07 2018 档案
摘要：SVM有如下主要几个特点： (1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射； (2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心； (3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。 (4)SVM
阅读全文
摘要：0、思想： 对于给定的待分类项x，通过学习到的模型计算后验概率分布，即：在此项出现的条件下各个目标类别出现的概率，将后验概率最大的类作为x所属的类别。后验概率根据贝叶斯定理计算。 关键：为避免贝叶斯定理求解时面临的组合爆炸、样本稀疏问题，引入了条件独立性假设。用于分类的特征在类确定的条件下都是条件独
阅读全文
摘要：维特比算法（Viterbi） 维特比算法 维特比算法shiyizhong 动态规划算法用于最可能产生观测时间序列的-维特比路径-隐含状态序列，特别是在马尔可夫信息源上下文和隐马尔科夫模型中。术语“维特比路径”和“维特比算法”也被用于寻找观察结果最有可能解释的相关dongtai 规划算法。例如在统计句
阅读全文
摘要：深度学习常常需要大量的时间和计算机资源进行训练，这也是困扰深度学习算法开发的重大原因。虽然我们可以采用分布式并行训练加速模型的学习，但需要的计算资源并没有丝毫减少。而唯有需要资源更少、令模型收敛更快的最优化算法，才能从根本上加速机器的学习速度和效果，Adam算法正为此而生！ Adam优化算法是随机梯
阅读全文
摘要：关于xgboost的学习推荐两篇博客，每篇看2遍，我都能看懂，你肯定没问题 两篇方法互通，知识点互补！记录下来，方便以后查看 第一篇：作者：milter链接：https://www.jianshu.com/p/7467e616f227 第二篇：https://blog.csdn.net/a1b2c3
阅读全文
摘要：1、 RF（随机森林）与GBDT之间的区别 相同点： 1)都是由多棵树组成的 2)最终的结果都是由多棵树一起决定 不同点： 1） 组成随机森林的树可以是分类树也可以是回归树，而GBDT只由回归树组成 2） 组成随机森林的树可是并行生成，而GBDT只能是串行生成 3） 随机森林的结果是多棵树表决决定，
阅读全文
摘要：本次赛题需要利用历史某3年的汽车日上牌数据，预测某2年每天的汽车上牌数。初赛将挑选出5个汽车品牌，给出这些品牌每天的上牌数，当天是星期几，来预测5个汽车品牌未来每天的上牌总数。 数据说明 1、数据分成训练数据（train.txt）和测试数据（test.txt）。其中 前3个字段是特征变量，”cnt“
阅读全文
摘要：EMD是1998年提出的一种针对非平稳非线性信号的处理方法，该方法目前在很多领域都取得了成功的应用。但也存在一些不足，主要包括，模式混叠、端点效应和停止条件等。 1、模式混叠 模式混叠最早是被Huang提出，其基本定义如下：模式混叠是指一个IMF中包含差异极大的特征时间尺度，或者相近的特征时间尺度分
阅读全文
摘要：自己挖的坑，死也要往下跳（哭），下面看下重排在S变换中的应用吧 先看几个概念： 时频重排：可以有效的聚集时频能量，提高时频分辨率！ 高低频定义：按照电气和电子工程师学会(IEEE)制定的频谱划分表，低频频率为30~300kHz，中频频率为300~3000kHz，高频频率为3~30MHz，频率范围在3
阅读全文
摘要：应用： 一、图像分析 NMF最成功的一类应用是在图像的分析和处理领域。图像本身包含大量的数据，计算机一般将图像的信息按照矩阵的形式进行存放，针对图像的识别、分析和处理也是在矩阵的基础上进行的。这些特点使得NMF方法能很好的与图像分析处理相结合。人们已经利用NMF算法，对卫星发回的图像进行处理，以自动
阅读全文
摘要：一、矩阵分解回想 矩阵分解是指将一个矩阵分解成两个或者多个矩阵的乘积。对于上述的用户-商品（评分矩阵），记为能够将其分解为两个或者多个矩阵的乘积，如果分解成两个矩阵和 。我们要使得矩阵和 的乘积能够还原原始的矩阵 当中，矩阵表示的是m个用户于k个主题之间的关系，而矩阵表示的是k个主题与n个商品之间的
阅读全文
摘要：哈哈，这两天在整理时频分析的方法，大部分参考网上写的比较好的资料，浅显易懂，在这谢过各位大神了！ 今天准备写下S变换，由于网上资料较少，自己尝试总结下，学的不好，望各位多多指导 由前面的文章可知，傅里叶变换只能作用于收敛信号，短时傅里叶变换的窗函数不可变，小波变换虽然窗函数可变，能进行多分辨率分析，
阅读全文
摘要：如果让你说说连续小波变换最大的特点是什么？多分辨分析肯定是标准答案。所谓多分辨分析即是指小波在不同频率段会有不同的分辨率。具体表现形式，我们回到前一篇文章的第一个图， 图一 对应的信号为 低频时（频率为4），对应彩色条纹更细，意味着更高的频率分辨率，而条纹区间大概落在【0，2.5】之间，这意味着较低
阅读全文
摘要：整理下时频分析变换的方法，遇见好的文章就记录下来了，本篇博客参考知乎https://www.zhihu.com/topic/19621077/top-answers上的一个回答，自己手敲一遍，增强记忆 首先说明这里是连续小波变换，不会涉及离散小波变换，不涉及尺度函数。 对于一个morlet小波变换，
阅读全文
摘要：很多通信工程学生，几乎每天接触时频变换，但通常不知道为什么要时频变换、变换之间的关系，变换产生的图代表什么意义，基于这些问题，我尝试做下梳理： 1、为什么要进行时频变换？ （1）在频率域能看到很多时域无法直接看到的现象，比如频率分布； 对于确定的信号其时域表示是确定的，我们可以通过傅里叶变换得到其确
阅读全文
摘要：协同过滤是通过将用户和其他用户和的数据进行对比来实现推荐。 我们不利用专家所给出的重要属性来描述物品从而计算他们之间的相似度，而是利用用户对他们的意见来计算相似度，这就是协同过滤中所使用的方法。它不关心物品的描述属性，而是严格的按照许多用户的观点来计算相似度。 相似度的度量一种是欧式距离，一种是皮尔
阅读全文
摘要：奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示，这些小矩阵描述的是矩阵的重要的特性。 特征值分解和奇异值分解两者有着很紧密的关系，特征值分解和奇异值分解的目的都是一样，就是提取出一个矩阵最重要的特征。先谈谈特征值分解吧：1 特征值：如果
阅读全文
摘要：第一种降维方法称为主成分分析（PCA）。在PCA中，数据从原来的坐标系转换到了新的坐标系，新坐标系的选择是由数据本身决定的。第一个新坐标轴选择的是原始数据中方差做大的方向，第二个新坐标轴的选择和第一个坐标轴正交且具有最大方差的方向。该过程一直重复，重复次数为原始数据中特征的数目。我们会发现，大部分方
阅读全文
摘要：频繁项集发现算法FP-grouth，它基于Apriori构建，但在完成相同任务时采用了一些不同的技术，这里的任务是将数据集存储在一个特定的称作FP树的结构之后发现频繁项集或者频繁项对，即常在一块出现的元素项的集合FP树，这种做法的执行速度要快于Apriori，通常性能要好俩个数量级以上。该方法虽然能
阅读全文
摘要：Aprior算法 优点：易编码实现 缺点：在大数据集上可能较慢 适用数据类型：数值型或者标称型数据。 关联分析是一种在大规模数据集中寻找有趣关系的任务，这些关系可以有两种形式：频繁项集或者这关联规则。 频繁项集是经常出现在一块的物品集合，关联规则暗示两种物品之间可能存在很强的关系。 一个项集的支持度
阅读全文
摘要：一种用于度量聚类效果的指标使SSE（误差平方和），SSE值越小表示数据点越接近于他们的质心，聚类效果也越好。因为对误差取了平方，因此更加重视那些远离中心的点。一种肯定可以降低SSE值的方法是增加簇的个数，但这违背了聚类的目标。聚类的目标是在保持簇数目不变的情况下提高簇的质量 二分 K-均值算法 为克
阅读全文
摘要：决策树不断将数据切分成小数据集，直到所有目标变量完全相同，或者数据不能再切分为止，决策时是一种贪心算法，它要在给定的时间内做出最佳选择，但并不关心能否达到最优 树回归 优点：可以对复杂和非线性的数据建模 缺点：结果不易理解 适用数据类型：数值型和标称型数据 实现CART算法和回归树，回归树和分类树的
阅读全文
摘要：线性回归优点：结果易于理解，计算上不复杂缺点：对非线性的数据拟合不好适用数据类型：数值型和标称型数据horse=0.0015*annualSalary-0.99*hoursListeningToPulicRadio这就是所谓的回归方程，其中的0.0015和-0.99称作回归系数，求这些回归系数的过程
阅读全文
摘要：元算法是对其他算法进行组合的一种方式。单层决策树实际上是一个单节点的决策树。adaboost优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整缺点：对离群点敏感适用数据类型：数值型和标称型数据bagging：基于数据随机重抽样的分类器构建方法自举汇聚法，也称为bagging方法，是在从
阅读全文
摘要：SVM有很多种实现，但是本章只关注其中最流行的一种实现，即序列最小化（SMO）算法在此之后，我们将介绍如何使用一种称为核函数的方式将SVM扩展到更多的数据集上基于最大间隔的分割数据优点：泛化错误率低，计算开销不大，结果易解释缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题适
阅读全文
摘要：假设现在有一些点，我们用一条直线对这些点进行拟合（该线称为最佳拟合直线），这个拟合过程就称作回归。利用Logistic回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式，依次进行分类。Logistic回归的一般过程（1）收集数据：采用任意方法收集数据（2）准备数据：由于需要进行距离计算，
阅读全文
摘要：朴素贝叶斯优点：在数据较少的情况下仍然有效，可以处理多类别问题缺点：对于输入数据的准备方式较为敏感适用数据类型：标称型数据朴素贝叶斯决策理论的核心思想：选择具有最高概率的决策朴素贝叶斯的一般过程（1）收集数据：可以使用任何方法。（2）准备数据：需要数值型或者布尔型数据。（3）分析数据：有大量特征时，
阅读全文
摘要：我们经常使用决策树处理分类问题，近年来的调查表明决策树也是经常使用的数据挖掘算法K-NN可以完成多分类任务，但是它最大的缺点是无法给出数据的内在含义，决策树的主要优势在于数据形式非常容易理解决策树的优缺点：优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据缺点：可能
阅读全文
摘要：K近邻算法概述优点：精度高、对异常数据不敏感、无数据输入假定缺点：计算复杂度高、空间复杂度高适用数据范围：数值型和标称型工作原理：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集
阅读全文
摘要：线性回归 回归是一种极易理解的模型，就相当于y=f（x），表明自变量 x 和因变量 y 的关系。最常见问题有如 医生治病时的望、闻、问、切之后判定病人是否生了什么病，其中的望闻问切就是获得自变量x，即特征数据，判断是否生病就相当于获取因变量y，即预测分类。 最简单的回归是线性回归，如图1.a所示，X
阅读全文
摘要：什么是仿射变换？ 原理：1、一个任意的仿射变换都能表示为 乘以一个矩阵（线性变换） 接着再 加上一个向量（平移） 2、综上所述，我们能够用仿射变换来表示： 1）旋转（线性变换） 2）平移（向量加） 3）缩放操作（线性变换） 事实上，仿射变换代表的是两幅图之间的关系。 3、我们通常使用2*3矩阵来表示
阅读全文
摘要：一、主成分分析 二、因子分析法 三、聚类分析 四、最小二乘与多项式拟合 五、方差分析法 六、逼近理想点排序法 七、动态加权法 八、灰色关联分析法 九、灰色预测法 十、模糊综合评价法 十一、时间序列分析法 十二、蒙特卡洛仿真模型 十三、BP神经网络方法 十四、数据包络分析法 十五、多因素方差分析法（基
阅读全文
摘要：隐马尔科夫模型是可用于标注问题的统计学习模型，描述由隐藏的马尔可夫链随机生成观测序列的过程，属于生成模型。隐马尔科夫模型由初始概率分布、状态转移概率分布以及观测概率分布确定。 1、隐马尔科夫模型是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态的序列，再由各个状态随机生成一个观测
阅读全文
摘要：1、提升方法是将弱学习算法提升为强学习算法的统计学习方法。在分类学习中，提升方法通过反复修改训练数据的权值分布，构建一系列基本分类器（弱分类器），并将这些基本分类器线性组合，构成一个强分类器，代表性的提升方法是adaboost，adaboost模型是弱分类器的线性组合 2、adaboost算法的特点
阅读全文
摘要：特征降维方法包括：Lasso，PCA，小波分析，LDA，奇异值分解SVD，拉普拉斯特征映射，SparseAutoEncoder，局部线性嵌入LLE，等距映射Isomap。 1. LASSO通过参数缩减达到降维的目的 LASSO(Least absolute shrinkage and selecti
阅读全文
摘要：一、系统变量 说明：变量由系统提供，不用自定义 语法： 1、查看系统变量 show【global | session】varisables like ‘ ’；如果没有显示声明global 还是session，默认是session 2、查看指定的系统变量的值 select @@【global | se
阅读全文
摘要：联合查询： union：合并、联合，将多次查询结果合并成一个结果 语法： 查询语句1： union【all】 查询语句2： union 【all】 。。。 意义 1、将一条比较复杂的查询语句可拆分成多条语句 2、适用于查询多个表的时候，查询的列基本是一致的 四、特点 1、要求多条查询语句的查询列数必
阅读全文
摘要：排序查询 一、语法 select 查询表 from 表 where 筛选条件 order by 排序列表[asc / desc] 特点： 1、asc：升序 desc:降序 2、排序列表之中支持单字段，多字段、函数、表达式、别名 3、order by的位置一般放在查询语句的最后（除limit之外） 常
阅读全文
摘要：数据库存储数据的特点： 1、数据存放到表中，然后表再放到库中 2、一个库中可以有多张表，每张表具有唯一的表名来标识自己 3、表中有一个或多个列，列又称为“字段” 数据库常见的管理系统 mysql、oracle、db2（微软） 1、mysql的介绍 前身属于瑞典的一家公司，mysqlAB 08年被su
阅读全文
摘要：#进阶1：基础查询/*语法：select:查询列表 from 表名; 类似于：System.out.println(打印的东西); 特点:1、查询列表可以是：表中的字段、常量值、表达式、函数2、查询的结果是一个虚拟的表格*/USE myemployees #1、查询表中的单个字段SELECT las
阅读全文
摘要：MySQL服务的启动和停止：方式一：计算机——右击管理——服务 方式二：通过管理员身份运行 net start 服务名（启动服务） net stop 服务名（停止服务） MySQL服务的登录和退出 方式一：通过mysql自带的客户端，只限于root 方式二：通过windows自带的客户端： 登录：m
阅读全文
摘要：数据库的好处： 1、实现数据持久化 2、使用完整的管理系统统一管理，易于查询 数据库的相关概念： 1、DB:数据库，保存一组有组织的数据的容器 2、DBMS:数据库管理系统，又称为数据库软件（产品），用于管理DB中的数据 3、SQL:结构化查询，用于和DBMS通信的语言
阅读全文
摘要：重点回顾： 1、由于核心的内存中是受保护的区块，因此我们必须要透过“shell”将我们输入的指令与Kernel沟通，好让Kernel可以控制硬件来正确无误的工作 2、学习shell的原因主要有：文字接口的shell在各大distribution都一样；远程管理时文字接口速度较快；shell是管理li
阅读全文
摘要：简答题部分： 1、我用vi开启某个档案后，要在第34行向右移动15个字符，应该在一般模式中下达什么指令？ （1）先按下34G到34行；（2）再按下[l5+向右键]，或[l5l]亦可！ 2、在vi开启的档案中，如何去到该档案案的页首或页尾？ 去页首按下1G或gg；去页尾按下G即可 3、在vi开启的档案
阅读全文
摘要：重点回顾：Linux底下的配置文件多为文本文件，故使用vim即可进行设定编辑； vim可视为程序编辑器，可用以编辑shell script，配置文件等，避免打错字 vi为所有unix like的操作系统都会存在的编辑器，且执行速度快速 vi有三种模式，一般模式可变换到编辑与指令列模式，但编辑模式与指
阅读全文
摘要：总结： 压缩指令为透过一些运算方法去将原本的档案进行压缩，以减少档案所占用的磁盘容量。压缩前与压缩后的档案所占用的磁盘容量比值，就可以被称为是“压缩比” 压缩的好处是可以减少磁盘容量的浪费，在www网站也可以利用文件压缩的技术来进行数据的传送，好让网站宽带的可利用率上升哦 压缩文件案的扩展名大多是：
阅读全文
摘要：基本上Linux的正统文件系统为Ext2，该文件系统内的信息主要有： superblock：记录此filesystem的整体信息，包括inode/block的总量，使用量，剩余量，以及文件系统的格式与相关信息等； inode:记录档案的属性，一个档案占用一个inode，同时记录此档案的数据所在的bl
阅读全文
摘要：1、让用户能进入某目录称为”可工作目录“的基本权限为何： 可使用的指令：例如cd等变换工作目录的指令； 目录所需权限：用户对这个目录至少需要具有x的权限 额外需求：如果用户想要在这个目录内利用ls查阅文件名，则用户对此目录还需要r的权限 2、用户在某目录内读取一个档案的基本权限为何？ 可使用的指令：
阅读全文
摘要：例题： 请问在Linux底下，根目录下有没有上层目录（..）存在？ 答：若使用”ls -al"去查询，可以看到根目录下确实确实存.与..两个目录，再仔细查阅，可发现这两个目录的属性与权限完全一致，这代表根目录的上一层（..）与根目录自己（.）是同一个目录。 常用的几个处理目录的指令： cd:变换目录
阅读全文
摘要：1、请说明/bin与/usr/bin目录所防止的执行文件有何不同之处：/bin主要放置在开机时，以及进入单人维护模式后还能够被使用的指令，至于/usr/bin则是大部分软件提供的指令放置处 2、请说明/bin与/sbin目录所防止的执行文件有何不同之处： /bin放置的是一般用户惯用的指令，至于/s
阅读全文
摘要：重点回顾：1、Linux的每个档案中，依据权限分为使用者、群组与其他人三种身份 2、群组最有用的功能之一，就是当你在团队开发资源的时候，且每个账号都可以有多个群组的支持 3、利用"ls -l"显示文件属性中，第一个字段是档案的权限，共有十个位，第一个位是文件类型，接下来三个为一组共三组，为使用者、群
阅读全文
摘要：Linux文件属性：查看指令是：ls -al ls是list的意思，重点在显示档案的文件名与相关属性。而选项-al则表示列出所有的档案详细的权限与属性。
阅读全文
摘要：1、为了避免瞬间断电造成的Linux系统的危害，建议做为服务器的Linux主机应该加上不断电系统来持续提供稳定的电力 2、默认的图形模式登入中，可以选择语系以及作业阶段。作业阶段为多种窗口管理员软件所提供，如GNOMe及KDE等 3、不论是KDE还是GNOME预设都提供四个Virtual Deskt
阅读全文
摘要：将数据同步写入到磁盘中的指令：sync 惯用的关机指令：shutdown 重新启动，关机：reboot，halt,poweroff shutdown可完成如下工作： 1、可以自由选择关机模式：是要关机、重新启动或进入单人操作模式均可 2、可以设定关机时间：可以设定成现在立刻关机，也可以设定某一个特定
阅读全文
摘要：nano 的使用很简单，可以直接加上档名就能够开启一个旧档或新档！ 直接在终端输入指令：nano text.txt,如下图所示打开的是已有的文档！ 第一部分反白部分，是nano的版本与档名 第二部分可以编辑文本信息，按下ctrl+X选择保存或不保存即可。 nano常用指令集合，如下： ctrl+G或
阅读全文
摘要：Ubuntu查看本机版本的方法 sudo lsb_release -a即可 注销linux： 输入：exit 注意，离开系统不是关机，基本上，linux本身已经有相当多的工作进行，所以你离开时，这次这个登入的工作就停止了，但此时linux其他的工作还在进行。 ubuntu的纯文本模式和图形模式的切换
阅读全文
摘要：在pycharm的bin文件夹中打开终端,包含pycharm.sh文件的，输入“sh pycharm.sh"，如下图所示： 创建工程和windows环境下相同。 结束关掉pycharm 终端使用“ctrl + D ”退出
阅读全文
摘要：折腾了一上午，终于装好了，如下：Python环境的安装： 安装anaconda 建议去https://www.anaconda.com/download/#linux直接用Ubuntu界面的搜狐浏览器下载，根据系统版本进行下载，这里选择 下载后在桌面上“文件”图标中打开： 输入 su bash An
阅读全文
摘要：大家都说Linux系统是让程序员用起来更有成就感的系统，我也来体验下； 对于小白鼠的我，并没有直接在电脑上重装Linux系统，而是通过VMware工具搭建Ubuntu虚拟linux环境。 首先展示下VMware图标，和打开界面，（别笑，我刚开始真的不知道，对电脑软件安装就是一白痴） 图标 界面 下面
阅读全文
摘要：将字符串 "PAYPALISHIRING" 以Z字形排列成给定的行数： 之后从左往右，逐行读取字符："PAHNAPLSIIGYIR" 实现一个将字符串进行指定行数变换的函数: 示例 1: 示例 2:
阅读全文
摘要：给定一个字符串 s，找到 s 中最长的回文子串。你可以假设 s 的最大长度为1000。 示例 1： 示例 2： 查看资料找到了manacher算法 这个算法是以每一个字符为中心, 向两边发散,同时,用一个数组p来记录以每一个字符为中心的回文串的一半的长度. 先看一下该算法的核心. 确定以第i个字符为
阅读全文
摘要：给定一个 32 位有符号整数，将整数中的数字进行反转。 示例 1: 输入: 123 输出: 321 示例 2: 输入: -123 输出: -321 示例 3: 输入: 120 输出: 21 注意: 假设我们的环境只能存储 32 位有符号整数，其数值范围是 [−231, 231 − 1]。根据这个假设
阅读全文
摘要：给定一个字符串，找出不含有重复字符的最长子串的长度。 示例： 给定 "abcabcbb" ，没有重复字符的最长子串是 "abc" ，那么长度就是3。 给定 "bbbbb" ，最长的子串就是 "b" ，长度是1。 给定 "pwwkew" ，最长子串是 "wke" ，长度是3。请注意答案必须是一个子串，
阅读全文
摘要：内排序是在排序的整个过程中，待排序的所有记录全部被放置在内存中。外排序是由于排序的记录个数太多，不能同时放置在内存，整个排序过程需要在内外存之间多次交换数据才能进行。 最简单的排序实现，冒泡排序是一种交换排序，他的基本思想是:两两比较相邻记录的关键字，如果反序则交换，直到没有反序的记录为止。 简单选
阅读全文
摘要：查找：查找就是根据给定的某个值，在查找表中确定一个其关键字等于给定值的数据元素（或记录）。 动态查找表：在查找过程中同时插入 查找表中不存在的数据元素，或者从查找表中删除已经存在的某个数据元素。 顺序查找：又叫线性查找，是最基本的查找技术，他的查找过程是：从表中第一个（或最后一个）记录开始，逐个进行
阅读全文
摘要：图的邻接矩阵：图的邻接矩阵存储方式是用两个数组表示图。一个一维数组存储图中顶点信息，一个二维数组（称为邻接矩阵）存储图中边或弧的信息。如下图所示： 无向图的边数组是一个对称矩阵。有向图矩阵不对称。 图的遍历：深度优先更适合目标比较明确，以找到目标为主要目的情况，而广度优先更适合在不断扩大遍历范围时找
阅读全文
摘要：树:树是n（n>=0）个结点的有限集。n=0时称为空树。在任意一颗非空树中： （1） 有且仅有一个特定的称为根（Root）的结点； （2） 当n>1时，其余结点可分为m（m>0）个互不相交的有限集T1、T2、….、Tn，其中每一个集合本身又是一棵树，并且称为根的子树。 对于树还需要强调两点： 1、n
阅读全文
摘要：串：串是由另个或多个字符组成的有限序列，又名叫字符串。 所谓的序列，说明串的相邻字符之间具有前驱和后继的关系。 串的逻辑结构和线性表很相似，不同之处在于串针对的是字符集，也就是串中的元素都是字符，哪怕串中的字符是“123”这样的数字组成。 对于串的基本操作与线性表是有很大差别的，线性表更关注的是单个
阅读全文
摘要：队列的数据类型 同样是线性表，队列也有类似线性表的各种操作，不同的就是插入数据只能在队尾进行，删除数据只能在对头进行。 所以解决假一处的办法就是后面满了，就再从头开始，也就是头尾相接的循环，我们把队列的这种头尾相接的顺序存储结构陈伟循环队列。 队列的链式存储结构，其实就是线性表的单链表，只不过它只能
阅读全文
摘要：总的来说，静态链表优缺点：优点：在插入和删除操作时，只需要修改游标，不需要移动元素，从而改进了在顺序存储结构中的插入和删除操作需要移动大量元素的缺点 缺点：没有解决连续存储分配带来的表长难以确定的问题；失去了顺序存储结构随机存取的特性 总的来说：静态链表其实时为了给没有指针的高级语言设计的一种实现单
阅读全文
浙公网安备 33010602011771号