数据挖掘，计算机网络、操作系统刷题笔记36

news2024/11/27 16:45:35

数据挖掘，计算机网络、操作系统刷题笔记36

2022找工作是学历、能力和运气的超强结合体，遇到寒冬，大厂不招人，可能很多算法学生都得去找开发，测开
测开的话，你就得学数据库，sql，oracle，尤其sql要学，当然，像很多金融企业、安全机构啥的，他们必须要用oracle数据库
这oracle比sql安全，强大多了，所以你需要学习，最重要的，你要是考网络警察公务员，这玩意你不会就别去报名了，耽误时间！
考网警特招必然要考操作系统，计算机网络，由于备考时间不长，你可能需要速成，我就想办法自学速成了，课程太长没法玩
刷题系列文章
【1】Oracle数据库：刷题错题本，数据库的各种概念
【2】操作系统，计算机网络，数据库刷题笔记2
【3】数据库、计算机网络，操作系统刷题笔记3
【4】数据库、计算机网络，操作系统刷题笔记4
【5】数据库、计算机网络，操作系统刷题笔记5
【6】数据库、计算机网络，操作系统刷题笔记6
【7】数据库、计算机网络，操作系统刷题笔记7
【8】数据库、计算机网络，操作系统刷题笔记8
【9】操作系统，计算机网络，数据库刷题笔记9
【10】操作系统，计算机网络，数据库刷题笔记10
【11】操作系统，计算机网络，数据库刷题笔记11
【12】操作系统，计算机网络，数据库刷题笔记12
【13】操作系统，计算机网络，数据库刷题笔记13
【14】操作系统，计算机网络，数据库刷题笔记14
【15】计算机网络、操作系统刷题笔记15
【16】数据库，计算机网络、操作系统刷题笔记16
【17】数据库，计算机网络、操作系统刷题笔记17
【18】数据库，计算机网络、操作系统刷题笔记18
【19】数据库，计算机网络、操作系统刷题笔记19
【20】数据库，计算机网络、操作系统刷题笔记20
【21】数据库，计算机网络、操作系统刷题笔记21
【22】数据库，计算机网络、操作系统刷题笔记22
【23】数据库，计算机网络、操作系统刷题笔记23
【24】数据库，计算机网络、操作系统刷题笔记24
【25】数据库，计算机网络、操作系统刷题笔记25
【26】数据库，计算机网络、操作系统刷题笔记26
【27】数据库，计算机网络、操作系统刷题笔记27
【28】数据库，计算机网络、操作系统刷题笔记28
【29】数据库，计算机网络、操作系统刷题笔记29
【30】数据库，计算机网络、操作系统刷题笔记30
【31】数据库，计算机网络、操作系统刷题笔记31
【32】数据库，计算机网络、操作系统刷题笔记32
【33】数据库，计算机网络、操作系统刷题笔记33
【34】数据库，计算机网络、操作系统刷题笔记34
【35】数据挖掘，计算机网络、操作系统刷题笔记35

文章目录

  • 数据挖掘，计算机网络、操作系统刷题笔记36
    • @[TOC](文章目录)
  • 数据挖掘
    • 可视化分析
  • 在TCP/IP体系结构中，直接为ICMP提供服务的协议是（）。
  • NVRAM是路由器用来保存配置文件的地方。
  • hub和中继器一样，都属于物理层设备，共享带宽和冲突域，是可以用来构建局域网的。
  • MAC地址通常存储在计算机的网卡ROM中，固化在网卡上串行EEPROM中的物理地址
  • 统一帧的长度比可变帧长度吞吐量要高
  • 下列哪些协议与发送电子邮件有关（ ）
  • 流式文件是指无结构的文件，这种说法正确
  • 虚拟存储管理的调页技术有（ ）
  • 从功能上讲，计算机硬件主要由________部件组成。
  • 总结

数据挖掘

可视化分析

在这里插入图片描述
其实数据分析，是需要人直观的理解数据的内涵
那就需要可视化哦！！！

只有通过图表，展示规律，人们才能看懂，懂吧

seaborn绘图，表格
我见过

matplotlib：python绘图

plotly网页绘图

引入库：
seaborn
matplotlib

然后将薪水字段【HR.csv文件在文章34我说过哦】

的直方图高做个图

import pandas as pd
import numpy as np
import seaborn as sb
import matplotlib.pyplot as plt  # 是它里面的函数


def f1():
    df = pd.read_csv('HR_comma_sep.csv')
    x = np.arange(len(df['salary'].value_counts()))
    y = df['salary'].value_counts()
    plt.bar(x, y)
    plt.show()

if __name__ == '__main__':
    f1()

在这里插入图片描述
因为value_counts是一个序列
所以统计一个长度即可

可以加点标题啥的
y长这样
low 7316
medium 6446
high 1237
Name: salary, dtype: int64

所以横坐标，我们需要标注为低中高仨字段
刻度长度就是我们统计的y的长度

import pandas as pd
import numpy as np
import seaborn as sb
import matplotlib.pyplot as plt  # 是它里面的函数


def f1():
    df = pd.read_csv('HR_comma_sep.csv')
    x = np.arange(len(df['salary'].value_counts()))
    y = df['salary'].value_counts()
    print(y)
    plt.bar(x, y)
    plt.title('salary show')
    plt.xlabel("salary")
    plt.ylabel("number")
    plt.xticks(x, y.index)  # 将x轴的刻度，标注为y的index
    plt.show()

if __name__ == '__main__':
    f1()

在这里插入图片描述
这样的话，一目了然
工薪低中高三种情况下
员工的人数
美滋滋
是不就发现高薪的人并不多
而底薪的人很多
都是这样的

当然，我们可以设置显示范围

    plt.axis([0, 3, 0, 8000])  # 横轴范围，纵轴范围
    plt.show()

在这里插入图片描述
但是这个bar和xticks的位置就跑到了0点
因此我们需要将其向右平移0.5
直接在原来横坐标那加

import pandas as pd
import numpy as np
import seaborn as sb
import matplotlib.pyplot as plt  # 是它里面的函数


def f1():
    df = pd.read_csv('HR_comma_sep.csv')
    x = np.arange(len(df['salary'].value_counts()))
    y = df['salary'].value_counts()
    print(y)
    plt.bar(x + 0.5, y)
    plt.title('salary show')
    plt.xlabel("salary")
    plt.ylabel("number")
    plt.xticks(x + 0.5, y.index)  # 将x轴的刻度，标注为y的index
    plt.axis([0, 3, 0, 8000])  # 横轴范围，纵轴范围
    plt.show()

if __name__ == '__main__':
    f1()

在这里插入图片描述
妥了

 plt.bar(x + 0.5, y, width=0.5)  # 设置条形图的宽度

在这里插入图片描述
你还能把数据，放在图表上
用text把y放进去，但是需要你封装xy为坐标ab，方便挨个打印
坐标，是x+0.5和y

    for a, b in zip(x+0.5, y):
        plt.text(a, b, b, ha='center', va='bottom')  # 按照ab这个坐标，挨个打印

看懂了吗
zip就是将x和y封装为坐标
打印的也是这个y坐标，因为它是数量
在这里插入图片描述
这就是matplotlib的用法

下面我们看看seaborn的用法
比如用seaborn把这个图表的格式改改
把表格风格设置为darkgrid暗网格

import pandas as pd
import numpy as np
import seaborn as sb
import matplotlib.pyplot as plt  # 是它里面的函数


def f1():
    df = pd.read_csv('HR_comma_sep.csv')
    x = np.arange(len(df['salary'].value_counts()))
    y = df['salary'].value_counts()
    # print(y)

    sb.set_style(style='darkgrid')
    plt.bar(x + 0.5, y, width=0.5)  # 设置条形图的宽度
    plt.title('salary show')
    plt.xlabel("salary")
    plt.ylabel("number")
    plt.xticks(x + 0.5, y.index)  # 将x轴的刻度，标注为y的index
    plt.axis([0, 3, 0, 8000])  # 横轴范围，纵轴范围
    for a, b in zip(x+0.5, y):
        plt.text(a, b, b, ha='center', va='bottom')  # 按照ab这个坐标，挨个打印


    plt.show()

if __name__ == '__main__':
    f1()

把代码放前面哦
在这里插入图片描述
咋样，逼格是否高一些？？？
你可以去看看函数set_style,它的取值有这些

Parameters
    ----------
    style : dict, None, or one of {darkgrid, whitegrid, dark, white, ticks}
        A dictionary of parameters or the name of a preconfigured set.

白色，ticks是啥我看看
在这里插入图片描述
貌似就这样
在这里插入图片描述
烦着不会就可以去官网上查一波
easy

设置字体的话，gg
反正不同的字体都可以设置

sb.set_context(context='poster',)  # 设置字体的

在这里插入图片描述
那是因为参数中的font_scale大小为1，或者1.5
放大了
在这里插入图片描述
咱可以将其设置为0.8试试
在这里插入图片描述

这是0.6的
在这里插入图片描述
这样看着就爽了

当然我们还可以设置颜色

在这里插入图片描述
在这里插入图片描述
它英文是调色板
所以就函数叫这个，懂？

seaborn.set_palette(palette, n_colors=None, desat=None, color_codes=False)
Set the matplotlib color cycle using a seaborn palette.

Parameters:
paletteseaborn color paltte | matplotlib colormap | hls | husl
Palette definition. Should be something color_palette() can process.

n_colorsint
Number of colors in the cycle. The default number of colors will depend on the format of palette, see the color_palette() documentation for more information.

desatfloat
Proportion to desaturate each color by.

color_codesbool
If True and palette is a seaborn palette, remap the shorthand color codes (e.g. “b”, “g”, “r”, etc.) to the colors from this palette.

里面的参数
matplotlib colormap
我们去matplotlib官网瞅瞅

在这里插入图片描述
里面有很多色系，你可以选择不同的名字展示

在这里插入图片描述
比如

 sb.set_palette(palette='summer')  # 调色板

在这里插入图片描述

得到了一波绿色，骚啊

这是matplotlib的色板
我们去看看seaborn的呢在这里插入图片描述
我们可以用这种默认的调色板，选择第几号n颜色
在这里插入图片描述

sb.set_palette(sb.color_palette(n_colors=1))  # seaborn调色板

在这里插入图片描述
然后这个图就出来了懂吧？

你可以换一个

sb.set_palette(sb.color_palette("pastel", n_colors=4))  # seaborn调色板
这样得到数组，默认用0


需要下面这样
sb.set_palette([sb.color_palette("pastel", 4)[3]])  # seaborn调色板
    
返回一个数组，用3号颜色，也就是第4个
然后放进[]数组中，这样它才能识别

一定要小心哦
在这里插入图片描述
这样就对上了
OK吧

所有代码：

import pandas as pd
import numpy as np
import seaborn as sb
import matplotlib.pyplot as plt  # 是它里面的函数


def f1():
    df = pd.read_csv('HR_comma_sep.csv')
    x = np.arange(len(df['salary'].value_counts()))
    y = df['salary'].value_counts()
    # print(y)

    sb.set_style(style='ticks')
    sb.set_context(context='poster', font_scale=0.8)  # 设置字体的
    # sb.set_palette(palette='summer')  # matplotlib调色板
    sb.set_palette([sb.color_palette("pastel", 4)[3]])  # seaborn调色板
    plt.bar(x + 0.5, y, width=0.5)  # 设置条形图的宽度
    plt.title('salary show')
    plt.xlabel("salary")
    plt.ylabel("number")
    plt.xticks(x + 0.5, y.index)  # 将x轴的刻度，标注为y的index
    plt.axis([0, 3, 0, 8000])  # 横轴范围，纵轴范围
    for a, b in zip(x+0.5, y):
        plt.text(a, b, b, ha='center', va='bottom')  # 按照ab这个坐标，挨个打印


    plt.show()

if __name__ == '__main__':
    f1()

美滋滋吧，舒服，官网瞅瞅，学习就是了

seaborn和matplotlib一样，可以画柱状图

def f2():
    df = pd.read_csv('HR_comma_sep.csv')

    sb.set_style(style='ticks')
    sb.set_context(context='poster', font_scale=0.8)  # 设置字体的
    # sb.set_palette(palette='summer')  # matplotlib调色板
    sb.set_palette([sb.color_palette("pastel", 4)[3]])  # seaborn调色板
    # plt.bar(x + 0.5, y, width=0.5)  # 设置条形图的宽度
    sb.countplot(x='salary', data=df)
    plt.show()

它自动对其，美滋滋啊
在这里插入图片描述
这countplot还有分组聚合的功能
比如，咱们按照部门分组，再去统计的话，就会有单独的几个表

def f2():
    df = pd.read_csv('HR_comma_sep.csv')

    sb.set_style(style='ticks')
    sb.set_context(context='poster', font_scale=0.8)  # 设置字体的
    # sb.set_palette(palette='summer')  # matplotlib调色板
    sb.set_palette([sb.color_palette("pastel", 4)[3]])  # seaborn调色板
    # plt.bar(x + 0.5, y, width=0.5)  # 设置条形图的宽度
    sb.countplot(x='salary', data=df, hue='department')  # 按照部门分组看看
    
    plt.show()

if __name__ == '__main__':
    f2()

很牛的
在这里插入图片描述
这波就按照不同的部门分组展示了
骚吧？

在TCP/IP体系结构中，直接为ICMP提供服务的协议是（）。

在这里插入图片描述

ICMP报文作为数据字段封装在IP分组中，因此，IP协议直接为ICMP提供服务。

UDP和TCP都是传输层协议，为应用层提供服务。
PPP协议是链路层协议，为网络层提供服务。

NVRAM是路由器用来保存配置文件的地方。

在这里插入图片描述

hub和中继器一样，都属于物理层设备，共享带宽和冲突域，是可以用来构建局域网的。

在这里插入图片描述

MAC地址通常存储在计算机的网卡ROM中，固化在网卡上串行EEPROM中的物理地址

牛逼
在这里插入图片描述

统一帧的长度比可变帧长度吞吐量要高

在这里插入图片描述

因为ALHOA冲突等待的时隙就是根据发送一帧所需的时间设定的，如果帧长度不固定，那样时隙也无法确定，那样就无法确定等待多久合适，如果等待时间短了其他帧还没发送完，则此时发送会冲突，等待长了浪费信道

下列哪些协议与发送电子邮件有关（ ）

在这里插入图片描述

SMTP（简单邮件传送协议）【发】、POP（邮局协议）【收】、
MIME（通用互联网邮件扩充）【发】、IMAP（网际报文存取协议）【收】

第二次错误了，一发一收，别整错了

流式文件是指无结构的文件，这种说法正确

在这里插入图片描述
有结构叫记录式文件

虚拟存储管理的调页技术有（ ）

调页技术而不是调度算法
页面置换算法：选择要换出的页面。 调页技术：将页面从外存调入内存。
在这里插入图片描述

LRU和FIFO是内存替换算法，换出去
而调页是调入
骚
恶心人的题目

从功能上讲，计算机硬件主要由________部件组成。

在这里插入图片描述

总结

提示：重要经验：

1）
2）学好oracle，操作系统，计算机网络，即使经济寒冬，整个测开offer绝对不是问题！同时也是你考公网络警察的必经之路。
3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/180558.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

泊松过程与排队论

泊松过程与排队论

全国同理:随机过程随机会过 ......唉 你说热统,他为什么要搭配着随机过程一起学 ......唉 你说数模比赛 为什么不能白送一个奖牌小摘要泊松过程泊松过程来到间隔与等待时间的分布来到时刻的条件分布M/G/1 忙期非齐次泊松过程复合泊松过程条件泊松过程排队系统输入常见的输入分布…
阅读更多...
Python eval()和exec()函数详解

Python eval()和exec()函数详解

eval() 和 exec() 函数都属于 Python 的内置函数，由于这两个函数在功能和用法方面都有相似之处，所以将它们放到一节进行介绍。eval() 和 exec() 函数的功能是相似的，都可以执行一个字符串形式的 Python 代码（代码以字符串的形式提…
阅读更多...
Elasticsearch：深入理解 Elasticsearch 查询：过滤器查询 vs 全文搜索

Elasticsearch：深入理解 Elasticsearch 查询：过滤器查询 vs 全文搜索

如果我必须用一句话来描述 Elasticsearch，我会这样说： 当搜索遇到大规模分析时（近乎实时） Elasticsearch 是目前最受欢迎的 10 大开源技术之一。 公平地说，它包含许多本身并不独特的关键功能，但是&#xff…
阅读更多...
ARP渗透与攻防(八)之ARP攻击防御

ARP渗透与攻防(八)之ARP攻击防御

系列文章 ARP渗透与攻防(一)之ARP原理 ARP渗透与攻防(二)之断网攻击 ARP渗透与攻防(三)之流量分析 ARP渗透与攻防(四)之WireShark截获用户数据 ARP渗透与攻防(五)之Ettercap劫持用户流量 ARP渗透与攻防(六)之限制网速攻击 ARP渗透与攻防(七)之Ettercap Dns劫持 ARP攻击防御 …
阅读更多...
【Linux】调试器-gdb使用

【Linux】调试器-gdb使用

一、背景 程序的发布方式有两种，debug模式和release模式Linux gcc/g出来的二进制程序，默认是release模式要使用gdb调试，必须在源代码生成二进制程序的时候, 加上 -g 选项 当我们不加 -g 选项的时候，我们生成的可执行文件的相关符…
阅读更多...
python刷题-关于分词词频、数组排序，数组插数的题

python刷题-关于分词词频、数组排序，数组插数的题

目录标题1、对多种日期格式进行标准化2、实现英文分词计算词频-re.split、value_counts()3、中文文章分词4、统计《鹿鼎记》小说中的人名5、用1234能组成多少个互不相同且无重复数字的三位数6、两个矩阵相加7、用逗号分隔列表-join8、在升序的序列中插入一个数---重要9、对任意…
阅读更多...
带滤波器的PID控制仿真-3（Simulink仿真）

带滤波器的PID控制仿真-3（Simulink仿真）

在带滤波器的PID控制仿真-2的基础上对算例进行Simulink仿真。控制器采用积分分离PI控制，即当误差的绝对值小于等于0.80时，加入积分控制，仿真结果如图1和2所示。图1 加入滤波器时PID控制阶跃响应图2 无滤波器时PID控制阶跃响应初始化程序&…
阅读更多...
03-你能不能自己写一个叫做java.lang.Object的类？

03-你能不能自己写一个叫做java.lang.Object的类？

前言： 接着上一次02-为什么dex文件比class文件更适合移动端？的继续往下，距离上一篇已经过去快半年了，从我的博文记录中就可以清楚地看到： 转眼2023年新春假期接近尾声了，在这近半年的时间里，其…
阅读更多...
2023英伟达显卡排名天梯图(已更新)

2023英伟达显卡排名天梯图(已更新)

2023英伟达显卡排名天梯图 注意 这里没有更新4070Ti, 它的性能应该在3090和3090ti之间 Kelvin Kelvin 于 2001 年发布，是 Nvidia 千年以来第一个新的 GPU 微架构。最初的 Xbox 游戏机使用带有 Kelvin 微架构的 NV2A GPU。 GeForce 3 和 GeForce 4 系列 GPU 是采用…
阅读更多...
nginx启动命令和停止命令

nginx启动命令和停止命令

进入nginx的sbin目录下 cd /usr/local/nginx/sbin/ 1、启动nginx ./nginx 2、停止nginx两种方式 #待nginx进程处理任务完毕进行停止。 ./nginx -s quit #先查出nginx进程id再使用kill命令强制杀掉进程。 ./nginx -s stop 3、查看nginx端口 ps aux|grep nginx 4、查看ng…
阅读更多...
机器学习——正则化线性回归和偏差/方差（Matlab代码实现）

机器学习——正则化线性回归和偏差/方差（Matlab代码实现）

目录 💥1 概述 📚2 运行结果 🎉3 参考文献 👨‍💻4 Matlab代码 💥1 概述 本文使用水库水位的变化来实现正则化线性回归，以预测大坝流出的水量。后续本文将对调试学习算法进行一些诊断&#…
阅读更多...
2023需要重点关注的四大AI方向

2023需要重点关注的四大AI方向

2023需要重点关注的四大AI方向 过去10年，人工智能从实验室走向各行各业，成为一种普遍技术应用于众多领域。根据IDC的数据，2022年全球AI市场规模达到4328亿美元，增长近20%。而Precedence Research预计，到2030年&#xf…
阅读更多...
商业模式画布的介绍例子

商业模式画布的介绍例子

选自《软件开发权威指南》商业模式画布是指一种能够帮助创业者催生创意，降低猜测，确保他们找对目标用户，合理解决问题的工具。商业模式画布不仅能够提供更多灵活多变的计划，而且更容易满足用户的需求。更重要的是，它可…
阅读更多...
家居建材商城|基于Springboot+Vue实现家居建材商城

家居建材商城|基于Springboot+Vue实现家居建材商城

作者主页：编程指南针 作者简介：Java领域优质创作者、CSDN博客专家 、掘金特邀作者、多年架构师设计经验、腾讯课堂常驻讲师 主要内容：Java项目、毕业设计、简历模板、学习资料、面试题库、技术互助 收藏点赞不迷路 关注作者有好处 文末获取源…
阅读更多...
R|使用ggrepel添加文字标签

R|使用ggrepel添加文字标签

最近在用ggrepel&#xff0c;这里记录一些官网教程中的概要。与其去搜答案&#xff0c;不如过一遍软件的示例&#xff0c;大部分的问题都能迎刃而解。更详细的内容可参照官网教程&#xff1a;https://ggrepel.slowkow.com/articles/examples.html>基本用法<相比于geom_te…
阅读更多...
python+django健身房课程预约评分系统

python+django健身房课程预约评分系统

启动一个新项目 执行下面的命令来创建一个新的 Django 项目&#xff1a; django-admin startproject myproject 命令行工具django-admin会在安装Django的时候一起自动安装好。 执行了上面的命令以后&#xff0c;系统会为Django项目生成基础文件夹结构。 现在&#xff0c;我…
阅读更多...
DFS（深度优先搜索）详解（概念讲解，图片辅助，例题解释，剪枝技巧）

DFS（深度优先搜索）详解（概念讲解，图片辅助，例题解释，剪枝技巧）

目录 那年深夏 引入 1.什么是深度优先搜索&#xff08;DFS&#xff09;&#xff1f; 2.什么是栈&#xff1f; 3.什么是递归&#xff1f; 图解过程 问题示例 1、全排列问题 2、迷宫问题 3、棋盘问题&#xff08;N皇后&#xff09; 4、加法分解 模板 剪枝 1.简介 2.剪枝…
阅读更多...
ASCII表

ASCII表

背景 ASCII&#xff08;American Standard Code for Information Interchange&#xff0c;美国信息互换标准代码&#xff09;是一套基于拉丁字母的字符编码&#xff0c;共收录了 128 个字符&#xff0c;用一个字节就可以存储&#xff0c;它等同于国际标准 ISO/IEC 646。 ASCII…
阅读更多...
【R语言数据科学】：多项式回归

【R语言数据科学】：多项式回归

【R语言数据科学】：多项式回归 🌸个人主页：JOJO数据科学📝个人介绍：统计学top3高校统计学硕士在读💌如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏、👍订阅专栏✨本文收录于【R语言数据科学】本系列主要介绍R语言在数据科学领域的应用包括： R语言编程基础、R语…
阅读更多...
软件测试该怎么测？10个测试方法，带你初步了解

软件测试该怎么测？10个测试方法，带你初步了解

软件测试该怎么测&#xff1f;10个测试方法&#xff0c;带你初步了解1.需求测试2.界面测试3.功能测试4.安全性测试5.可靠性测试6.可移植性测试7.兼容性8.易用性9.压力测试10.异常场景测试当然还有很多测试方法&#xff0c;这些要根据实际不同应用场景而变化&#xff0c;这里就以…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023