<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[nonem101的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/nonem101</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; nonem101]]></copyright><item><title><![CDATA[Splunk DBConnect使用]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/109180550</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/109180550</guid><author>nonem101</author><pubDate>Tue, 20 Oct 2020 14:34:11 +0800</pubDate><description><![CDATA[Splunk DBConnect使用

创建连接

进入应用 DBConnect
	新建认证信息，根据需要填入IdentityName，
	根据数据提供方提供的信息填入用户名、密码，并给对应用户赋予读取权限。
	新建连接，根据需要填入ConnectionName，
	根据数据提供方提供的信息填入主机、端口、数据库类型、默认数据库，
	选择Identity为刚刚建立的认证信息，并给所有用户赋予读取权限。
	随后验证连接是否成功，成功则连接创建完成。
配置数据输入

在操作菜单下新建输入，填入名称，选择刚刚创建]]></description><category></category></item><item><title><![CDATA[grafana安装及设置配置文件]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/108239619</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/108239619</guid><author>nonem101</author><pubDate>Wed, 26 Aug 2020 14:44:00 +0800</pubDate><description><![CDATA[1.安装grapfana的rpm包并自启

下载地址:https://grafana.com/grafana/download


rpm -ivh grafana-5.3.41.x86_64.rpm
systemctl start grafana-server
systemctl enable grafana-server
# 查看端口3000是否启动
netstat -nlp|grep 3000

2.了解相关配置文件


/etc/grafana/grafana.ini #主配置文件
/etc/ini]]></description><category></category></item><item><title><![CDATA[linux的bind(DNS域名解析服务)搭建]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/108239593</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/108239593</guid><author>nonem101</author><pubDate>Wed, 26 Aug 2020 14:42:46 +0800</pubDate><description><![CDATA[要注意该实验搭建是要两台机器，配置相应的ip地址

主机名称
			操作系统
			IP地址
			DNS地址
		DNS主服务器
			centos7
			192.168.136.1
			114.114.114.114
		DNS从服务器
			centos7
			192.168.136.2
			114.114.114.114
		1.配置两台服务器的IP地址和ping

cd /etc/sysconfig/network-scripts/vi ifcfg-ens33

配置如下：


TYPE=]]></description><category></category></item><item><title><![CDATA[linux的ftp搭建]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/108239547</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/108239547</guid><author>nonem101</author><pubDate>Wed, 26 Aug 2020 14:40:54 +0800</pubDate><description><![CDATA[1、检查安装vsftpd软件

#检查是否安装rpm -qa |grep vsftpd

#安装命令yum install vsftpd -y

2、启动服务

#启动指令systemctl start vsftpd

#重启指令systemctl restart vsftpd

#关闭指令systemctl stop vsftpd

3、vsftpd的配置

找到这两行代码去掉前面的‘#’号，这样就可以匿名登录了。anon_upload_enable=YESanon_mkdir_write_enable=]]></description><category></category></item><item><title><![CDATA[机器学习笔记1]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/107811492</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/107811492</guid><author>nonem101</author><pubDate>Fri, 07 Aug 2020 10:58:42 +0800</pubDate><description><![CDATA[数据预处理：

1.缺失值的填充：pandas库中dropna以及fillna使用；

scikit-learn库的：


from sklearn.impute import SimpleImputer
imputer = SimpleImputer(strategy = 'mean')
# xxx是数据副本，xx是列表
xxx = xx.drop (”ocean_proximity”, axis=l) 
# 用fit方法将其适配到训练集
imputer.fit(xxx)
# X是个numpy的数组
X ]]></description><category></category></item><item><title><![CDATA[机器学习的初步理解]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/107806219</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/107806219</guid><author>nonem101</author><pubDate>Wed, 05 Aug 2020 10:29:38 +0800</pubDate><description><![CDATA[本人在读了《机器学习实战基于Scikit-Learn和TensorFlow》和之前看了一些有关机器学习的视频后，对机器学习有了一些自己的想法，比如机器学习它主要是运用算法建立模型，对一些大型的数据进行预测。有一些是判定分类的（离散的），也有一些是对数值的预测（连续的）。

当你拿到一个数据集时，你会发现该数据集有许多的数据，数值的以及一些字符串的数据，当你遇到字符串的数据你就需要自己对这些数据进行分类，主要还是将其转变成数值型的数据，机器学习的所有模型预测都是建立在这些数值型的数据基础上进行的。这里的数据又]]></description><category></category></item><item><title><![CDATA[Flask-SQLAlchemy数据库操作]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/105574072</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/105574072</guid><author>nonem101</author><pubDate>Fri, 17 Apr 2020 12:53:42 +0800</pubDate><description><![CDATA[数据库基本操作


	在Flask-SQLAlchemy中，插入、修改、删除操作，均由数据库会话管理。

	会话用 db.session 表示。在准备把数据写入数据库前，要先将数据添加到会话中然后调用 commit() 方法提交会话。
	
	
	在 Flask-SQLAlchemy 中，查询操作是通过 query 对象操作数据。

	最基本的查询是返回表中所有数据，可以通过过滤器进行更精确的数据库...]]></description><category></category></item><item><title><![CDATA[正则表达式笔记]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/103716035</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/103716035</guid><author>nonem101</author><pubDate>Thu, 26 Dec 2019 17:03:23 +0800</pubDate><description><![CDATA[由于需要做毕设的网络爬虫部分，有许多之前学的部分很多都没有彻底吃透，现在又回炉重做，学了一下正则表达式。

常用的匹配规则：（这个记忆还是有问题，有些简单的还是可以记住的，还是需要经常翻阅）


\w		匹配字母、数字、下划线,等价于[a-zA-Z0-9_] \w可以匹配汉字(python),
\W		匹配不是字母、数字、下划线的其他字符
\s		匹配任意空白字符,等价于(\t\n\r\f)
\S...]]></description><category></category></item><item><title><![CDATA[数据挖掘相关知识点2]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/100574198</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/100574198</guid><author>nonem101</author><pubDate>Fri, 06 Sep 2019 11:13:43 +0800</pubDate><description><![CDATA[之前博主使用excel时，也就是使用excel简单的处理一些数据，并不知道excel还可以用来数据分析，像excel中的线性回归，就是数据分析功能的隐藏，文件中选项中加载项在左下角，管理中：excel加载项：转到，勾选分析数据库和规划求解加载项，然后数据选项中就出现了数据分析，数据分析选项卡中有许多可供选择，你可以使用对应的分析方法。











进行数据分析时：训练数据————&gt;...]]></description><category></category></item><item><title><![CDATA[数据挖掘相关知识点1]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/100089066</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/100089066</guid><author>nonem101</author><pubDate>Tue, 27 Aug 2019 09:43:38 +0800</pubDate><description><![CDATA[首先，作为一个新人，你要明白数据挖掘究竟是什么，这样你才能更好的融入数据分析这个行业中去。

数据挖掘：从一些原始数据中提取大量有意义的数据。像我们如何提取这些数据呢，可以通过自己编写爬虫代码对网站的信息进行提取，也可以使用市面上的爬虫软件进行提取，当然公司里也会有内部的数据库，进行数据库的数据提取，也可以通过各种路径购买的数据

各个行业都有其对面的挖掘模型：

电信：客户流失预警，客户细分，客...]]></description><category></category></item><item><title><![CDATA[数据分析师—MySql整理5]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/97623311</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/97623311</guid><author>nonem101</author><pubDate>Mon, 29 Jul 2019 10:20:16 +0800</pubDate><description><![CDATA[MySql中的视图，实际上就是一个虚拟表。像我们想要修改物理表的数据有两种方法，一种是将视图中的数据修改了，第二种是就是直接去修改物理表的数据。

主要作用有两个：

方便查询（SQL中进行封装到虚拟表）；
	安全性（每个部门之间需要查询数据，从物理表中查询存在安全性问题）
创建视图：


create view 视图名 as select * from 表名;

查看视图：


select *...]]></description><category></category></item><item><title><![CDATA[数据分析师—MySql整理4]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/96604993</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/96604993</guid><author>nonem101</author><pubDate>Sat, 20 Jul 2019 17:40:57 +0800</pubDate><description><![CDATA[接着上次的进度，说一下关于MySql返回记录的问题。


limit [m,]n #其中m是制定第一个返回记录行的偏移量，n是制定返回记录行的最大数目


上面既表示返回前m条记录，也表示返回m+1~m+n条记录。

数据库中常见的统计函数有：

count() ;返回满足select条件的记录总和数
	sum();返回满足select条件的记录算数和
	avg();返回满足select条件的记录...]]></description><category></category></item><item><title><![CDATA[数据分析师—MySql整理3]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/96118937</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/96118937</guid><author>nonem101</author><pubDate>Tue, 16 Jul 2019 12:32:31 +0800</pubDate><description><![CDATA[今天来说一下关于DML语句：

插入表中数值，可多次插入
	
insert into 表名 values(字段1，字段2),(..,..);
#要注意的是字段1,2要符合表格类型的规定，字符串要加''。

	
	
	base查询
	
select * from 表名;(直接查询该表)

	
	
	将表中的字段1设为自动增长
	
alter table 表名 modify 字段1 int au...]]></description><category></category></item><item><title><![CDATA[数据分析师—MySql整理2]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/95953039</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/95953039</guid><author>nonem101</author><pubDate>Mon, 15 Jul 2019 14:56:06 +0800</pubDate><description><![CDATA[紧接上面的MySql的基础操作，数据库中的comment字段主要是注释的意思，类似于python中的#进行解释说明。

MySql有两个主要的存储引擎：

MyISAM：节约空间及相应的速度；
	InnoDB：安全性，事务处理及多用户操作数据表（现在的MySql的版本默认使用的事InnoDB）
修改表的结构的Sql语句如下：

添加字段：
	
alter table 表名 add 字段名 varc...]]></description><category></category></item><item><title><![CDATA[数据分析师—MySql整理1]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/95855081</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/95855081</guid><author>nonem101</author><pubDate>Sun, 14 Jul 2019 09:29:06 +0800</pubDate><description><![CDATA[博主也是最近想通过放暑假的这段时间提高自己的业务能力，详细的学习了数据分析师所需要的技能必备，像许多公司做数据分析的你是必须掌握MySql或者Oracle的数据库，当然像excel的使用也是必不可少的，像什么vlookup函数的使用，数据透视表的使用等等，在数据处理方面，excel在MySql面前就有点相形见绌，excel在处理大量数据时，就比较困难，电脑会特别卡，而MySql就能克服这一缺点。
...]]></description><category></category></item><item><title><![CDATA[数据初步分析——房价的可视化3]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/90721076</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/90721076</guid><author>nonem101</author><pubDate>Fri, 31 May 2019 18:27:51 +0800</pubDate><description><![CDATA[最后想做房价的分析收尾工作，发现光用python是无法实现热力图的链接，还是需要用java的接口与百度地图的相互关联。

我将原来爬取的房价数据进一步化解，将地址通过经纬度转换；
	用原来的表格筛选房价5000以下的经纬度；
	再将这些数据保存导入java的接口，与热力图相互契合。
样图如下：



我选取房价5000以下的数据是因为这些数据是房价倒数35的数据，这样可以看出淮安房价还有处于一个较...]]></description><category></category></item><item><title><![CDATA[数据初步分析——房价的可视化2]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/90291055</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/90291055</guid><author>nonem101</author><pubDate>Fri, 17 May 2019 13:07:12 +0800</pubDate><description><![CDATA[紧接上文的房价分析，我们需要明确需要做的是哪些方面的分析，我就根据此做了一些分析，如图所示：

由于第一篇已经将卖点词云完成了，接下来我们需要分析其中的关联关系：


import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
df=pd.read_csv(r"C:\Users\Administrator\Deskt...]]></description><category></category></item><item><title><![CDATA[数据初步分析——房价的可视化1]]></title><link>https://blog.youkuaiyun.com/nonem101/article/details/90109550</link><guid>https://blog.youkuaiyun.com/nonem101/article/details/90109550</guid><author>nonem101</author><pubDate>Sat, 11 May 2019 15:25:41 +0800</pubDate><description><![CDATA[本人作为一个python初学者，做了一个对安居客的网站上的新房房价的爬取，利用了爬虫将该网站的淮安区域的数据采集下来，并对这些数据进行一些初步的分析，由于比较基础，想透过这个小项目能够向数据分析的方向更近一步，望各位大佬批评指正。

首先我主要还是利用python里常用于分析的pandas库


import pandas as pd
df=pd.read_csv(r"C:\Users\Admin...]]></description><category></category></item></channel></rss>