小编Sim*_*ely的帖子

我有个问题.我的公司给了我一项非常无聊的任务.我们有两个对话框数据库.其中一个数据库包含可怕质量的图像,另一个非常高质量.

不幸的是,可怕质量的对话包含了对其他信息的重要映射.

我的任务是,手动,浏览所有不良图像并将它们匹配到好的图像.

是否有可能在任何程度上自动化这个过程？以下是两个对话框(从Google图像中随机抽取)的示例:

所以我目前正在尝试用C#编写一个程序来从数据库中提取这些照片,循环浏览它们,找到具有常见形状的照片,并返回它们的ID.我最好的选择是什么？

我不明白这个C代码中的内容%s和d%操作:

for (i=0;i<sizeof(code)/sizeof(char*); i++) {
    printf("%s%d%s%d\n", "Length of String ", i, " is ", strlen(code[i]));
    str = code[i];
    printf("%s%d%s%c\n","The first character in string ", i, " is ", str[0]);
}

我是C语言的新手,我的背景是Java.

• 什么的%s%d%s%d符号表示？
• 为什么会有这么多？
• 这里使用的逗号是连接而不是+？

我在Visual Studio中调用一个方法,并尝试通过调用堆栈来调试它.

其中的一些行标记为"外部代码".

这到底是什么意思？来自.dll的方法已被执行？

愚蠢的问题; 但需要一个确定的答案.

我的数据库设计中有一些传递依赖.我的上司告诉我,这些可能会导致错误.我发现很难找到资源,告诉我这些依赖项将如何导致错误.他们会引起什么样的问题？

我不是在争论这个事实,只是渴望了解它们可能导致什么样的问题.

编辑更多详细信息:

来自维基百科:

传递依赖
传递依赖是间接函数依赖,其中X→Z仅由X→Y和Y→Z组成.

我正在使用EGits与Eclipse并遇到一些问题.

我头上有一个变化; 我做了一个新课.

当我右键单击此类并单击"推送"时,以下对话框显示,我无法通过它:

无论如何,我需要推送这个文件,因为我无法在现实生活中提交,现在我也无法在Eclipse中提交它并且它在精神上承担了它的损失.

谢谢.

PS我已经google搜索这个广泛的寻找一个简单的修复(如"阶段"按钮),什么也没发现.

我想加入两个numpy数组.在一个文本中运行TF-IDF后,我有一组列/功能.在另一个我有一个列/功能是一个整数.所以我读了一列火车和测试数据,在这上面运行TF-IDF,然后我想添加另一个整数列,因为我认为这将有助于我的分类器更准确地了解它应该如何表现.

不幸的是,当我尝试运行hstack将此单列添加到我的其他numpy数组时,我在标题中收到错误.

这是我的代码:

  #reading in test/train data for TF-IDF
  traindata = list(np.array(p.read_csv('FinalCSVFin.csv', delimiter=";"))[:,2])
  testdata = list(np.array(p.read_csv('FinalTestCSVFin.csv', delimiter=";"))[:,2])

  #reading in labels for training
  y = np.array(p.read_csv('FinalCSVFin.csv', delimiter=";"))[:,-2]

  #reading in single integer column to join
  AlexaTrainData = p.read_csv('FinalCSVFin.csv', delimiter=";")[["alexarank"]]
  AlexaTestData = p.read_csv('FinalTestCSVFin.csv', delimiter=";")[["alexarank"]]
  AllAlexaAndGoogleInfo = AlexaTestData.append(AlexaTrainData)

  tfv = TfidfVectorizer(min_df=3,  max_features=None, strip_accents='unicode',  
        analyzer='word',token_pattern=r'\w{1,}',ngram_range=(1, 2), use_idf=1,smooth_idf=1,sublinear_tf=1) #tf-idf object
  rd = lm.LogisticRegression(penalty='l2', dual=True, tol=0.0001, 
                             C=1, fit_intercept=True, intercept_scaling=1.0, 
                             class_weight=None, random_state=None) #Classifier
  X_all = traindata + testdata #adding test and train data to put into …

我想搜索列表中所有用户的事件,并检索每个用户在上午7点到下午7点之间没有30分钟或更长时间的所有时间.

但是,如果方法被标记为"重复出现",即比特重复出现设置为1,那么该事件将在其开始后的52周内重复出现(因此时间不可用).在存储过程中处理这些事件的检索.

到目前为止,我的代码如下.我正在以正确的方式写这个程序吗？我不确定如何继续按照我的意愿返回功能.有人能帮我这个吗？

List<string> usernames = //List of usernames.
DateTime start = //DateTime for start of period you would like to schedule meeting
DateTime end = //DateTime for end of period
//int mins = //duration of meeting (must be 30mins or greater)

foreach (string username in usernames) {
   //retrieve events for this user
    var db = Database.Open("mPlan");
    List<DateTime> startTimes;
    List<DateTime  endTimes;
    // This stored procedure returns all events of a user in a given time period, 
    // including recurring events. …

我已经创建了一个基本的REST API,用户可以在其中请求首字母缩略词,并且网页将通过POST调用返回首字母缩略词的含义.

我的大多数最终用户都不像使用Microsoft Lync应用程序那样使用Internet.

我是否可以创建一个Lync帐户,并将问题传递给我的API,并将答案返回给用户？这意味着用户只需在Lync中打开新聊天而不是新的网页.

我确信这是可能的,但我无法在Google或网络上找到任何信息.如何实现这一目标？

非常感谢.

编辑:

为了有人创造一个简单的例子而希望增加赏金,因为我相信它对于大量的开发人员来说非常有用:).

我有一个数据库结构如下:

用户

userid (Primary Key)
username

组

groupid (PK)
groupName

user_groups

userid (Foreign Key)
groupid (Foreign Key)

用户第一次登录时,我希望将他们的信息添加到users表中.所以基本上我想要的逻辑是

if (//users table does not contain username)
{
INSERT INTO users VALUES (username);
}

如何使用SQL Server/C#智能地执行此操作？

我正在运行逻辑回归,并在文本列上运行tf-idf.这是我在逻辑回归中使用的唯一列.如何确保尽可能调整参数？

我希望能够通过一系列步骤来最终允许我说我的Logistic回归分类器尽可能地运行.

from sklearn import metrics,preprocessing,cross_validation
from sklearn.feature_extraction.text import TfidfVectorizer
import sklearn.linear_model as lm
import pandas as p
loadData = lambda f: np.genfromtxt(open(f, 'r'), delimiter=' ')

print "loading data.."
traindata = list(np.array(p.read_table('train.tsv'))[:, 2])
testdata = list(np.array(p.read_table('test.tsv'))[:, 2])
y = np.array(p.read_table('train.tsv'))[:, -1]

tfv = TfidfVectorizer(min_df=3, max_features=None, strip_accents='unicode',
                      analyzer='word', token_pattern=r'\w{1,}', 
                      ngram_range=(1, 2), use_idf=1, smooth_idf=1, 
                      sublinear_tf=1)

rd = lm.LogisticRegression(penalty='l2', dual=True, tol=0.0001, 
                           C=1, fit_intercept=True, intercept_scaling=1.0, 
                           class_weight=None, random_state=None)

X_all = traindata + testdata
lentrain = len(traindata)

print "fitting pipeline"
tfv.fit(X_all)
print "transforming data"
X_all = …