最近的总结与计划

  阿巴阿巴玩了半年，感觉精神状态越来越好了，去年这时候感觉世界都要毁灭了，有幸在今年交到了几个新朋友，9月一起办了健身卡，10月买了私教课，一起健身，身体也慢慢变得健康，想想之前两年身体一直处在透支状态，也挺对不起自己的，没有好好照顾自己，哪有精力想未来的规划，也没有心思去学习新的东西，也不是十几岁的孩子，缺少了那股冲劲，所以健康的身体和状态才是长久走下去的必须条件。总结一下前几个月干了什么，写了数据可视化的课程用了两个月，针对Node-red进行项目移植用了两个月，写对应的文档用了一个月，十月份感觉也是磨磨唧唧写文档出差就过去了，这半年来，感觉在学习一些杂七杂八的东西，学了数据可视化和数据分析，熟悉了Pandas、matplotlib，学会了Nodejs（其实也基本都会），感觉肝的最多的就是Markdown了，纯纯的文档专业户了TAT，本来下一阶段要写人工智能相关的测试，突然发现都忘得差不多了，着实有点丢人，所以准备复习和继续肝人工智能，顺便学学新东西。

Node.js 中的异步问题

  最近工作的时候遇到 Node.js 一些问题，觉得比较有意思，想来记录一下。

  平时写惯了 python 代码，习惯了在同步中偶尔插一点异步，初次接触 node.js ，仅仅写一点 CRUD 在对 red-node 开源项目修改的过程中，体会到了在异步中写同步的痛苦（在 callback 中无限套娃），这样对错误的定位会比较麻烦，但是同事提高了整体的运行效率，当然还是自己太菜，接触的太少。

  最终在开发的过程中使用了 async 异步模块，可以说是非常的好用了。

  首先 JavaScript 中内置的 async/await 已经是 AsyncFunction 特性 中的关键字，目前为止，除了 IE 之外，常用浏览器和 Node (v7.6+) 都已经支持该特性。这是一个非常好的语法糖，解决了在异步中需要同步时陷入 回调地狱 的可能（当然我是非常不太乐意写一堆 callback 嵌套 return 的，前几天有几个下午为了几个尝试给我脑子都套蒙了）。

最近的生活和一些想法

  今天写周报的时候，突然意识到已经8月份了，今年都过了一大半了。回想起年初到现在，时光流逝，好像什么都没记住，自从搬到了公司公寓住，一切都被安排的妥妥当当，直接就躺平了，大脑一片的空白。所以就不断地打游戏，把之前的所有计划都忘得一干二净，3个月过去了，什么都没留下，心里倒也没有懊悔，是什么感觉都没有了，像一个机器。也挺可悲的，几个月下来，倒是养好了心思，睡眠好了不少。

  前几天看到一个抖音，一位记者采访一位流浪的老者：如果时光倒流，你能遇见16岁时的你，你会对你自己说些什么建议，你想对过去的自己说些什么？他说他可能会告诉16岁的他自己，你可以选择自己的路，但你可能会发现这条路上充满了痛苦和难过或者听从他妈妈的建议，特别努力的工作去抵押贷款，然后更加努力的工作来偿还抵押贷款，在给自己找个老婆生个孩子然后再努力的工作去还你的贷款，还有你的老婆和孩子让他们有衣服穿，有饭吃，然后在你所有的时间里你只能非常努力的去工作，永远不要停下来思考，因为你从来没有时间思考，你可能会很快乐，但是当你开始思考的时候，问题也就来了。 从他的话里面以及眼神中我看到他不是后悔他选择了流浪或者不努力的工作，前面他也说了，可以选择自己的路，只是他在自己的路中去不断的思考一些东西，让他变得痛苦，人终究是有限的，我们不能通过一些有限的知识得到所有事物的答案特别是在知识越发贫乏的时候，思考是没有任何意义的，这也刚好让我意识到我目前的状态，没有志向，没有理想，没有动力，却还时不时的陷入某些幻觉中，我终究看不到通过努力会不会做成一些事情，或者我应该去做什么事情，但我通过老者的话语，可以感觉到这种等待和无聊的思考才是最没有意义的事情。

最近踩坑合集

  上班恰好有1个月了，每天都在写 markdown，却没有写自己的 markdown 总结，以后尝试每周总结一下。

  最近在做的是数据可视化，主要涉及的技术栈是 numpy ，matplotlib, pandas 内容上还是比较简单的，主要是对数据进行整理和绘图展示，在实践中还是踩了不少坑，这里整理一下。

问题一：matplotlib绘制逆变波形图

  最近在进行数据分析时，处理 json格式的数据遇到了坑，主要对 json 本身不了解，导致解析过后python不识别，我还纳闷，同样的东西，为啥格式不对，原来 None 和 null 也是有区别的。不过使用 eval() 还真挺好使，就是需要考虑一些安全性问题。

  JSON: JavaScript Object Notation ( JavaScript 对象表示法)， JSON 是存储和交换文本信息的语法，类似 XML，JSON 比 XML 更小、更快，更易解析。

  JSON 语法是 JavaScript 语法的子集：

• 数据在名称/值对中

• 数据由逗号分隔

• 大括号 { } 保存对象

• 中括号 [ ] 保存数组，数组可以包含多个对象

python内存管理机制

引用计数器为主 标记清除和分代回收为辅+缓存机制

Python 函数装饰器

装饰器(Decorators)是 Python 的一个重要部分。简单地说：他们是修改其他函数的功能的函数。他们有助于让我们的代码更简短，也更Pythonic（Python范儿）。

一切皆为对象

对于python中的函数：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

def hi(name="you"):
    return "hi " + name
 
print(hi())
# output: 'hi you'
 
# 我们甚至可以将一个函数赋值给一个变量，比如
greet = hi
# 我们这里没有在使用小括号，因为我们并不是在调用hi函数
# 而是在将它放在greet变量里头。我们尝试运行下这个
 
print(greet())
# output: 'hi you'
 
# 如果我们删掉旧的hi函数，看看会发生什么！
del hi
print(hi())
#outputs: NameError
 
print(greet())
#outputs: 'hi you'

Numpy

简介：开源的Python科学计算库，方便使用数组、矩阵运算，包含线性代数、傅里叶变换、随机数生成等大量函数。

为什么使用 Numpy？

对于同样的数值计算任务，使用Numpy比直接编写Python代码实现，优点：

• 代码更简洁：Numpy 直接以数组、矩阵为粒度计算并且支持大量的数学函数，而Python需要多层for循环从底层实现；
• 性能更加高效：Numpy的数组存储效率和输入输出计算性能，比Python使用List好很多；
  • 注：Numpy的数据存储和Python原生的List是不一样的
  • 注：Numpy 的大部分都是C语言实现的，这是Numpy比纯Python代码高效的原因；

Numpy 是 Python各种数据科学类库的基础库：

• 比如SciPy、Scikit-Learn、Tensorflow、PaddlePaddle等

算法设计与分析

1.递归与分治

• 分治法

  1. 分治法产生的子问题是原问题的较小规模；

  2. 反复应用分治手段，可以使子问题规模不断缩小；

  3. 最终使子问题缩小到很容易直接求出其解；

  4. 将规模较小的问题的答案逐级向上合并，可得大问题答案。

• 分治法解决问题通常使用递归算法；

• 直接或间接调用自身的算法称为递归算法。

算法中要对边界条件处理，而对非边界条件的处理要分为3步：

• 分：问题划分的子问题；
• 治：对各个子问题递归调用去解决；
• 合：合并子问题的解为问题的解。

边界条件与递归方程是递归函数的两个要素，递归函数只有具备了这两个要素，才能在有限次的计算后得到结果。

数据结构复习

算法复杂度