1.Mongo集群类型

1.Master/Slave 已经不推荐

2.Replica Set

3.Sharded Cluster，其包含3个组件：mongos，config server和mongod

参考：mongodb 三种集群的区别（Replica Set / Sharding / Master-Slaver）

Mongodb高级篇-Replication & Sharding

https://www.mongodb.com/docs/manual/sharding/#sharded-cluster

全文 >>

SVM有很多实现，现在只关注其中最流行的一种实现，即序列最小优化（Sequential Minimal Optimization，SMO）算法，然后介绍如何使用一种核函数（kernel）的方式将SVM扩展到更多的数据集上。

全文 >>

1.广告归因的概念

在做用户增长的时候需要对各渠道（广告投放平台，如腾讯广告、字节-巨量引擎、百度营销平台等）上的投放效果进行广告归因，归因的作用是判断用户从何渠道下载应用（或打开落地页、小程序），通过匹配用户广告行为，分析是何原因促使用户产生转化。 广告归因的数据结果是衡量广告效果、评估渠道质量的重要依据，可帮助广告主合理优化广告素材，高效开展拉新、促活营销推广。

参考：神策广告归因介绍

2.常用的渠道

3.广告归因原理

1.用户A在app1上点击了app2在渠道方（各种投放平台，比如巨量引擎）投放的广告，这时候渠道方就知道用户A点击了广告

2.第三方归因平台（即下图中的服务端，比如字节穿山甲的增长参谋）会和很多的渠道方进行合作，渠道方支持将数据回传给第三方的归因平台，比如oaid，imei这种的用户ID，一般需要在渠道方的平台上进行配置，参考：appsflyer-巨量引擎广告归因配置 - Bytedance Ads Configuration

3.当用户首次打开APP的时候，会将埋点数据上报给第三方的归因平台（像穿山甲会提供SDK用于上传打点），一般也是在渠道方平台上进行配置，参考：归因结果兼容API使用说明：穿山甲

4.归因平台再将激活的数据回传给各个渠道方，用于优化投放的点击率（CTR）

5.归因平台完成渠道归因

6.上报数据到数据仓库中

7.app内部打点统计次留，播放，付费的时间，上报给归因平台

8.归因再将这些转化数据回传给各个渠道方，用于优化投放的转化率（CVR）

9.时间回传成功

10.数据存储

整个归因的流程参考：广告归因-让你彻底弄归因架构实现

参考：基于用户的归因模式——通用ID方案

Android设备

APP来源追踪方式（归因）——Android篇

Ios设备

APP来源追踪方式（归因）——iOS篇

4.第三方归因平台

1.Apps Flyer

2.TalkingData

3.热云

4.友盟

5.Adjust

参考：三方归因监测

https://www.ichdata.com/app-traffic-source-tracking-method-for-android.html#自归因渠道

https://www.ichdata.com/people-based-attribution.html#媒体工具提供

5.广告归因模型

1.归因模型

参考：广告中的归因模型（Web端）

2.展示归因和点击归因

参考：浏览归因/展示归因/曝光归因

全文 >>

参考：https://medium.com/@hansrajchoudhary_88463/scylladb-architecture-understanding-consistent-hashing-bloom-filters-memtable-and-sstable-95d95a27920f

全文 >>

如果遇到auth遗忘，又想删除zknode的情况，可以使用超级用户用来删除zknode

超级用户只能在zkserver启动的时候启用，需要在zkserver的启动命令中添加 -Dzookeeper.DigestAuthenticationProvider.superDigest 参数

全文 >>

1.基于贝叶斯决策理论的分类方法

2.使用朴素贝叶斯进行文档分类

全文 >>

查看当前安装的linux内核版本号

1
2

dpkg --get-selections |grep linux-image

全文 >>

官方文档：https://pandas.pydata.org/docs/reference/index.html

1.loc属性，通过标签或布尔数组访问一组行和列。pandas.DataFrame.loc

1
2
3
4
5
6
7
8
9

>>> df = pd.DataFrame([[1, 2], [4, 5], [7, 8]],
...      index=['cobra', 'viper', 'sidewinder'],
...      columns=['max_speed', 'shield'])
>>> df
            max_speed  shield
cobra               1       2
viper               4       5
sidewinder          7       8

获取单个label，返回是一个series

1
2
3
4
5

>>> df.loc['viper']
max_speed    4
shield       5
Name: viper, dtype: int64

获取List of labels。注意使用 [[]] 返回的是一个 DataFrame

1
2
3
4
5

>>> df.loc[['viper', 'sidewinder']]
            max_speed  shield
viper               4       5
sidewinder          7       8

通过行标签和列标签来获得具体值

1
2
3

>>> df.loc['cobra', 'shield']
2

对行进行切片，对列进行单标签切片（取得部分行和部分列）

1
2
3
4
5

>>> df.loc['cobra':'viper', 'max_speed']
cobra    1
viper    4
Name: max_speed, dtype: int64

通过boolean值来选取部分行

1
2
3
4

>>> df.loc[[False, False, True]]
            max_speed  shield
sidewinder          7       8

条件筛选符合条件的行或者列

1
2
3
4

>>> df.loc[df['shield'] > 6]
            max_speed  shield
sidewinder          7       8

条件筛选后再指定某个列

1
2
3
4

>>> df.loc[df['shield'] > 6, ['max_speed']]
            max_speed
sidewinder          7

多个条件

1
2
3
4
5
6
7
8
9

>>> df.loc[(df['max_speed'] > 1) &amp; (df['shield'] < 8)]
       max_speed  shield
viper          4       5

>>> df.loc[(df['max_speed'] > 4) | (df['shield'] < 5)]
            max_speed  shield
cobra               1       2
sidewinder          7       8

全文 >>