Cruising

数据流图（Data Flow Diagram，DFD）也称数据流程图或数据流向图，它是一种便于用户理解、分析系统数据流程的图形工具。它摆脱了系统的物理内容，精确地在逻辑上描述系统的功能、输入、输出和数据存储等，是系统逻辑模型的重要组成部分。[1] 数据流图分析法是结构化分析与设计方法（SSADM，Structured Systems Analysis & Design Method）的重要方法之一。分析产生的数据流图，和数据字典等一同构成结构化分析方法的核心输出。 历史 数据流图在 1970 年代后期由计算先驱 Ed Yourdon 和 Larry Constantine的《结构化设计》一书普及开来。他们基于 David Martin 和 Gerald Estrin 的“数据流图”计算模型。结构化设计理念在软件工程领域起飞，DFD方法随之起飞。DFD 表示法借鉴了图论，最初用于运筹学，以对组织中的工作流进行建模。除了Edward Yourdon和Larry Constantine，还有三维促成 DFD 方法论兴起的专家，分别是 Tom DeMarco、Chris Gane 和 ...

产品设计参考百则 伯斯塔法则 【定义】 系统/产品应保有一定程度的容错能力，在设计中表现为允许用户进行任何操作，即便是错的或无效的。 【案例】 Bilibili安卓端头部区域除了【搜索栏】和其他几个按钮之外，任意地方点击都能进入侧边栏，及时没有点击到【三条杠】，因为这三条杠是在是太小了，用户极有可能没有点击到，所以干脆扩大了可触法的热区。 美好即用效应 【定义】 当界面被设计得足够美观时，用户往往会容忍一些较为轻微、影响较小得可用性问题 【案例】 微信读书使用横向滑动得卡片，一屏一张卡片一个主题，相比较其他读书类APP（比如起点、京东读书）而言，这种界面得组织方式浏览效率不高，且浪费大量屏幕空间，单简洁、优雅得设计，就有了让我们多花一点耐心和操作成本看下去的欲望。 刺激作用 【定义】 刺激记忆中的特殊概念，借此影响后续行为。如何导入的刺激所激活的概念，跟先前已存在的需求或目标一致，刺激作用就能发挥有效的影响力。 【案例】 在电影开幕前秀出某人喝汽水的影像，会对口渴的人产生效应，诱使更多人去买汽水，但对不觉得口渴对人，就没有效果。 雅各布定律 【定义】 用户将大部分时间花在别人家对网站（ ...

基本操作 如果想要在Axure原型中执行简单的JavaScript代码，只需要将交互事件设置为打开链接，链接到URL或外部网址，在函数输入框中输入javascript:，后面补充需要执行的js代码即可，例如 javascript:alert('利用Axure JS的伪协议方式，执行JS代码') 既然Axure支持通过JS为协议执行JS代码，因此也可以直接引入Echarts JS库，直接在Axure中执行图表的渲染和绘制。 具体操作步骤如下： 创建用于展现图表的矩形，并为其命名（命名在JS中需要引用，可以说是变量名。尽量符合图表含义。） 设置载入时交互事件，打开链接，链接到URL或外部网址。 在Option配置项中输入如下代码。p.s. 代码里面不能有任何如“/*”、“*/”、“//”的注释符号，Echarts中直接复制过来的代码一般都存在注释，需要手动删除，否则无法在Axure中显示。 javascript:$axure.utils.loadJS('https://fastly.jsdelivr.net/npm/echarts@5.3.2/dist/e ...

阅读笔记 Part 1 企业的增长是连续性的吗？ 不是，企业的增长，非连续是正常，连续是不正常。 为什么只有少数企业能跨越非连续性增长？ 像华为阿里这类公司，并不是通过野蛮生长，紧追风口获得发展，而是通过研究客户需求，企业可以提供哪些有价值的产品来实现可持续经营。 跨越非连续性增长的两块踏板？ 显性踏板是指业务，隐性踏板组织。 亚马逊的第一曲线也就是显性曲线是怎么长出来的？ 来自于创业时候的企业愿景和使命，因为愿景和使命决定着核心战略，当核心战略要落地的时候，通过组织保障，启用隐性曲线，让公司从文化到团队到团队能力，都能够跨越到第二曲线去。 为什么一直跌到3000亿美金？ 微软99年最高峰达到6000亿美金，随后一直跌到3000亿美金。因为他没有找到移动战略 （吐槽此观点：莫名其妙！极不负责任！一如微软如此庞大的企业仅因没有移动战略所以蒸发3000e? 巨头的倒下，往往都不是一个两个具体人或事的缘故，背后的经济、政治、乃至机缘巧合都在起综合作用。能成为企业的领导、CEO，都不是大傻子，而且必然有过人的本事，他甚至对创新的想法比任何人还早还好，但是大企业要顾及方方面面 ...

Markdown 数学公式 行内与独自一行 行内公式：将公式插入到本行内，符号：$公式内容$，如：xyzxyzxyz 独行公式：将公式插入到新的一行内，并且居中，符号：$$公式内容$$，如：$$xyz$$ 上标、下标与组合 上标符号，符号：^，如：x4x^4x4 下标符号，符号：_，如：x1x_1x1​ 组合符号，符号：{}，如：168O2+2{16}_{8}O{2+}_{2}168​O2+2​ 汉字、字体与格式 汉字形式，符号：\mbox{}，如：V_{\mbox{初始}} 字体控制，符号：\displaystyle，如：x+yy+z\displaystyle \frac{x+y}{y+z}y+zx+y​ 下划线符号，符号：\underline，如：x+y‾\underline{x+y}x+y​ 标签，符号\tag{数字}，如：\tag{11} 上大括号，符号：\overbrace{算式}，如：a+b+c+d⏞2.0\overbrace{a+b+c+d}^{2.0}a+b+c+d​2.0​ 下大 ...

Axure common shortcuts 基本快捷键 打开：Ctrl + O 新建：Ctrl + N 保存：Ctrl + S 退出：Alt + F4 打印：Ctrl + P 查找：Ctrl + F 替换：Ctrl + H 复制：Ctrl + C 剪切：Ctrl + X 粘贴：Ctrl + V 快速复制：Ctrl+D&点击拖拽＋Ctrl 撤销：Ctrl + Z 重做：Ctrl + Y 全选：Ctrl + A 帮助说明：F1 输出快捷键 生成原型预览：F5 生成规格说明：F6 更多的生成器和配置选项：F8 在原型中重新生成当前页面(不弹出新窗口生成预览)：Ctrl +F5 工作区域快捷键 下页：Ctrl + Tab 上页：Ctrl + Shift + Tab 关闭当前页：Ctrl + W 垂直滚动： 鼠标滚轮 横向滚动：Shift + 鼠标滚轮 放大缩小：Ctrl + 鼠标滚轮 页面移动：Space + 鼠标右键 隐藏网格：Ctrl + ’ 对齐网格：Ctrl + Shift + ’ 隐藏全局辅助线：Ctrl + . 隐藏页面辅助线：Ctrl + , 对齐辅助线：Ct ...

豆瓣作为一款集书影音评论的网站 ，却还提供了各种其他有趣的多服务，这更像是一个社区。往往这样的网站中会有非常多有趣的数据，今天就来尝试爬一下，做一个数据集出来。起初就在这个网站看到有一个专门的Top250榜单，官方说是根据书/电影/音乐所看过或听过的人数，以及该项目所得的评价等综合数据，通过算法分析 产生的。那今天的主要目的就来爬一下这些个Top250。代码写的很水，希望能有人不吝赐教。 爬取目标 豆瓣电影 Top 250 >> 电影名,导演,年份,制片地区,电影分类,豆瓣评分,评论人数,描述 << 豆瓣图书 Top 250 >> 书名,作者,售价,豆瓣评分,评论人数,描述 << 豆瓣音乐 Top 250 >> 名称,作者,年份,类型,介质,风格,豆瓣评分,评论人数 << 具体实现 爬取豆瓣电影 Top 250 #!/usr/bin/env python# -*- encoding:utf-8 -*-"""@author: Yu@contact: kinomu@sina.c ...

本文以 Neo4j 官网上的 Neo4j Cypher Refcard 3.4为基准，通篇翻译以作学习。即便版本发生改变 ，但其语法以及其作用不会发生太大的变化，放心食用，个人建议原文口味更佳。 Read Query Structure Read Query Structure [MATCH WHERE] [OPTIONAL MATCH WHERE] [WITH [ORDER BY] [SKIP] [LIMIT]] RETURN [ORDER BY] [SKIP] [LIMIT] MATCH MATCH MATCH (n:Person)-[:KNOWS]->(m:Person) WHERE n.name = ‘Alice’ [^1] MATCH (n)–>(m) [^2] MATCH (n {name:‘Alice’})–>(m) [^3] MATCH p = (n)–>(m) [^4] OPTIONAL MATCH (n)-[r]->(m) [^5] [^1]: 节点模式（Node ...

Cypher Query Language (CQL) 是 Neo4j 所使用的开放图形查询语言。Cypher 的语法提供了一种方式（类SQL）来匹配图中的节点和关系，也就是模式。如果具备 SQL 的基础，那么学习起 Cypher 就能变得更加容易。这是这篇指引推崇的做法 —— 先掌握SQL基础，再学习 Cypher。除此之外，还需要具备图形数据库和属性图模型的基本概念，以便更好的理解 Cypher 查询。 节点 Nodes Cypher 使用 ASCII-Art 来表示模式。就像一个⚪一样，用双括弧来围绕节点，例如(节点A)。在之后如果我们想要引用这个节点，只需要使用一个变量例如(node_a) ，如果关注的问题与节点无关，还可以使用空括弧()。一般情况下，节点还会使用标签来区分实体，同时在Neo4j中，使用标签是一种执行优化的方案。以节点A为例，为其添加标签，如(节点A:标签1)。 match (节点A:标签1) return 节点A.某属性 在进行节点查询时，有时还会用到(emp:Employee)-->(dep:Department)这样的模式，用以查看例如emp.na ...

可从GitHub(Glass Classification)下载本文源码以及样本数据集 前言 本文主要目的是通过 KNN 也就是 k-近邻算法 来实现一个Glass Classiciation，文中使用的数据来自 Kaggle Datasets ,可以从该页面下载这份数据文件，也可以直接从我 Github 上下载源代码，源代码包括了本文所有内容。 k-近邻算法是 Machine Learning 的一个入门级算法，具备有效性以及易学习。在文章中，我希望通过强调 k-近邻算法 的基本理论，以及如何使用距离测量的方法来进行分类，理论部分的内容十分重要，这关乎到你是否能够理解在面对什么样的数据时可以采用 KNN ，而什么时候又不是那么的适合。 简单来说，k-近邻算法采用测量不同特征值之间的距离，来对数据进行分类。这个距离的计算也是十分简单的，如果你不知道什么是 欧式距离公式 (也有人称它为欧几里得度量法)，那么建议先去了解一下，它是比较简单易懂的。另外代码实现部分，将会使用Python，所以前提要求是你需要学会最基本的Python语法。如果你不懂Python——互联网上有非常多关于 P ...