题目链接首先这个题，我以为是DFS。。。交上各种TLE，RE，暴栈和超时啊。。。找了一下题解，发现是图论问题。。。唉。又重新翻离散课本。。。定理：有向图的欧拉路连通且存在一个出度比入度大一的，存在一个入度比出度大一的，其他入度出度相等。有向图欧拉回路连通且入度出度都相等。交上WA，然后查错，总以为是判断是否是联通的时候做错了，其实是忘记判断也是欧拉回路了。。。悲剧。。。代码好烂。#include#include#inc
系统 2019-08-12 09:26:43 2521
VC编译优化设置VC-ProjectSetting-Debug-ProjectOption语法解释-优化-/O1最小化空间minimizespace/Op[-]改善浮点数一致性improvefloating-ptconsistency/O2最大化速度maximizespeed/Os优选代码空间favorcodespace/Oa假设没有别名assumenoaliasing/Ot优选代码速度favorcodespeed/Ob内联展开（默认n=0）inlinee
系统 2019-08-12 01:55:21 2521
题目：poj1679TheUniqueMST题意：给你一颗树，让你求最小生成树和次小生成树值是否相等。分析：这个题目关键在于求解次小生成树。方法是，依次枚举不在最小生成树上的边，然后加入到最小生成树上，然后把原树上加入了之后形成环的最长的边删去，知道一个最小的。就是次小生成树。这些须要的都能够在求解最小生成树的时候处理出来。AC代码：#include#include#include#include
系统 2019-08-12 01:54:27 2521
今天，数据库的操作越来越成为整个应用的性能瓶颈了，这点对于Web应用尤其明显。关于数据库的性能，这并不只是DBA才需要担心的事，而这更是我们程序员需要去关注的事情。当我们去设计数据库表结构，对操作数据库时（尤其是查表时的SQL语句），我们都需要注意数据操作的性能。这里，我们不会讲过多的SQL语句的优化，而只是针对MySQL这一Web应用最多的数据库。希望下面的这些优化技巧对你有用。1.为查询缓存优化你的查询大多数的MySQL服务器都开启了查询缓存。这是提高
系统 2019-08-12 01:52:59 2521
谨以本文记录本人成长历程，并分享给各位SQLServer数据库管理系统使用者。本系列包含个人认为一个DBA应该具有的各项素质，系列文章将以下面列表展示，将持续更新，敬请留意及指导，谢谢。下列文章具有一定的优先级，但是并不代表完全不可逆，根据工作需要，可能不会按照顺序来写，已写部分可以通过下面超链接点击：第一篇：DBA第一要务——备份还原本篇包含下面主题：备份基础完整备份差异备份日志备份其他类型备份还原基础完整恢复差异恢复日志恢复其他类型恢复优化备份还原灾难
系统 2019-08-12 01:52:35 2521
1.数据库引入了索引用户对数据库最频繁的操作是进行数据查询。一般情况下，数据库在进行查询操作时需要对整个表进行数据搜索。当表中的数据很多时，搜索数据就需要很长的时间，这就造成了服务器的资源浪费。为了提高检索数据的能力，数据库引入了索引机制。2.有关“索引”的比喻从某种程度上，可以把数据库看作一本书，把索引看作书的目录，通过目录查找书中的信息，显然较没有目录的书方便、快捷。3.数据库索引实际是什么?(两部分组成)索引是一个单独的、物理的数据库结构，它是某个表
系统 2019-08-12 01:52:33 2521
以前用过openfire做为服务器，但是openfire的集群支持不是很好，所以改用Ejabberd，由于它是用Erlang语言开发的，其并发率与分布式的功能都是很强悍的，在此我记录一下我的安装与配置过程。1.安装就不用说了，到其官网下载安装包。我的系统是MacOS,所以我只说明在MacOS上安装。下载安装包后，直接点击安装。安装后会在/Applications目录生成Ejabberd的目录，由于我下载的是Ejabberd-2.1.11，所以安装目录为:/
系统 2019-08-12 01:51:30 2521
1.需要在Catalina/conf/server.xml中设置一下；将文件中这一段的注释去掉（如下），然后将pattern的值改为combined，这个模式下记录的日志比较详细。
局部敏感哈希(Locality-SensitiveHashing,LSH)方法介绍本文主要介绍一种用于海量高维数据的近似近期邻高速查找技术——局部敏感哈希(Locality-SensitiveHashing,LSH)，内容包含了LSH的原理、LSH哈希函数集、以及LSH的一些參考资料。一、局部敏感哈希LSH在非常多应用领域中，我们面对和须要处理的数据往往是海量而且具有非常高的维度，如何高速地从海量的高维数据集合中找到与某个数据最相似（距离近期）的一个数据或
系统 2019-08-12 01:33:03 2521
应用场景：使用pandas把多个相同结构的Excel文件合并为一个。原始数据：相关代码：importosimportpandasaspd#将文件读取出来放一个列表里面pwd='test'#获取文件目录#新建列表，存放文件名file_list=[]#新建列表存放每个文件数据(依次读取多个相同结构的Excel文件并创建DataFrame)dfs=[]forroot,dirs,filesinos.walk(pwd):#第一个为起始路径，第二个为起始路径下的文件夹
系统 2019-09-27 17:57:01 2520
