Least Angle Regression
引
在回归分析中,我们常常需要选取部分特征,而不是全都要,所以有前向法,后退法之类的,再根据一些指标设置停止准则。作者提出了一种LARS的算法,能够在有限步迭代后获得很好的结果,而且这种算法能够和LASSO和stagewise结合,加速他们的算法。在我看来,更为重要的是,其背后的几何解释。
可惜的是,证明实在太多,这方面的只是现在也不想去回顾了,就只能孤陋地把一些简单的东西记一下了。
一些基本的假设
上表,是作者进行比较实验的数据集,注意上面的符号:
令\(X\)表示变量集,以\(x_{ij}\)表示其中的第ij个元素,即第i个病人的第j个指标,用\(x_i\)表示第i个协变量,就是矩阵\(X\)的第i列,用\(y\)来表示应变量,且假设(事实上进行预处理,标准化):
线性回归,其系数假设为\(\beta=(\beta_1, \beta_2, \ldots, \beta_m)'\),给出预测向量\(\mu\),则:
\]
均方误差为:
\]
用\(T(\beta)\)表示\(\beta\)的\(\ell_1\)范数:
\]
那么,Lasso通过下式求解:
而Forward Stagewise,以\(\widehat{\mu}=0\)开始,令:
表示当前X与\(y-\widehat{\mu}\)的关系,其中\(X'\)表示\(X\)的转置。
下一步,前进法选择当前关系中最大的部分:
注意到:
\]
所以,如果\(\epsilon=|\widehat{c}_{\hat{j}}|\),那么\(\widehat{c}_j=0\),这个时候,stagewise就成了普通的前进法了,这个方法是过拟合的(不懂啊,照本宣科,所以\(\epsilon\)改怎么选,我也不知道啊)。
文章给了俩种方法的一个比较:
俩个的效果是差不多的,但是,需要注意的是,这俩种方法的迭代次数是不定的。
LARS算法
我们从2个特征开始讨论,\(\bar{y}\)是\(y\)在\(x_1, x_2\)子空间的投影,以\(\hat{\mu}_0=0\)为起点,此时\(\bar{y}_2\)与\(x_1\)的角度更加小(以锐角为准),所以,\(\hat{\mu}_1=\gamma x_1\),相当于我们选取了特征\(x_1\), 也就是说\(\beta_1=\gamma\)。
现在的问题是,\(\gamma\)该怎么选呢,LARS是这么选的,\(\gamma\)使得\(\bar{y}_2-\hat{\mu}_1\)与\(x_1, x_2\)的角度相等,因为这个点俩个特征的重要性是一致的。接着\(\hat{\mu}_2=\hat{\mu}_1+\gamma_2 u_2\),\(\gamma_2u_2=\bar{y}_2-\hat{\mu}_1\)。
这么做,我们将\(y\)在子空间中的投影\(\bar{y}_2\)抵消了。
为了将这种思想推广到更多特征,需要介绍一些符号和公式。
注意,公式(2.6)中的\(G_{\mathcal{A}}^{-1}=\mathcal{G_A^{-1}}\)。
假设\(\widehat{\mu}_{\mathcal{A}}\)是当前的LARS的估计,那么:
指示集\(\mathcal{A}\)是由下式定义的:
令:
注意,这样子,就能令\(s_jx_j'(y-\widehat{\mu}_{\mathcal{A}})=|\widehat{c}_j|, j\in \mathcal{A}\)
用\(X_{\mathcal{A}}, A_{\mathcal{A}}, u_{\mathcal{A}}\)依照上面定义,令:
于是,下一步的更新为:
现在的问题是\(\widehat{\gamma}\)应该怎么选,我们先来考察\(c_j(\gamma)\):
所以,对于\(j \in \mathcal{A}\), \(c_j(\gamma)\)的变换程度是一致的:
\(\gamma \ge 0, A_{\mathcal{A}}\ge0\),(后者是公式所得,前者是为了减少相关度所必须的),所以,当\(\gamma\)从0开始慢慢增大的时候,\(|c_j(\gamma)|\)也会慢慢变小,到一定程度,势必会有\(j \in \mathcal{A}^c\), 使得\(\widehat{C}-\gamma A_{\mathcal{A}} \le |c_j(\gamma)|\),换句话说,我们只要找到\(\widehat{C}-\gamma A_{\mathcal{A}} = |c_j(\gamma)|, j \in \mathcal{A}^c\)的最小\(\gamma\),且\(\gamma > 0\),否则,\(\gamma=0\):
\Rightarrow \quad \widehat{C}-\gamma A_{\mathcal{A}}=\widehat{c}_j-\gamma a_j | -\widehat{c}_j+\gamma a_j \\
\Rightarrow \gamma = \frac{\widehat{C}-\widehat{c}_j}{A_{\mathcal{A}}-a_j} |\frac{\widehat{C}-\widehat{c}_j}{A_{\mathcal{A}}+a_j}
\]
总结来说,就是:
其中\(+\)表示,如果后半部分的结果均小于0,那么\(\widehat{\gamma}=0\)。
这么做,我们就将\(c_j(\gamma)\)一直降,降到有一个和他们一样,假设这个\(j \in \mathcal{A}^c\)为\(j^*\),于是下一步更新的时候,我们需要将这个加入到\(\mathcal{A}\),\(\mathcal{A}= \mathcal{A} \cup \{j^*\}\)。
假设在LARS的第k步:
用\(X_k, \mathcal{G}_k, A_k\)和\(\mu_k\)是第k步的类似的定义,注意,我们省略了\(\mathcal{A}\)。
用\(\bar{y}_k\)来表示\(y\)在子空间\(\mathcal{L}(X_k)\)的投影,既然\(\widehat{\mu}_{k-1}\in \mathcal{L}(X_{k-1})\)(因为起点为0),所以:
第一个等式后的第二项是\(y-\widehat{\mu}_{k-1}\)在子空间\(\mathcal{L}(X_k)\)中的投影,第二个等式从(2.6)可以推得:
\]
又根据(2.18)便可得证。根据(2.19)可得:
又\(\widehat{\gamma}_ku_k = \widehat{\mu}_k-\widehat{\mu}_{k-1}\):
这说明,每一次更新时,变化的向量时沿着\(\bar(y)_k-\widehat{\mu}_{k-1}\)的。
我们通过一个图片来展示:
上图,我们要处理的时\(\bar{y}_3\),在以及处理\(\bar{y}_2\)的基础上,我们看到,最后变化的量是在\(\bar{y}_3-\widehat{\mu}_2\)方向上。
算法
顺便整理下算法吧,以便以后用,符号就用自己的了:
Input: 标准化后的\(X = [x_1, x_2, \ldots, x_m]\)和\(y=[y_1, \ldots, y_n]^T\), 特征数\(r\);
令:\(\mu_{\mathcal{A}}=0, \beta=[0, 0, \ldots, 0] \in \mathbb{R}^m\);
计算\(c = X^Ty\), 找出其中绝对值最大的元素,令其指标集为\(\mathcal{A}\),最大值为\(C\),令
\(X_{\mathcal{A}}=[\ldots, s_j x_j, \ldots]_{j \in \mathcal{A}}\), \(\mathcal{G_A}=X_{\mathcal{A}}^TX_{\mathcal{A}}, A_{\mathcal{A}}=(1_\mathcal{A}^T\mathcal{G_A}^{-1}1_{\mathcal{A}})^{-1/2}\), \(\mathrm{u}_{\mathcal{A}}=X_{\mathcal{A}}w_{\mathcal{A}},w_{\mathcal{A}}=A_{\mathcal{A}}\mathcal{G_A}^{-1}1_{\mathcal{A}}\)
For \(k = 1, 2, \ldots, r\):
1. 根据公式(2.13)计算\(\widehat{\gamma}\),记录相应的\(j\),如果\(\widehat{\gamma}=0\),停止迭代。
2. \(\mu_\mathcal{A}=\mu_{\mathcal{A}}+\widehat{\gamma}\mathrm{u}_{\mathcal{A}}\)
3. \(\beta = \beta+\widehat{\gamma}w_{\mathcal{A}}\otimes s_{\mathcal{A}}\)
4. 更新\(\mathcal{A}=\mathcal{A} \cup \{j\}\),\(C=C-\widehat{\gamma}A_{\mathcal{A}}\),\(c=X^T(y-\mu_\mathcal{A})\)
5. 更新\(X_{\mathcal{A}},\mathcal{G_A}, A_{\mathcal{A}}, \mathrm{u}_{\mathcal{A}}\)
输出:\(\beta, \mu_{\mathcal{A}}\)
注意,上面的\(w_\mathcal{A}\otimes s_\mathcal{A}\)表示对于元素相乘, \(s_{\mathcal{A}}\)表示对应的符号。还有,如果\(r=m\),那么上面的迭代只能进行到\(r-1\)步,最后一步可以根据公式(2.19)的分解来,在代码中予以了实现。
不过,利用代码进行实验的时候,发现这俩个好像不大一样
我感觉没有错。
与别的方法结合
LARS与LASSO的关系
通过对\(\gamma\)的调整, 利用LARS也能求解LASSO,证明并没有去看。
可以证明,如果\(\widehat{\beta}\)是通过LASSO求得的解,那么:
令\(d_j = s_jw_{\mathcal{A}j}, j\in \mathcal{A}\),那么对于任意的\(j \in \mathcal{A}\):
因此,\(\beta_j({\gamma})\)改变符号发生在:
第一次改变符号发生在:
如果,所有的\(\gamma_j\)均小于0,那么\(\widetilde{\gamma}=+\infty\)。
也就是说,如果\(\widetilde{\gamma}< \widehat{\gamma}\),为了使得\(\beta\)和\(c\)符号保持一致,我们应当选择前者作为此次的更新步长,同时将\(j\)从\(\mathcal{A}\)中移除。
LARS 与 Stagewise
代码
import numpy as np
import matplotlib.pyplot as plt
class LARS_LASSO:
def __init__(self, data, response):
self.__data = data
self.__response = response
self.n, self.m = self.data.shape
self.mu = np.zeros(self.n, dtype=float)
self.beta = np.zeros(self.m, dtype=float)
self.compute_c()
self.compute_index()
self.compute_basic()
self.progress_beta = []
self.progress_mu = []
@property
def data(self):
return self.__data
@property
def response(self):
return self.__response
def compute_c(self):
"""计算关系度c"""
self.c = self.data.T @ (self.response-self.mu)
def compute_index(self):
"""找出最大值C和指标集A,以及sj"""
self.index = [np.argmax(np.abs(self.c))]
newc = self.c[self.index]
self.maxC = np.abs(newc[0])
sign = lambda x: 1. if x >= 0 else -1.
self.s = np.array(
[sign(item) for item in newc],
dtype=float
)
def compute_basic(self):
"""计算一些基本的东西
index_A: A_A
index_w: w_A
index_u: u_A
"""
index_X = self.data[:, self.index] * self.s
index_G = index_X.T @ index_X
index_G_inv = np.linalg.inv(index_G)
self.index_A = 1 / np.sqrt(np.sum(index_G_inv))
self.index_w = np.sum(index_G_inv, 1) * self.index_A
self.index_u = index_X @ self.index_w
def update_c(self):
"""更新c"""
self.compute_c()
def update_index(self, j):
"""更新指示集合
index: 指示集合A
maxC: 最大的c
s: 符号
"""
if j in self.index:
self.index.remove(j)
else:
self.index.append(j)
self.index.sort()
newc = self.c[self.index]
self.maxC = np.abs(newc[0])
sign = lambda x: 1. if x >= 0 else -1.
self.s = np.array(
[sign(item) for item in newc],
dtype=float
)
def update_basic(self):
"""更新基本的东西"""
self.compute_basic()
def current_gamma(self):
"""找第一次改变符号的位置"""
const = 999999999.
d = self.s * self.index_w
index_beta = self.beta[self.index]
z = []
for i in range(len(d)):
if -index_beta[i] * d[i] <= 0:
z.append(const)
else:
z.append(-index_beta[i] / d[i])
z = np.array(z, dtype=float)
label = np.argmin(z)
themin = z[label]
return themin, self.index[label]
def step(self):
"""操作一步"""
const = 9999999999.
def divide(x, y):
z = []
for i in range(len(x)):
if x[i] * y[i] <= 0:
z.append(const)
else:
z.append(x[i] / y[i])
return z
complement_index = list(set(range(self.m))
- set(self.index))
a = self.data.T @ self.index_u
complement_a = a[complement_index]
complement_c = self.c[complement_index]
index_reduce_a = self.index_A - complement_a
index_plus_a = self.index_A + complement_a
maxC_reduce_c = self.maxC - complement_c
maxc_plus_c = self.maxC + complement_c
min1 = divide(maxC_reduce_c, index_reduce_a)
min2 = divide(maxc_plus_c, index_plus_a)
totalmin = np.array(
[min1, min2]
)
allmin = np.min(totalmin, 0)
min_beta, label2 = self.current_gamma()
self.progress_beta.append(np.array(self.beta))
self.progress_mu.append(np.array(self.mu))
try:
label = np.argmin(allmin)
except ValueError:
index_X = self.data[:, self.index] * self.s
index_G = index_X.T @ index_X
index_G_inv = np.linalg.inv(index_G)
deltau = index_G_inv @ index_X.T @ (self.response - self.mu)
self.mu = self.mu + index_X @ deltau
self.beta = self.beta + deltau * self.s
return 0
print(min_beta, allmin[label])
if min_beta < allmin[label]:
gamma = min_beta
j = label2
else:
gamma = 0. if allmin[label] == const else allmin[label]
j = complement_index[label]
self.mu = self.mu + gamma * self.index_u
self.beta[self.index] = self.beta[self.index] + (self.s * self.index_w) * gamma
if self.life == 0:
return 1
self.update_c()
self.update_index(j)
self.update_basic()
return 1
def process(self, r=1):
self.life = r
for i in range(r):
self.life -= 1
print("step:", i)
self.step()
self.progress_beta.append(np.array(self.beta))
self.progress_mu.append(np.array(self.mu))
index_X = self.data[:, self.index] * self.s
index_G = index_X.T @ index_X
index_G_inv = np.linalg.inv(index_G)
deltau = index_G_inv @ index_X.T @ (self.response - self.mu)
self.mu = self.mu + index_X @ deltau
self.beta[self.index] = self.beta[self.index] + deltau * self.s
self.progress_beta.append(np.array(self.beta))
self.progress_mu.append(np.array(self.mu))
def plot(self):
"""plot beta, error"""
fig, ax = plt.subplots(nrows=1, ncols=2,
figsize=(10, 5), constrained_layout=True)
beta = np.array(self.progress_beta)
mu = np.array(self.progress_mu)
r, m = beta.shape
error = np.sum((mu - self.response) ** 2, 1)
x = np.arange(1, r+1)
for i in range(m):
y = beta[:, i]
ax[0].plot(x, y, label="feature{0}".format(i))
ax[0].text(x[-1]+0.05, y[-1], str(i))
ax[0].set_title(r"$\beta$ with iterations")
ax[0].set_xlabel(r"iterations")
ax[0].set_ylabel(r"$\beta$")
ax[0].legend(loc="best", ncol=2)
ax[1].plot(x, error)
ax[1].set_title("square error with iterations")
ax[1].set_xlabel("iterations")
ax[1].set_ylabel("square error")
plt.show()
data1 = np.loadtxt("C:\\Users\\pkavs\\Desktop\\diabetes.txt", dtype=float)
mu = np.mean(data1, 0)
std = np.std(data1, 0)
data1 = (data1 - mu) / std
data = data1[:, :10]
response = data1[:, 10]
test = LARS_LASSO(data, response)
test.process(r=7)
test.plot()
print(test.progress_beta)
"""
跟论文有出路,实验的时候并没有删除的过程,好像是要在
全部特征的基础上,再进行一步,不过机制不想改了,就这样吧
"""
import numpy as np
import matplotlib.pyplot as plt
class LARS_LASSO:
def __init__(self, data, response):
self.__data = data
self.__response = response
self.n, self.m = self.data.shape
self.mu = np.zeros(self.n, dtype=float)
self.beta = np.zeros(self.m, dtype=float)
self.compute_c()
self.compute_index()
self.compute_basic()
self.progress_beta = []
self.progress_mu = []
@property
def data(self):
return self.__data
@property
def response(self):
return self.__response
def compute_c(self):
"""计算关系度c"""
self.c = self.data.T @ (self.response-self.mu)
def compute_index(self):
"""找出最大值C和指标集A,以及sj"""
self.index = [np.argmax(np.abs(self.c))]
newc = self.c[self.index]
self.maxC = np.abs(newc[0])
sign = lambda x: 1. if x >= 0 else -1.
self.s = np.array(
[sign(item) for item in newc],
dtype=float
)
def compute_basic(self):
"""计算一些基本的东西
index_A: A_A
index_w: w_A
index_u: u_A
"""
index_X = self.data[:, self.index] * self.s
index_G = index_X.T @ index_X
index_G_inv = np.linalg.inv(index_G)
self.index_A = 1 / np.sqrt(np.sum(index_G_inv))
self.index_w = np.sum(index_G_inv, 1) * self.index_A
self.index_u = index_X @ self.index_w
def update_c(self):
"""更新c"""
self.compute_c()
def update_index(self, j):
"""更新指示集合
index: 指示集合A
maxC: 最大的c
s: 符号
"""
if j in self.index:
self.index.remove(j)
else:
self.index.append(j)
self.index.sort()
newc = self.c[self.index]
self.maxC = np.abs(newc[0])
sign = lambda x: 1. if x >= 0 else -1.
self.s = np.array(
[sign(item) for item in newc],
dtype=float
)
def update_basic(self):
"""更新基本的东西"""
self.compute_basic()
def current_gamma(self):
"""找第一次改变符号的位置"""
const = 999999999.
d = self.s * self.index_w
index_beta = self.beta[self.index]
z = []
for i in range(len(d)):
if -index_beta[i] * d[i] <= 0:
z.append(const)
else:
z.append(-index_beta[i] / d[i])
z = np.array(z, dtype=float)
label = np.argmin(z)
themin = z[label]
return themin, self.index[label]
def step(self):
"""操作一步"""
const = 9999999999.
def divide(x, y):
z = []
for i in range(len(x)):
if x[i] * y[i] <= 0:
z.append(const)
else:
z.append(x[i] / y[i])
return z
complement_index = list(set(range(self.m))
- set(self.index))
a = self.data.T @ self.index_u
complement_a = a[complement_index]
complement_c = self.c[complement_index]
index_reduce_a = self.index_A - complement_a
index_plus_a = self.index_A + complement_a
maxC_reduce_c = self.maxC - complement_c
maxc_plus_c = self.maxC + complement_c
min1 = divide(maxC_reduce_c, index_reduce_a)
min2 = divide(maxc_plus_c, index_plus_a)
totalmin = np.array(
[min1, min2]
)
allmin = np.min(totalmin, 0)
min_beta, label2 = self.current_gamma()
print(len(self.progress_beta))
self.progress_beta.append(np.array(self.beta))
self.progress_mu.append(np.array(self.mu))
try:
label = np.argmin(allmin)
except ValueError:
index_X = self.data[:, self.index] * self.s
index_G = index_X.T @ index_X
index_G_inv = np.linalg.inv(index_G)
deltau = index_G_inv @ index_X.T @ (self.response - self.mu)
self.mu = self.mu + index_X @ deltau
self.beta = self.beta + deltau * self.s
return 0
if min_beta < allmin[label]:
gamma = min_beta
label = label2
else:
gamma = 0. if allmin[label] == const else allmin[label]
self.mu = self.mu + gamma * self.index_u
self.beta[self.index] = self.beta[self.index] + (self.s * self.index_w) * gamma
if self.life == 0:
return 1
j = complement_index[label]
self.update_c()
self.update_index(j)
self.update_basic()
return 1
def process(self, r=1):
self.life = r
for i in range(r):
self.life -= 1
print("step:", i)
self.step()
self.progress_beta.append(np.array(self.beta))
self.progress_mu.append(np.array(self.mu))
index_X = self.data[:, self.index] * self.s
index_G = index_X.T @ index_X
index_G_inv = np.linalg.inv(index_G)
deltau = index_G_inv @ index_X.T @ (self.response - self.mu)
self.mu = self.mu + index_X @ deltau
self.beta[self.index] = self.beta[self.index] + deltau * self.s
self.progress_beta.append(np.array(self.beta))
self.progress_mu.append(np.array(self.mu))
def plot(self):
"""plot beta, error"""
fig, ax = plt.subplots(nrows=1, ncols=2,
figsize=(10, 5), constrained_layout=True)
beta = np.array(self.progress_beta)
mu = np.array(self.progress_mu)
r, m = beta.shape
error = np.sum((mu - self.response) ** 2, 1)
x = np.arange(1, r+1)
for i in range(m):
y = beta[:, i]
ax[0].plot(x, y, label="feature{0}".format(i))
ax[0].text(x[-1]+0.05, y[-1], str(i))
ax[0].set_title(r"$\beta$ with iterations")
ax[0].set_xlabel(r"iterations")
ax[0].set_ylabel(r"$\beta$")
ax[0].legend(loc="best", ncol=2)
ax[1].plot(x, error)
ax[1].set_title("square error with iterations")
ax[1].set_xlabel("iterations")
ax[1].set_ylabel("square error")
plt.show()
Least Angle Regression的更多相关文章
- 机器学习方法:回归(三):最小角回归Least Angle Regression(LARS),forward stagewise selection
欢迎转载,转载请注明:本文出自Bin的专栏blog.csdn.net/xbinworld. 希望与志同道合的朋友一起交流,我刚刚设立了了一个技术交流QQ群:433250724,欢迎对算法.技术.应用感 ...
- [Scikit-learn] 1.1 Generalized Linear Models - Lasso Regression
Ref: http://blog.csdn.net/daunxx/article/details/51596877 Ref: https://www.youtube.com/watch?v=ipb2M ...
- 机器学习方法:回归(二):稀疏与正则约束ridge regression,Lasso
欢迎转载,转载请注明:本文出自Bin的专栏blog.csdn.net/xbinworld. "机器学习方法"系列,我本着开放与共享(open and share)的精神撰写,目的是 ...
- [Scikit-learn] 1.1 Generalized Linear Models - from Linear Regression to L1&L2
Introduction 一.Scikit-learning 广义线性模型 From: http://sklearn.lzjqsdd.com/modules/linear_model.html#ord ...
- 【翻译】Awesome R资源大全中文版来了,全球最火的R工具包一网打尽,超过300+工具,还在等什么?
0.前言 虽然很早就知道R被微软收购,也很早知道R在统计分析处理方面很强大,开始一直没有行动过...直到 直到12月初在微软技术大会,看到我软的工程师演示R的使用,我就震惊了,然后最近在网上到处了解和 ...
- Lasso回归算法: 坐标轴下降法与最小角回归法小结
前面的文章对线性回归做了一个小结,文章在这: 线性回归原理小结.里面对线程回归的正则化也做了一个初步的介绍.提到了线程回归的L2正则化-Ridge回归,以及线程回归的L1正则化-Lasso回归.但是对 ...
- [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 ...
- 0003--Weekly Meeting on 10th April and 17th April, 2015
10th April, 2015 (1) Orthogonal Matching Pursuit, Least Angle Regression, Dictionary Coherence. -> ...
随机推荐
- E: Unable to fetch some archives, maybe run apt-get update or try with --fix-missing
解决办法:apt-get update或者apt-get cleanapt-get update 或者 apt-get update --fix-missing问题解析1 source本身的问题 根据 ...
- Oracle 创建 md5 加密函数
使用 Oracle 的 utl_raw.DBMS_OBFUSCATION_TOOLKIT 可以获取 md5 加密字符串: select utl_raw.cast_to_raw(DBMS_OBFUSCA ...
- supervise安装与使用
确认当前是否已经安装which supervise/usr/local/bin/supervise 软件下载安装-------------------------------------------- ...
- Oracle 用户自定义数据类型
用户自定义数据类型(User-defined Data Type)oracle支持对象类型(Object Type).嵌套类型(Nested Table Type)和可变数组类型(Varray Dat ...
- maven常用命令(待补充)
1.mvn clean 删除已经编译好的信息 2.mvn compile 编译src/main/java目录下的.java文件 3.mvn test 编译src/main/java和src/test/ ...
- Python——连接数据库操作
一.数据库基础用法 要先配置环境变量,然后cmd安装:pip install pymysql 1.连接MySQL,并创建wzg库 #引入decimal模块 import pymysql #连接数据库 ...
- python爬虫期末复习
python期末复习 选择题 以下选项中合法的是(A). A 爬取百度的搜索结果 B 爬取淘宝的商品数据 C 出售同学的个人信息 D 为高利贷提供技术服务 网站的根目录下有一个文件告诉爬虫哪些内容可以 ...
- Mysql资料 视图
目录 一.简介 二.例子 三.好处 四.工作机制 一.简介 视图是数据库中的一个虚拟的表是一个虚拟表,其内容由查询定义.同真实的表一样,视图包含一系列带有名称的列和行数据. 但是,视图并不在数据库中以 ...
- df和du显示不同
目录 一.简介 二.原因分析 三.解决方法 一.简介 Linux服务器,使用df -h查看文件系统使用率,可以看到/dev/xvdb1磁盘占用了约27G,挂载目录为/opt. 但进入到opt目录中执行 ...
- php-正则邮箱验证及详解
当前的邮箱格式有哪些//1.第1种是QQ邮箱,它的后缀名是,@qq, .com.// 2.第2种是网易邮箱后缀名是,@163.com或者,@126.com// 3.第3种是雅虎邮箱,后缀名是,@yah ...