- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我真的被困在这个问题上了。 ex17 应该通过提供 simple database 来教我堆和堆栈内存分配。 (我的问题很具体,但我会把它留在那里以防万一您需要完整的代码)。关于数据库的某些设计决策的目的是什么,没有太多解释,这就是我寻求帮助的原因。
1) 必要性还是设计便利(约定)?
struct Address {
int id;
int set;
char name[MAX_DATA];
char email[MAX_DATA];
};
struct Database {
struct Address rows[MAX_ROWS];
};
struct Connection {
FILE *file;
struct Database *db;
};
我不确定为什么会有三个结构。在代码中还有一些表达式(希望您理解变量的名称)conn->db->rows[i]
。我的问题是其中三个是必需的吗?我的意思是,为什么我们需要一个连接结构?为什么不创建一个独立的 FILE *file
东西并完全避免 struct Database *db
指针?
2) 这可能会帮助我解决第一个问题。在练习的 Extra credit
又名(自己制作)部分中,有一个任务如下所示: 尝试修改程序以使用单个全局数据库连接。这个程序的现在版本与另一个版本相比如何?
那么这只是要求我重新设计管理该数据库的“三结构方式”吗?
最佳答案
是的,你只能有struct Adress
,一个指向数据库文件的全局FILE *
和一个全局struct Adress rows[MAX_ROWS]
存储数据。但是,真实的数据库有名称、关联文件、权限等(您给出的示例非常简单)。
但是您可以修改结构来改进模型并帮助您理解。考虑一下,例如:
struct Database {
char name[DB_NAME];
enum charset_list charset;
struct Address rows[MAX_ROWS];
}
它现在为您提供有关数据库的更多信息(它的名称和字符集 [utf8
、latin1
等]),并且它们都包含在同一个 struct
(简洁)。将其与“全局变量”模型进行比较……一团糟。
连接也是如此。
struct Connection {
FILE *fp;
char request_db[DB_NAME];
char host[HOSTNAME];
char ip[IPV4_LEN];
struct User *user;
struct database *conn;
}
在这里,您有一个版本可以让您拥有多个数据库文件的索引文件。当用户请求连接时,函数将查找索引表、检索数据库名称和相应的文件、设置 FILE *
指针并进行必要的函数调用以返回有效的 conn
给用户。
关于c - Learn C the Hard Way 的 ex17 数据库设计问题,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60957204/
基本上,我的问题是,由于无监督学习是机器学习的一种,是否需要机器“学习”的某些方面并根据其发现进行改进?例如,如果开发了一种算法来获取未标记的图像并找到它们之间的关联,那么它是否需要根据这些关联来改进
生成模型和判别模型似乎可以学习条件 P(x|y) 和联合 P(x,y) 概率分布。但从根本上讲,我无法说服自己“学习概率分布”意味着什么。 最佳答案 这意味着您的模型要么充当训练样本的分布估计器,要么
是否有类似于 的 scikit-learn 方法/类元成本 在 Weka 或其他实用程序中实现的算法以执行常量敏感分析? 最佳答案 不,没有。部分分类器提供 class_weight和 sample_
是否Scikit-learn支持迁移学习?请检查以下代码。 型号 clf由 fit(X,y) 获取 jar 头型号clf2在clf的基础上学习和转移学习 fit(X2,y2) ? >>> from s
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。 方法一:cross_validation.train_test_split 方法 2:分层折叠。 具有相同
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到,要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知,这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
有没有办法让 scikit-learn 中的 fit 方法有一个进度条? 是否可以包含自定义的类似 Pyprind 的内容? ? 最佳答案 如果您使用 verbose=1 初始化模型调用前 fit你应
我正在使用基于 rlglue 的 python-rl q 学习框架。 我的理解是,随着情节的发展,算法会收敛到一个最优策略(这是一个映射,说明在什么状态下采取什么行动)。 问题 1:这是否意味着经过若
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型,并且我想使用“一个标准错误”规则来选择最佳模型,即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
我正在尝试离散数据以进行分类。它们的值是字符串,我将它们转换为数字 0,1,2,3。 这就是数据的样子(pandas 数据框)。我已将数据帧拆分为 dataLabel 和 dataFeatures L
每当我开始拥有更多的类(1000 或更多)时,MultinominalNB 就会变得非常慢并且需要 GB 的 RAM。对于所有支持 .partial_fit()(SGDClassifier、Perce
我需要使用感知器算法来研究一些非线性可分数据集的学习率和渐近误差。 为了做到这一点,我需要了解构造函数的一些参数。我花了很多时间在谷歌上搜索它们,但我仍然不太明白它们的作用或如何使用它们。 给我带来更
我知道作为功能 ordinal data could be assigned arbitrary numbers and OneHotEncoding could be done for catego
这是一个示例,其中有逐步的过程使系统学习并对输入数据进行分类。 它对给定的 5 个数据集域进行了正确分类。此外,它还对停用词进行分类。 例如 输入:docs_new = ['上帝就是爱', '什么在哪
我有一个 scikit-learn 模型,它简化了一点,如下所示: clf1 = RandomForestClassifier() clf1.fit(data_training, non_binary
我是一名优秀的程序员,十分优秀!