第一周学习报告

Posted 2020-12-17 konelee

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了第一周学习报告相关的知识，希望对你有一定的参考价值。

本周完成工作

1、进行调研，完善项目方案；

2、攥写可行性报告；

3、完成大致系统结构框图。

本周进行的学习

1、html5的相关学习

初步学习了html5的一些知识，包括常用的标签以及相关属性，图片的引入，链接的插入等，还学习了层叠样式表的相关语法，对自己的html页面进行排版与美化。
需要注意的是，html会忽略标签中的连续的空白（包括空格、换行以及制表符），如果想要保持原有的文本格式，需要使用预格式文本标签pre。

<!DOCTYPE html>
<html lang="en">
<!--This is my html_learning‘s first step-->
<head>
    <meta charset="UTF-8">
    <title>QQ小介的html测试界面</title>
</head>
<!--标题的学习-->
<h1 style="text-align:center">TEST PAGE</h1>

<!--图像的学习-->
<img src="1.jpg" width="364" height="209">
<hr />

<!--段落的学习-->
<P>This is a picture in the same directory.<br />This is a new line but not a new paragraph.</P>
<p style="font-family:fangsong;font-size:20px;color:purple">本行文本是<sup>仿宋</sup>，字号<sup>20</sup>，紫色</p>
<p>本行是一行平庸的文本</p>

<!--预文本的学习-->
<pre style="background-color:green;font-size:20px">
    预文本标签里的缩进保持不变！
    <big>春晓</big>
    春眠不觉晓，
        处处闻啼鸟。
            夜来风雨声，
                花落知多少。
</pre>
<pre>
    if __name__ == "__main__":
        print("Hello world")
</pre>
<body style="background-color:yellow">
</body>
</html>

2、机器学习之聚类

此处我使用的是sklearn库的DBSCAN算法对上网时长进行聚类分析，首先对数据文本进行处理，得到数据集；

import numpy as np
import sklearn.cluster as skc
from sklearn import metrics
import matplotlib.pyplot as plt

mac2id = dict()
onlinetimes = []
f = open(‘test.txt‘)
for line in f:
    mac = line.split(‘,‘)[2]
    onlinetimes = int(line.split(‘,‘)[6])
    strattime = int(line.split(‘,‘)[4].split(‘ ‘)[1].split(‘:‘)[0])
    if mac not in mac2id:
        mac2id[mac] = len(onlinetime)
        onlinetimes.append((strattime, onlinetime))
    else:
        onlinetimes[mac2id[mac]] = [(strattime, onlinetime)]
real_X = np.array(onlinetimes).reshape((-1, 2))

接着调用DBSCAN算法对得到的数据集进行处理，并打印结果。

X = real_X[:, 0:1]
db = skc.DBSCAN(eps=0.01, min_samples=20).fit(x)
labels = db.labels_
print(labels)
raito = len(labels[lable[:] == -1]) / len(labels)
print("噪声数据的比例:", raito)

n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
print(n_clusters_)
print(metrics.silhouette_score(X, labels))

以上是关于第一周学习报告的主要内容，如果未能解决你的问题，请参考以下文章