后使用快捷导航没有帐号？
只需一步, 快速开始
只需一步，快速开始
查看: 1191|回复: 10
求助，如何利用NECP FNL资料、MetoInfo里的插件TrajStat，绘制气流轨迹，聚类分析？
在线时间 小时
登录后查看更多精彩内容~
才可以下载或查看，没有帐号？
已经下载了NECP FNL资料，grib2格式的，安装好了MeteoInfo Java 版和TrajStat插件，已经看了TrajStat的帮助文档，没找着该怎么生成第一步的气流轨迹，困在第一步，恳请知道的老师、同学帮忙解答一下，不胜感激啊~刚接触，确实啥也不懂，看了半天也没明白{:soso_e109:}
密码修改失败请联系qq：
在线时间 小时
HYSPLIT模式需要专门格式的气象数据（ARL格式），grib2格式的气象数据需要先转换。建议你直接下载ARL格式的气象数据来做轨迹，详见此贴：
如果一定要用其它格式气象数据，也可以通过写MeteoInfo脚本程序进行格式转换。
密码修改失败请联系qq：
在线时间 小时
老师，格式转换麻烦吗？刚才试了一下下载ARL格式的，想分析一年的，下载速度好像太慢了
密码修改失败请联系qq：
在线时间 小时
HYSPLIT模式需要专门格式的气象数据（ARL格式），grib2格式的气象数据需要先转换。建议你直接下载ARL格式的 ...
老师，转换格式麻烦吗? 刚才试了一下ARL格式的，我想分析全年的，下载速度好像太慢了点{:soso_e105:}，
密码修改失败请联系qq：
在线时间 小时
老师，转换格式麻烦吗? 刚才试了一下ARL格式的，我想分析全年的，下载速度好像太慢了点，
之前写过的一个脚本程序，根据你自己的需要修改：
#--------------------------------------------------------& && &&&
# Author: Yaqiang Wang& && && && && && && && && && && && && && &
# Date: & && && && && && && && && && && && && && && &&&
# Purpose: Convert GRIB data to ARL data&&
# Note: Sample& && && && && && && && && && && && && && && && && &
#-----------------------------------------------------------
from org.meteoinfo.data.meteodata import MeteoDataInfo
from org.meteoinfo.data.meteodata.arl import ARLDataInfo
from org.meteoinfo.data.meteodata.arl import DataLabel
import os
#---- Set directories
dataDir = &D:/Temp&
#---- Set output data file
outFile = os.path.join(dataDir, 'arl/test2.arl')
#---- Read a GRIB data file
mydata = MeteoDataInfo()
infile = os.path.join(dataDir, 'grib/.pgbh06.gdas.00105.grb2')
print infile
mydata.openNetCDFData(infile)
print 'GRIB file has been opened...'
#---- Set output ARL data info
arlDI = ARLDataInfo()
#---- Set variable and level list
gvars = ['Pressure_surface','Temperature_height_above_ground',\
&&'u-component_of_wind_height_above_ground','v-component_of_wind_height_above_ground',\
&&'Geopotential_height_isobaric','Temperature_isobaric',\
&&'u-component_of_wind_isobaric','v-component_of_wind_isobaric','Vertical_velocity_pressure_isobaric',\
&&'Relative_humidity_isobaric']
avars = ['PRSS','T02M','U10M','V10M','HGTS','TEMP','UWND','VWND','WWND','RELH']
levels = [0,,925,900,875,850,825,800,775,750,700,\
&&650,600,550,500,450,400,350,300,250,225,200,175,150,\
&&125,100,70,50,30,20,10,7,5,3,2,1]
for l in levels:
&&arlDI.levels.add(l)
&&if l == 0:
& & arlDI.LevelVarList.add(['PRSS','T02M','U10M','V10M'])
&&else:
& & arlDI.LevelVarList.add(['HGTS','TEMP','UWND','VWND','WWND','RELH'])
#---- Write ARL data file
dataInfo = mydata.getDataInfo()
arlDI.createDataFile(outFile)
arlDI.X = dataInfo.getXDimension().getValues()
arlDI.Y = dataInfo.getYDimension().getValues()
variables = dataInfo.getVariables()
tNum = dataInfo.getTimeNum()
for t in range(0, tNum):
&&mydata.setTimeIndex(t)
&&atime = dataInfo.getTimes().get(t)
&&aDH = arlDI.getDataHead(mydata.getProjectionInfo(), 'FNL1', 2)
&&arlDI.writeIndexRecord(atime, aDH)
&&lidx = 0
&&for l in arlDI.levels:
& & print l
& & for v in arlDI.LevelVarList[lidx]:
& && &vName = gvars[avars.index(v)]
& && &print vName
& && &if lidx == 0:
& && &&&mydata.setLevelIndex(lidx)
& && &else:
& && &&&variable = dataInfo.getVariable(vName)
& && &&&nlidx = variable.getZDimension().getDimValue().indexOf(l*100.0)
& && &&&mydata.setLevelIndex(nlidx)
& && &gData = mydata.getGridData(vName)
& && &if v == 'PRSS' or v == 'WWND':
& && &&&gData = gData.divide(100)& && &
& && &aDL = DataLabel(atime)
& && &aDL.setLevel(lidx)
& && &aDL.setVarName(v)
& && &aDL.setGrid(99)
& && &aDL.setForecast(0)
& && &arlDI.writeGridData(aDL, gData)
& & lidx += 1
arlDI.closeDataFile()
print 'Finished!'
密码修改失败请联系qq：
在线时间 小时
之前写过的一个脚本程序，根据你自己的需要修改：
好的，谢谢老师！
密码修改失败请联系qq：
在线时间 小时
之前写过的一个脚本程序，根据你自己的需要修改：
老师，看不明白，
密码修改失败请联系qq：
在线时间 小时
老师，看不明白，
如果你一点Python的基础也没有，看不明白很正常。
密码修改失败请联系qq：
在线时间 小时
如果你一点Python的基础也没有，看不明白很正常。
真没接触过Python，先下载数据看看了
密码修改失败请联系qq：
在线时间 小时
好高端，帮顶
密码修改失败请联系qq：查看: 27105|回复: 59
一个用R语言进行聚类分析的例子
金牌会员, 积分 1962, 距离下一级还需 1038 积分
论坛徽章:20
在网上（/ ）找到了一个用R语言进行聚类分析的例子, 在整个例子中做了一些中文解释说明. 数据集用的是iris
第一步：对数据集进行初步统计分析
检查数据的维度
& dim(iris)
[1] 150& &5
显示数据集中的列名
& names(iris)
[1] &Sepal.Length& &Sepal.Width&&&&Petal.Length& &Petal.Width&&&&Species&& &&&
显示数据集的内部结构
& str(iris)
'data.frame':& &150 obs. of&&5 variables:
$ Sepal.Length: num&&5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
$ Sepal.Width : num&&3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
$ Petal.Length: num&&1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
$ Petal.Width : num&&0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
$ Species& &&&: Factor w/ 3 levels &setosa&,&versicolor&,..: 1 1 1 1 1 1 1 1 1 1 ...
显示数据集的属性
& attributes(iris)
$names --就是数据集的列名
[1] &Sepal.Length& &Sepal.Width&&&&Petal.Length& &Petal.Width&&&&Species&& &&&
$row.names --个人理解就是每行数据的标号
&&[1]& &1& &2& &3& &4& &5& &6& &7& &8& &9&&10&&11&&12&&13&&14&&15&&16&&17&&18&&19&&20
[21]&&21&&22&&23&&24&&25&&26&&27&&28&&29&&30&&31&&32&&33&&34&&35&&36&&37&&38&&39&&40
[41]&&41&&42&&43&&44&&45&&46&&47&&48&&49&&50&&51&&52&&53&&54&&55&&56&&57&&58&&59&&60
[61]&&61&&62&&63&&64&&65&&66&&67&&68&&69&&70&&71&&72&&73&&74&&75&&76&&77&&78&&79&&80
[81]&&81&&82&&83&&84&&85&&86&&87&&88&&89&&90&&91&&92&&93&&94&&95&&96&&97&&98&&99 100
[101] 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
[121] 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
[141] 141 142 143 144 145 146 147 148 149 150
$class --表示类别
[1] &data.frame&
查看数据集的前五项数据情况
& iris[1:5,]
&&Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1& && && & 5.1& && && &3.5& && && & 1.4& && && &0.2&&setosa
2& && && & 4.9& && && &3.0& && && & 1.4& && && &0.2&&setosa
3& && && & 4.7& && && &3.2& && && & 1.3& && && &0.2&&setosa
4& && && & 4.6& && && &3.1& && && & 1.5& && && &0.2&&setosa
5& && && & 5.0& && && &3.6& && && & 1.4& && && &0.2&&setosa
查看数据集中属性Sepal.Length前10行数据
& iris[1:10, &Sepal.Length&]
[1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9
& iris$Sepal.Length[1:10]
[1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9
显示数据集中每个变量的分布情况
& summary(iris)
&&Sepal.Length& & Sepal.Width& &&&Petal.Length& & Petal.Width& && && & Species&&
Min.& &:4.300& &Min.& &:2.000& &Min.& &:1.000& &Min.& &:0.100& &setosa& & :50&&
1st Qu.:5.100& &1st Qu.:2.800& &1st Qu.:1.600& &1st Qu.:0.300& &versicolor:50&&
Median :5.800& &Median :3.000& &Median :4.350& &Median :1.300& &virginica :50&&
Mean& &:5.843& &Mean& &:3.057& &Mean& &:3.758& &Mean& &:1.199& && && && && && &
3rd Qu.:6.400& &3rd Qu.:3.300& &3rd Qu.:5.100& &3rd Qu.:1.800& && && && && && &
Max.& &:7.900& &Max.& &:4.400& &Max.& &:6.900& &Max.& &:2.500& && && && && && &
显示iris数据集列Species中各个值出现频次
& table(iris$Species)
& & setosa versicolor&&virginica
& && &&&50& && && &50& && && &50
根据列Species画出饼图
& pie(table(iris$Species))
算出列Sepal.Length的所有值的方差
& var(iris$Sepal.Length)
[1] 0.6856935
算出列iris$Sepal.Length和iris$Petal.Length的协方差
& cov(iris$Sepal.Length, iris$Petal.Length)
[1] 1.274315
算出列iris$Sepal.Length和iris$Petal.Length的相关系数， 从结果看这两个值是强相关。
& cor(iris$Sepal.Length, iris$Petal.Length)
[1] 0.8717538
画出列iris$Sepal.Length分布柱状图
& hist(iris$Sepal.Length)
画出列iris$Sepal.Length的密度函数图
& plot(density(iris$Sepal.Length))
画出列iris$Sepal.Length和iris$Sepal.Width的散点图& && && &&&
& plot(iris$Sepal.Length, iris$Sepal.Width)
绘出矩阵各列的散布图
& plot(iris)
& pairs(iris)
第二步：使用knn包进行Kmean聚类分析
将数据集进行备份，将列newiris$Species置为空，将此数据集作为测试数据集
& newiris &- iris
& newiris$Species &- NULL
在数据集newiris上运行Kmean聚类分析， 将聚类结果保存在kc中。在kmean函数中，将需要生成聚类数设置为3
& (kc &- kmeans(newiris, 3))
K-means clustering with 3 clusters of sizes 38, 50, 62: K-means算法产生了3个聚类，大小分别为38,50,62.
Cluster means: 每个聚类中各个列值生成的最终平均值
&&Sepal.Length Sepal.Width Petal.Length Petal.Width
1& &&&5.006000& & 3.428000& &&&1.462000& & 0.246000
2& &&&5.901613& & 2.748387& &&&4.393548& & 1.433871
3& &&&6.850000& & 3.073684& &&&5.742105& & 2.071053
Clustering vector: 每行记录所属的聚类（2代表属于第二个聚类，1代表属于第一个聚类，3代表属于第三个聚类）
&&[1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[37] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
[73] 2 2 2 2 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 2 3 3 3 3 2 3
[109] 3 3 3 3 3 2 2 3 3 3 3 2 3 2 3 2 3 3 2 2 3 3 3 3 3 2 3 3 3 3 2 3 3 3 2 3
[145] 3 3 2 3 3 2
Within cluster sum of squares by cluster: 每个聚类内部的距离平方和& &
[1] 15.97 23.87947
(between_SS / total_SS =&&88.4 %) 组间的距离平方和占了整体距离平方和的的88.4%，也就是说各个聚类间的距离做到了最大
Available components: 运行kmeans函数返回的对象所包含的各个组成部分
[1] &cluster&& && &¢ers&& && &&totss&& && &&&&withinss&& &
[5] &tot.withinss& &betweenss&& & &size&&&
(&cluster&是一个整数向量，用于表示记录所属的聚类&&
¢ers&是一个矩阵，表示每聚类中各个变量的中心点
&totss&表示所生成聚类的总体距离平方和
&withinss&表示各个聚类组内的距离平方和
&tot.withinss&表示聚类组内的距离平方和总量
&betweenss&表示聚类组间的聚类平方和总量
&size&表示每个聚类组中成员的数量)
创建一个连续表,在三个聚类中分别统计各种花出现的次数
& table(iris$Species, kc$cluster)& && && &&&
& && && && &&&1&&2&&3
&&setosa& && &0 50&&0
&&versicolor&&2&&0 48
&&virginica&&36&&0 14
根据最后的聚类结果画出散点图，数据为结果集中的列&Sepal.Length&和&Sepal.Width&，颜色为用1，2，3表示的缺省颜色
& plot(newiris[c(&Sepal.Length&, &Sepal.Width&)], col = kc$cluster)
在图上标出每个聚类的中心点
〉points(kc$centers[,c(&Sepal.Length&, &Sepal.Width&)], col = 1:3, pch = 8, cex=2)
论坛徽章:23
这里面的R语言的知识很丰富呀
注册会员, 积分 92, 距离下一级还需 108 积分
论坛徽章:5
希望LZ能解释一下聚类结果的业务含义，对理解聚类会非常有帮助
金牌会员, 积分 1132, 距离下一级还需 1868 积分
论坛徽章:6
tucuo不错噢噢
论坛徽章:64
希望上完课根据实际问题能用R来分析解决。
注册会员, 积分 127, 距离下一级还需 73 积分
论坛徽章:1
聚类分析，是树立统计的重要方法，它是研究多要素失误分类问题的数量方法。原理是，根据样本自身的属性，用数学方法按照某些相似性或差异性指标，定量的确定样本之间的亲疏关系，并按照这种亲疏关系程度对样本进行聚类
金牌会员, 积分 1962, 距离下一级还需 1038 积分
论坛徽章:20
解释一下这个聚类示例的意思.：
数据集用的是iris也就是一个记录鸢尾属植物品种的样本集， 数据集中一共包含了150条记录，每个样本的饱含它的萼片长度和宽度，花瓣的长度和宽度以及这个样本所属的具体品种。每个品种的样本量为50条。
在这个示例中， 首先将数据集中变量品种全部置为空， 然后重新指定3个聚类，比较一下kmeans算法生成的结果和原有的结果。
在kmean算法中针对变量 Sepal.Length Sepal.Width Petal.Length Petal.Width生成三组随机值作为中心点，然后计算每个样本中的4个变量到随机值的距离，根据最新的随机数值总合算出平均值重新计算中心点。然后不断的重复此步骤， 直到中心点的值不再变化。最后再将样本值和最终生成的中心值作比较，距离最近的归属于这个中心值所代表的聚类。
大家到最后使用plot函数画图的时候， 可以发现kmeans算法最后生成的分类并不是特别理想，各个聚类之间的距离并不是很大。需要多运行几次。
以上是我的理解， 望大家指正
注册会员, 积分 92, 距离下一级还需 108 积分
论坛徽章:5
是否可这样理解？
不在乎植物品种，按照以下结果分析：
Cluster means: 每个聚类中各个列值生成的最终平均值
&&Sepal.Length Sepal.Width Petal.Length Petal.Width
1& &&&5.006000& & 3.428000& &&&1.462000& & 0.246000
2& &&&5.901613& & 2.748387& &&&4.393548& & 1.433871
3& &&&6.850000& & 3.073684& &&&5.742105& & 2.071053
得出：变量Sepal.Length Sepal.Width Petal.Length Petal.Width按照亲疏关系可分为三类。
金牌会员, 积分 1962, 距离下一级还需 1038 积分
论坛徽章:20
聚类的数量是提前人为指定好的，一般是根据实际业务场景定的。 而聚类的最终目的就是把各个样本归到每个聚类所代表的品种。如果分成4类，就会看到4行平均值了
金牌会员, 积分 1912, 距离下一级还需 1088 积分
论坛徽章:5
学习了，只会执行，不懂啥意思分析一下聚合函数与连接表的组合使用
看这样一个关系Customers(cust_id,cust_name,cust_contact)Orders(order_num,cust_id,order_date)如果有这样的检索语句：
select cust_name,cust_contact,(
select count(*) from Orders
where Orders.cust_id=Customers.cust_id
group by cust_id)
from Customers
&其运作步骤为:1.从Orders表中检索出每个cust_id所具有的订单数量可以那么做，因为孤立摆出count(*)是在group by 顾客编号基础上聚合的。并且在聚合的之前，先进行连接表操作。把orders , Customers连接起来了。
这样内外只的就是同意顾客的信息.2.外层列出其他需要的顾客信息。注意点：内层的通常用做单独孤立的聚合函数，内层的分组操作前必须给出与外层的连接条件。外层的select后面的选择列基本都是在外面的表里。总结，这个句子究竟属于子查询呢还是普通的连接。很明显。是子查询，以为是select 里面包含一个select 句子。非常特殊，子句可以用作一个检索列！~就是这样。以后碰到突然要分组但是又涉及两个不同的表，可以尝试这样的思路。
UI页面效果图，请分析一下View的设计和布局控件。
本帖最后由 hengdafei 于
13:32:10 编辑
1：一个大的tableview
2：最上层是自定义的一个cell，里面是一个scrollview。
有图片情况下的view
没有图片情况下的view
------解决方案--------------------
吐槽一下Page Restore
以前觉得Page Restore确实挺好用的，而且确实用Page Restore快速解决过一些问题。但是仔细想想很多时候Page Restore可能根本用不上。
因为SQL Server在备份的时候是不会检查数据库的结构的，如果有一些Page损坏了，数据库仍然可以成功备份。
下面我用Pual提供的损坏数据库做个实验（下载路径：http
开始学习mongdb，mark一下 日期：
首先是 创建数据库 这个也不说声就直接使用 use mydb 就可以创建一个数据库，哎和其他确实有很大不一样啊 然后show dbs 会显示 mydb （empty） 网上说这个时候exit会删除这个空数据库，自己试了下，没有删除 难道是我尝试的方式不对？用了下help show logs 这个可以显示日
想问一下这个Handler的post方法到底有什么用？和开一个线程有什么区别 在网上查了一下，这个post函数并不是开了一个线程，还是在原来的线程上继续执行，那么这个方法到底有什么用？
------解决思路---------------------- 其实源码讲解的很详细了，post，其实就是把一个Runnable转化成message来处理，所以不会开启线程的
本文讨论的重点在于PHP学习及开发的持久性与外延性. 当许多人把自己三个月学会PHP当作一种资本到处炫耀时. 当这些人炫耀过后又转投其它语言时.我必需告诉你,你不适合做PHP的开发工作. 是的,PHP有许多直观的函数,可以很直观的使用,但你未必真正了解它在什么样的状态下使用.. 或者说所有函数的所有组合使用是很难一下子完全撑握的...即便完全撑握...也或许可以找到别外的更好的方法... 是的,每
一下子跳到等待函数 WaitForSingleObject, 是因为下面的 Mutex、Semaphore、Event、WaitableTimer 等同步手段都要使用这个函数; 不过等待函数可不止 WaitForSingleObject 它一个, 但它最简单.
function WaitForSingleObject( hHandle: TH {要等待的对象句柄} dwMilli
ORACLE分析函数(7)----自定义聚合函数
oracle为我们提供了非常丰富的聚合函数，如SUM\AVG\MAX等。除此之外，我们还可以编写自己的聚合函数，当然，自定义聚合函数也可以作为分析函数来使用。
自定义聚合函数与oracle内置聚合函数并无太大区别，而且它可以使用任何or
SQL编程实例：Access数据库，两张表的统计，count、sum聚合函数的使用，iif的使用，group by的使用
使用工具： FineReport报表设计器，Access数据库 需求描述： 有两张表，订单表和订单明细表 1、订单表结构：
2、订单明细表结构：
目的：根据这两张表做出下面的一张表
分析： 1、因为在订单明细里订单ID可能出现多次，所以一定要先把订单ID去重，否则
浅谈UML中的聚合与组合
大家都知道UML的类图中一般包含五种关系即 关联聚合组合泛化 依赖 有些人可能会感觉组合跟聚合有点难区分 说难其实是相对其他几种关系而言 实际上想分清这两种关系一点也不难 聚合跟组合其实都属于关联 只不过它们是两种特殊的关联 因为本是同根生 所以它们之间难免会有相似之处 下面让我们一起来看一下它
对数据库连接池的一些修改
上次写的连接池一旦得不到连接就返回null，个人觉得很不合理。稍微改了一下，增加了等待时间。另外，连接池的容量改成了缓慢增加，而不是一下子就翻一倍。 ConnectionPool.java import java.io.FileInputS import java.sql.C import java.sql.SQLE i
MySQL数据库INNODB 表损坏修复处理过程
最近mysql数据库经常死掉，用命令net stop mysql命令也无法停掉，关闭Tomcat的时候，出现Waiting for N instance(s) to be deallocated 信息。查了下，大概就是程序没有对数据库连接释放，导致Connection泄露了。因为用的是开元集成的平台，内部程序也不可能一下子给改掉的，就验证一下咯。
左连接、右连接和内链接(自然连接)
前两天面试时被问到数据库左连接，原题是：A、B表中各有4条数据，A表左连接B表时会显示多少条数据？当时脑残的说了句：16条！唉~悲催的。。。一下子提现了自己在数据库方面的弱项，回来之后补习了一下，在此记录一下个人学习之后的总结： 1、左连接 左连接基本格式为A left join B on A.key=B.key，比如以下语句： select * from
Oracle连接数太多报错-ORA-12516错误
系统上线，一下子有几百人用，数据库出现异常
ORA-12516: TNS: 监听程序找不到符合协议堆栈要求的可用处理程
一开始以为数据库出了问题呢。
使用sqlplus连接以后,查看当前会话数、processes和sessions值，发现session数和2个参数的值已经非常逼近  
有效收缩SQL SERVER 2000数据库日志文件的大小
SQL SERVER 2000数据库使用一段时间后,数据库日志文件暴增,一下子就占用了好几G的硬盘空间,而可用空间竟占了90%以下. 为达到有效收缩SQL SERVER 2000数据库日志文件的大小,采用下面方法可以实现到:
1.在查询分析器,先运行 BACKUP LOG database_name WITH NO_LOG 截断事务日
表结构很简单
CREATE TABLE `oplogs` ( `id` int(10) unsigned NOT NULL AUTO_INCREMENT, `kind` varchar(45) NOT NULL DEFAULT '', `op` varchar(100) NOT NULL, `user` varchar(25) NOT NULL DEFAULT '', `ip` varchar
闲来无事，小编将自己的笔记本系统升级到了win8.1，升级后发现win8.1连接wifi受限，无法连接wifi，于是在网上查找了相关资料，发现很多朋友和小编情况相同，当时我就后悔了，一下子感觉不会再爱了！好了废话不多说，为大家带来win8.1连接wifi受限解决办法。 win8.1连接wifi受限解决办法
方法一 依次找到：控制面板-&网络和Internet-&网络连接-&wl
EDBC居然被顶到Hacker News的首页！
今天早上醒来在 Hacker News 上发布了 EDBC 的信息，没想到一下子被顶到首页上去了！大家都去围观一下，嘿嘿~ /item?id=4967432
Android为textView设置setText的时候报错
一、我的代码如下：就是我textView设置值 if (list != null) { for (Student stu : list) { //如果一下子赋值的话是不正确的 tv_name.setText(stu.getName()); tv_sex.setText(stu.getSex()); tv_age.setText(st
ORACLE分析函数（1）
分析函数式ORACLE提供的用来进行数据统计的强有力工具，与我们常用的聚合函数具有一些相似性，但又完全不同。聚合函数，首先会将数据进行分组，然后对每一组数据进行运算，如求和sum，求平均AVG等，对于聚合函数，每一个分组返回一条数据结果行。分析函数，同样也会对数据进行求和或者求平均等运算，但是，分析函数计算的基础
表连接的分类与使用方法
咱们常用的表连接有内连接，外连接。其中外连接又可以分为左外连接，右外连接和全外连接。下面简单的说下这几种连接分类的使用方法。
内连接也叫自然连接，它是组合两个表的常用方法。自然连接将两个表中的列进行比较，将两个表中满足连接条件的行组合起来，作为结果。自然连接有两种形式的语法。
select e1.ename,e1.mgr,e2
谈一下如何设计Oracle 分区表
在谈设计Oracle分区表之间先区分一下分区表和表空间的个概念：
表空间：表空间是一个或多个数据文件的集合，所有数据对象都存放在指定的表空间中，但主要存放表，故称表空间。
分区表：分区致力于解决支持极大表和索引的关键问题。它采用他们分解成较小和易于管理的称为分区的片(piece)的方法。一旦分区被定义，SQL语句就可以访问的操作某一个分区而不是整个表，因
jQuery之所以击败Prototype.js，是因为它自一开始就了解这三大问题，并提出完善的解决方案。 第一个问题，DOM什么时候可用。JS不像C那样有一个main函数，里面的逻辑不分主次。但JS是这样玩，并不意味着DOM也是这样。被JS自由惯了的人，于是傻眼了。 这涉及一个时间的概念。牛顿与爱因斯坦的差别，也是在于这个时间的引入。我们的脚本并不是一下子就引入，页面也不是一下加载完毕。前者引发脚
表的索引丢失导致聚合函数查询速度慢
今天发现以前做的东西查询巨慢，如果把聚合函数去掉又不存在次问题，sql语句也没有改动过，找了好久也没有发现问题，后来想起有次做数据改动使用create table xxx as 语句做了数据备份，恢复的时候表上面的外键索引没有了，赶紧建上，查询速度恢复，写下来以免以后忘记。
oracle心得3--多表查询@分组查询@子查询讲解与案例分析@经典练习题
1.笛卡尔集和叉集 笛卡尔集会在下面条件下产生:省略连接条件、连接条件无效、所有表中的所有行互相连接。 为了避免笛卡尔集， 可以在 WHERE 加入有效的连接条件。在实际运行环境下，应避免使用全笛卡尔集。 使用CROSS JOIN 子句使连接的表产生叉集。叉集和笛卡尔集是相同的。 2.Oracle连接类型: Equijo
聚合函数，分组查询，连接查询综合例子
实例如下：
update users set classes='1' where id in('u001','u002','u003','u004');
update users set classes='2' where id in('u005','u006','u007');
users表的内容如下：
+------+---------
JDBC连接各种数据库的字符串大同小异，在此总结一下，备忘。
JDBC连接各种数据库的字符串大同小异，在此总结一下，备忘。 oracle driverClass：oracle.jdbc.driver.OracleDriver url：jdbc:oracle:thin:@127.0.0.1:1521:dbnamemysql&
关于oracle开窗函数--2分析函数参考手册
Oracle 9i 分析函数参考手册 Oracle从8.1.6开始提供分析函数，分析函数用于计算基于组的某种聚合值，它和聚合函数的不同之处是对于每个组返回多行，而聚合函数对于每个组只返回一行。 下面例子中使用的表来自Oracle自带的HR用户下的表，如果没有安装该用户，可以在SYS用户下运行$ORACLE_HOME/demo/schema/huma
Oracle GoldenGate 安全性配置系列：利用 CMDSEC 文件控制 GoldenGate 命令的用户访问权限
最近生产环境的历史查询库有多个厂商在使用，goldengate同步经常莫名奇妙的被其他厂商关掉重启，一下子前台应用便感受到了。我们这些运维人员倍感压力啊。这个周末好好瞅了瞅Oracle GoldenGate 官方文档，研究了一下如何利用GoldenGate 安全性配置来控制
而在手工修改注册表的时候，很可能会破坏注册表中的内容，比如：在无意中双击某个注册表文件(*.reg)时，系统默认的方式“合并”一下子就将其内容导入了注册表，这样就可能破坏整个系统。其实我们可以将系统对双击注册表文件的响应方式由默认的“合并”改为“编辑”，以避免误操作。具体方法如下。 打开“我的电脑”窗口，选择“工具”菜单下的“文件夹选项”命令，在弹出的对话框中选择“文件类型”选项卡，选中扩展名
查看mysql的语句,比较常用的大概是show processlist 命令了,但是这个对于查询时间比较长的语句比较有意义,对于一下子就能执行的语句真心拼不过手速啊.
于是就只能从mysql的历史记录里面着手了.为了实现这个目的,我们需要修改/f文件. &n
子查询转化为连接查询的例子
我们进行数据查询的时候极少有可能就在一张表里就能得到想要的数据，不可避免得会用到子查询或者连接查询，很多时候我们很轻松自然得会想到子查询的方法，但是子查询往往效率比较低，而转换成连接查询是一种很好的优化方式。
子查询转换成连接查询又可以分为两种情况，一种是不带聚合的子查询转换，另一种就是带有
多个数据库实体与另一实体使用一张表关联的问题 – 分析篇
最近在工作中遇到这样一个问题：多个数据库实体（以下简称“左侧实体”）要同另一实体关联。关于关联表的设计有如下两种方案。（业务背景是，多种实体有同样的权限控制模型）。
方案1：为每个左侧的实体建立一张与另一实体的关联表。 方案2：只建立一个关联表，完成多个实体对另一实体的关联。需要使用额外的字段存储左侧实体类型。
谈谈Oracle undo表空间
谈谈Oracle undo表空间
Oracle比其他数据库牛逼的地方好几个,其中一个很重要的就是undo表空间的引入(当然,锁也是很牛逼的一个东西)
1.oracle段的类型:
SQL& select segm
记得老赵好像很讨厌人家用IE6来访问他的博客的，用一种比较温和的方法跳到一个提示页。最近发现一个强bug，能一下子整死IE6与IE7，连喘息的余地也不给。我想是否应该公开出来，为中国WEB标准做一份贡献。此bug与浏览器的内核有关，不用特征侦探与UA嗅探什么的，好使好用！
document.createElement(&li&).value = 1;
UML 依赖 关联 聚合 组合
依赖关系用虚线加箭头表示,如图所示:
上图表示:Animal类依赖于Water类（动物依赖于水）。
依赖是类的五种关系中耦合最小的一种关系。因为依赖关系在生成代码的时候，这两个关系类都不会增加属性。这种微弱的关系可以用类之间的相互了解的程度来说明。(下图为代码生成图)
经常要查询的语句，则给它建一个索引
select T_Oders as o join T_Customers as C on o.CustomerId = c.Id
单值子查询
单列多值子查询
ROW_NUMBER()函数
ROW_NUMBER() OVER(ORDER BY Fsalary DESC)
1.合并数组 array_merge()函数将数组合并到一起，返回一个联合的数组。所得到的数组以第一个输入数组参数开始，按后面数组参数出现的顺序依次迫加。其形式为：
array array_merge (array array1 array2…,arrayN)
将一个或多个数组的单元合并起来，一个数组中的值附加在前一个数组的后面。返回作为结果的数组。 如果输入的数组中有相
回顾2007，还是比较踏实的。 就个人成长这一点来讲，我还能把握住自己发展方向，也不曾有过深度的迷茫。 很多年轻朋友，或走入社会不久的朋友，或走入社会一段时间遇到瓶颈的朋友，都可能有过“迷茫”的感觉。各种各样的迷茫，对事业的，对生活的，对社会发展的，人生真如一片落叶，陨落不可避免，陨落过程中划出的弧线也不能自控吗？ 最关键的一点，还是要自我突破。先在一个点突破自己的水平层面，然后就能看到更多，对很
ORACLE字符串的连接聚合函数可用于group by
1.新建type strcat_type
-- 定义类型 聚合函数的实质就是一个对象 create or replace type strcat_type as object (
cat_string varchar2(4000), 
第四次获得微软最有价值专家称号，当“专家”四个年头了，:P
在技术道路上渐行渐远，回想N年前那么火热的投身技术行业，感叹现在快乐真少
比较自豪的是，在这条路上，曾经多多少少积极的影响过一些人
祝福我，和大家过得更好
-------------------------我是分隔线-------------------------------- 很久
