您的位置: 黔南州信息港 > 游戏

故障树分析法实例实例分析7月份百度算法调

发布时间:2019-05-15 07:23:49

1 : 实例分析7月份百度算法调剂

1周以为,我观看自己的闽东人才站,1直在困惑于站的降权当中。料想的缘由很多,却不能肯定缘由出处。在admin5里看了很多文章,否定文章中很多缘由。比如,百度统计推出等百度为本身利益而否定其它站排名,这肯定不对。在人才这1区域表现的特别明显。通过视察,我把我视察的现像归纳出来。现在我还不能对这些现像做来公道的解释。和大家1起讨论问题。

1。友谊链接不是主要缘由:有的站长认为这次调解对友谊链接加大力度,对友谊链接不好的站就降权,这点是全对。大家知道百度还是谷歌历来就对友谊链接的质量好坏作为排名因素,这是早就有了,其实不是这次更新算法对此做出重大调剂。

表像:有些站友谊链接里有很多出现快照倒退,site不到首页。而自己却仍然快照每天新,site首页第1。这点说明友谊链接是本来影响因素,不是主要影响因素。固然如果友谊链接里有很多被降权的链接,哪么肯定就遭到影响,如果只有1两个,应影响不大。

2。优化太重的站罚的特重,相比之下没有做优化,靠内容做上去的站,这次排名基本没变。

表像:笔者找来优化和内容做上排名的站相对对比,发现这次调剂对优化痕迹过于明显的站,排名调的很历害。而靠原创内容做上去,这次调剂后和原来排名差不多,有的还有些提高。说明百度的之内容为王的原则还是没有变的。

3。老站比新站这次调解中更的优势。

表像:大家可以把被降权和没降权的站的域名查下进行对照。这次降权80%比例上为2008年以后的新域名。而没被降权里头的域名基本是2008年之前注册的,对这类现像,笔者没法解释。写出来和大家1起讨论。

本文出处:闽东人材

2 : Apriori 算法的实例分析

t

1 3 9 13 23 25 34 36 38 40 52 54 59 63 67 76 85 86 90 93 98 107 113

2 3 9 14 23 26 34 36 39 40 52 55 59 63 67 76 85 86 90 93 99 108 114

2 4 9 15 23 27 34 36 39 41 52 55 59 63 67 76 85 86 90 93 99 108 115

1 3 10 15 23 25 34 36 38 41 52 54 59 63 67 76 85 86 90 93 98 107 113

2 3 9 16 24 28 34 37 39 40 53 54 59 63 67 76 85 86 90 94 99 109 114

2 3 10 14 23 26 34 36 39 41 52 55 59 63 67 76 85 86 90 93 98 108 114

2 4 9 15 23 26 34 36 39 42 52 55 59 63 67 76 85 86 90 93 98 108 115

2 4 10 15 23 27 34 36 39 41 52 55 59 63 67 76 85 86 90 93 99 107 115

1 3 10 15 23 25 34 36 38 43 52 54 59 63 67 76 85 86 90 93 98 110 114

2 4 9 14 23 26 34 36 39 42 52 55 59 63 67 76 85 86 90 93 98 107 115

2 3 10 14 23 27 34 36 39 42 52 55 59 63 67 76 85 86 90 93 99 108 114

2 3 10 14 23 26 34 36 39 41 52 55 59 63 67 76 85 86 90 93 98 107 115

2 4 9 14 23 26 34 36 39 44 52 55 59 63 67 76 85 86 90 93 99 107 114

1 3 10 15 23 25 34 36 38 40 52 54 59 63 67 76 85 86 90 93 99 110 113

2 3 11 13 24 28 34 37 39 41 53 54 59 64 67 76 85 86 90 94 98 109 114

2 5 11 16 24 28 34 36 38 40 52 54 59 63 67 76 85 86 90 93 99 111 113

2 6 11 15 24 28 34 37 39 40 53 54 59 63 67 76 85 86 90 94 99 109 114

1 3 9 13 23 25 34 36 38 41 52 54 59 63 67 76 85 86 90 93 98 107 114

1 3 10 15 23 25 34 36 38 41 52 54 59 63 67 76 85 86 90 93 99 107 113

1 3 9 13 23 25 34 36 38 40 52 54 59 63 67 76 85 86 90 93 99 107 113

2 4 9 14 23 26 34 36 39 40 52 55 59 63 67 76 85 86 90 93 99 107 115

1 3 10 13 23 25 34 36 38 41 52 54 59 63 67 76 85 86 90 93 99 110 114

2 4 10 14 23 27 34 36 39 40 52 55 59 63 67 76 85 86 90 93 99 107 115

2 4 10 15 23 26 34 36 39 44 52 55 59 63 67 76 85 86 90 93 99 108 115

2 4 9 15 23 27 34 36 39 42 52 55 59 63 67 76 85 86 90 93 98 107 115

1 6 9 15 23 25 34 36 38 41 52 54 59 63 67 76 85 86 90 93 99 110 114

2 3 10 14 23 26 34 36 39 41 52 55 59 63 67 76 85 86 90 93 99 108 115

2 3 10 15 23 27 34 36 39 44 52 55 59 63 67 76 85 86 90 93 99 108 115

2 6 11 13 24 28 34 36 38 40 52 54 59 63 67 76 85 86 90 93 98 111 113

2 3 9 14 23 26 34 37 38 41 53 56 59 63 67 76 85 86 90 93 99 110 116

2 4 9 14 23 27 34 36 39 42 52 55 59 63 67 76 85 86 90 93 99 108 115

1 3 10 15 23 25 34 36 38 40 52 54 59 63 67 76 85 86 90 93 99 107 113

2 3 10 14 23 27 34 36 39 41 52 55 59 63 67 76 85 86 90 93 99 108 115

2 3 10 13 23 27 34 36 39 43 52 57 59 65 67 76 85 86 90 93 99 111 117

2 4 10 14 23 27 34 36 39 41 52 55 59 63 67 76 85 86 90 93 99 107 115

2 3 11 14 23 27 34 37 38 44 53 56 59 63 67 76 85 86 90 93 99 110 116

2 5 11 16 24 28 34 36 38 40 52 54 59 63 67 76 85 86 90 93 98 110 113

1 3 10 13 23 25 34 36 38 44 52 54 59 63 67 76 85 86 90 93 99 107 113

2 3 11 14 23 26 34 37 38 43 53 56 59 63 67 76 85 86 90 93 99 110 116

2 4 9 14 23 27 34 36 39 40 52 55 59 63 67 76 85 86 90 93 98 107 115

#-*- coding: utf⑻ -*-from numpy import *#生成原始数据,用于测试def loadDataSet(): return [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5], [1, 2, 3, 4,5], [2, 5]] # return [[#39;A#39;, #39;C#39;, #39;D#39;], # [#39;B#39;, #39;C#39;, #39;E#39;], # [#39;A#39;, #39;B#39;, #39;C#39;, #39;E#39;], # [#39;B#39;, #39;E#39;], # [#39;A#39;, #39;B#39;, #39;C#39;,#39;D#39;, #39;E#39;], # [#39;A#39;, #39;B#39;, #39;C#39;,#39;E#39;, #39;F#39;]] # return [[1, 3, 4], # [2, 3, 5], # [1, 2, 3, 5], # [2, 5]] # return [[1,2,3,4], # [2,5,4,6], # [1,3,6], # [1,2,3,5,4,6], # [2,3,4], # [2,3,6], # [1,3,4], # [1,2,3,7,4], # [1,2,7,4]] # return [[1,2,3,4], # [2,5,4,6], # [1,3,5,6], # [1,2,3,5,6], # [2,3,4,5,6], # [2,3,4], # [2,3,6], # [1,3,4]]#遍历数据集每项交易记录,建立候选1-项集def createC1(dataSet): #记录每项物品的列表 C1 = [] #遍历每条记录 for transaction in dataSet: #遍历每条记录中的物品 for item in transaction: #判断如果该物品没在列表中 if not [item] in C1: #将该物品加入到列表中 pend([item]) #对所有物品进行排序 rt() #frozenset数据类型,指被冰冻的集合 #集合1旦完全建立,就不能被修改 return map(frozenset, C1)#输入:数据集D、候选集Ck、小支持度#用小支持度minSupport对候选集Ck过滤#输出:本层(第k层)的频繁项集Lk,Ck中的每项的支持度def scanD(D, Ck, minSupport): #建立字典#key--候选集Ck中的每项 #value--该项在所有记录中出现的次数 ssCnt = {} #遍历数据库D的每条记录 for tid in D: #遍历候选集Ck中的每项 for can in Ck: #如果候选集Ck中该项在原数据库某条记录中出现 if subset(tid): #如果选集Ck中该项第1次被统计到,次数记为1 if not s_key(can): ssCnt[can]=1 #否则次数累加 else: ssCnt[can] += 1 #数据库D的总商品购买记录总数,用于计算支持度 numItems = float(len(D)) #记录经小支持度过滤后的频繁项集 retList = [] #记录候选集中满足条件的项的支持度扩大:apriori算法实例 / apriori算法利用实例 / 遗传算法实例分析

结构 #key--候选集中满足条件的项 #value--该项支持度 supportData = {} #遍历候选集中的每项出现次数 for key in ssCnt: #计算每项的支持度 support = ssCnt[key]/numItems #用小支持度过滤, if support = minSupport: #在列表的首部插入大于小支持度的项 sert(0,key) #记录每项的支持度 supportData[key] = support #返回频繁项集,和每项的支持度 return retList, supportData#由频繁k⑴项集Lk1,生成候选项集Ck#输入:频繁k⑴项集Lk1,新的候选集元素个数k#输出:候选集Ckdef aprioriGen(Lk1, k): #保存新的候选集 retList = [] #频繁项集记录数 lenLk1 = len(Lk1) #比较频繁项集中的两个子集元素 #若两子集元素的前面k⑵项都相同,那末就将两子集合并。 #两个子集元素比较,通过使用两个for循环实现 for i in range(lenLk1): for j in range(i+1, lenLk1): #取频繁项集Lk中的1个子集元素的前k⑵个项 L1 = list(Lk1[i])[:k⑵] #取频繁项集Lk中的另外一子集元素的前k⑵个项 L2 = list(Lk1[j])[:k⑵] rt() rt() #两元素的前k⑵相同,则合并 if L1==L2: #合并生成大小为k的集合 pend(Lk1[i] | Lk1[j]) #返复生成的候选k项集 return retList#输入:数据集、小支持度 def apriori(dataSet, minSupport = 0.5): #生成1-项集 C1 = createC1(dataSet) #对数据集进行映照至D,去掉某条记录中重复的商品 print#39;C1=#39;,C1 D = map(set, dataSet) #候选项集C1-频繁1-项集L1 #supportData寄存所有项集的支持度 L1, supportData = scanD(D, C1, minSupport) print#39;L1=#39;,L1 #候选1项集所有元素对应的支持度 print #39;supportData1=#39;,supportData #L寄存所有的频繁项集,会包括L1、L2、L3... L = [L1] #由L1-C2,设定初的k项集参数 k = 2 #由L1-C2-L2-C3...,用while循环实现 #随着k值增加,循环查找更新Lk,直到Lk为空时退出 #索引从0开始,L[k⑵]即为频繁k⑴项集 while (len(L[k⑵]) 0): #由频繁k⑴项集,-候选k项集Ck Ck = aprioriGen(L[k⑵], k) print#39;C#39;,k,#39;=#39;,Ck #Ck-频繁k项集Lk Lk, supK = scanD(D, Ck, minSupport) print#39;L#39;,k,#39;=#39;,Lk #更新支持度字典,用于加入新的支持度 date(supK) #候选集Ck中所有元素对应的支持度 print #39;supportData#39;,k,#39;=#39;,supK #累计已计算的支持度 print #39;supportDataupdate=#39;,supportData #将新的频繁k项集加入已有频繁项集的列表中 pend(Lk) #k加1,用于产生下1项集 k += 1 #返回所有频繁项集及支持度列表 return L, supportData#=================================================================###注意:1,2,3—4###上述规则就只有两部份,箭头前称为前件,箭头后称为后件#####产生后件为1项的关联规则,频繁项集{1,2,3,4}###H=[[1],[2],[3],[4]]。###H中元素顺次做关联规则的后项###1,2,3——4 ###1,2,4——3 ###1,3,4——2###2,3,4——1 #####产生后件为2项的关联规则,频繁项集{1,2,3,4}###H = [[3,4],[2,4],[2,3],[1,4],[1,3],[1,2]]。###H中元素顺次做关联规则的后项###1,2——3,4 ###1,3——2,4 ###1,4——2,3###2,3——1,4 ###2,4——1,3###3,4——1,2#=================================================================#***产生关联规则#输入:频繁项集列表L,支持度列表,小置信度 #输出:满足小置信度的规则列表def generateRules(L, supportData, minConf=0.7): #置信度规则列表,返回 bigRuleList = [] #没法从频繁1-项集L[0]中构建关联规则 #所以从频繁2-项集开始遍历(索引从1开始) for i in range(1, len(L)): #遍历当前频繁项集的每一个项集 #如频繁2项集为:[[1,2],[3,4]] for freqSet in L[i]: #如取项集为[1,2],则H1为[[1],[2]],单个元素组成 H1 = [frozenset([item]) for item in freqSet] #H1为规则后件 #频繁项集中元素个数大于2,H1需要不断合并作为整体 #并利用小置信度进行过滤 if (i 1): #L3,L4...项集 rulesFromConseq(freqSet, H1, supportData, bigRuleList, minConf) else: #L2 #项集只有2个元素即频繁2项集,直接计算置信度进行过滤 calcConf(freqSet, H1, supportData, bigRuleList, minConf) #返回满足小置信的规则列表 return bigRuleList #根据小置信度过滤候选的关联规则,并返回过滤后的规则的后件###输入freqSet:某频繁项集、### H:关联规则的后件###supportData:所有项集的支持度###brl:填充关联规则:前件,后件,置信度###minConf:小置信度def calcConf(freqSet, H, supportData, brl, minConf=0.7): #满足小可信度要求的后件 prunedH = [] #遍历H中的所有项,用作关联规则的后件 for conseq in H: #置信度计算 conf = supportData[freqSet]/supportData[freqSet-conseq] #过滤 if conf = minConf: #显示:前件 --后件:置信度 print freqSet-conseq,#39;--#39;,conseq,#39;conf:#39;,conf #保存关联规则:前件,后件,置信度 pend((freqSet-conseq, conseq, conf)) #满足小可信度要求的后件 pend(conseq) #返回满足条件的后项 return prunedH#***基于某个频繁项集,生成关联规则#输入:频繁项集、关联规则后件列表H、支持度列表#brl需要填充的规则列表,返回def rulesFromConseq(freqSet, H, supportData, brl, minConf=0.7): #后件中的项的个数 m = len(H[0]) #规则后件H的项的个数 比频繁项集freqSet中的项的个数少1, #超过该条件没法产生关联规则 if m==1: #后件只有1个项 #过滤只有1个项的后件(产生规则如1,2,,并返回过滤后的后件) H = calcConf(freqSet, H, supportData, brl, minConf) if (len(freqSet) (m + 1)): #对后件H元素组合,产生更多的候选规则后件 #由[1,2],[1,3]组合成[1,2,3] Hmp1 = aprioriGen(H, m+1) Hmp1 = calcConf(freqSet, Hmp1, supportData, brl, minConf) #过滤后Hmp1 #如果满足要求的规则不止1条 #继续使用Hmp1调用函数rulesFromConseq() #判断是不是可以进1步组合这些规则。 if (len(Hmp1) 1): rulesFromConseq(freqSet, Hmp1, supportData, brl, minConf)if __name__ == "__main__": #***生成频繁项集 dataSet=loadDataSet() print #39;dataSet=#39;,dataSet L,supportdata=apriori(dataSet,minSupport = 0.4) print#39;L=#39;,L print#39;supportdata=#39;,supportdata print#39;-------------------------------------#39; #***产生关联规则 rules=generateRules(L,supportdata,minConf=0.5) print #39;rules=#39;,rules # #***毒蘑菇数据测试 # mushDatSet=[lit() for line in open(#39;t#39;).readlines()] # L,supportdata=apriori(mushDatSet,minSupport=0.3) # #与毒蘑菇出现频繁的1项: # for item in L[1]: # if ersection(#39;2#39;): # print item # #与毒蘑菇出现频繁的3项: # for item in L[3]: # if ersection(#39;2#39;): # print item扩大:apriori算法实例 / apriori算法利用实例 / 遗传算法实例分析

扩大:apriori算法实例 / apriori算法利用实例 / 遗传算法实例分析

3 : PHP实现多级分类生成树的方法示例

本文实例讲述了PHP实现多级分类生成树的方法。分享给大家供大家参考,具体以下:

条件,数据库里分类是按id,fid(父ID)实现多级分类的!

使用方法:

$sql ="XXXXXXXXXX"; //sql语句 $res = $db-Select($sql); //履行sql $list=array(); treeList(treeGet($res),$list); /生成树 print_r($res); //打印出来看看!

使用结果:

┣推荐啊 ┃┣国际 ┃┣dfffffg ┃┣ttttttt ┃┃┗yyyyy

代码以下:

/** * 选择SQL涵数 * * @access public * @param Array $field 字段信息,支持涵数 * @param Array $table 数据库表 * @param Array $where 条件 * @return SQL SQL语句 */ function treeGet($data) { $tmptree=null; $tree=$data; return treeAddNodeToTree($tmptree,treegetbyuid($tree,0,@$field),$tree); } /** *插入SQL涵数 * * @access public * @param Array $fieldResult 字段信息,支持涵数 * @param Array $table 数据库表 * @return SQL SQL语句 */ function treeAddNodeToTree($Node,$miniTree,&$source) { if(is_array($miniTree)) { foreach($miniTree as $k=$v) { if(!count($miniTree[$k]['child']=treeAddNodeToTree($miniTree[$k],treegetbyuid($source,@$v['id']),$source))) { unset($miniTree[$k]['child']); $miniTree[$k]['leaf']=true; //设置叶结点 } } return $Node['child']=$miniTree; } } function treegetbyuid(&$stree,$uid) { $dtree=array(); if(is_array($stree)){ foreach($stree as $k=$v) { if($v['fid']==$uid) { $mytmp=array(); $mytmp=$v; unset($stree[$k]); array_push($dtree,$mytmp); $mytmp=null; } } } return $dtree; } /** *更新SQL涵数 * * @access public * @param Array $fieldResult 字段信息,支持涵数 * @param Array $table 数据库表 * @param Array $where 条件 * @return SQL SQL语句 */ function treeMakeDeep($deep) { $returnValue=""; for (;$deep;$deep--) { $returnValue.="┃"; } return $returnValue."┣"; } function treeList($treeData,&$List) { static $deep=0; if(is_array($treeData)) { foreach($treeData as $k=$v) { $v['deepValue']=treeMakeDeep($deep); $v['deep']=$deep; $t=$v; unset($t['child']); array_push($List,$t); if($v['child']) { ++$deep; $optionsNode.=treeList($v['child'],$List); $deep--; } } if($lastV=array_pop($List)) { $lastV['deepValue']=str_replace('┣','┗',$lastV['deepValue']); array_push($List,$lastV); } } } function treeSelect($tree,$id,$options="child") { switch(strtolower($options)) { case"child": $tmpTree=array(); $deep=⑴; foreach($tree as $k=$v) { if($id==$v['id']) { array_push($tmpTree,$v); $deep=$v['deep']; } elseif($deep!=⑴) { if($v['deep']=$deep) { break; } else { array_push($tmpTree,$v); } } } break; case "remove": default: $tmpTree=array(); $deep=⑴; foreach($tree as $k=$v) { if($id==$v['id']) { $deep=$v['deep']; continue; } elseif($deep!=⑴) { if($v['deep']=$deep) { array_push($tmpTree,$v); $deep=⑴; } continue; } array_push($tmpTree,$v); } } return $tmpTree; }

PS:为方便读者浏览源码,上述代码使用了工具进行了格式化处理。

更多关于PHP相干内容感兴趣的读者可查看本站专题:《php+mysql数据库操作入门教程》、《php+mysqli数据库程序设计技能总结》、《php面向对象程序设计入门教程》、《PHP数组(Array)操作技能大全》、《php字符串(string)用法总结》、《PHP络编程技能总结》及《php常见数据库操作技能汇总》

希望本文所述对大家PHP程序设计有所帮助。

治疗痛经小妙招
痛经小腹痛有什么方法
痛经小腹痛缓解
猜你会喜欢的
猜你会喜欢的