会取代劳动力，反而会提升人们的工作效率，这种创新往往被称为智能辅助创新。类似这样的创新形式可以增加社会对劳动力的需求，提高人们的工资水平。过去很多科技方面的革新都是智能辅助创新

数据可视化方案介绍 随着大数据、物联网兴起，各种智能产品让我们的生活更加高效方便，海量数量的分析需求应运而生,而智能BI的出现给企业带来了更多的帮助。智能BI最早诞生于美国，经过这么多年的发展，早已经发展出不同方向的产品，例如，数据可视化大屏、可视化表格、商业化数据分析、数据地图等，智能BI可以帮助客户多角度的进行市场分析、销售分析，综合分析能够更好的查询出市场症结，因此近些年受到了很多公司的喜欢。如果想要制作BI产品，制作BI产品的公司有哪些呢？ 市场产品介绍 DATAV 【收费,无法私有化部署】 阿里 DLV 【收费,无法私有化部署】 华为 腾讯云图【收费,无法私有化部署】 腾讯 百度SUGAR 【收费,私有化部署价格昂贵】 百度 网易有数 【收费,无法私有化部署】 网易 FINE BI 【收费,无法私有化部署】 帆软 还有其它小厂商产品,价格都不低，对于小公司而言成本无法承受。 来源： oschina 链接： https://my.oschina.net/u/3371434/blog/4331382

Array数组的常用方法汇总 concat() // 连接两个或更多的数组，并返回结果。 var alpha = ["a", "b", "c"]; var numeric = [1, 2, 3]; var alphaNumeric = alpha.concat(numeric); console.log("alphaNumeric : " + alphaNumeric ); // a,b,c,1,2,3 every() // 检测数值元素的每个元素是否都符合条件。 function isBigEnough(element, index, array) { return (element >= 10); } var passed = [12, 5, 8, 130, 44].every(isBigEnough); console.log("Test Value : " + passed ); // false filter() // 检测数值元素，并返回符合条件所有元素的数组。 function isBigEnough(element, index, array) { return (element >= 10); } var passed = [12, 5, 8, 130, 44].filter(isBigEnough); console.log("Test Value : " +

磁盘空间不足最典型的表现就是: No space left on device 创建测试环境 dd if=/dev/zero of=/tmp/sdc bs=1k count=75 mkfs.ext4 /tmp/sdc (不一定都是ext4硬盘,注意) mkdir -p /app/logs mount -o loop /tmp/sdc /app/logs 运行以上命令后,检查硬盘情况: [root@chenleilei ~]# df -i /app/logs/ Filesystem Inodes IUsed IFree IUse% Mounted on /tmp/sdc 16 10 6 63% /app/logs [root@chenleilei ~]# df -h /app/logs/ Filesystem Size Used Avail Use% Mounted on /tmp/sdc 65K 2.0K 60K 4% /app/logs 模拟inode耗尽 touch /app/logs/{1..20}.txt (无论文件多少都必须要占用一个inode和block) [root@chenleilei ~]# df -h Filesystem Size Used Avail Use% Mounted on /dev/sda3 18G 1.5G 16G 9% / tmpfs 491M

Sklearn简介 Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。当我们面临机器学习问题时，便可根据下图来选择相应的方法。 Sklearn具有以下特点： 简单高效的数据挖掘和数据分析工具 让每个人能够在复杂环境中重复使用 建立NumPy、Scipy、MatPlotLib之上 代码如下所示： import xlrd import matplotlib.pyplot as plt import numpy as np from sklearn import model_selection from sklearn.linear_model import LogisticRegression from sklearn import metrics data = xlrd.open_workbook( ' gua.xlsx ' ) sheet = data.sheet_by_index( 0 ) Density = sheet.col_values( 6 ) Sugar = sheet.col_values( 7 ) Res = sheet.col_values( 8 )

Android Sugar ORM (2) Android Sugar ORM 实体 1. 创建一个实体类 Sugar ORM 在创建一个实体的时候, 仅需要使这个实体类继承于 SugarRecord 即可 public class Book extends SugarRecord { String name; String ISBN; String title; String shortSummary; } 为了方便创建和访问实体, 我们可以将属性设置为 public public class Book extends SugarRecord { public String name; public String ISBN; public String title; public String shortSummary; public Book(String name, String ISBN, String title, String shortSummary){ this.name = name; this.ISBN = ISBN; this.title = title; this.shortSummary = shortSummary; } } 这样就会创建一个 Book 表, 它分别有 name , ISBN , title , 'shortSummary'这四个属性,

3 月，跳不动了？>>> 问题： I know references are syntactic sugar, so code is easier to read and write. 我知道引用是语法糖，因此代码更易于读写。 But what are the differences? 但是有什么区别呢？ Summary from answers and links below: 以下答案和链接的摘要： A pointer can be re-assigned any number of times while a reference cannot be re-assigned after binding. 可以多次分配指针，而绑定后不能重新分配引用。 Pointers can point nowhere ( NULL ), whereas a reference always refers to an object. 指针不能指向任何地方（ NULL ），而引用始终指向对象。 You can't take the address of a reference like you can with pointers. 您不能像使用指针那样获取引用的地址。 There's no "reference arithmetic" (but you can take the address