数据挖掘，计算机网络、操作系统刷题笔记37

news2024/11/15 7:36:38

数据挖掘，计算机网络、操作系统刷题笔记37

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
【36】数据挖掘，计算机网络、操作系统刷题笔记36

文章目录

  • 数据挖掘，计算机网络、操作系统刷题笔记37
    • @[TOC](文章目录)
  • 数据挖掘
    • 可视化直方图
    • 可视化分析：箱线图
    • 折线图
    • 饼图：seaborn没有，只有matplotlib才有
  • 以下 TCP 原语，中，哪一个是属于客户端的：
  • 资源子网又被称为边缘网络，通信网络又被称为核心网络。
  • 在曼切斯特编码中，从高到低跳变表示"1"，从低到高跳变代表"0"
  • RIP协议是基于（ ）UDP
  • 为了减少路由记录需要把多部门的网络地址进行汇聚，166.100.32.0/22可以汇聚的网段有（ ）
  • 列协议或应用，哪些是只使用TCP，而不使用UDP的？
  • 在发送数据的过程中，在封装过程中，加入的地址信息是指（ ）。
  • TCP/IP是一组( )。
  • 打开文件操作时的主要工作是 （）
  • 以下关于进程死锁的表述，错误的是( )
  • 中断可分为可屏蔽中断和不可屏蔽中断。
  • 对换技术主要是为了提高内存的利用率。
  • A 每按键一次，或鼠标点击一次，都产生一个中断，称为按键中断，执行中断响应程序，操作系统将按键消息加入消息队列
  • 总结

数据挖掘

可视化直方图

def f3():
    df = pd.read_csv('HR_comma_sep.csv')
    # 直方图
    f = plt.figure()  # 建立图的句柄
    f.add_subplot(1, 3, 1)
    sb.distplot(df['satisfaction_level'], bins=10)  # 给画直方图
    plt.show()


if __name__ == '__main__':
    f3()

这个产生的是归一化的分布图
内涵直方图
在这里插入图片描述

单独看直方图，那就去掉分布
kde

sb.distplot(df['satisfaction_level'], bins=10, kde=False)  # 给画直方图
    plt.show()

在这里插入图片描述
这样的话，就直接看统计分布，不同数据的个数

单独看直方图的分布，那就去掉直方图，
hist

sb.distplot(df['satisfaction_level'], bins=10, hist=False)  # 给画直方图
    plt.show()

在这里插入图片描述
这样就没有直方图了

美滋滋
再加俩子图，我们可以看看别的字段直方图

def f3():
    df = pd.read_csv('HR_comma_sep.csv')
    # 直方图
    f = plt.figure()  # 建立图的句柄
    f.add_subplot(1, 3, 1)
    sb.distplot(df['satisfaction_level'], bins=10)  # 给画直方图
    # sb.distplot(df['satisfaction_level'], bins=10, kde=False)  # 给画直方图
    # sb.distplot(df['satisfaction_level'], bins=10, hist=False)  # 给画直方图
    # 加一个子图
    f.add_subplot(1, 3, 2)  # 1*3张图 绘制第二个图
    sb.distplot(df['last_evaluation'], bins=10)
    # 加一个子图
    f.add_subplot(1, 3, 3)  # 1*3张图 绘制第3个图
    sb.distplot(df['average_montly_hours'], bins=10)

    plt.show()


if __name__ == '__main__':
    f3()

在这里插入图片描述

可视化分析：箱线图

def f4():
    df = pd.read_csv('HR_comma_sep.csv')
    # box plot
    sb.boxplot(y=df['time_spend_company'])

    plt.show()

if __name__ == '__main__':
    f4()

箱线图就是看上下四分位数极其上下界
还有异常值和离群点
你看看下面上四分位数和下四分位数是4,3
而上下界是5.几
下界是2.多

在这里插入图片描述
而有几个6，7，8，10
为离群点
去官网看
seaborn的api里面的boxplot
在这里插入图片描述
里面的参数

saturation float, optional
Proportion of the original saturation to draw colors at. Large patches often look better with slightly desaturated colors, but set this to 1 if you want the plot colors to perfectly match the input color.

这saturation就是方框的边界，上下四分位数构成的方框的上边界
一般默认是0.75

whis就是上下分位数计算方法的那个k
上一个文章我说过哦

xy是看看你要把坐标放在y轴，还是x轴


def boxplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None,
            orient=None, color=None, palette=None, saturation=.75,
            width=.8, dodge=True, fliersize=5, linewidth=None,
            whis=1.5, ax=None, **kwargs):

sb.boxplot(x=df['time_spend_company'], saturation=0.75, whis=3)  #默认值你可以去看看

    plt.show()

在这里插入图片描述
这就是箱线图

折线图

好说

def f5():
    df = pd.read_csv('HR_comma_sep.csv')
    # line plot
    subdf = df.groupby(['time_spend_company']).mean()  # 分组求平均
    # 这个表的话，就是按照时长来分组了，其他数据平均
    # 然后咱们时长做横坐标，然后打印离职率
    sb.pointplot(subdf.index, subdf['left'])  # 只看subdf了

    plt.show()

if __name__ == '__main__':
    f5()

在这里插入图片描述
根据这个时长分分组后
平均离职的率就有一个综合的感官
大概5年是一个坎
5年时大家都离职了
越往后走很难再有人说离职

34年后离职的人也不少
还能这样玩

sb.pointplot(x=df['time_spend_company'], y=df['left'], data=df)
    # 根据这个表，横坐标是时长，纵坐标是平均离职率，用的data是df
    # 这样它才会去给你计算分组均值

在这里插入图片描述
这样得到的这个数据表它还有范围呢

饼图：seaborn没有，只有matplotlib才有

def f6():
    df = pd.read_csv('HR_comma_sep.csv')
    # pie plot

    lbs = df['department'].value_counts().index  # 这个index就是不同部门，做label
    # autopct是指定pie的百分号格式，一般取%1.1f%%
    plt.pie(df['department'].value_counts(normalize=True), labels=lbs, autopct="%1.1f%%")
    # 统计department的个数，然后将其归一化，放入饼图


    plt.show()

if __name__ == '__main__':
    f6()

在这里插入图片描述
帅不帅
你可以拿着label去遍历，看看需不需要着重强调拿个标签的饼

def f6():
    df = pd.read_csv('HR_comma_sep.csv')
    # pie plot

    lbs = df['department'].value_counts().index  # 这个index就是不同部门，做label
    # autopct是指定pie的百分号格式，一般取%1.1f%%
    # plt.pie(df['department'].value_counts(normalize=True), labels=lbs, autopct="%1.1f%%")
    # 统计department的个数，然后将其归一化，放入饼图
    # 需要强调哪个部门？
    expld = [0.1 if i=='sales' else 0 for i in lbs]  # 间距
    plt.pie(df['department'].value_counts(normalize=True), explode=expld, labels=lbs, autopct="%1.1f%%")

    plt.show()

if __name__ == '__main__':
    f6()

在这里插入图片描述
怎么样，逼格够不够，效果好不好

美滋滋吧

其他的，你也可以看

小结一波：
图表的种类好多呢
反正可以死去官网查一波就行

探索性数据分析的这些工作，我们就到此为止了

你不光要看看数据，还要看数据的对比，能起到啥含义

然后才能得出你想要的更合理的决策

以下 TCP 原语，中，哪一个是属于客户端的：

在这里插入图片描述
客户端要做的就是connect

其他都是服务器在监听，接受
在这里插入图片描述

资源子网又被称为边缘网络，通信网络又被称为核心网络。

在这里插入图片描述

A是资源子网，BCD是通信子网。

在曼切斯特编码中，从高到低跳变表示"1"，从低到高跳变代表"0"

在这里插入图片描述

RIP协议是基于（ ）UDP

在这里插入图片描述

RIP协议是一种内部网关协议（IGP），是一种动态路由选择协议，用于自治系统（AS）内的路由信息的传递。RIP协议基于距离矢量算法（DistanceVectorAlgorithms），使用“跳数”(即metric)来衡量到达目标地址的路由距离。 RIP协议采用距离向量算法，在实际使用中已经较少适用。在默认情况下，RIP使用一种非常简单的度量制度：距离就是通往目的站点所需经过的链路数，取值为1~15，数值16表示无穷大。RIP进程使用UDP的520端口来发送和接收RIP分组。RIP分组每隔30s以广播的形式发送一次，为了防止出现“广播风暴”，其后续的的分组将做随机延时后发送。在RIP中，如果一个路由在180s内未被刷，则相应的距离就被设定成无穷大，并从路由表中删除该表项。RIP分组分为两种：请求分组和响应分组。

你妈，不是多选吗
操

为了减少路由记录需要把多部门的网络地址进行汇聚，166.100.32.0/22可以汇聚的网段有（ ）

在这里插入图片描述
22位之前是001000
后面的可以是00
01
10
11
这样就是32+1,2，3
其余的都不行
在这里插入图片描述

列协议或应用，哪些是只使用TCP，而不使用UDP的？

在这里插入图片描述

链接：https://www.nowcoder.com/questionTerminal/68ac10200a024c29b544e6788d23a199
来源：牛客网

使用UDP的服务：
DNS（域名解析）
TFTP（简单文件传送协议）
RIP（路由信息协议）
DHCP（动态主机配置协议）
SNMP（简单网络管理协议）
NFS（网络文件系统）
IP电话
流式多媒体通信
IGMP（网际组管理协议）

使用TCP的协议或应用：
SMTP
TELNET（远程终端协议）
HTTP
FTP

在发送数据的过程中，在封装过程中，加入的地址信息是指（ ）。

链接：https://www.nowcoder.com/questionTerminal/a17096dbe85c409ca1d2f14a39eca859
来源：牛客网

服务访问点就是邻层实体之间的逻辑接口。
从物理层开始，每一层都向上层提供服务访问点。
在连接因特网的普通微机上，
物理层的服务访问点就是网卡接口，
数据链路层的服务访问点是MAC地址，
网络层的服务访问点是IP地址，
传输层的服务访问点是端口号，
应用层提供的服务访问点是用户界面。
在这里插入图片描述

TCP/IP是一组( )。

在这里插入图片描述

打开文件操作时的主要工作是 （）

在这里插入图片描述

以下关于进程死锁的表述，错误的是( )

在这里插入图片描述

中断可分为可屏蔽中断和不可屏蔽中断。

可屏蔽中断 ：可被CPU通过指令限制某些设备发出中断请求的中断
不可屏蔽中断：不允许屏蔽的中断如电源掉电

在这里插入图片描述

对换技术主要是为了提高内存的利用率。

在这里插入图片描述

对换分为整体对换和页面对换。它时把内存中暂时不能运行的进程或暂时不用的程序或数据，调出到外存上，以便腾出足够的内存空间，再把具备运行条件的进程或进程所需要的程序和数据调入内存。所以对换技术主要是为了提高内存的利用率。

A 每按键一次，或鼠标点击一次，都产生一个中断，称为按键中断，执行中断响应程序，操作系统将按键消息加入消息队列

在这里插入图片描述
C. 应该属于运算结果溢出那就是内中断也就是异常（感觉是玩文字游戏，这里可能认为中断请求只能是外中断）
狗逼

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/182294.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

Scanpy 单细胞测序基因分析

Scanpy 单细胞测序基因分析

参考：https://www.bilibili.com/video/BV1sq4y1C7Qx/ https://scanpy-tutorials.readthedocs.io/en/latest/pbmc3k.html 代码下载：scanpy分析scRNA-seq数据基本流程（含scanpy seurat两大工具对比） 链接: https://pan.baidu.com/s…
阅读更多...
SCSS函数——Map

SCSS函数——Map

SCSS函数——MapSCSS函数——MapMap的简单声明Map取值遍历Map获取值实现换肤效果1. 设置用户可以选择的主题2.创建主题需要颜色的Map集合3.在使用SCSS文件中导入函数和Scss文件4.构建一个themeCombine函数动态创建类名5.使用each对变量进行遍历Map函数1.get()取值函数2.deep-re…
阅读更多...
STM32F10x数据手册之GPIO手册记录

STM32F10x数据手册之GPIO手册记录

前言 1、本文根据数据手册进行记录 2、由于手册的逻辑结构是呈现为总体到具体的结构，导致查看的时候不方便，所以在此记录，方便回顾 GPIO–输入模式 对比分析: 1、在此模式下,向GPIO口，输出高低电平是无效的。 2、GPIO初始电平与…
阅读更多...
PHP反序列化新手入门学习总结

PHP反序列化新手入门学习总结

最近写了点反序列化的题，才疏学浅，希望对CTF新手有所帮助，有啥错误还请大师傅们批评指正。 php反序列化简单理解 首先我们需要理解什么是序列化，什么是反序列化？ PHP序列化：serialize() 序列化是将变量…
阅读更多...
DW 2023年1月Free Excel 第八次打卡 Excel数据可视化

DW 2023年1月Free Excel 第八次打卡 Excel数据可视化

第八章Excel数据可视化 数据下载地址与参考链接：https://d9ty988ekq.feishu.cn/docx/Wdqld1mVroyTJmxicTTcrfXYnDd 1 条形图 案例1 打开data/chap8/8.1xlsx中的【案例1】，现在有湖北区2022/01/01的不同商品的销售额。 问题1：如何更加直观…
阅读更多...
Java基础11：正则表达式

Java基础11：正则表达式

Java基础11：正则表达式一、匹配规则1. 字符类（只匹配一个字符）2. 预定义字符（只匹配一个字符）3. 数量词二、Pattern三、Matcher四、在字符串方法中的使用1. matches2. replaceAll3. split五、 PatternMatcher示例1. 爬…
阅读更多...
【自然语言处理】主题建模：基于 LDA 实现

【自然语言处理】主题建模：基于 LDA 实现

主题建模：基于 LDA 实现主题建模是一种常见的自然语言处理任务。隐含的狄利克雷分布（Latent Dirichlet Allocation，LDA）是其中一种实现算法，其核心思想如下图所示。 主题建模的方法也比较多，除了本文提到的…
阅读更多...
MySQL架构概述

MySQL架构概述

MySQL架构 对MySQL服务端架构的概述，包括逻辑架构、并发控制、事务和MVCC（多版本并发控制）等内容。 逻辑架构 连接/线程管理 最上层负责与客户端交互，包括连接处理、身份验证、确保安全性等。 解析器、优化器 MySQL核心能力都在…
阅读更多...
机器学习从入门到进阶所需学习资料-包括书、视频、源码

机器学习从入门到进阶所需学习资料-包括书、视频、源码

本文整理了一些入门到进阶机器学习所需要的一些免费的精品视频课程，一些优质的书籍和经典的代码实战项目。本文整理自网络，源地址：https://github.com/linxid/Machine_Learning_Study_Path视频1.1 吴恩达老师机器学习课程：•Cours…
阅读更多...
【【黑马SpringCloud(2)】微服务调用

【【黑马SpringCloud(2)】微服务调用

服务调用和网关Feign远程调用Feign自定义配置Feign性能优化使用连接池代替默认的URLConnection解决重复代码继承方式抽取方式Gateway服务网关gateway快速入门断言过滤器全局过滤器过滤器执行顺序：跨域问题Feign远程调用 RestTemplate发起远程调用的代码&#xff1a…
阅读更多...
走进 CSS

走进 CSS

看完本篇博客，你能收获： 👉 了解 CSS 是什么？👉 学会 CSS 怎么用？👉 CSS的选择器👉 如何用 CSS 美化网页 文章目录01 CSS 是什么？02 CSS的发展史03 CSS 快速入门04 CSS的…
阅读更多...
唯一索引范围查询锁 bug修复了

唯一索引范围查询锁 bug修复了

唯一索引范围查询锁 bug修复了 其他资料介绍入下： session A 是一个范围查询，按照原则 1 的话，应该是索引 id 上只加 (10,15] 这个 next-key lock ，并且因 为 id 是唯一键，所以循环判断到 id15 这一行就应该停止了。…
阅读更多...
生成标题的节点

生成标题的节点

生成标题的节点目录概述需求：设计思路实现思路分析1.mine 的概述2 mi是否自动计算未来的处理人参考资料和推荐阅读Survive by day and develop by night. talk for import biz , show your perfect code,full busy，skip hardness,make a better result,w…
阅读更多...
智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》

智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》

智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》 目录 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》 1. 前言 2.车牌号码说明 3.车牌数据集CCPD （1）车牌数据集CCPD说明 （2&#xff09…
阅读更多...
Eclipse调试python

Eclipse调试python

Eclipse调试pythonF5：Step Into 单步调试，跳入函数内部F6：Step Over 单步调试，不跳入函数内部，执行当前代码F7：Step Return 返回到当前函数的尾部，跳转到调用函数的位置F8：Resume 跳…
阅读更多...
DDOS渗透与攻防(二)之SYN-Flood攻击

DDOS渗透与攻防(二)之SYN-Flood攻击

系列文章 DDOS渗透与攻防(一)之拒绝服务攻击概念介绍 SYN-Flood攻击 1.SYN-Flood拒绝服务攻击 (1).攻击协议原理介绍说明_Syn-Flood SYN Flood (SYN洪水) 是种典型的DoS (Denial of Service，拒绝服务) 攻击。效果就是服务器TCP连接资源耗尽，停止响应…
阅读更多...
8 种异步实现方式，性能炸裂！

8 种异步实现方式，性能炸裂！

异步执行对于开发者来说并不陌生，在实际的开发过程中，很多场景多会使用到异步，相比同步执行，异步可以大大缩短请求链路耗时时间，比如：发送短信、邮件、异步更新等，这些都是典型的可以通过异步实…
阅读更多...
LeetCode动态规划经典题目（九）：0-1背包问题

LeetCode动态规划经典题目（九）：0-1背包问题

学习目标： 0-1背包问题 学习内容： 9. LeetCode416. 分割等和子集https://leetcode.cn/problems/partition-equal-subset-sum/ 10. LeetCode1049. 最后一块石头的重量 IIhttps://leetcode.cn/problems/last-stone-weight-ii/ 学习产出： 独…
阅读更多...
Makefile学习⑦：编译动态链接库和静态库

Makefile学习⑦：编译动态链接库和静态库

Makefile学习⑦：编译动态库和静态库 编译链接动态库 动态链接库名词解释： 动态：运行时才去加载，动态加载 链接：指库文件和二进制程序分离，用某种特殊手段维护两者之间的关系 库 ：库文件&#…
阅读更多...
8、条件语句

8、条件语句

目录 一、简单的if条件语句 二、if…else语句 三、if…else if多分支语句 四、switch多分支语句 一、简单的if条件语句 语法如下： 布尔表达式：必要参数，表示最后返回的结果必须是一个布尔值。它可以是一个单纯的布尔变量或常量&#xff…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023