qq_44117805的博客

目标： 使用窗口函数 ROW_NUMBER() 找到每个用户的最后一次购买的产品名称和购买日期。FROM (FROM users) as t内层查询 (FROM 子句):选择字段:users.name: 用户的名字。products.product_name: 产品的名称。transactions.transaction_date: 交易的日期。窗口函数 (ROW_NUMBER()):PARTITION BY users.id：按照用户的 ID 分组。每个用户的交易将单独进行编号。

这个复制很简单，直接用那个字典记录下来所有的对应值，来记录原链表节点与新复制链表节点之间的对应关系，首先，遍历原链表，复制每个节点，并将原节点和复制后的节点用哈希表存储起来。在复制链表时，random 指针可以指向链表中的任意节点，因此需要用一种方法来保证新节点的 random 指针正确地指向新链表中的对应节点。深拷贝则需要确保新链表的每个节点的 random 指针指向新链表中对应的节点，而不是原链表中的节点。指针也都应指向复制链表中的新节点，并使原链表和复制链表中的这些指针能够表示相同的链表状态。

这个题吧我觉得可以用双指针的办法 ，创建一个新的链表，通过比较两个链表的节点值来选择较小的节点，从而确保合并后的链表依然是升序的。这个题目吧，我觉得得多设置一些节点，在原链表的每个节点后面插入一个新节点。新节点的值与原节点相同。指针也都应指向复制链表中的新节点，并使原链表和复制链表中的这些指针能够表示相同的链表状态。节点组成，其中每个新节点的值都设为其对应的原节点的值。新链表是通过拼接给定的两个链表的所有节点组成的。个节点组成的链表来表示输入/输出中的链表。，该指针可以指向链表中的任何节点或空节点。

由于我这几天面到的一些图像算法岗也提到了我不熟悉c++的软肋，我准备复习算法的时候顺带复习复习c++，也算是不浪费一丝一毫的刷题时间！一开始我以为可以直接记录下来有没有这个内容，字典中，如果有的话就相当于有环，但是这样就比较的复杂， 相当于空间复杂度为O（n）。但是我看了题解中写的快慢指针，非常简单，相当于如果有一个快指针夺走一步，满指针每次只走一步，如果遇见了那就是有圈！来表示链表尾连接到链表中的位置（索引从 0 开始）。的链表，表示两个非负的整数。请你将两个数相加，并以相同形式返回一个表示和的链表。

最近面试的时候，很多面试官问道了我项目中的一些评价指标的算法和原理，我觉得这确实也是一个很重要的内容，所以趁这个机会综合起来一块复习一下，在刷力扣的时候也不能忘记项目最常用的内容嘛。它们都表示模型在所有实际为正类的样本中，正确预测为正类的比例。：计算误差的绝对值与真实值的比率的平均值，反映相对误差。：实际为正类的样本中，正确预测为正类的比例。：预测为正类的样本中，真正为正类的比例。

这个题目吧，非常简单，要把n2合到n1里，不能重新搞一个新的表出来，由于它本身就是两个非递减的整数数组，我直接用3个指针就好啦，重点在于我要从后往前里面填入数据，因为他那个从前往后会盖住后面的数，没有空位。由于最近求职又涉及到很多面试时候敲代码，我又不得不捡起我的老力扣，只能说刷题这个东西必须越耍越上瘾，我将稳定更新，每天做3-10题。接着用字典解决熬，记住每个词出现的次数，我这个解法虽然很拉，但是个人认为思路简单，无脑解决问题。你可以假设数组是非空的，并且给定的数组总是存在多数元素。

任务类型K-means：无监督学习（聚类）。KNN：有监督学习（分类或回归）。输入K-means：只需要数据，不需要标签。KNN：需要带有标签的训练数据。输出K-means：每个样本的簇分配和质心。KNN：新样本的预测标签或值。算法目标K-means：寻找数据的自然簇，最小化簇内的样本到质心的距离。KNN：基于已知样本的标签或值，对新样本进行预测。适用场景K-means：用于发现数据的自然分组或模式，适用于数据探索和预处理。KNN：用于对新样本进行预测，适用于分类和回归任务。

这几天疯狂面试，每天都接到新的面试，是时候复习一下我的python基础了，虽然平时做项目的时候用的都是一些库，加上自己时常不注重基础，以至于面试的时候有的非常详细的基础部分反倒扯后腿，被某宇宙大厂面试官建议虽然可能进公司之后不需要这么细节，但是面试的时候还是应该更熟悉基础。（心痛所以我在这里总结一些常用的基础，和一些非常常用的数据结构算法代码，自己复习的同时也记录一下。以下基础用一些题目进行辅助理解。

② 逻辑斯蒂回归：线性回归+sigmiod ，预测的是概率，而不是目标函数的值，用最小二乘法和梯度下降法拟合参数。③分类特征：映射编码，二进制编码、独热编码（数据的维度变得很大）① 线性回归：用最小二乘法和梯度下降法拟合直线，用损失函数：残差平方和。③决策树（集成学习的基础）节点，分支，打标签：（建树依据，剪枝）⑥衍生特征：进入的数据已经不是最初的特征。基尼系数：向着基尼系数变小的方向优化决策树。多重共线性：使用的这些特征是否存在很强的。信息熵：信息增益增加的方向优化决策树。5、选择模型——>参数调优。