搜索[统计]结果-低调大师优秀个人博客

精选列表

搜索[统计]，共10001篇文章

Python列表统计重复元素

= 1 d[s] = count for k, v in d.items(): if v > 1: print("元素{}, 重复{}次".format(k, v)) 参考链接：Python列表统计重复元素

2019-09-23

Android Activity启动耗时统计方案

耗时统计方案知道了Actviity启动流程的三个步骤和对应的方法耗时统计方法，那该如何设计一个统计方案呢？在这之前，可以先看看系统提供的耗时统计方法。

2019-09-01

关于MapReduce单词统计的例子:

要统计的文件的文件名为hello hello中的内容如下 hello you hello me 通过MapReduce程序统计出文件中的各个单词出现了几次.

2017-11-19

hadoop 的核心还是 Map-Reduce过程和 hadoop分布式文件系统第一步：定义Map过程 /** * *Description: * *@authorcharles.wang *@createdMar12,20121:41:57PM * */ publicclassMyMapextendsMapper<Object,Text,Text,IntWritable>{ privatestaticfinalIntWritableone=newIntWritable(1); privateTextword; publicvoidmap(Objectkey,Textvalue,Contextcontext) throwsIOException,InterruptedException{ Stringline=value.toString(); StringTokenizertokenizer=newStringTokenizer(line); while(tokenizer.hasMoreTokens()){ word=newText(); word.set(tokenizer.nextToken()); context.write(word,one); } } } 第二步：定义 Reduce 过程 /** * *Description: * *@authorcharles.wang *@createdMar12,20121:48:18PM * */ publicclassMyReduceextendsReducer<Text,IntWritable,Text,IntWritable>{ publicvoidreduce(Textkey,Iterable<IntWritable>values,Contextcontext) throwsIOException,InterruptedException{ intsum=0; for(IntWritableval:values){ sum+=val.get(); } context.write(key,newIntWritable(sum)); } } 编写一个Driver 来执行Map-Reduce过程 publicclassMyDriver{ publicstaticvoidmain(String[]args)throwsException{ Configurationconf=newConfiguration(); conf.set("hadoop.job.ugi","root,root123"); Jobjob=newJob(conf,"Hello,hadoop!^_^"); job.setJarByClass(MyDriver.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); job.setMapperClass(MyMap.class); job.setCombinerClass(MyReduce.class); job.setReducerClass(MyReduce.class); job.setInputFormatClass(TextInputFormat.class); job.setOutputFormatClass(TextOutputFormat.class); FileInputFormat.setInputPaths(job,newPath(args[0])); FileOutputFormat.setOutputPath(job,newPath(args[1])); job.waitForCompletion(true); } } 本文转自 charles_wang888 51CTO博客，原文链接：http://blog.51cto.com/supercharles888/840723，如需转载请自行联系原作者

2017-11-14

Hive group by实现-就是word 统计

准备数据 SELECT uid, SUM(COUNT) FROM logs GROUP BY uid; hive> SELECT * FROM logs; a 苹果 5 a 橙子 3 a 苹果 2 b 烧鸡 1 hive> SELECT uid, SUM(COUNT) FROM logs GROUP BY uid; a 10 b 1 计算过程默认设置了hive.map.aggr=true，所以会在mapper端先group by一次，最后再把结果merge起来，为了减少reducer处理的数据量。注意看explain的mode是不一样的。mapper是hash，reducer是mergepartial。如果把hive.map.aggr=false，那将groupby放到reducer才做，他的mode是complete. Operator Explain hive> explain SELECT uid, sum(count) FROM logs group by uid; OK ABSTRACT SYNTAX TREE: (TOK_QUERY (TOK_FROM (TOK_TABREF (TOK_TABNAME logs))) (TOK_INSERT (TOK_DESTINATION (TOK_DIR TOK_TMP_FILE)) (TOK_SELECT (TOK_SELEXPR (TOK_TABLE_OR_COL uid)) (TOK_SELEXPR (TOK_FUNCTION sum (TOK_TABLE_OR_COL count)))) (TOK_GROUPBY (TOK_TABLE_OR_COL uid)))) STAGE DEPENDENCIES: Stage-1 is a root stage Stage-0 is a root stage STAGE PLANS: Stage: Stage-1 Map Reduce Alias -> Map Operator Tree: logs TableScan // 扫描表 alias: logs Select Operator //选择字段 expressions: expr: uid type: string expr: count type: int outputColumnNames: uid, count Group By Operator //这里是因为默认设置了hive.map.aggr=true，会在mapper先做一次聚合，减少reduce需要处理的数据 aggregations: expr: sum(count) //聚集函数 bucketGroup: false keys: //键 expr: uid type: string mode: hash //hash方式，processHashAggr() outputColumnNames: _col0, _col1 Reduce Output Operator //输出key，value给reducer key expressions: expr: _col0 type: string sort order: + Map-reduce partition columns: expr: _col0 type: string tag: -1 value expressions: expr: _col1 type: bigint Reduce Operator Tree: Group By Operator aggregations: expr: sum(VALUE._col0) //聚合 bucketGroup: false keys: expr: KEY._col0 type: string mode: mergepartial //合并值 outputColumnNames: _col0, _col1 Select Operator //选择字段 expressions: expr: _col0 type: string expr: _col1 type: bigint outputColumnNames: _col0, _col1 File Output Operator //输出到文件 compressed: false GlobalTableId: 0 table: input format: org.apache.hadoop.mapred.TextInputFormat output format: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat Stage: Stage-0 Fetch Operator limit: -1 本文转自张昺华-sky博客园博客，原文链接：http://www.cnblogs.com/bonelee/p/6359615.html ，如需转载请自行联系原作者

2017-11-14

信息统计DashBoard踩坑总结

最近根据需求用Tornado框架在写了一个从数据库统计Redis服务器的数量、内存等信息的接口，并写了一个从接口获取数据并推送至grafana进行展示的程序。

2017-08-28

使用Spark框架中文分词统计

技术 Spark+中文分词算法对爬取的网站文章的关键词进行统计，是进行主题分类，判断相似性的一个基础步骤。

2016-03-24

Hadoop MapReduce之wordcount(词频统计)

Written=56 You have mail in /var/spool/mail/root [root@sht-sgmhadoopnn-01 mapreduce]# 5.验证wordcount，词频统计

2016-02-27

智能视觉人流量统计API-多人客流监测分析-全域人数统计接口功能介绍

依托高精度人体视觉识别技术，可对监控画面进行实时人体检测与精准人流量统计，支持多人重叠、人体遮挡、高低俯拍、多角度人脸、大幅动作等复杂实景场景。

2026-07-14

GreatSQL统计信息相关知识点

在某些情况下，统计数据的重新计算可能会延迟几秒钟。如果立即需要最新的统计数据，运行ANALYZE TABLE以启动统计数据的同步（前台）重新计算。

2024-04-24

Matomo 4.13 发布，网站访问统计系统

Matomo 是一套基于 PHP + MySQL 技术构建的开源网站访问统计系统，能够提供详细的统计信息，比如网页浏览人数、访问最多的页面、搜索引擎关键词等等流量分析功能。

2022-12-09

探究Presto SQL引擎(4)-统计计数

作者：vivo互联网用户运营开发团队 - Shuai Guangying 本篇文章介绍了统计计数的基本原理以及Presto的实现思路，精确统计和近似统计的细节及各种优缺点，并给出了统计计数在具体业务使用的建议

2022-11-01

Matomo 4.12 发布，网站访问统计系统

2022-10-09

Matomo 4.11 发布，网站访问统计系统

2022-08-04

Matomo 4.10.1 发布，网站访问统计系统

2022-05-26

Matomo 4.10 发布，网站访问统计系统

2022-05-17

Rocket-API 使用量统计

近一个月的使用事件腾讯统计如下：统计说明： 1. 统计使用的是腾讯统计，不涉及任何隐私 2. 统计的次数表示Rocket-API的使用情况，作为项目的稳定性的依据 3.

2021-05-06

国家统计局数据采集

概述国家统计局的公开数据真实性强，宏观且与我们的生活息息相关。因此，采集此数据作为数据分析实验的数据再好不过。采集过程采集各种公开数据的第一步就是分析网页。

2021-04-09

Matomo 4.2.1 发布，网站访问统计系统

Matomo 是一套基于 PHP5+MySQL 技术构建的开源网站访问统计系统，能够提供详细的统计信息，比如网页浏览人数、访问最多的页面、搜索引擎关键词等等流量分析功能。

2021-03-04

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。