爱彼迎 这是一个可视化项目，目的是通过从insideairbnb.com收集的数据来了解Airbnb对墨尔本社区的影响。 在R Shiny和R Plotly上演示了可视化。

这个 m 文件是内置 saveas 命令的替代品。 它可以保存您的图形，而周围没有白框/边距。

业务需求：对已有交通数据进行分析建立模型，从而对未来交通堵车情况进行预测； # TrafficForecast SparkMLlib智慧交通项目 ## 项目需求 对已有交通数据进行分析建立模型，从而对未来交通堵车情况进行预测 ## 使用步骤 1. 克隆项目到本地 2. 导入项目到IDEA 3. linux中安装配置各软件 4. 阅读代码，运行项目 ## 软件版本 1. hadoop-2.6.4 2. zookeeper-3.4.5 3. kafka_2.12-0.11.0.2 4. jdk-8u181-linux-i586 5. redis-2.6.16 ## 项目思路 ### 生产者模块 - 功能：模拟生产数据，发送到kafka，kafka接收数据后打印到控制台 - 操作步骤 1. 启动zookeeper(三台机器） > [hadoop@mini1 ~]$ zkServer.sh start 2. 启动hadoop > [hadoop@mini1 ~]$ start-all.sh 3. 启动kafka(三台机器） > [hadoop@mini1 kafka_2.12-0.11.0.2]$ bin/kafka-server-start.sh config/server.properties 4. 创建topic > [hadoop@mini1 kafka_2.12-0.11.0.2]$ bin/kafka-topics.sh \ --create \ --zookeeper mini1:2181 \ --replication-factor 1 \ --partitions 1 \ --topic traffic 5. 启动consumer > [hadoop@mini1 kafka_2.12-0.11.0.2]$ bin/kafka-console-consumer.sh \ --zookeeper mini1:2181 \ --topic traffic \ --from-beginning 6. 运行程序Producer  ### 消费者模块 - 功能：消费kafka数据，并将处理后的数据存储到Redis中 - 操作步骤 1. 启动Redis > 服务端：[hadoop@mini1 redis]# bin/redis-server ~/apps/redis/etc/redis.conf \ > 客户端：[hadoop@mini1 redis]# bin/redis-cli 2. 运行程序SparkConsumer 3. 查看Redis数据库 > 127.0.0.1:6379> select 1 \ > 127.0.0.1:6379[1]> keys * \ > 127.0.0.1:6379[1]> hgetall “20180823_0015”  ### 数据建模模块 - 功能：读取Redis数据库数据，进行数据建模，并将模型保存到hdfs - 操作步骤 1. 运行程序Train 2. web访问hdfs，查看保存结果 > mini1:50070 

噪声标签生成和重新标记 在给定噪声率的情况下为数据集生成噪声标签，并使用重新标记算法对这些噪声标签进行重新标记 f1.test.py为all_tickets.csv数据集生成嘈杂的标签，使用“ body”作为特征，使用“ urgency”和“ ticket_type”作为预测标签。 我们假设'紧急'标签可能有一些嘈杂的标签，所以我们在'紧急'上添加了噪音。我们将48000数据拆分为火车数据集，将左侧的数据拆分为测试数据。在为'紧急'生成嘈杂标签's'之后，我们将' body。，'ticket_type'和's'到train_data.csv。在category.py中，我们生成重新标记的标签'relabel'并将其写入relabel.csv文件。除了门票数据集之外，我们还测试了其他数据集。 资料集 文件 结果文件夹 all_tickets.csv test.py 票 情绪训练 tes

全球Open RAN技术采用情况调查报告

智慧旅游技术应用发展情况调研分析报告,对国内国外当今的智慧城市中智慧旅游部分进行的调研与分析。

2021对毛衫产业发展情况的调查.docx

2021对鄂温克旗奶牛养殖情况的调查.docx

大负载情况下方波无感BLDC控制的续流补偿问题的研究

功能：获取android设备中某一个app的cpu和内存 环境：python和adb 使用方法：使用adb连接android设备，打开将要测试的app，执行cpu/内存代码 cpu获取代码如下：（输入参数为脚本执行时间） # coding:utf-8 ''' 获取系统total cpu ''' import os, csv import time import csv import numpy as np from matplotlib import pyplot as plt cpu_list = [] time_list = [] app_list = [] lines = [] pac