串行调度具有较少的资源利用率和较低的吞吐量。为了改进它，两个更多的事务同时运行。但是事务的并发性可能导致数据库的不一致。为避免这种情况，我们需要检查这些并发计划是否可序列化。冲突可序列化：如果可以通过交换非冲突操作将计划转换为串行计划，则计划称为冲突可序列化。冲突操作：如果所有条件满足，则称两个操作冲突：它们属于不同的交易它们在相同的数据项上运行至少其中一个是写操作示例： -冲突操作
参与约束：参与约束适用于参与关系集的实体。参与总数 -实体集中的每个实体都必须参与该关系。如果每个学生必须参加课程，学生的参与将是完全的。ER图中的双线显示总参与度。部分参与 -实体集中的实体可能会或可能不会参与该关系。如果某些课程没有由任何学生注册，那么课程的参与将是部分的。该图描绘了“注册”关系集，其中学生实体集具有总参与度，并且课程实体集具有部分参与。a使用set，它可以表示为
基数：该实体组的实体的关系参与次数集称为基数。基数可以是不同的类型：一对一 -当每个实体集中的每个实体只能在关系中参与一次时，基数是一对一的。让我们假设一个男性可以嫁给一个女性，一个女性可以嫁给一个男性。所以关系将是一对一的。a使用集合，它可以表示为：a多对一 -当一个实体集中的实体只能在关系集中参与一次，而其他实体集中的实体可以在关系集中多次参与时，基数是多对一的。让我们假设学
关系类型表示实体类型之间的关联。例如，“注册”是实体类型Student和Course之间存在的关系类型。在ER图中，关系类型由菱形表示，并将实体与线连接。a一组相同类型的关系称为关系集。以下关系集描述S1在C2中登记，S2登记在C1中并且S3登记在C3中。a关系集的程度：参与关系集的不同实体集的数量被称为关系集的程度。一元关系 -当只有一个实体集参与关系时，该关系称为一元关
属性：属性是定义实体类型的属性。例如，Roll_No，Name，DOB，Age，Address，Mobile_No是定义实体类型Student的属性。在ER图中，属性由椭圆表示。a主要属性-它的属性唯一标识每个实体的实体集合称为attribute.For例如键，Roll_No将成为每个学生的独特。在ER图中，键属性由具有底层线的椭圆表示。a复合属性 - 由许多其他属性组成的属性
ER模型用于从数据角度对系统的逻辑视图进行建模，该视图由以下组件组成：实体，实体类型，实体集 -实体可以是具有物理存在的对象 - 特定的人，汽车，房屋或员工 - 或者它可以是具有概念存在的对象 - 公司，工作或大学课程。实体是实体类型的对象，所有实体的集合称为实体集。例如; E1是具有实体类型学生的实体，所有学生的集合称为实体集。在ER图中，实体类型表示为：
文件系统使用硬盘中的文件管理数据。允许用户根据需要创建，删除和更新文件。让我们考虑基于文件的大学管理系统的例子。学生的数据可供各自的部门，学术部门，结果部门，会计部门，宿舍办公室等使用。有些数据对所有部分都很常见，如学生名单，姓名，地址和电话号码，但有些数据仅限于旅馆办公室的宿舍分配号码的特定部分。让我们讨论一下这个系统的问题：数据冗余：如果在许多地方复制相同的数据，则称数据是冗余的。如果学
重要术语数据库： 数据库是相互关联数据的集合，有助于从数据库中有效地检索，插入和删除数据，并以表格，视图，模式，报告等形式组织数据。例如，大学数据库组织有关数据的数据学生，教师和管理人员等有助于从中有效地检索，插入和删除数据。数据库管理系统： 用于管理数据库的软件称为数据库管理系统（DBMS）。例如，MySQL，Oracle等是在不同应用中使用的流行的商业DBMS。DBMS允许用户执行以下任务
MySQL能够支持基于正则表达式，同时和REGEXP运算符的另一种模式匹配操作。它提供了强大而灵活的模式匹配，可以帮助我们为数据库系统实现电源搜索实用程序。REGEXP是执行正则表达式模式匹配时使用的运算符。RLIKE是同义词。它还支持许多元字符，这些元字符在执行模式匹配时可以提供更大的灵活性和控制。反斜杠用作转义字符。如果使用了双反斜杠，则仅在模式匹配中考虑。不区分大小写。
总结数据信息：# Sum of values in a data framedf.sum()# Lowest value of a data framedf.min()# Highest valuedf.max()# Index of the lowest valuedf.idxmin()# Index of the highest valuedf.idxmax()# Sta
（16）对 DataFrame 使用函数该函数将令 DataFrame 中「height」行的所有值乘上 2：df["height"].apply(*lambda* height: 2 * height)或者def multiply(x): return x * 2df["height"].apply(multiply)（17）重命名行下面代码会重命名 DataFrame
11）删除特征df.drop('feature_variable_name', axis=1)axis 选择 0 表示行，选择表示列。（12）将目标类型转换为浮点型pd.to_numeric(df["feature_name"], errors='coerce')将目标类型转化为数值从而进一步执行计算，在这个案例中为字符串。（13）将 DataFrame 转换为 NumPy 数组
删除缺失数据df.dropna(axis=0, how='any')返回一个 DataFrame，其中删除了包含任何 NaN 值的给定轴，选择 how=「all」会删除所有元素都是 NaN 的给定轴。（9）替换缺失数据df.replace(to_replace=None, value=None)使用 value 值代替 DataFrame 中的 to_replace 值，其中 valu
（4）基本的数据集特征信息df.info()（5）基本的数据集统计信息print(df.describe())(6) Print data frame in a table将 DataFrame 输出到一张表：print(tabulate(print_table, headers=headers))当「print_table」是一个列表，其中列表元素还是新的列表，「headers」
（1）读取 CSV 格式的数据集：pd.DataFrame.from_csv(“csv_file”)或者pd.read_csv(“csv_file”)（2）读取 Excel 数据集pd.read_excel("excel_file")3）将 DataFrame 直接写入 CSV 文件如下采用逗号作为分隔符，且不带索引：df.to_csv("data.csv", sep=",",
1、概述 时间序列预测法是一种定量分析方法，它是在时间序列变量分析的基础上，运用一定的数学方法建立预测模型，使时间趋势向外延伸，从而预测未来市场的发展变化趋势，确定变量预测值。 基本特点是：假定事物的过去趋势会延伸到未来；预测所依据的数据具有不规则性；撇开市场发展之间的因果关系。 2、分类 时间序列的变动形态一般分为四种：长期趋势变动季节变动循环变动不规则变动 方法分类：
1、概述因子分析是将变量总和为数量较少的几个因子，是降维的一种数学技术！ 它和主成分分析的最大区别是：其是一种探索性分析方法，即：通过用最少个数的几个不可观察的变量来说明出现在可观察变量中的相关模型，它提供了一种有效的利用数学模型来解释事物之间的关系，体现出数据挖掘的一点精神！ 2、分类R型因子分析，即对变量的研究，此为常用Q型因子分析，即对样本的研究 3、因子分析和主成分分析的区别和
1、概述主成分分析是一种降维数的数学方法，具体就是，通过降维技术将多个变量化为少数几个主成分的统计分析方法。在建模中，主要用于降维，系统评估，回归分析，加权分析等等。 2、分类（无） 3、注意事项 在应用主成分分析时候，应该注意： （1） 综合指标彼此独立或者不相互干涉（2） 每个综合指标所反映的各个样本的总信息量等于对应特征向量的特征值。通常要选取的综合指标的特征值贡献率之和应为8
1、概述判别分析是基于已知类别的训练样本，对未知类别的样本判别的一种统计方法，也是一种有监督的学习方法，是分类的一个子方法！ 具体是：在研究已经过分类的样本基础上，根据某些判别分析方法建立判别式，然后对未知分类的样本进行分类！ 2、判别方法 根据判别分析方法的不同，可分为下面几类：（1） 距离判别法 （2） Fisher判别法 （3） Bayes判别法 （4） 逐步判别法 比
1、概述 分类是一种典型的有监督的机器学习方法，其目的是从一组已知类别的数据中发现分类模型，以预测新数据的未知类别。 这里需要说明的是：预测和分类是有区别的，预测是对数据的预测，而分类是类别的预测。 2、常用分类模型：（1）神经网络（2）决策树3、注意事项 A. 神经网络适用于下列情况的分类： （1） 数据量比较小，缺少足够的样本建立数学模型（2） 数据的结构难以用传统的统
关注
换一批
