python TextMining
01.Crawling
url_request
# -*- coding: utf-8 -*-
"""
Created on Sun Feb 17 11:08:44 2019
@author: 502-03
1.anaconda Prompt실행
2.python -m pip install --upgrade pip
3.pip install beautifulsoup4
"""
import urllib.request #url 요청
from bs4 import BeautifulSoup #html 파씽
url="http://www.naver.com/index.html"
#1.원격서버 파일 요청
rst=urllib.request.urlopen(url)
print(rst) #<http.client.HTTPResponse object at 0x000000000E21F940>
data_src=rst.read() #source read
print(data_src)
"""
b'<!doctype html>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n<html lang="ko">\n<head>
....
"""
#2.html 파싱:src->html문서
html=data_src.decode('utf-8') #디코딩
soup=BeautifulSoup(html,'html.parser')
print(soup)
"""
</script>
<title>NAVER</title>
</meta></meta></meta></meta></meta></head>
<style>
"""
#3.tag기반 수집
link=soup.find('a') #하나만 가져옴
print(link)
"""
<a href="#news_cast" onclick="document.getElementById('news_cast2').tabIndex = -1;
document.getElementById('news_cast2').focus();return false;">
<span>연합뉴스 바로가기</span></a>
"""
print('a tag 내용',link.string)#a tag 내용 연합뉴스 바로가기
links=soup.find_all('a')#전부 가져오기
print('a tag size',len(links))#a tag size 335
links_data=[] #빈 리스트
print(a.string)
links_data.append(a.string)
print("links_data",len(links_data))#links_data 341
print(links_data)
"""
['연합뉴스 바로가기', '주제별캐스트 바로가기', '타임스퀘어 바로가기', '쇼핑캐스트 바로가기', '로그인 바로가기',
....
'네이버 정책', '고객센터', 'NAVER Corp.']
"""
selector
# -*- coding: utf-8 -*-
"""
- 선택자(selector) 이용 문서 수집
-> 웹 문서 디자인(css)
-> id(#), class(.)
-> select_one('선택자') : 하나 요소 추출
-> select('선택자') : 여러 개 요소 추출
"""
from bs4 import BeautifulSoup #html 파싱
#1.html파일 가져오기
file=open("../data/selector.html",mode='r',encoding='utf-8')
data_src=file.read()
print(data_src)
"""
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title>id/class 선택자, 표 꾸미기</title>
<style type="text/css">
"""
#2.html파싱
html=BeautifulSoup(data_src,'html.parser')
print(html)
"""
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<meta content="text/html; charset=utf-8" http-equiv="Content-Type"/>
<title>id/class 선택자, 표 꾸미기</title>
<style type="text/css">
"""
#3.selector 기반 수집
#1) id선택자: selector("tab#id명"))
table=html.select_one('table#tab')
print(table)
"""
<table border="1" id="tab">
<tr> <!-- 1행 -->
<!-- 제목 열 : th -->
<th id="id"> 학번 </th>
...
<td> you@naver.com </td>
</tr>
</table>
"""
#2)id 선택자 >하위 태그
th=html.select_one('table#tab > tr > th')
print(th) #<th id="id"> 학번 </th>
ths=html.select('table#tab > tr > th')
print(ths)
"""
[<th id="id"> 학번 </th>, <th id="name"> 이름 </th>, <th id="major"> 학과 </th>, <th id="email"> 이메일 </th>]
"""
for th in ths:#<th id="id"> 학번 </th>
print(th.string)
"""
학번
이름
학과
이메일
"""
#2) class 선택 :select('tag.class명')
# -5행->홀수 행
# (1) 계층적 접근
trs=html.select('table#tab > tr.odd')
print(trs)
"""
[<tr class="odd"> <!-- 3행(홀수) -->
<td> 201602 </td>
<td> 이순신 </td>
<td> 해양학과 </td>
<td> lee@naver.com </td>
</tr>, <tr class="odd"> <!-- 5행 -->
<td> 201604 </td>
<td> 유관순 </td>
<td> 유아교육 </td>
<td> you@naver.com </td>
</tr>]
"""
tds_data=[]
for tr in trs:# 2회
tds=tr.find_all('td')
for td in tds:
print(td.string)
tds_data.append(td.string)
"""
201602
이순신
해양학과
lee@naver.com
201604
유관순
유아교육
you@naver.com
"""
#(2) 직접 접근 :tag[속성=값]
trs=html.select('tr[class=odd]')
print(trs)
"""
[<tr class="odd"> <!-- 3행(홀수) -->
<td> 201602 </td>
<td> 이순신 </td>
<td> 해양학과 </td>
<td> lee@naver.com </td>
</tr>, <tr class="odd"> <!-- 5행 -->
<td> 201604 </td>
<td> 유관순 </td>
<td> 유아교육 </td>
<td> you@naver.com </td>
</tr>]
"""
newsCrawling
# -*- coding: utf-8 -*-
"""
news Crawling
url='http://media.daum.net'
"""
import requests #url 요청
from bs4 import BeautifulSoup #html 파싱
url='http://media.daum.net'
#1.url 요청
src=requests.get(url)
print(src) #<Response [200]>
data_src=src.text # source text
#2.html 파싱
html=BeautifulSoup(data_src,'html.parser')
print(html)
#3.select(tag[속성=값])
# <strong class="tit_g"><a href="http://v.media.daum.net/v/20190217083008573" class="link_txt">美, 방위비 또 두 자릿수 인상 요구 가능성..韓 대응 방안은</a><span class="txt_view">뉴시스</span></strong>
links=html.select("a[class=link_txt]")
creawling_data=[]#내용저장
cnt =0;
for link in links:
cnt+=1
cont=str(link.string) #문자 변환
#print(cont)
print(cnt,'-',cont.strip()) # 줄바꿈 ,공백 ,불용어 제거
creawling_data.append(cont.split())
"""
1 - 트럼프 "무역협상 생산적..中 수십억달러 관세로 내"
2 - "미중 무역전쟁..지적재산권 마찰도 큰 변수"
3 - 트럼프도 시진핑도 긍정적 자평..기로에 선 무역전쟁
4 - 미·중 무역전쟁 '휴전' 연장 가능성..우리나라 영향은...
5 - 中언론도 무역협상 낙관론.."미중 모두를 위한 합의해야...
"""
#변수 ->text file save
file=open('../data/crawling_data.txt',
mode='w',encoding='utf-8')
#list -> str 변환
file.write(str(creawling_data))
file.close()
print("file save commit")
02.NLP
jpype_test
# -*- coding: utf-8 -*- """ java 가상머신 사용여부 """ import jpype path=jpype.getDefaultJVMPath() print(path)#C:\Program Files\Java\jdk1.8.0_181\jre\bin\server\jvm.dll
konlpy
# -*- coding: utf-8 -*-
"""
konlpy인스톨 여부
pip install konlpy
"""
from konlpy.tag import Kkma
#Kkma object
kkma=Kkma()
#문단 -> 문장 추출
para="형태소 분석을 사장입니다.나는 홍길동 이고 age는 28세 입니다."
ex_sent=kkma.sentences(para)
print(ex_sent)
"""
['형태소 분석을 사장입니다.', '나는 홍길동 이고 age는 28세 입니다.']
"""
#문단 -> 명사 추출
ex_nouns=kkma.nouns(para)
print(ex_nouns)
"""
['형태소', '분석', '사장', '나', '홍길동', '28', '28세', '세']
"""
#문단 -> 형태소 추출
ex_pos=kkma.pos(para)
print(ex_pos) #[(text,text class)]
"""
[('형태소', 'NNG'), ('분석', 'NNG'), ('을', 'JKO'), ('사장', 'NNG'), ('이', 'VCP'),
('ㅂ니다', 'EFN'), ('.', 'SF'), ('나', 'NP'), ('는', 'JX'), ('홍길동', 'NNG'),
('이', 'VCP'), ('고', 'ECE'), ('age', 'OL'), ('는', 'JX'), ('28', 'NR'),
('세', 'NNM'), ('이', 'VCP'), ('ㅂ니다', 'EFN'), ('.', 'SF')]
"""
'''
형태소 : 언어에 있어서 분해 가능한 최소한의 의미를 가진 단위
NNG 일반 명사 NNP 고유 명사 NNB 의존 명사 NR 수사 NP 대명사 VV 동사
VA 형용사 VX 보조 용언 VCP 긍정 지정사 VCN 부정 지정사 MM 관형사
MAG 일반 부사 MAJ 접속 부사 IC 감탄사 JKS 주격 조사 JKC 보격 조사
JKG 관형격 조사 JKO 목적격 조사 JKB 부사격 조사 JKV 호격 조사
JKQ 인용격 조사 JC 접속 조사 JX 보조사 EP 선어말어미 EF 종결 어미
EC 연결 어미 ETN 명사형 전성 어미 ETM 관형형 전성 어미 XPN 체언 접두사
XSN 명사파생 접미사 XSV 동사 파생 접미사 XSA 형용사 파생 접미사 XR 어근
SF 마침표, 물음표, 느낌표 SE 줄임표 SS 따옴표,괄호표,줄표
SP 쉼표,가운뎃점,콜론,빗금 SO 붙임표(물결,숨김,빠짐)
SW 기타기호 (논리수학기호,화폐기호) SH 한자 SL 외국어 SN 숫자
NF 명사추정범주 NV 용언추정범주 NA 분석불능범
'''
#NNG:일반 명사 NNP:고유 명사 NP:대명사
ex_pos2=[] #명사 추출
for (text,text_class) in ex_pos:#(text,text class)
if text_class=='NNG' or text_class=='NNP' or text_class=='NP':
ex_pos2.append(text)
print(ex_pos2)#['형태소', '분석', '사장', '나', '홍길동']
03.WordCloud
ex_nouns
# -*- coding: utf-8 -*-
"""
1.test file 읽기
2.명사 추출 : Kkma
3.전처리 :단어 길이 제한 ,숫자 제이
4.word cloud시각화
"""
from konlpy.tag import Kkma
#object
kkma=Kkma()
#1.text file읽기
file=open("../data/text_data.txt",mode='r',encoding="utf-8")
docs=file.read() #text전체 읽기
file.close()
print(docs)
"""
형태소 분석을 시작합니다. 나는 데이터 분석을 좋아합니다.
직업은 데이터 분석 전문가 입니다. Text mining 기법은 2000대 초반에 개발된 기술이다.
"""
#1).doc -> sentence
ex_sent=kkma.sentences(docs)
print(ex_sent)
"""
['형태소 분석을 시작합니다.',
'나는 데이터 분석을 좋아합니다.',
'직업은 데이터 분석 전문가 입니다.',
'Text mining 기법은 2000대 초반에 개발된 기술이다.']
"""
for sent in ex_sent:
print(sent)
"""
형태소 분석을 시작합니다.
나는 데이터 분석을 좋아합니다.
직업은 데이터 분석 전문가 입니다.
Text mining 기법은 2000대 초반에 개발된 기술이다.
"""
#2).docs -> nount 추출
ex_nouns=kkma.nouns(docs) #중복 명사 추출 않됨
print(ex_nouns)
"""
['형태소', '분석', '나', '데이터', '직업', '전문가',
'기법', '2000', '2000대', '대', '초반', '개발', '기술']
"""
from re import match
#2~3.중복 단어 추출 -> 전처리 과정(숫자,길이 1개 제외)
nouns_words =[]#list
nouns_count={} #set or dict
for sent in ex_sent:#문장들
for nouns in kkma.nouns(sent):#단어들
#전처리 (숫자,길이 1개 제외)
if len(str(nouns))>1 and not(match('^[0-9]',nouns)):
nouns_words.append(nouns)
#key=word :value:count
nouns_count[nouns]=nouns_count.get(nouns,0)+1
print(len(nouns_words))#15->12
"""
['형태소', '분석', '데이터', '분석', '직업', '데이터',
'분석', '전문가', '기법', '초반', '개발', '기술']
"""
print(nouns_count)
"""
{'형태소': 1, '분석': 3, '데이터': 2, '직업': 1,
'전문가': 1, '기법': 1, '초반': 1, '개발': 1, '기술': 1}
"""
#4.word cloud시각화
from collections import Counter
#1)dict->Counter 객체
word_count=Counter(nouns_count)
#2)top word
top5=word_count.most_common(5)
print(top5)
"""
[('분석', 3), ('데이터', 2), ('형태소', 1), ('직업', 1), ('전문가', 1)]
"""
#3)word cloud 시각화 :package 시각
import pytagcloud
'''
Anaconda Prompt에서
pip install pygame
pip install pytagcloud
pip install simplejson
'''
# tag에 color, size, tag 사전 구성
word_count_list = pytagcloud.make_tags(top5, maxsize=80)
# maxsize : 최대 글자크기
print(word_count_list)
'''
[{'color': (91, 34, 34), 'size': 109, 'tag': '분석'}, {'color': (95, 159, 59), 'size': 80, 'tag': '데이터'}, {'color': (194, 214, 193), 'size': 47, 'tag': '형태소'}]
'''
pytagcloud.create_tag_image(word_count_list,
'wordcloud.jpg',
size=(900, 600),
fontname='korean', rectangular=False)
'''
한글 단어 구름 시각화 Error 수정
C:\Anaconda3\Lib\site-packages\pytagcloud\fonts 폴더에서
1. fonts.json 파일 내용 수정
[
{
"name": "korean",
"ttf": "malgun.ttf",
2. C:\Windows\Fonts 폴더에서 '맑은 고딕' 서체 복사/fonts 폴더 붙여넣기
3. create_tag_image(fontname='korean') 속성 추가
'''
news_wordCloud
# -*- coding: utf-8 -*-
"""
news crawling data file
- word cloud 시각화
"""
from konlpy.tag import Kkma
#object 생성
kkma =Kkma()
#1.text file load
file=open("../data/crawling_data.txt",
encoding='utf-8')
crawling_data=file.read()
file.close()
print(crawling_data)
"""
[['트럼프', '"무역협상', '생산적..中', '수십억달러', '관세로', '내"'],
['"미중', '무역전쟁..지적재산권', '마찰도', '큰', '변수"'],
['트럼프도', '시진핑도', '긍정적', '자평..기로에', '선', '무역전쟁'],
...
['베니스', '비엔날레', '작가', '선정에', '송성각', '관여', '의혹', '관련', '정정보도문']]
"""
#2.docs-> sentences 추출
ex_sent=kkma.sentences(crawling_data)
print(ex_sent)
#3문장->명사 추출
# 4. text 전처리 : 숫자, 1개 단어 제외
# 5. word count : dict
ex_nouns=[] #list
word_count={} #dict
for sent in ex_sent:# 문장들
for nouns in kkma.nouns(sent):# 단어들
if len(str(nouns))>1 and not(match('^[0-9]',nouns)):
ex_nouns.append(nouns)
word_count[nouns]=word_count.get(nouns,0)+1
print(ex_nouns)
print(word_count)
# 5. Counter 객체 : top10 추출
from collections import Counter
word_count=Counter(word_count)
top10=word_count.most_common(10)
print(top10)
"""
[('미', 4), ('트럼프', 3), ('억', 3), ('중', 3), ('선', 3), ('조', 3), ('정', 3), ('정정보', 3), ('정보', 3), ('문', 3)]
"""
# 6. word cloud 시각화
import pytagcloud
'''
Anaconda Prompt에서
pip install pygame
pip install pytagcloud
pip install simplejson
'''
# tag에 color, size, tag 사전 구성
word_count_list = pytagcloud.make_tags(top10, maxsize=80)
# maxsize : 최대 글자크기
print(word_count_list)
'''
[{'color': (91, 34, 34), 'size': 109, 'tag': '분석'}, {'color': (95, 159, 59), 'size': 80, 'tag': '데이터'}, {'color': (194, 214, 193), 'size': 47, 'tag': '형태소'}]
'''
pytagcloud.create_tag_image(word_count_list,
'news_wordcloud.jpg',
size=(900, 600),
fontname='korean', rectangular=False)
'''
한글 단어 구름 시각화 Error 수정
C:\Anaconda3\Lib\site-packages\pytagcloud\fonts 폴더에서
1. fonts.json 파일 내용 수정
[
{
"name": "korean",
"ttf": "malgun.ttf",
2. C:\Windows\Fonts 폴더에서 '맑은 고딕' 서체 복사/fonts 폴더 붙여넣기
3. create_tag_image(fontname='korean') 속성 추가
'''
04.SparseMatrix
TfidfVectorizer
# -*- coding: utf-8 -*-
"""
TfidfVectorizer 기능 : Tfidf(가중치 적용 방법) 단어 벡터 생성기
1. 단어 생성기 : 문장 -> 단어(word)
2. 단어 사전(word dict) : {word : 고유수치}
3. 희소 행렬(sparse matrix) : 단어 출현비율에 따른 가중치(TF, TFiDF)
1) TF : 단어 출현빈도수 -> 가중치 적용(빈도수 높은 가중 높다.)
2) TFiDF : 단어 출현빈도수 x 문서 출현빈도수에 역수(단어 중요도)
-> TFiDF = tf(d, t) x log(n/df(t))
"""
from sklearn.feature_extraction.text import TfidfVectorizer
#문장
sentences = [
"Mr. Green killed Colonel Mustard in the study with the candlestick. Mr. Green is not a very nice fellow.",
"Professor Plum has a green plant in his study.",
"Miss Scarlett watered Professor Plum's green plant while he was away from his office last week."
]
#1.단어 생성기:문장->단어(word)
tfidf_fit=TfidfVectorizer().fit(sentences)
print(tfidf_fit)#object info
"""
TfidfVectorizer(analyzer='word', binary=False, decode_error='strict',
dtype=<class 'numpy.int64'>, encoding='utf-8', input='content',
lowercase=True, max_df=1.0, max_features=None, min_df=1,
ngram_range=(1, 1), norm='l2', preprocessor=None, smooth_idf=True,
stop_words=None, strip_accents=None, sublinear_tf=False,
token_pattern='(?u)\\b\\w\\w+\\b', tokenizer=None, use_idf=True,
vocabulary=None)
"""
#2.단어 사전(word dict) : {word:고유수치}
voca=tfidf_fit.vocabulary_
print('word size=',len(voca))#word size= 31
print(voca)# 'mr': 14, #14는 고유숫자
"""
{'mr': 14, 'green': 5, 'killed': 11, 'colonel': 2, 'mustard': 15, 'in': 9,
'the': 24, 'study': 23, 'with': 30, 'candlestick': 1, 'is': 10, 'not': 17,
'very': 25, 'nice': 16, 'fellow': 3, 'professor': 21, 'plum': 20, 'has': 6,
'plant': 19, 'his': 8, 'miss': 13, 'scarlett': 22, 'watered': 27, 'while': 29,
'he': 7, 'was': 26, 'away': 0, 'from': 4, 'office': 18, 'last': 12, 'week': 28}
"""
#영문자 오름차순:word embedding
#3.희소 행렬(sparse matrix) :text:분석 DTM(행:D ,열:T)
tfidf=TfidfVectorizer()#object
sparse_tfidf=tfidf.fit_transform(sentences)
print(type(sparse_tfidf))#<class 'scipy.sparse.csr.csr_matrix'>
print(sparse_tfidf.shape)#DTM=(3행(Doc), 31열(Term))
print("1.scipy.sparse.matrix")
print(sparse_tfidf)
"""
(row:doc,col:term) 가중치 (weight)=Tfidf
(0, 14) 0.4411657657527482:'mr'
(0, 5) 0.26055960805891015:'green'
(1, 5) 0.2690399207469689 :'green'
(1, 8) 0.34643788271971976
(2, 5) 0.15978698032384395
(2, 21) 0.2057548299742193
(2, 20) 0.2057548299742193
...
"""
print("2.numpy sparse.matrix")
#scipy->numpy 형변환
tfidf_arr=sparse_tfidf.toarray()
print(tfidf_arr.shape) #(3, 31)
print(type(tfidf_arr))#<class 'numpy.ndarray'>
print(tfidf_arr)
"""
[[0. 0.22058288 0.22058288 0.22058288 0. 0.26055961
0. 0. 0. 0.16775897 0.22058288 0.22058288
0. 0. 0.44116577 0.22058288 0.22058288 0.22058288
0. 0. 0. 0. 0. 0.16775897
0.44116577 0.22058288 0. 0. 0. 0.
0.22058288]
[0. 0. 0. 0. 0. 0.26903992
0.45552418 0. 0.34643788 0.34643788 0. 0.
0. 0. 0. 0. 0. 0.
0. 0.34643788 0.34643788 0.34643788 0. 0.34643788
0. 0. 0. 0. 0. 0.
0. ]
[0.27054288 0. 0. 0. 0.27054288 0.15978698
0. 0.27054288 0.20575483 0. 0. 0.
0.27054288 0.27054288 0. 0. 0. 0.
0.27054288 0.20575483 0.20575483 0.20575483 0.27054288 0.
0. 0. 0.27054288 0.27054288 0.27054288 0.27054288
0. ]]
"""
"""
1.scipy sparse matrix
-> tensorflow model
2.numpy sparse matrix
-> sklean model
"""
python TextMining的更多相关文章
- [Python] 机器学习库资料汇总
声明:以下内容转载自平行宇宙. Python在科学计算领域,有两个重要的扩展模块:Numpy和Scipy.其中Numpy是一个用python实现的科学计算包.包括: 一个强大的N维数组对象Array: ...
- python数据挖掘领域工具包
原文:http://qxde01.blog.163.com/blog/static/67335744201368101922991/ Python在科学计算领域,有两个重要的扩展模块:Numpy和Sc ...
- [resource]Python机器学习库
reference: http://qxde01.blog.163.com/blog/static/67335744201368101922991/ Python在科学计算领域,有两个重要的扩展模块: ...
- [转]Python机器学习工具箱
原文在这里 Python在科学计算领域,有两个重要的扩展模块:Numpy和Scipy.其中Numpy是一个用python实现的科学计算包.包括: 一个强大的N维数组对象Array: 比较成熟的(广播 ...
- python版本及ML库
一:关于Python版本的选择问题 关于Python的选择问题:要看学术界能不能把科学库迁移到Python3. 1:多个版本共用: 最近发现SciPy的最高版本是3.2,只能是退而求其次,不使用最新版 ...
- Python中的多进程与多线程（一）
一.背景 最近在Azkaban的测试工作中,需要在测试环境下模拟线上的调度场景进行稳定性测试.故而重操python旧业,通过python编写脚本来构造类似线上的调度场景.在脚本编写过程中,碰到这样一个 ...
- Python高手之路【六】python基础之字符串格式化
Python的字符串格式化有两种方式: 百分号方式.format方式 百分号的方式相对来说比较老,而format方式则是比较先进的方式,企图替换古老的方式,目前两者并存.[PEP-3101] This ...
- Python 小而美的函数
python提供了一些有趣且实用的函数,如any all zip,这些函数能够大幅简化我们得代码,可以更优雅的处理可迭代的对象,同时使用的时候也得注意一些情况 any any(iterable) ...
- JavaScript之父Brendan Eich，Clojure 创建者Rich Hickey，Python创建者Van Rossum等编程大牛对程序员的职业建议
软件开发是现时很火的职业.据美国劳动局发布的一项统计数据显示,从2014年至2024年,美国就业市场对开发人员的需求量将增长17%,而这个增长率比起所有职业的平均需求量高出了7%.很多人年轻人会选择编 ...
随机推荐
- SQL 中左连接与右链接的区别
在微信公众号中看到的sql左连接与右链接的总结,这个图总结的很好,所以单独收藏下:
- 【XSY3147】子集计数 DFT 组合数学
题目大意 给定一个集合 \(\{1,2,\ldots,n\}\),要求你从中选出 \(m\) 个数,且这 \(m\) 个数的和是 \(k\).问方案数 \(\bmod 998244353\) \(0\ ...
- git 忽略部分文件类型的同步
场景 利用 pycharm 进行代码操作的时候会自动创建 .idea/ 文件夹 特么我每次随便做点操作.这里面的东西也会随着自动改一些 一开始开始无视 如果是多人协同开发会导致代码合并相关的问题 因此 ...
- 帝国CMS Table '***.phome_ecms_news_data_' doesn't exist
帝国CMS刷新内容页出现以下错误 1 Table 'www.536831.com.phome_ecms_news_data_' doesn't exist select keyid,dokey,n ...
- python学习day14 装饰器(二)&模块
装饰器(二)&模块 #普通装饰器基本格式 def wrapper(func): def inner(): pass return func() return inner def func(): ...
- CF5E Bindian Signalizing
题目 这题目是真的很水,洛谷给他紫题也差不多算恶意评分了吧233 这种一眼切的题改了很长时间,不是什么n-1搞错,就是什么and打成or,所以写这篇博客给自己长个记性QWQ 题意:n座山组成一个环,相 ...
- 【UVA1660】Cable TV Network
题目大意:给定一个 N 个点的无向图,求至少删去多少个点可以使得无向图不连通. 题解:学习到了点边转化思想. 根据网络流的知识可知,一个网络的最小割与网络的最大流相等.不过最小割是图的边集,而本题则是 ...
- 休眠（1）：sleep和wait的区别
1.这两个方法来自不同的类分别是,sleep来自Thread类,和wait来自Object类. 2.sleep是Thread的静态类方法,谁调用的谁去睡觉,即使在a线程里调用了b的sleep方法,实际 ...
- Qt: 非阻塞时间延迟；
1.使用时间耗损循环: #include <QTime> ... QTime delayTime = QTime::currentTime().addMSecs(1000); while( ...
- Gaussian Process for Regression
python风控评分卡建模和风控常识(博客主亲自录制视频教程) https://study.163.com/course/introduction.htm?courseId=1005214003&am ...