君，已阅读到文档的结尾了呢~~
。韩国商品在中国市场的种类和分布概况。 。
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
韩国商品在中国市场的种类和分布概况
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口用样本的频率分布估计总体分布_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
用样本的频率分布估计总体分布
阅读已结束，下载文档到电脑
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩2页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢以下试题来自：
单项选择题邮局有一个窗口，为单一队列的顾客提供服务。在高峰期，顾客的到达服从泊松分布，平均每小时有100个顾客到来。服务时间服从指数分布，平均每个顾客60秒。从这可以看出（）
A．队列能无限膨胀。
B．有1/6的时间服务端是闲置的。
C．平均速率是每小时100个顾客。
D．平均顾客等待时间是2.5分钟。
为您推荐的考试题库
你可能感兴趣的试题
1A．如果使用横断面数据进行回归分析会使R2的值上升。B．回归分析对估计利息收入不再适用。C．一些没有包括在模型中的新因素引起了收入的变化。D．线性回归分析会提高模型的可信度。2A．样本中，平均每月的广告费支出是800000美元。B．当每月广告费支出处于平均值时，产品销售为800000美元。C．平均来看，每美元额外的广告费用可以能够导致销售增加0.80美元。D．广告不是销售的一个好的预测指标，因为系数太小了。3A．未加权的移动平均。 B．指数平滑。C．排队论。 D．线性回归分析。4A．零和博弈。 B．囚徒困境。C．鞍点。 D．最小最大后悔值。5A．是一种横截面预测方法。B．对感兴趣的变量与相关变量回归，用来建立预测。C．通过调整建立在平滑常数基础上的初始预测，产生最终预测。D．当可以获得新的观测值时，将其放入平均值，替换掉旧的观测值。
热门相关试卷
最新相关试卷mapreduce统计日志文件中的省份分布 - 简书
mapreduce统计日志文件中的省份分布
衡量网站流量的几个指标
(单位：每天、每周、每月、每年)
PV(重要)PV即访问量(Page View)。用户只要访问一次页面或就会被计算为一次PV，不关心客户端的IP是否相同，也不关心是不是同一个客户端。具体的度量方法：从客户端向web服务器发送一个request请求，web服务器接收到这个请求后，将该请求对应的网页发送给浏览器，这样就产生一个PV。
UVUV即独立访客(Unique Visitor)。同一客户端(PC或移动端)访问网站被记为一个访客。具体的度量方法：一般是以客户端cookie作为依据，如果cookie相同，就被认为是同一个客户端，这时候这个客户端不管访问多少次都只被记一次UV，但是一个客户端可能多个用户使用。还可以以userID作为依据。
VV(不重要)VV即访客的访问次数(Visitor View)。记录所有访客访问了多少次你的网站。当访客完成浏览并关掉网站的所有页面时便完成了一次访问，同一访客一天内可能有多次访问行为。
IP独立IP数是指不同IP地址的计算机访问网站时被计的总次数。相同IP地址的客户端访问网站只会被记为一次。这个数目会与真实用户的访问次数小很多，因为一个局域网内的私有IP虽然不同，但是在外网上，所有的IP地址相同，只会被记为一个独立IP数。
MapReduce编程模板分析PV
首先分析日志数据
考虑怎么分割日志中每一条数据。
可能存在不是完整的数据(脏数据)。
写MapReduce代码之前的准备
是否需要自定义数据类型
需要用到哪些内置的数据类型(map输出和reduce输出数据的格式)
统计哪一项指标
编写代码及代码测试
private static class WebPvMapper extends Mapper&LongWritable, Text, IntWritable, IntWritable& {
private final static IntWritable MapOutputValue = new IntWritable(1);
private IntWritable mapOutputKey = new IntWritable();
public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String lineValue = value.toString();
String[] values = lineValue.split("\t");
// 数据缺少太多的过滤
if(values.length & 30) {
// 检验字符串
String url = values[1];
if(StringUtils.isBlank(url)) {
// 检验省份ID
String provinceId = values[23];
if(StringUtils.isBlank(provinceId)) {
// 省份字符串转换为整数
int id = Integer.MAX_VALUE;
id = Integer.valueOf(provinceId);
} catch (Exception e) {
mapOutputKey.set(id);
context.write(mapOutputKey, MapOutputValue);
reduce代码
private static class WebPvReducer extends Reducer&IntWritable, IntWritable, IntWritable, IntWritable& {
private IntWritable outputValue = new IntWritable();
public void reduce(IntWritable key, Iterable&IntWritable& values, Context context)
throws IOException, InterruptedException {
int sum = 0;
for(IntWritable value : values) {
sum += value.get();
outputValue.set(sum);
context.write(key, outputValue);
测试数据日志文件例如：
自定义计数器
查看分析map中input records和output records。可以发现有5万条左右的数据被过滤掉。
mapoutrecords.png
选择自定义计数器来记录查看每次过滤了多少条数据。计数器是封装在context对象中的.
加入计数器后的代码
// 数据缺少太多的过滤
if(values.length & 30) {
context.getCounter("WEB", "LENGTHI_LT30").increment(1);
// 检验字符串
String url = values[1];
if(StringUtils.isBlank(url)) {
context.getCounter("WEB", "URL_ISNULL").increment(1);
// 检验省份ID
String provinceId = values[23];
if(StringUtils.isBlank(provinceId)) {
context.getCounter("WEB", "PROVINEID_ISNULL").increment(1);
// 省份字符串转换为整数
int id = Integer.MAX_VALUE;
id = Integer.valueOf(provinceId);
} catch (Exception e) {
context.getCounter("WEB", "PROVINCEID_NOT_TO_INT").increment(1);
counter.png
可以发现过滤数据的地方主要在于URL为空和proviceId为空的情况，同时我们发现没有长度小于30的数据，说明可以把这个过滤放在最后，以优化程序。我们再交换过滤URL为空和过滤proviceId为空代码的先后顺序。运行结果如下：
count2.png
可以得出结论：provicedId为空的数据总共有22513条；URL为空的数据总共有29092条。URL为空的数据比provicedId为空的数据多7000条，所以这时应该把过滤URL的代码放在最前面，因为URL过滤后，就不会再执行后面的过滤代码。
分析shuffle后给reduce端的数据，如下图所示：
reduce.png
可以发现总共reduce输入了14137条数据，被分成了31个分组。说明只有31种不相同的key值。此时我们可以选择在map端进行combiner合并，这样可以减少reduce端向map端获取数据需要的网络流量。
加入combiner，直接把reducer类作为combiner。
setcombiner.png
查看设置combiner后的reduce输入情况，reduce input records变为了31条，若map和reduce不在同一节点，可以大大减少网络流量。
combiner.png}