​ 时光真是一把杀猪刀，转眼间，2020结束了。

​ 自嘲，惊喜，忧虑，烦闷等等，等等，充满了2020，

​ 不断的后悔过去的行为，却又无法改变现在的自己，无语阻止现在这样的可笑可悲的戏剧上演。

​ 惊喜的是。。。害，其实我心里知道的，那时我就心里知道了大概多少分了，应该说我是刚愎自负，没错，我不缺少自信，我是自负，那刻进骨子里的认为自己了不起，说起来，我早就总结出这一条了，早就。。。

​ 然而我却还是无法阻止我自己，无法时时刻刻保持头脑冷静，清醒，没错，我是一个容易激动兴奋的人，而一激动就容易说出不该说的，容易激动通常发生在 计划之外的意外发生，急需要解决的问题，这时大脑瞬间被攻破，那是。。。愚蠢！

​ 打起精神来啊，你不需要谁的同情，怜悯，挺胸抬头，即使忧虑烦闷，也别人任何意外任何人事冲破你的防线，

​ 你要时时刻刻提醒你自己！

​ 总的说来，年末，这次学习阶段快结束，学习状况很差，没错，我改改变自己的学习方向，学习方法了，不对，其实不是学习方法，而是学习方向，每个学到什么程度就放手，不能再浪费时间在上面了，高中时期的教训你忘了吗！不要犯傻！

​ 如果说过去我是在为兴趣，为职业而学，那从今天开始我是为未来而学，我是为有更多的学习机会而学，要想有更多的学习机会，那就得让能给你学习机会，前程的人知道你的本事！展示你的能力，其它时候：低调！低调！低调！稳住啊！现在，大多数人我都了解了，我想并不值得，那就佛系就好。

​ 记住，你可以为了你的目标抛开一切，不要顾及那些人事，不值得，你明明知道的。

实验目的

• 通过实验掌握基本的 MapReduce 编程
• 掌握用 MapReduce 解决一些常见数据处理问题的方法，包括数据去重、数据排序和数据挖掘等

实验环境

Q&A

补充

参考

LaTex 常用总结

微信小程序开发笔记

“小丑竟是我自己”，来自于一表情包，却提醒了我。

提醒我最近的愚蠢，可笑，可叹，最近愚蠢的小丑行为。

不要被突如其来的的事 打乱了脚步，冷静下来，不要做了小丑还浑然不知，

最近就是如此，不要多说什么，没有必要的绝不言，你明明知道问了毫无收获，你就是放纵自己了，

不要让兴奋，意外破掉了你的防线！

生于忧患死于安乐，谨记啊！

从来让你醒来的不是鼓励，不是正能量，而正是那些让你愤怒，忧虑的负能量，是那些拯救了你。

过去很长一段时间的学习，我都是求真正掌握老师教的，甚至自己再扩展加深，这导致时间非常紧张，以及时间压迫导致还不一定能考出高分。

现在我决意已现（好吧，还有些犹豫），考证和考研，

学校课 面向考试学习：现在我的方向目标是学校课考高分，不追求理解，只求最后考试考出高分即可，尽量理解老师课上所教，尽量课上解决所有疑问，不要留到课下，不追求研究问题，而是为了考试而解决问题，省下时间去考证和考研，

有了这些资本，升学，让进一步成长的我再深入研究那些原理，

好吧，我要先做调包侠了，但现在的稳是为了将来，现在让自己看起来很厉害才有机会继续深造，现实就是这样

仔细想来，我真是傻了很久，不在考试上下功夫，没有证书加持，怎么能有机会继续深造，

别人深造后就会将你远远甩在身后，这就是别人的睿智，现在是为了将来

愚蠢的自己，希望将他永远留在过去。

原来，一直以来，愚蠢的只有自己

分布式与云计算 单元测验，来自中国大学MOOC

Wish电商平台2020年8月份夏季服装 数据分析 - 使用 R语言建模

SpringBoot 笔记

1.

　　下面给出五个元素两两之间的距离，试利用最短距离法、最长距离法和类平均法做出五个元素的谱系聚类，画谱系图并做出比较。

1
2
3

d = matrix(data=c(0,0,0,0,0,4,0,0,0,0,6,9,0,0,0,1,7,10,0,0,6,3,5,8,0),nrow=5,ncol=5,byrow = TRUE);d
x = scale(d) # 数据标准化
D = dist(x);D # 默认为 Euclidean 距离

1
2
3
4

# 最短距离法
hc1 = hclust(D, method='single')
data.frame(hc1$merge,hc1$height)
plot(hc1)

1
2
3
4

# 最长距离法
hc2=hclust(D,"complete");hc2
data.frame(hc2$merge,hc2$height)
plot(hc2)

1
2
3
4

# 类平均法
hc3=hclust(D,"average");hc3
data.frame(hc3$merge,hc3$height)
plot(hc3)

总结：根据以上作图分析可知使用最短距离法效果相对较好

2.

　　为了比较我国31个省、市、自治区2013年和2007年城镇居民生活消费的分布规律，根据调查资料做区域消费类型划分，并将2013年和2007年的数据进行对比分析。今收集了八个反映城镇居民生活消费结构的指标（2013年数据）： 试对该数据进行聚类分析。

1
2

library(openxlsx)
d7.2 = read.xlsx("../Res/mvexer5.xlsx", "E7.2", rowNames=T);head(d7.2)

1

plot(d7.2,gap=0)

1

summary(d7.2)

1
2
3

Z = scale(d7.2);Z  # 数据标准化
boxplot(Z) # 箱型图
D = dist(Z)

1
2
3
4

hc = hclust(D, 'single') # 最短距离法
plot(hc);rect.hclust(hc, 2);cutree(hc, 2) # 分2类
plot(hc);rect.hclust(hc, 3);cutree(hc, 3) # 分3类
plot(hc);rect.hclust(hc, 4);cutree(hc, 4) # 分4类

1
2
3
4

hc2 = hclust(D, 'ward.D2') # Ward.D2 法
plot(hc2);rect.hclust(hc2, 2);cutree(hc2, 2) # 分2类
plot(hc2);rect.hclust(hc2, 3);cutree(hc2, 3) # 分3类
plot(hc2);rect.hclust(hc2, 4);cutree(hc2, 4) # 分4类

1
2

# kmeans 聚类法
kmeans(Z, 2)$cluster # 分2类

1

kmeans(Z, 3)$cluster # 分3类

1

kmeans(Z, 4)$cluster # 分4类

总结以上的分析结果，使用ward.D2方法的效果较好，且分为四类较为合适。

3.

　　按例7-3模拟方法对\(n=20,50,100,1000,10000\)分别进行kmeans法聚类分析。
　　为了重复模拟，可以将例7-3的方法编成函数：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

kMock<-function(n, svar=0.3) {
  set.seed(123) # 设定种子数
  x1 = matrix(rnorm(n*10, 0, svar), ncol = 10) # 均值为 0, 标准差为 svar 的 n*10 正态随机矩阵
  x2 = matrix(rnorm(n*10, 1, svar), ncol = 10) # 均值为 1, 标准差为 svar 的 n*10 正态随机矩阵
  X = rbind(x1, x2) # 形成 随机矩阵
  H = hclust(dist(X))
  plot(H);rect.hclust(H,2);
  cutree(H, 2) # 系统聚类结果
  
  km = kmeans(X, 2) # K-means 聚类
  #table(km)
  kc = km$cluster        # 分类结果
  #plot(X, pch = kc)
  plot(X, pch = kc, col = kc)
}

　　再将n=20,50,100,1000,10000分别带入：

1

kMock(20)

1

kMock(50)

1

kMock(100)

1

kMock(1000)

1

kMock(10000)