Posts

linux基本操作 linux下的基本操作能力，介绍基本概念和简单操作 关键词 cd ls top who less vim df du mv rm scp su 世界观 文件 linux下的一切资源以文件形式存在，整个系统由文件组成。文件是一段可读写的存储空间，其中存放了数据。 普通文件。二进制文件 文本文件 特殊文件。目录文件 链接文件 设备文件 命令是程序，程序是可执行文件。 文件系统。linux下的所有文件都在一个以根节点(/)出发的树上。 以/开始的路径为绝对路径 以当前路径为起点的文件路径为相对路径 行 行的概念非常重要，是linux世界的基本功能单位。 定义。一段字符序列加上一个换行符组成一个行 Windows的换行符是 windows下换行符是\r\n \r回车,\n换行 linux 下的换行符是 \n 差异。n 的意思是next，也就是下一行，但是在机械打字机中，下一行打字指针在行尾，所以启用新行还有一个将指针拨向行首的动作。猜测windows可能继承自dos时代的机械打字机操作，而更晚的linux不再考虑打字机的操作习惯了。 命令 linux中的命令也是一个可执行文件 命令结构。 $ ls -l /home/test 一个完整的命令占用一行，由换行键触发执行。 命令前的字符为命令输入提示符。 命令由命令和参数组成。由空白进行分隔。 通常由空格来分隔一行中的内容，这样一行中的各个部分具有不同的含义。 第一部分为命令名 第二到n部分为参数 参数为命令要作用的对象，或者命令起作用的一些控制项。参数分为命名参数和匿名参数 命名参数由参数名和参数值组成，如果是开关参数则没有参数值 以 - 开始的部分为参数名，其后面跟的部分为参数值 命令的输出。 每个命令默认会打开2个数据输出通道，分别为标准输出和标准错误输出（stdout stderr)，这两个通道绑定的输出设备默认为屏幕。 两个数据流通道是系统默认打开的文件对象，编号分别为1和2。系统每打开一个文件，就分配一个这样的文件对象编号。(编号0 是标准输入：键盘) 程序正常输出的信息走1 ，错误的信息走2。至于什么是错误信息，大部分是操作系统定义，也可以由程序自身定义 重定位数据通道到指定文件。 1>log.o 2>log.e 其中 >log.o 是 1>log.o的简写 重定位数据通道到其他通道上去 2>&1 重定位数据通道到其他指令上去 ll|wc -l |称为管道连接符，上一个命令的输出是下一个命令的输入 生存 linux世界基本生存操作 ...

最近完成了一个小项目：利用 Python 爬虫抓取天气数据，存入 MySQL，然后用 Pandas 进行分析，最后通过前端 Echarts 展示趋势图。 这个项目串联了我目前学习的几个核心模块，非常有成就感。下一步计划引入机器学习模型对天气进行预测。

二叉树的遍历是基础中的基础。 前序遍历：根 -> 左 -> 右 中序遍历：左 -> 根 -> 右 后序遍历：左 -> 右 -> 根 递归写法虽然简洁，但在面试中往往会被要求用迭代（栈）来实现，需要多加练习。

虽然 Hugo 是静态网站，但有时候为了统一环境，也可以用 Nginx 镜像配合 Docker 来部署。 这样可以确保在任何机器上都能一键跑起来，避免了“在我机器上能跑”的尴尬。

当数据量达到百万级时，一条慢查询足以拖垮整个服务。学会使用 EXPLAIN 来分析 SQL 执行计划是必备技能。 主要关注 type 列，如果是 ALL 表示全表扫描，需要优化索引。

五一假期没有出去人挤人，而是宅在家里把《动手学深度学习》的前三章刷完了。 感觉数学基础还是有点薄弱，尤其是矩阵微积分的部分。接下来的计划是每天坚持 LeetCode 刷题，保持手感。

PyTorch 是当前最流行的深度学习框架之一。一切的基础都是 Tensor（张量）。 创建张量 python import torch 创建一个 2x3 的随机张量 x = torch.rand(2, 3) print(x) 查看形状 print(x.shape)

最近在做个人项目的数据展示模块，纠结于使用 Echarts 还是 D3.js。 Echarts 的优势 开箱即用：配置项清晰，文档友好（中文支持好）。 图表丰富：涵盖了几乎所有常见的商业图表。 D3.js 的优势 灵活性极高：基于 SVG，可以做到像素级的定制。 数据驱动：真正理解了数据与 DOM 元素绑定。 结论 对于快速交付和常规报表，选 Echarts；对于高度定制化的数据艺术展示，选 D3.js。

在数据分析的工作中，80% 的时间都在做数据清洗。今天记录一下使用 Pandas 处理缺失值和异常值的常用技巧。 处理缺失值 dropna()：直接丢弃含有缺失值的行。 fillna()：用均值、中位数或特定值填充。 数据透视表 Pandas 的 pivot_table 类似于 Excel 的数据透视表，非常强大。 python import pandas as pd df = pd.read_csv(‘data.csv’) table = pd.pivot_table(df, values=‘sales’, index=‘region’, columns=‘year’, aggfunc=‘sum’) print(table)

什么是机器学习？ 机器学习是人工智能的一个分支，它使计算机能够在没有明确编程的情况下学习。简单来说，就是让机器从数据中寻找规律。 我的学习路径 基础理论：吴恩达老师的课程是必看的。 工具库：熟练使用 NumPy 和 Pandas 处理数据。 实战：从 Kaggle 的经典赛题开始，比如 Titanic 生存预测。 代码示例 python from sklearn.linear_model import LogisticRegression model = LogisticRegression() 模拟训练数据 X = [[0], [1], [2]] y = [0, 1, 1] model.fit(X, y) print(f"预测结果: {model.predict([[1.5]])}")