#GPF##一、GPF（GraphProcessingFlow）：行使图神经收集处置下场的普通化流程一、图节点预展现：行使NE框架，直接患上到全图每一个节点的Embedding;二、正负样本采样：（1）单节点样本；
（2）节点对于样本；
三、抽取封锁子图：可做类化处置，建树一种通用图数据结构;四、子图特色领悟：预展现、节点特色、全局特色、边特色;五、收集配置配备枚举：可所以图输入、图输入的收集；
也可所以图输入，分类/聚类下场输入的收集;六、熬炼以及测试;##二、首要文件：一、graph.py：读入图数据;二、embeddings.py：预展现学习;三、sample.py：采样;四、subgraphs.py/s2vGraph.py：抽取子图;五、batchgraph.py：子图特色领悟;六、classifier.py：收集配置配备枚举;七、parameters.py/until.py:参数配置配备枚举/帮手文件;##三、使用一、在parameters.py中配置配备枚举相关参数（可默许）；
二、在example/文件夹中运行响应的案例文件--搜罗链接料想、节点外形料想；
以链接料想为例：###一、导入配置配备枚举参数```fromparametersimportparser,cmd_embed,cmd_opt```###二、参数转换```args=parser.parse_args()args.cuda=notargs.noCudaandtorch.cuda.is_available()torch.manual_seed(args.seed)ifargs.cuda:torch.cuda.manual_seed(args.seed)ifargs.hop!='auto':args.hop=int(args.hop)ifargs.maxNodesPerHopisnotNone:args.maxNodesPerHop=int(args.maxNodesPerHop)```###三、读取数据```g=graph.Graph()g.read_edgelist(filename=args.dataName,weighted=args.weighted,directed=args.directed)g.read_node_status(filename=args.labelName)```###四、患上到全图节点的Embedding```embed_args=cmd_embed.parse_args()embeddings=embeddings.learn_embeddings(g,embed_args)node_information=embeddings#printnode_information```###五、正负节点采样```train,train_status,test,test_status=sample.sample_single(g,args.testRatio,max_train_num=args.maxTrainNum)```###六、抽取节点对于的封锁子图```net=until.nxG_to_mat(g)#printnettrain_graphs,test_graphs,max_n_label=subgraphs.singleSubgraphs(net,train,train_status,test,test_status,args.hop,args.maxNodesPerHop,node_information)print('#train:%d,#test:%d'%(len(train_graphs),len(test_graphs)))```###七、加载收集模子，并在classifier中配置配备枚举相关参数```cmd_args=cmd_opt.parse_args()cmd_args.feat_dim=max_n_label+1cmd_args.attr_dim=node_information.shape[1]cmd_args.latent_dim=[int(x)forxincmd_args.latent_dim.split('-')]iflen(cmd_args.latent_dim)
（2）节点对于样本；
三、抽取封锁子图：可做类化处置，建树一种通用图数据结构;四、子图特色领悟：预展现、节点特色、全局特色、边特色;五、收集配置配备枚举：可所以图输入、图输入的收集；
也可所以图输入，分类/聚类下场输入的收集;六、熬炼以及测试;##二、首要文件：一、graph.py：读入图数据;二、embeddings.py：预展现学习;三、sample.py：采样;四、subgraphs.py/s2vGraph.py：抽取子图;五、batchgraph.py：子图特色领悟;六、classifier.py：收集配置配备枚举;七、parameters.py/until.py:参数配置配备枚举/帮手文件;##三、使用一、在parameters.py中配置配备枚举相关参数（可默许）；
二、在example/文件夹中运行响应的案例文件--搜罗链接料想、节点外形料想；
以链接料想为例：###一、导入配置配备枚举参数```fromparametersimportparser,cmd_embed,cmd_opt```###二、参数转换```args=parser.parse_args()args.cuda=notargs.noCudaandtorch.cuda.is_available()torch.manual_seed(args.seed)ifargs.cuda:torch.cuda.manual_seed(args.seed)ifargs.hop!='auto':args.hop=int(args.hop)ifargs.maxNodesPerHopisnotNone:args.maxNodesPerHop=int(args.maxNodesPerHop)```###三、读取数据```g=graph.Graph()g.read_edgelist(filename=args.dataName,weighted=args.weighted,directed=args.directed)g.read_node_status(filename=args.labelName)```###四、患上到全图节点的Embedding```embed_args=cmd_embed.parse_args()embeddings=embeddings.learn_embeddings(g,embed_args)node_information=embeddings#printnode_information```###五、正负节点采样```train,train_status,test,test_status=sample.sample_single(g,args.testRatio,max_train_num=args.maxTrainNum)```###六、抽取节点对于的封锁子图```net=until.nxG_to_mat(g)#printnettrain_graphs,test_graphs,max_n_label=subgraphs.singleSubgraphs(net,train,train_status,test,test_status,args.hop,args.maxNodesPerHop,node_information)print('#train:%d,#test:%d'%(len(train_graphs),len(test_graphs)))```###七、加载收集模子，并在classifier中配置配备枚举相关参数```cmd_args=cmd_opt.parse_args()cmd_args.feat_dim=max_n_label+1cmd_args.attr_dim=node_information.shape[1]cmd_args.latent_dim=[int(x)forxincmd_args.latent_dim.split('-')]iflen(cmd_args.latent_dim)
2023/4/8 5:48:07
119KB
1
一、数据分析项目介绍1. 项目所需的模块库介绍pandas用法：需要导入以下模块importnumpyasnpimportpandasaspdfrompandasimportSeries,Dataframe2.项目背景介绍互联网电影资料库（InternetMovieDatabase，简称IMDB）是一个关于电影演员、电影、电视节目、电视明星和电影制作的在线数据库。
电影作为艺术和娱乐载体已成为我们生活中的一部分，作为电影爱好者之一，希望通过分析了解电影市场大体情况，以便于以后选择电影观看。
使用的数据是IMDB美国票房排名前1000的电影数据，数据包含了电影名称，票房金额，上映年份，演职人员，IMDB评分，电影类型等信息，数据中的很多电影大家也比较熟悉。
相信不少人都有这样的经历，当想要看一部电影的时候，会去百度一下谁是导演，谁是主演。
如果导演是克里斯托弗•诺兰，心里已经给电影打了个8分以上的评分了。
而阿汤哥的动作片，预期也都能肾上腺素飙升。
对于已上映的电影，不少人会去豆瓣搜索现时的评分，或是前作的评价，若是豆瓣高分、高评论数，也会按奈不住去蹭下热度。
如果要去电影院观看的话，想必不少人会更倾向选择动作片或者科幻大片这类特效丰富，影音冲击强烈的电影。
近几年特效技术和3D动画的日渐成熟，影院观影已经是越来越多人的第一选择。
IMDB的资料中包括了影片的众多信息、演员、片长、内容介绍、分级、评论等。
对于电影的评分目前使用最多的就是IMDB评分。
截至2018年6月21日，IMDB共收录了4,734,693部作品资料以及8,702,001名人物资料。
3.项目所需数据介绍数据的属性包括：电影名称、评论数、评分、导演、上映时间、上映国家、主要演员、语言、IMDB评分等。
理解数据：color、director_name、num_critic_for_reviews、duration、director_facebook_likes、actor_3_facebook_likes、actor_2_name、actor_1_facebook_likes、gross、genres、actor_1_name、movie_title、num_voted_users、cast_total_facebook_likes、actor_3_name、facenumber_in_poster、plot_keywords、movie_imdb_link、num_user_for_reviews、language、country、content_rating、budget、title_year、actor_2_facebook_likes、imdb_score、aspect_ratio、movie_facebook_likes4.项目功能详细介绍显示电影评分分布的情况；
电影数量与平均分年度变化的情况；
评论家评论数与评分的关系；
评分与电影票房的关系；
电影数量大于5前提下平均分前十的导演推荐的数据；
不同电影类型的年份累计分析；
电影时长的分布及时长能否和评分有相关性；
电影时长的分布及时长能否和评分有相关性。
二、数据分析过程1.主要功能实现的类和方法介绍#清洗runtime电影时长列数据，可使用str.split()方法df['runtime']=df['runtime'].str.split('').str.get(0).astype(int)df['runtime'].head()#清洗year列，使用str[:]选取年份数字并转换成int类型，使用df.unique()方法检查数据df['year']=df['year'].str[-5:-1].astype(int)df['year'].unique()2. 数据分析过程代码和解释说明导入包：导入、查看、清洗数据：评分分布图：电影数量与平均分布年度变化：评论家评论数&评分、评分&票房：电影数量大于5平均分前十的导演：统计不同年份、不同类型电影的数量：cumsum=df.groupby(['main_genre','year']).title.count()#使用累加功能统计1980年起不同年份不同电影类型的累计数量，对于中间出现的缺失值，使用前值填充genre_cumsum=cumsum.unstack(level=0).cumsum().ffill()#只选取总数量大于
电影作为艺术和娱乐载体已成为我们生活中的一部分，作为电影爱好者之一，希望通过分析了解电影市场大体情况，以便于以后选择电影观看。
使用的数据是IMDB美国票房排名前1000的电影数据，数据包含了电影名称，票房金额，上映年份，演职人员，IMDB评分，电影类型等信息，数据中的很多电影大家也比较熟悉。
相信不少人都有这样的经历，当想要看一部电影的时候，会去百度一下谁是导演，谁是主演。
如果导演是克里斯托弗•诺兰，心里已经给电影打了个8分以上的评分了。
而阿汤哥的动作片，预期也都能肾上腺素飙升。
对于已上映的电影，不少人会去豆瓣搜索现时的评分，或是前作的评价，若是豆瓣高分、高评论数，也会按奈不住去蹭下热度。
如果要去电影院观看的话，想必不少人会更倾向选择动作片或者科幻大片这类特效丰富，影音冲击强烈的电影。
近几年特效技术和3D动画的日渐成熟，影院观影已经是越来越多人的第一选择。
IMDB的资料中包括了影片的众多信息、演员、片长、内容介绍、分级、评论等。
对于电影的评分目前使用最多的就是IMDB评分。
截至2018年6月21日，IMDB共收录了4,734,693部作品资料以及8,702,001名人物资料。
3.项目所需数据介绍数据的属性包括：电影名称、评论数、评分、导演、上映时间、上映国家、主要演员、语言、IMDB评分等。
理解数据：color、director_name、num_critic_for_reviews、duration、director_facebook_likes、actor_3_facebook_likes、actor_2_name、actor_1_facebook_likes、gross、genres、actor_1_name、movie_title、num_voted_users、cast_total_facebook_likes、actor_3_name、facenumber_in_poster、plot_keywords、movie_imdb_link、num_user_for_reviews、language、country、content_rating、budget、title_year、actor_2_facebook_likes、imdb_score、aspect_ratio、movie_facebook_likes4.项目功能详细介绍显示电影评分分布的情况；
电影数量与平均分年度变化的情况；
评论家评论数与评分的关系；
评分与电影票房的关系；
电影数量大于5前提下平均分前十的导演推荐的数据；
不同电影类型的年份累计分析；
电影时长的分布及时长能否和评分有相关性；
电影时长的分布及时长能否和评分有相关性。
二、数据分析过程1.主要功能实现的类和方法介绍#清洗runtime电影时长列数据，可使用str.split()方法df['runtime']=df['runtime'].str.split('').str.get(0).astype(int)df['runtime'].head()#清洗year列，使用str[:]选取年份数字并转换成int类型，使用df.unique()方法检查数据df['year']=df['year'].str[-5:-1].astype(int)df['year'].unique()2. 数据分析过程代码和解释说明导入包：导入、查看、清洗数据：评分分布图：电影数量与平均分布年度变化：评论家评论数&评分、评分&票房：电影数量大于5平均分前十的导演：统计不同年份、不同类型电影的数量：cumsum=df.groupby(['main_genre','year']).title.count()#使用累加功能统计1980年起不同年份不同电影类型的累计数量，对于中间出现的缺失值，使用前值填充genre_cumsum=cumsum.unstack(level=0).cumsum().ffill()#只选取总数量大于
2023/1/19 6:32:34
459KB
1
1）训练要点①掌握字典结构类型的创建方法。
②掌握字典元素的增添、删除、修改、查询等常用操作。
③掌握字符串方法split函数的使用。
④初步掌握Python中if-elif-else控制流语句的使用。
2）需求说明保存已有好友通讯录信息，并通过字符串提示用户对好友通讯录信息进行增删改查等操作，输入数字1进行好敌对友添加，输入数字2删除好友，3和4分别进行好友信息修改和查询，接着根据用户选择的处理方式来进行针对性的好友信息管理。
已有好友通讯录信息如表1-1所示：表1-1好友信息姓名电话地址小明001广州小红002深圳小王003北京3）实训思路及步骤①创建字典对象来保存已有的好友信息。
②使用input函数提示用户选择的方式。
③由于input函数得到的是一个将用户输入信息集合起来的字符串，可以使用字符串方法split函数将字符串按传入的分隔符进行拆分，得到被拆分的子字符串组成的列表。
④使用python中if-elif-else语句进行条件语句语句处理，当if或elif后面的条件语句可以对好友信息字典元素进行增删改查等选择性处理操作。
4）代码实现（附上编写实现的代码）
②掌握字典元素的增添、删除、修改、查询等常用操作。
③掌握字符串方法split函数的使用。
④初步掌握Python中if-elif-else控制流语句的使用。
2）需求说明保存已有好友通讯录信息，并通过字符串提示用户对好友通讯录信息进行增删改查等操作，输入数字1进行好敌对友添加，输入数字2删除好友，3和4分别进行好友信息修改和查询，接着根据用户选择的处理方式来进行针对性的好友信息管理。
已有好友通讯录信息如表1-1所示：表1-1好友信息姓名电话地址小明001广州小红002深圳小王003北京3）实训思路及步骤①创建字典对象来保存已有的好友信息。
②使用input函数提示用户选择的方式。
③由于input函数得到的是一个将用户输入信息集合起来的字符串，可以使用字符串方法split函数将字符串按传入的分隔符进行拆分，得到被拆分的子字符串组成的列表。
④使用python中if-elif-else语句进行条件语句语句处理，当if或elif后面的条件语句可以对好友信息字典元素进行增删改查等选择性处理操作。
4）代码实现（附上编写实现的代码）
2019/9/17 2:22:14
3KB
1
textshape是一整套小的文本重塑和重组功能。
这些功能中的许多功能都来自软件包中的工具。
这使整形工具集于一身，该程序包的特定功能仅限于文本整形。
其他R软件包提供了一些相同的功能。
textshape与这些软件包的不同之处在于，textshape旨在帮助用户获取非结构化数据（或隐式结构化），将其提取为结构化格式，然后重新构建为常见的文本分析格式，以用于文本分析管道的下一阶段。
研究人员通常可以检测/表达看似非结构化数据的隐式结构。
textshape提供了一些工具（例如split_match），以使研究人员可以将这些隐性知识转换为可用于将数据重新格式化为结构化格式的方式。
该程序包旨在与提供清理和文本规范化功能的程序包一起使用。
此外，包旨在将各种通用文本数据源导入R以进行重塑和清理。
目录功能大多数功能会分割，扩展，抓取或整理vector，list，data.
这些功能中的许多功能都来自软件包中的工具。
这使整形工具集于一身，该程序包的特定功能仅限于文本整形。
其他R软件包提供了一些相同的功能。
textshape与这些软件包的不同之处在于，textshape旨在帮助用户获取非结构化数据（或隐式结构化），将其提取为结构化格式，然后重新构建为常见的文本分析格式，以用于文本分析管道的下一阶段。
研究人员通常可以检测/表达看似非结构化数据的隐式结构。
textshape提供了一些工具（例如split_match），以使研究人员可以将这些隐性知识转换为可用于将数据重新格式化为结构化格式的方式。
该程序包旨在与提供清理和文本规范化功能的程序包一起使用。
此外，包旨在将各种通用文本数据源导入R以进行重塑和清理。
目录功能大多数功能会分割，扩展，抓取或整理vector，list，data.
2016/4/20 7:21:37
716KB
1
ViewTransitions（图片各方向切换）ViewSendData(弹出键盘)Unicode(编码)UITableViewDelteMutilRows(删除行)UIActivityIndicatorView(等待控件)turnPage(十种图层切换效果)TouchMoved(拖动图片)Touches_GestureRecognizers(图片移动)TimingCurve(篮球落下弹起效果)textbtn(点击空白地方,键盘消失)TableViewImgView(image动画)TableFlipDemo(tableView翻转)TabBar+Table+CustomTitleViewSplashDemo(开场动画)SimpleNetworkStreams(网络传输)SenseOfMed(前进后退)ProtocolDemo(协议的使用)ProgressBar(自定义进度条)PageControl(页面控制)NavgationbarBackimage(Navgationbar换图片)MGSplitViewController(Split框架)Map2(气泡框架)JSONDemoGLPaint(划线声音)FlipReader-iPad(PDF阅读器)DocInteraction(txt,pdf,html,jpg读取)CustomTabBarTest(tabbar例子)BEThemeDemo(选择主题)Accessory(tabview选取)
2021/4/10 10:15:43
11.99MB
1
spark中用scala编写累加器小程序统计指定文章中的空白行，然后经过split函数经过空格切分文章，输出到指定的目录中。
2015/3/4 17:01:22
682B
1
亲测可以运用，各位可以放心下载运用js实现的RSA算法运用RSA加密过的数据可在网络上安全传输RSAUtils.setMaxDigits(200);varkey=newRSAUtils.getKeyPair("${publicKeyExponent}","","${publicKeyModulus}");//颠倒密码的顺序，否则解密后会发现密码顺序是反的varreversedPwd=password.split("").reverse().join("");varencrypedPwd=RSAUtils.encryptedString(key,reversedPwd);
2015/6/10 4:45:55
5KB
1
IDEFixPack6.1.1forRADStudio2009,2010,XE,XE2,XE3,XE4,XE5,XE6,XE7,XE8,D10,D101,D102IDEFixPackisacollectionofunofficialbugfixesandperformanceoptimizationsfortheRADStudioIDE,Win32/Win64/Andoird-ARMcompilerandWin32debugger.------Installation:1.StartIDEFixPackRegXxx.exeunderyouruseraccount2.SelecttheIDEregistrykeysforwhichyouwanttoinstallthebugfix3.Pressthe“Install”buttonUninstall:1.StartIDEFixPackRegXxx.exeunderyouruseraccount2.Pressthe“Uninstall”button.Thiswilluninstallthebugfixforall(notonlytheselected)IDEregistrykeys.------Changedfrom6.1to6.1.1(2017-10-30)Fixed:-x-fvs(fastinterfacevirtualstub)ECXusagedetectionfailedforsomerecordreturntypes.Changedfrom6.0to6.1(2017-10-29)Added:Option-x-fftoenable“fastfloatingpoint”(likeBorlandC++’s-ffco妹妹andlineoption)Added:Option-x-fvsand-x-fvs=ntoenablefastinterfacevirtualstub(n=1:replaceXCHG,n=2:keeptheCPU’sreturnstackbufferinorder)Added:Option-x-fprtoremoveXCHGfromthefunctionprologcode.Added:DLLimporttablesectionfoldingandduplicatename/ordinalelimination,alsofordelaydllimportsChanged:Split“Compiler64.X86”patchintomultiplesmallerpatchesandremovedthe“Compiler64.X86”patchnameChanged:EditorFocusFixnowskipstheSetActiveWindowcallifthemainform(undocked)isnottheactivewindowChangedfrom5.96to6.0(2017-09-28)Added:Win64compilespeedoptimizationsAdded:Delphi10.2Update1supportAdded:EditorBlockCompletionUTF8fix(Delphi2009only)Changedfrom5.95to5.96(2017-04-09)Fixed:DisableDynArraySetLengthpatchif10.1BerlinUpdate2isdetected.Fixed:“clangtemplatedebugsymbolbloat”disabledfor10Seattleandnewer.Added:IDEminimizedoesn’tshrinkmainwindowtowidthandheightzero.Added:RADStudio10.2support(RTMonly)
2018/9/18 6:31:52
3.68MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB