发现空间是足够的,然后df -i 查看了下inodes,发现根目录下的inodes值使用率为100%了 解决方法:通过以下脚本进行检查,查看到底哪个目录下面的文件最多: find / -xdev -printf '%h\n' | sort | uniq -c | sort -k 1 -n最终发现/var/soppl目录最多.然后又进一步确定是/var/spool/amavisd/quarantine 目录下面有上百万个文件,机器已经无法正常显示了,后来百度查看了下这个目录是邮件服务器,处理垃圾邮

晚上正在看文档的时候,运营突然打电话给我说游戏全炸了,都玩不了了: 我立马登上服务器,查看了下各服务是否正常运行,结果运行命令都报Unable to create lock file:  No space left on device 于是我df -h 查看了下磁盘空间,发现磁盘空间足够,想了下是不是inode 100%无法写入文件 df -i 看了下,果然index 100%爆满 然后为了找出哪些文件目录暂用最大,通过命令du -sh /* 配合找到了/var/spool/postfix/ma

1.回顾: 某在线主机深夜连续接到告警系统的disk Used 超限告警. 登陆主机查看却遇到了困惑:在检查磁盘使用量 df –h 出来的磁盘使用量确实和告警信息一样,已经被100%占用,但是查看目录大小 du 时,却显示实际目录大小并非这样,而是有很大空闲空间. 如图:磁盘用量 df –h 结果为100%Used, 目录实际总大小 du –h –max-depth=1,显示总目录大小为60k,几乎可以忽略的使用比例. [知识准备] [linux] lsof 命令了解: lsof(list op

问题:         使用 df 命令查看,某个分区使用率已经达到100%,但是用du 命令统计该分区,发现该分区空间剩余10G可用.         实例:                分析:         如果有文件在打开状态的时候被删除了,系统还是会以为这些文件还存在.所以df 仍然会当这些文件还存在并且列入统计中.   解决:    # lsof | grep "deleted"         查看那些已被删除但仍被系统打开的文件,找到相对应的服务,重启.或者找到相对应

这是本人一直比较好奇的问题,网上没搜到,最近在看python数据分析,正好自己动手做一下试试.作者对于python是零基础,需要从头学起. 在写本文时,作者也没有完成这个小分析目标,边学边做吧. ＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝ Python基础: 中国大学Mooc,南京大学,张莉老师 -<用Python玩转数据> 了解基本的语法和常用函数就行了,其他的用的时候再搜. 财经数据源: TuShare

1.跳转页面代码.下载代码(new URLRequest(下载地址)): var request1:URLRequest=new URLRequest("http://www.baidu.com/"); navigateToURL(request1); request1=null; 2.权限 (1)public :公开权限[类本身+类外部+被继承] (2)protected:保护权限[类本身+被继承] (I3)private:私有权限[类本身] 3. (1)子类继承与父类,子类可以使用

df  17% 正常 df -i 100% inode耗尽. | uniq -c 查出占用lnode最大的目录是 /var/spool/exim4/input 居然有15W多个小文件 exim4是邮件服务器. 奇怪,这服务器根本就没有作邮件服务. 如果不是出现这次的异常,我根本不知道服务器有装exim4. 删光后,文件又一点点冒出来了. 打开其中一看.立马闻到了“坏味道”. 捉到狐狸尾巴了. 1a5aTr-0006zH-5Z------.tmp Traceback (most recent ca

文件中有很多字段: dd ssdf df aaa="100" dd ssdf df aaa="200" asdf sdf sdf aaa="700" 现在我就想替换dd ssdf df aaa="×××" 为dd ssdf df aaa="NUMBER" %s/\(dd ssdf df\) aaa=\"[0-9]\{1,5\}\"/\1 aaa="NUMBER"/g

TF/IDF(term frequency/inverse document frequency) 的概念被公认为信息检索中最重要的发明. 一. TF/IDF描述单个term与特定document的相关性 TF(Term Frequency): 表示一个term与某个document的相关性.公式为: 这个term在document中出现的次数除以该document中所有term出现的总次数. IDF(Inverse Document Frequency)表示一个term表示document的主

TF-IDF(term frequency–inverse document frequency)是一种用于资讯检索与资讯探勘的常用加权技术.TF-IDF是一种统计方法,用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度.字词的重要性随著它在文件中出现的次数成正比增加,但同时会随著它在语料库中出现的频率成反比下降.TF-IDF加权的各种形式常被搜寻引擎应用,作为文件与用户查询之间相关 ... TF/IDF算法可能并不是百度的重要方法,google适用:百度个人认为是向量空间模型,

1:重要参考 wiki 2: oracle doc 表空间参考 3:来自dba-oracle的参考 26,27,28,29 一:oracle 表空间概念 表空间是联系数据库的物理磁盘(数据文件)和逻辑组件的桥梁,表空间是用来存储oralce数据库对象例如:tables.indexes和 rollback segments.可以想象oracle物理磁盘和逻辑磁盘之间的关系,表空间的概念和这个一样. PS: 数据文件 就相当于一个省的的范围(这个是实实在在存在的),而 表空间相当于在省上建立的管理机

本文就Pandas的运行效率作一个对比的测试,来探讨用哪些方式,会使得运行效率较好. 测试环境如下: windows 7, 64位 python 3.5 pandas 0.19.2 numpy 1.11.3 jupyter notebook 需要说明的是,不同的系统,不同的电脑配置,不同的软件环境,运行结果可能有些差异.就算是同一台电脑,每次运行时,运行结果也不完全一样. 1 测试内容 测试的内容为,分别用三种方法来计算一个简单的运算过程,即 a*a+b*b . 三种方法分别是: python的

pandas 两种数据结构 Series和DataFrame 一  Series 一种类似与一维数组的对象 values:一组数据(ndarray类型) index:相关的数据索引标签 1.1  series的创建 Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False) data:列表/numpy一维数据/dic. index:显示索引,格式为:[] dtype:数据的类型 name:Ser

一.Pandas介绍 1.介绍 pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的.Pandas 纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具.pandas提供了大量能使我们快速便捷地处理数据的函数和方法.你很快就会发现,它是使Python成为强大而高效的数据分析环境的重要因素之一. 2.数据结构 Series:一维数组,与Numpy中的一维array类似.二者与Python基本的数据结构List也很相近.Series如今能保存不同种数据类

一.初识DataFrame dataFrame 是一个带有索引的二维数据结构,每列可以有自己的名字,并且可以有不同的数据类型.你可以把它想象成一个 excel 表格或者数据库中的一张表DataFrame是最常用的 Pandas 对象. 二.数据框的创建 1.字典套列表方式创建 index = pd.Index(data=["Tom", "Bob", "Mary", "James"], name="name"

import pandas as pd def KDJ_K(df,n=9):    df['highest'] = df['high'].rolling(n).max()    df['lowest'] = df['low'].rolling(n).min()    df['RSV'] = (df['close']-df['lowest'])/(df['highest']-df['lowest'])*100    df['signal'] = SMA_REC(df['RSV'],n=3,m=1,

1,nan替换为0df = df(np.nan, 0, regex=True)2.inf替换为0df= df(np.inf, 0.0, regex=True)3.从数据库读取数据到dataframeinfo_detail = pd.read_sql(sql_detail+"'"+version+"'", pyodbc.connect(CONFIG_IN_LCD))4.从dataframe中取其中需要的几列info = info_detail.loc[:,['vers

首先我们看下数据 接下来数据分析操作 import numpy as np import pandas as pd from matplotlib import pyplot as plt if __name__ == "__main__": #读取数据 df = pd.read_excel('tips.xlsx','sheet1') # print(df) #绘制散点图 证明推论,消费随着总账单的递增而递增 # df.plot(kind='scatter',x='tip',y='to

1.管道函数 #!/usr/bin/env python # -*- coding: utf-8 -*- # @Time : 2018/5/24 15:03 # @Author : zhang chao # @File : s.py #pipe管道函数的应用 import pandas as pd import numpy as np def adder(ele1,ele2): return ele1+ele2 df = pd.DataFrame(np.random.randn(5,3),col

一.PGE简介 二.PGE代码 # 导入函数库 import jqdata import pandas as pd def initialize(context): set_benchmark('000300.XSHG') set_option('use_real_price', True) set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commissi