DataMining-Experiment1

本文介绍了一个使用C++实现的向量类及其基本运算,包括加法、减法、乘法等,并提供了计算向量的平均值、中位数等功能。此外,还展示了如何读取和写入向量数据文件。
#include <iostream>
#include <stdio.h>
#include <stdlib.h>
#include <fstream>
#include <cmath>
#include <vector>
#include <algorithm>

using namespace std;

class KanhaSum
{
public:
    double sum;

    KanhaSum()
    {
        sum = 0;
    }
    void reset()
    {
        sum = 0;
    }
    void add(double value)
    {
        sum += value;
    }
    double get_sum()
    {
        return sum;
    }
};

class Median
{
public:
    int n;
    double median;
    double sum;

public:
    Median()
    {
        n = 0;
        median = 0.0;
        sum = 0.0;
    }
    void reset()
    {
        sum = 0;
    }
    void add(double value)
    {
        n++;
        sum += value;
    }
    double get_median()
    {
        return sum/n;
    }
};

class Vector
{
public:
    int N;
    double *DMVector;

public:
    Vector(int n)
    {
        N = n;
        DMVector = (double *)malloc(sizeof(double)*N);
    }
    ~Vector()
    {
        free(DMVector);
    }
    void fill(double value)
    {
        for(int i=0; i<N; i++)
        {
            DMVector[i] = value;
        }
    }
    double get(int i)
    {
        return DMVector[i];
    }
    void set(int i, double value)
    {
        DMVector[i] = value;
    }
    void add(const Vector &v)
    {
        for(int i=0; i<N; i++)
        {
            DMVector[i] += v.DMVector[i];
        }
    }
    void sub(const Vector& v)
    {
        for(int i=0; i<N; i++)
        {
            DMVector[i] -= v.DMVector[i];
        }
    }
    void mul(double k)
    {
        for(int i=0; i<N; i++)
        {
            DMVector[i] = DMVector[i]*k;
        }
    }
    void inc_mul(const Vector &v, int k)
    {
        for(int i=0; i<N; i++)
        {
            DMVector[i] += k*v.DMVector[i];
        }
    }
    double dot(const Vector &v)
    {
        double sum = 0.0;
        for(int i=0; i<N; i++)
        {
            sum += DMVector[i]*v.DMVector[i];
        }
        return sum;
    }
    double square_norm()
    {
        double square = 0.0;
        for(int i=0; i<N; i++)
        {
            square += DMVector[i]*DMVector[i];
        }
        return square;
    }
    double norm()
    {
        double ret = 0.0;
        ret = sqrt(square_norm());
        return ret;
    }
    double sum()
    {
        double sum = 0.0;
        for(int i=0; i<N; i++)
        {
            sum += DMVector[i];
        }
        return sum;
    }
    double min_vector()
    {
        double minv = 0.0;
        for(int i=0; i<N; i++)
        {
            if(DMVector[i] < minv)
                minv = DMVector[i];
        }
        return minv;
    }
    double max_vector()
    {
        double maxv = 0.0;
        for(int i=0; i<N; i++)
        {
            if(DMVector[i] > maxv)
                maxv = DMVector[i];
        }
        return maxv;
    }
};

double vector_mean(vector<Vector> veclist)
{
    double sum = 0.0;
    int c = 0;
    for(unsigned int i=0; i<veclist.size(); i++)
    {
        for(int j=0; j<veclist[i].N; j++)
        {
            sum += veclist[i].get(j);
            c ++;
        }
    }
    return sum/c;
}

double vector_median(vector<Vector> veclist)
{
    vector<double> vec;
    for(unsigned int i=0; i<veclist.size(); i++)
    {
        for(int j=0; j<veclist[i].N; j++)
            vec.push_back(veclist[i].get(j));
    }
    sort(vec.begin(), vec.end());
    return vec.size()%2==0 ? vec[vec.size()-1/2] : vec[(vec.size())/2];
}

vector<Vector> read_data(string filename)
{
	vector<Vector> vlist;
	string tmps;
	ifstream finput(filename.c_str(), ios::in);
	//ifstream finput;
	//finput.open(filename.c_str());
	int i, size;
	if( !finput )
	{
		cerr << "Open file Error!" << endl;
	}
	// check the dimension of vector
	size = 1;
	if( !finput.eof() )
	{
		getline(finput, tmps, '\n');
		i = 0;
		while( !(tmps[i] == '\0' || tmps[i] == '\n') )
		{
			if(tmps[i] == ' ')
				size++;
			i++;
		}
	}
	finput.seekg( 0, ios::beg);
	while( !finput.eof() )
	{
		Vector dmvector(size);
		for ( i = 0; i < size; ++i )
		{
			finput >> tmps;
			if ( tmps.length() == 0 )
				return vlist;
			dmvector.set( i, atof(tmps.c_str()));
		}
		vlist.push_back( dmvector );
	}
	finput.close();
	return vlist;
}

void write_data(vector<Vector> veclist, string filename)
{
    FILE *fp = NULL;
    fp = fopen(filename.c_str(), "w");
    for(unsigned int i=0; i<veclist.size(); i++)
    {
        for(int j=0; j<veclist[i].N; j++)
        {
            fprintf(fp, "%f ", veclist[i].get(j));
        }
        fprintf(fp, "%c", '\n');
    }
}

int main()
{
    //printf("%d\n", -1/2);//0
    vector<Vector> veclist;
    veclist = read_data("data.dm");
    write_data(veclist, "outdata.dm");
    system("pause");
    return 0;
}

下载前可以先看下教程 https://pan.quark.cn/s/a426667488ae 标题“仿淘宝jquery图片左右切换带数字”揭示了这是一个关于运用jQuery技术完成的图片轮播机制,其特色在于具备淘宝在线平台普遍存在的图片切换表现,并且在整个切换环节中会展示当前图片的序列号。 此类功能一般应用于电子商务平台的产品呈现环节,使用户可以便捷地查看多张商品的照片。 说明中的“NULL”表示未提供进一步的信息,但我们可以借助标题来揣摩若干核心的技术要点。 在构建此类功能时,开发者通常会借助以下技术手段:1. **jQuery库**:jQuery是一个应用广泛的JavaScript框架,它简化了HTML文档的遍历、事件管理、动画效果以及Ajax通信。 在此项目中,jQuery将负责处理用户的点击动作(实现左右切换),并且制造流畅的过渡效果。 2. **图片轮播扩展工具**:开发者或许会采用现成的jQuery扩展,例如Slick、Bootstrap Carousel或个性化的轮播函数,以达成图片切换的功能。 这些扩展能够辅助迅速构建功能完善的轮播模块。 3. **即时数字呈现**:展示当前图片的序列号,这需要通过JavaScript或jQuery来追踪并调整。 每当图片切换时,相应的数字也会同步更新。 4. **CSS美化**:为了达成淘宝图片切换的视觉效果,可能需要设计特定的CSS样式,涵盖图片的排列方式、过渡效果、点状指示器等。 CSS3的动画和过渡特性(如`transition`和`animation`)在此过程中扮演关键角色。 5. **事件监测**:运用jQuery的`.on()`方法来监测用户的操作,比如点击左右控制按钮或自动按时间间隔切换。 根据用户的交互,触发相应的函数来执行...
垃圾实例分割数据集 一、基础信息 • 数据集名称:垃圾实例分割数据集 • 图片数量: 训练集:7,000张图片 验证集:426张图片 测试集:644张图片 • 训练集:7,000张图片 • 验证集:426张图片 • 测试集:644张图片 • 分类类别: 垃圾(Sampah) • 垃圾(Sampah) • 标注格式:YOLO格式,包含实例分割的多边形点坐标,适用于实例分割任务。 • 数据格式:图片文件 二、适用场景 • 智能垃圾检测系统开发:数据集支持实例分割任务,帮助构建能够自动识别和分割图像中垃圾区域的AI模型,适用于智能清洁机器人、自动垃圾桶等应用。 • 环境监控与管理:集成到监控系统中,用于实时检测公共区域的垃圾堆积,辅助环境清洁和治理决策。 • 计算机视觉研究:支持实例分割算法的研究和优化,特别是在垃圾识别领域,促进AI在环保方面的创新。 • 教育与实践:可用于高校或培训机构的AI课程,作为实例分割技术的实践数据集,帮助学生理解计算机视觉应用。 三、数据集优势 • 精确的实例分割标注:每个垃圾实例都使用详细的多边形点进行标注,确保分割边界准确,提升模型训练效果。 • 数据多样性:包含多种垃圾物品实例,覆盖不同场景,增强模型的泛化能力和鲁棒性。 • 格式兼容性强:YOLO标注格式易于与主流深度学习框架集成,如YOLO系列、PyTorch等,方便研究人员和开发者使用。 • 实际应用价值:直接针对现实世界的垃圾管理需求,为自动化环保解决方案提供可靠数据支持,具有重要的社会意义。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值