1 基础算法(1) K-means算法：对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。(2) K-means算法是局部最优解，初始聚类中心一般是随机选择，有可能运行两次的结果稍有不同。(3) 距离公式常采用欧式距离和余弦相似度公式，前者越小代表距离越小，后者越大代表越相似。2 算法实现import numpy as npfro

1 基本概念：FP-growth，即 Frequent Pattern Growth，它通过构建 FP 树(即 Frequent Pattern Tree)这样的数据结构，巧妙得将数据存储在 FP 树中，只需要在构建 FP 树时扫描数据库两次，后续处理就不需要再访问数据库了。这种特性使得 FP-growth 算法比 Apriori 算法速度快。FP 树是一种前缀树，由频繁项的前缀构成。2 两个名词

1 原理1.1 随机森林算法：随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，每棵决策树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出，这就是一种最简单的 Bagging 思想。1.2 Matplotlib和SeabornMatplotlib：高度定制化绘

给大家推荐一个在Windows下可以查看文件夹大小的工具TreeSize Free。下载链接：https://customers.jam-software.de/downloadTrial.php?language=EN&article_no=80参考资料：https://blog.csdn.net/qq_33204709/article/details/111661871...

CSV文件默认逗号分隔，但是如果在内容中包含逗号，则会导致分隔失败或者数组下标匹配越界的问题。

1 介绍DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一个出现得比较早（1996年），比较有代表性的基于密度的聚类算法。DBSCAN能够将足够高密度的区域划分成簇，并能在具有噪声的空间数据库中发现任意形状的簇。聚类的时候不需要预先指定簇的个数，最终簇的个数不确定。DBScan需要二个参数： 扫描半径 (Eps

row_number 语法ROW_NUMBER()函数将针对SELECT语句返回的每一行，从1开始编号，赋予其连续的编号。在查询时应用了一个排序标准后，只有通过编号才能够保证其顺序是一致的，当使用ROW_NUMBER函数时，也需要专门一列用于预先排序以便于进行编号。

深度学习：1 three steps for deeping learning:define a setof function–>goodness of function–>pick the best function1-1 neural networkparameterseach neurons can have different values of weights and bia

测试数据select count(*) from system.columns where table='test_update';select count(*) from test_update;具体删除&更新实现语法 如下：ALTER TABLE <table_name> DELETE WHERE <filter>;ALTER TABLE <table_n

使用PreparedStatement执行批量插入sql的三种方式以及效率。