u013176681的专栏

原创 combineByKey 一点通

var rdd = sc.makeRDD(Array(("A",2),("A",1),("A",3),("B",1),("B",2),("C",1))) val collect: Array[(String, String)] = rdd.combineByKey( (v: Int) => v + "_", (c: String, v: Int) => c + "@" + v,//同一分区内 (c1: String, c2: String) ...

原创 coalesce 影响task数量解决方法

coalesce算子不是suffle算子，在划分stage时不会把它分在一个独立的stage中，而它又明确指定了分区数，所以这个stage的分区数就由它确定了，如果目的是为了减少输出文件而合并分区，但是又不影响上一个stage的并行度，可以执行colesce(num,true)让coalesce发生shuffle，这样它的分区数就不会影响到上一个stage了但是会多发生一次shuffle...

原创 xgboost面试小结

这几天面试，面了很多讲xgboost，自己也是半吊子，在这里总结一下考点1.error ：bias和variance2.特征选择 与 特征构造：特征组合可以提升逻辑回归模型对非线性性数据的拟合能力。3.并行：树之间是必须串行训练的，但是树里的每个节点是可以串行训练的4.输出结果：每棵树的输出结果相加5.残差训练：正确值减掉输出值作为下一个样本的输入...

原创 spark jobs 数量有什么决定？

参考：(6条消息) spark中job，stage，task之间的关系_mys_35088的博客-CSDN博客我猜，是由不相干的reduce的数量决定的，注意，是不相干，如果reduce之间有联系，那就是同一个job了。

原创 pycharm 安装不了git，原因是目录不对

艹，坑死我算了，应该是这个目录C:\Program Files\Git\cmd\git.exe，之前我一直用的是git-bash那个，导致一直不对。

原创 scala + = 和 +=

scala> var a =1a: Int = 1scala> a + = 1 ^ error: ambiguous reference to overloaded definition, both method + in class Int of type (x: Char)Int and method + in class Int of type (x: Byte)Int match expected type...

原创 gbdt，xgboost，lightgbm

Q1：xbg为啥快？所谓的并行，是指，每个特征算增益的时候，是并行算的，而不是每棵树是并行算的Q2：gbd的输入是什么？每棵树的输入是什么？回答这个问题，要明白，构建每个树，都是为了让总体的loss达到最小。对于mse，真实y值和前一个树的输出的差即所谓残差作为正好能让总体的loss最小，所以每个树正好是y值残差但是xbg，每个树的输入，还是原来的数值。但是在构建每个树的时候，至于叶节点的值，是最小化loss导出最大化信息增益然后导出每个节点的w值...

原创 scala里的import scala.collection.immutable.HashMap import scala.collection.mutable

import scala.collection.immutable.HashMap这个map是个坑，很多op都不能用，比如put，+=(k->v),foreachimport scala.collection.mutable这个是好用的，我试过的操作都可以

原创 mysql 遇到的大坑，!= NULL 和 is not null

有屎以来最丑的坑：MySQL [general_growth]> select "d" != null ;+-------------+| "d" != null |+-------------+| NULL |+-------------+1 row in set (0.00 sec)MySQL [general_growth]> select "d...

原创 idea中java class的签名设置

原创 sed 或运算 同时处理两个字符串 用\|，记住，一定要加上转移斜杠

finish_out0.000000 0.536274 b'63939' b'3418219'0.000000 0.058268 b'59920' b'7633987'0.000000 0.385762 b'250422' b'13985778'0.000000 0.034014 b'20789' b'13943778'0.000000 0.056284 b'223316' b'140...

原创 tar --exclude 的坑

晕，已解决# tar -cvzf test.tar.gz --exclude=test/005/ test# tar -cvzf test.tar.gz --exclude=test/005test这两个效果是绝对不一样的。、不要加斜杠啊啊啊啊啊啊啊啊啊tar -cvf deepfm.tar deepfm/ --exclude deepfm/model/wide_deep_x...

转载 因为一次时区问题闹的误会，尴尬

timestamp也可以直接被转换到UTC标准时区的时间：>>> from datetime import datetime>>> t = 1429417200.0>>> print(datetime.fromtimestamp(t)) # 本地时间2015-04-19 12:20:00>>> print(dat...

原创 join用子查询

join 这种尽量不要和子查询，比如order by这种放在一起，在用大括号另选一个表

转载 scala Seq Array List 区别

seq()和array()Scala数组与Scala序列是兼容的 - 在需要Seq[T]的地方可由Array[T]代替。最后，Scala数组支持所有的序列操作。https://www.cnblogs.com/iceelor/p/6039088.htmlScala的Seq将是Java的List，Scala的List将是Java的LinkedList。https://zhidao.ba...

原创 连续join

 在实际工作中，很多情况下会用到外连接，尤其是做主页面的数据展示查询时，连续用到多个left join会很常见，这样的多个left join会怎么样执行呢，之前在网上查到的执行顺序是，顺序的从坐到右的连接表，例如有 a,b,c三张表的数据都需要查到，就需要进行连接查询，如 select *  from  a  left join b on a.id = b.id left join a.id = ...

原创 xshell6 免费 免注册

https://www.netsarang.com/download/down_result.html 

转载 source 命令找不到

zz：https://blog.csdn.net/liuweihang/article/details/70049246执行shell报错source:notfound2017年04月11日 11:14:05 _vliu 阅读数：2100更多个人分类： Linuxsudo sh rsyncclient.shrsyncclient.sh ---------source ${A...

原创 机器学习小结

关于svm和神经网络的恩爱情仇两者都是在寻找一个可分割的超平面，单层神经网络的感知机是线性可分，非线性不可分的。有局限性。这时候svm出现了，通过核函数解决了非线性数据的问题。后来随着硬件的发展解决了多层神经网络的计算问题，神经网络也可以做非线性数据的分割问题了 至于svm怎么寻找超平面的，大概分三步第一步，线性可分，求距离各个样本距离最短的超平面。第二步，线性不太可分，引入松...

原创 关于boost和bagging对error的影响

error分为bias和variance。boost，多个二傻子一起思考，第一个二傻子只会算加法，第二个二傻子只会算乘法。最后得出的结果，就比较接近真实值，bias就比较小 bagging，多个聪明人，第一个聪明人，可能估值偏小，第二个聪明人可能估值偏大。总体想加，variance就小了...

原创 mysql数据库同步

因为权限问题，不能用mysqldump或是load file的方式。。。所以自己手动写脚本导入。遇到了很多坑，最主要的就是null和空格问题：function manage_db(){ mysql -h "s4494i.mars.grid.sina.com.cn" -P 4494 -u ea_fuyi_read_r -p3c5c7dfb6d873b7 ea -N -e "set ...

原创 【Windows环境下jdk安装环境配置】

set JAVA_HOME=C:\Program Files\Java\jdk1.8.0_171set PATH=%JAVA_HOME%\bin;%PATH%set CLASSPATH=.;%JAVA_HOME%\lib;%JAVA_HOME%\lib\tools.jar

转载 python mysql_config: command not found 安装 MySQL-python 的错误解决

yum -y install MySQL-python问题解决只是下面blog的评论https://blog.csdn.net/changdejie/article/details/19415147

转载 解决ERROR 2002 (HY000): Can't connect to local MySQL server through socket '/tmp/mysql.sock' (2)

https://stackoverflow.com/questions/4448467/cant-connect-to-local-mysql-server-through-socket-var-lib-mysql-mysql-sock/31984482#31984482

原创 Python文件直接操作文件描述符open的大坑

17 fr1 = open(file1).readlines() 18 fr2 = open(file2).readlines() ###如果是fr2 = open(file2) ，那么for 嵌套循环会报错 19 sh_dict = {} 20 cnt_mil = 0 21 cnt_ent =0 22 cnt_tech = 0 23 ch1 = '' 24 for l

原创 awk的数组

awk -F '\001' '{split($3,a,",");print $1"\001"$2"\001"a[1]"]"}' all.result >awk.result

原创 awk重复行输出重复数，逆排序

cat mark.all |awk -F '\t' '{a[$1]++}END{for(i in a){print i,a[i] | "sort -k  2nr"}}'

原创 xargs解决循环的问题

ls *.original |xargs -I @ echo " head -10000  @ > ratio/@.10000 "|sh

原创 建索引后，发现还是慢，原因竟然是。。。

我的搜索条件extension2设为数字，但实际上是字符串，这里包含了隐式转换，可能对全表做了很多次扫描。太惨痛的教训了

原创 line 132: syntax error: unexpected end of file

这种情况，一般不是Windows转Unix引起的。一般是if ...fi  双引号，大括号引起的

原创 Git 状态 untracked 和 not staged的区别

untrack表示是新文件，没有被add过，是为跟踪的意思。not staged 表示add过的文件，即跟踪文件，再次修改没有add，就是没有暂存的意思具体看：https://git-scm.com/book/zh/v2/Git-%E5%9F%BA%E7%A1%80-%E8%AE%B0%E5%BD%95%E6%AF%8F%E6%AC%A1%E6%9B%B4%E6%96%B0%E5%88

原创 json loads会一次性把所有“字典和数组”字符串都变成字典和数组

如题

转载 python 从哪开始执行 之 main 函数

[ Python ] python 从哪开始执行 之 main 函数转载 2013年04月11日 08:53:0715375http://www.cnblogs.com/lvxiuquan/archive/2012/07/09/2582437.htmlpython main函数初次接触Python的人会很不习惯Python没有ma

原创 写文件时候，permission deny的原因：建文件，ls，用户和用户组

我今天写脚本遇到写入一个文件时候，发生permission deny的错误。查了原因：我用root用户建立的文件夹，然后用zeus用户写这个文件夹下的文件。而mkdir 的目录，系统默认权限，用户所在的组只有读，没有写的权限。如下图所示：后记：之前zeus不在用户root组里面的，我 usermod -g root  zeus 赋予zeus用户root权限，

原创 Python global全局变量只能在函数中没做global申明，可以引用但修改会报错。

原创 mysql update join

update cec_item_lib a  inner join cec_item_info_lib b on a.item_id = b.item_id set a.status =10 where substring_index(b.categroy,';',1)  in ("699","703","807","13529","1410","4978","4979","12323","490

原创 hive表insert table into这个要注意

insert into table cna_goods_info PARTITION(dt='20170905')    select 跟sql不一样。table后面没有（），而且要有table关键字

转载 python处理命令行参数

http://blog.csdn.net/shy871265996/article/details/17247529例 10.20. sys.argv 介绍如果您还没有下载本书附带的样例程序, 可以 下载本程序和其他样例程序。#argecho.pyimport sysfor arg in sys.argv: print arg每个

原创 使用xargs循环查找文件中的字符串并打印出来

sed -n "539,1469p" cate_data_all |awk -F "\t" '{print $2}' |xargs -I {} grep ',,{}' item_id.thread.all一直不知道xargs的{}能不能在别的shell命令中双引号里起作用，这次试了一下，跟我用Python执行的结果是一样的，看来是可以的【步骤五】sed -n "开始行，结束

转载 使用grep精确匹配一个单词

使用grep精确匹配一个单词2012-05-24 15:35:09标签：的 abc原创作品，允许转载，转载时请务必以超链接形式标明文章 原始出处 、作者信息和本声明。否则将追究法律责任。http://lynnteng0.blog.51cto.com/2145094/876020面试时问到一个问题，要精确的找出进程名为abc，判断进程的数量是否在3-5之间，如果不在，