Redis是一个开源（BSD许可）的，内存中的数据结构存储系统，他可以用作数据库、缓存和消息中间件MQ。它支持多种类型的数据结构，如 字符串（strings）,散列（hashes），列表（lists），集合（sets），有序集合（sorted sets）与范围查询，bitmaps,hyperloglogs和地理空间（geospatial）索引半径查询。Redis内置了 复制（replication），LUA脚本（Lua scripting），LRU驱动事件（LRU eviction），事物（transactions）和不同级别的 磁盘持久化（persistence），并通过Redis哨兵（Sentinel）和自动分区（Cluster）提供高可用性（high availability）。
Redis-Key expire设置过期时间，可以用来做单点登录，热点数据设置
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 127.0.0.1:6379> set name qimington OK 127.0.0.1:6379> set age 21 OK 127.0.0.1:6379> keys * 1) "age" 2) "name" 127.
更换默认web服务器 首先排除web依赖中默认的tomacat服务器，之后再映入替换的web服务器（这里选择的是undertow）。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> <exclusions> <exclusion> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-tomcat</artifactId> </exclusion> </exclusions> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-undertow</artifactId> </dependency> 在父工程中管理子工程的依赖 在父工程中的properties标签中统一位置确定依赖包的版本号（推荐），在dependencyManagement管理依赖包。注意：此时依赖包没有被引入才能够木中
在子工程中使用groupId和artifactId引入依赖包，无需指定version。此时依赖包被引入对应的工程中。
relativePath详解 1.不加：默认是 ../pom.xml
2.在此指定
指定后将在文件系统从指定位置查找，然后是本地仓库，最后是远程仓库
(优先级 指定位置 > 本地仓库 > 远程仓库)
3.加上标签关闭这个特性（feature） ，将永远从repositories解析读取parent POM
Linux下安装 下载安装包
官网地址：https://redis.io/
中文官网：http://www.redis.cn/
或者root下：wget https://github.com/redis/redis/archive/7.0.2.tar.gz
解压Redis安装包！临时文件和程序一般放在/opt
mv redis-7.0.2.tar.gz /opt
tar -zxvf redis-7.0.2.tar.gz
进入解压后的文件，可以看到redis的配置文件
cd /opt/redis-7.0.2
基本环境安装
yum install gcc-c++
查看安装是否成功
gcc -v
基本环境安装
cd /opt/redis-7.0.2
make
make install
redis的默认安装路径/usr/local/bin
将redis配置文件拷贝一份至该目录使用
mkdir qmtconfig
cp /opt/redis-7.0.2/redis.conf qmtconfig
redis默认不是后台启动，修改配置文件
vim qmtconfig/redis.conf
修改daemonize no为daemonize yes
否则启动后就关掉了
启动redis服务
使用指定配置文件启动
redis-server qmtconfig/redis.conf
连接与测试连接
redis-cli -p 6379
Python实现11种特征选择策略 太多的特征会增加模型的复杂性和过拟合，而太少的特征会导致模型的拟合不足。将模型优化为足够复杂以使其性能可推广，但又足够简单易于训练、维护和解释是特征选择的主要工作。
“特征选择”意味着可以保留一些特征并放弃其他一些特征。本文的目的是概述一些特征选择策略：
删除未使用的列
删除具有缺失值的列
不相关的特征
低方差特征
多重共线性
特征系数
p 值
方差膨胀因子 (VIF)
基于特征重要性的特征选择
使用 scikit-learn 进行自动特征选择
主成分分析 (PCA )
该演示的数据集在 MIT 许可下发布，来自 PyCaret——一个开源的低代码机器学习库。
数据集相当干净，但我做了一些预处理。请注意，我使用此数据集来演示不同的特征选择策略如何工作，而不是构建最终模型，因此模型性能无关紧要。
首先加载数据集：
1 2 3 4 import pandas as pddata = 'https://raw.githubusercontent.com/pycaret/pycaret/master/datasets/automobile.csv'df = pd.read_csv(data) # remove rows with '?'df = df[df['bore']!='?']df = df[df['stroke']!
