扫地僧º笔记

一点想法

人生早期有三个重大决定：在哪里生活，和谁在一起，从事什么职业。 关于第三点，我依旧没有满意的答案。

我相信代达罗斯不是第一个，也绝非最后一个倾尽了全力指导儿子，最终发现自己满腹经验却只遭来儿子拒绝的父亲。我认为，做一个父亲，尽力教便好，至于教得好还是教不好，则不完全在我们的掌控之内。承认自己指导能力有限，也实在是身为人父，最难咽下的苦水之一。

看了下公司数据，支付渠道里边张小龙的 3A 大作基本上就是碾压的水平啊 https://www.v2ex.com/t/1055943

proxmox + netdata 看起来还是挺不错的

GeoSpark 和 GeoMesa 都可以很方便地与其他的 Spark 操作结合使用，因为它们本质上都是对 Spark 的扩展，并提供与 Spark DataFrame API 兼容的接口。这意味着您可以像处理任何其他 Spark DataFrame 一样，对包含地理空间数据的 DataFrame 执行数据清洗、特征工程等操作。 以下是一些将 GeoSpark 或 GeoMesa 与其他 Spark 操作结合使用的常见方法： 1. 数据加载和清洗: * 使用 Spark 读取数据源（如 CSV、Parquet、ORC 等）并将包含地理空间信息（如 WKT、GeoJSON）的列转换为 GeoSpark 或 GeoMesa 的几何图形类型。 * 使用 Spark SQL 或 DataFrame API 的标准函数对数据进行清洗，例如处理缺失值、删除重复项等。 * 利用 GeoSpark 或 GeoMesa 提供的空间函数对几何图形数据进行校验和清洗，例如检查几何图形的有效性、修复无效几何图形等。 2. 特征工程: * 利用 GeoSpark 或 GeoMesa 提供的空间函数从几何图形数据中提取特征，例如计算面积、周长、质心、边界框等。 * 基于空间关系计算新的特征，例如使用 ST_Distance 计算点与点之间的距离，使用 ST_Intersects 判断点是否在多边形内等。 * 结合其他数据源进行空间连接（Spatial Join），例如将包含地理位置信息的用户信息与包含区域信息的行政区划数据进行连接。 3. 机器学习: * 将提取的空间特征与其他特征一起用于训练机器学习模型。 * 使用 GeoSpark 或 GeoMesa 提供的空间索引功能加速空间查询和计算，提高机器学习模型训练和预测的效率。 总而言之，GeoSpark 和 GeoMesa 可以 seamless 地融入到现有的 Spark 数据处理流程中，并为地理空间数据的处理和分析提供了强大的功能支持。您可以根据实际需求灵活地将它们与其他 Spark 操作结合使用，构建完整的地理空间数据处理流程。[4](https://github.com/geoHeil/geomesa-geospark)

#羊毛 2盒小林制药发烧贴用小尺寸退热贴额头贴全身贴退热退烧降温贴 【优惠价】￥26.90 ———————— 点击链接 👉👉 https://p.pinduoduo.com/ia3s9QaY ，到【拼多多】把它带回家 最近太热了，大人也可以用。🤡