技术标签: louvain 机器学习 图聚类 模块度 社区发现
最近在调研社区发现图聚类在区域划分中的应用,将一些编辑汇总的信息记录如下。
在社交网络中,用户相当于每一个点,用户之间通过互相的关注关系构成了整个网络的结构。在这样的网络中,有的用户之间的连接较为紧密,有的用户之间的连接关系较为稀疏。其中连接较为紧密的部分可以被看成一个社区,其内部的节点之间有较为紧密的连接,而在两个社区间则相对连接较为稀疏。整个整体的结构被称为社团结构。如下图,圆点和方点呈现出社区的结构,
用圆点和方点对其进行标注,整个网络被划分成了两个部分,其中,这两个部分的内部连接较为紧密,而这两个社区之间的连接则较为稀疏。如何去划分上述的社区便称为社区划分的问题。
直观地说,community detection的一般目标是要探测网络中的“块”cluster或是“社团”community。
这么做的目的和效果有许多,比如说机房里机器的连接方式,这里形成了网络结构,那么,哪些机器可以视作一个“块”?进一步地,什么样的连接方式才有比较高的稳定性呢?如果我们想要让这组服务瘫痪,选择什么样的目标呢?
社区的节点间是网络拓朴结构,即节点间是存在拓朴连接结构的,我们不能将其和欧式空间或者P空间中的点向量集合空间混为一谈。
以欧式空间为例,不同的节点向量存在于不同的空间位置中,向量夹角近的点向量彼此距离近,而向量夹角远的向量彼此距离远。但是即使是欧式距离很近的向量点,也不一定就代表着它们之间存在拓朴连接关系,只能说在一定的度量下(例如欧式距离度量),这两个节点很相近。
但是在社区结构中,节点之间没有什么空间位置的概念。相对的,节点间存在的是一种逻辑拓朴结构,即存在一种共有关系。
存在共有关系的节点在逻辑上会聚集为一个社区,而社区之间不存在或者存在很弱的共有关系,则呈现分离的逻辑拓朴结构。
请注意不要用空间结构的概念来试图理解社区结构,不然会陷入理解的困境,社区中的节点只是因为逻辑上的共有关系而聚集在一起而已,彼此之间的位置也没有实际意义,而社区族群之间的分离也是表达一种逻辑上的弱共有关系。
举一些实际的例子:
我们需要先确定要解决的业务场景中,存在明显的聚集规律,节点(可以是抽象的)之间形成一定的族群结构,而不是呈现无规律的随机分散。同时另一方面,这种聚集的结构是“有意义的”,这里所谓的有意义是指这种聚集本身可以翻译为一定的上层业务场景的表现。
但是很多时候,我们业务场景中的数据集之间的共有关系并不是表现的很明显,即节点之间互相都或多或少存在一些共有关系,这样直接进行社区发现效果肯定是不好的。
所以一个很重要点是,我们在进行社区发现之前,一定要进行数据降噪。
理想情况下,降噪后得到的数据集已经是社区完全内聚,社区间完全零连接,这样pylouvain只要一轮运行就直接得到结果。当然实际场景中不可能有这么好的情况,数据源质量,专家经验的丰富程度等等都会影响降噪的效果,一般情况下,降噪只要能cutoff 90%以上的噪音,pylouvain就基本能通过几轮的迭代完成整体的社区发现过程。
社区划分的目标是使得划分后的社区内部的连接较为紧密,而在社区之间的连接较为稀疏。
但什么样的结构能成为团呢?一种很直观的想法是,同一团内的节点连接更紧密,即具有更大的density。
接下来的问题是,什么样的metrics可以用来描述这种density?
Modularity(模块度), 这个概念是2003年一个叫Newman的人提出的。这个人先后发表了很多关于社区划分的论文,包括2002年发表的著名的Girvan-Newman(G-N)算法,和2004发表的Fast Newman(F-B)算法,Modularity就是F-B算法中提出的(03年提出的概念,04年确认发表)。
在2006年的时候Newman重新定义了Modularity,实际上只是对原来的公式做了变换,使其适用于Spectral Optimization Algorithms。
早期的算法不能够很好的确认什么样的社区划分是最优的。Modularity这个概念就是为了定义一个对于社区划分结果优劣的评判。
模块度 Q Q Q是描述社区内紧密程度的值,是评估一个社区网络划分好坏的度量方法,它的物理含义是网络中社区结构内部节点的边的数量与在同样的社团结构下随机连接两个节点的比例的期望值之差,或者是社区内节点的连边的权重之和与随机情况下的连边的权重之和的差距,它的取值范围是 [-1, 1],其定义如下:
Q = 1 2 m ∑ i , j [ A i j − k i k j 2 m ] δ ( c i , c j ) \mathrm Q = \frac{1}{2m} ∑ _{i,j}[A_{ij} - \frac{k_ik_j}{2m}]δ(c_i,c_j) Q=2m1i,j∑[Aij−2mkikj]δ(ci,cj)
其中:
注释:
对于 m = 1 2 ∑ i , j A i j \mathrm m = \frac{1}{2} ∑ _{i,j}A_{ij} m=21∑i,jAij,这里需要注意, A i j A_{ij} Aij的计算是重复的,比如我们以node x为当前节点的时候,计算了一次edges的权重之和,例如x和y,x和z,x和k……,当我们以node y为当前节点进行计算的时候,我们的计算是y和x,y和z,y和k……,可以发现x和y这两个nodes进行edges的求和的时候,x-y和y-x实际上是重复计算了,因此实际上计算总的edges的权重之和的时候,每条edge的权重都被重复计算了两次,所以m的公式前面有个1/2;
为了更好的理解这里举一个具体的例子:
如上图,假设我们有一个graph,这个社区graph中有7个nodes,为了方便起见我们假设所有edges的权重均为1(带权重的计算方式是完全一样的),这个时候我们先计算整个graph的边的权重m:
比如假设当前i=1,j=1~7,则 A 11 A_{11} A11=0(节点和自身之间不存在edge,权重为0), A 12 A_{12} A12=1, A 13 A_{13} A13=1, A 14 A_{14} A14=1,…, A 17 A_{17} A17=0(无edge连接,权重也是0),则对于A来说其计算结果为3,同理 A 21 A_{21} A21=1, A 22 A_{22} A22=0, A 23 A_{23} A23=1,……, A 27 A_{27} A27=0,计算结果是2,则对所有的nodes都进行如上的两轮循环的遍历之后,得到的 A i j A_{ij} Aij的计算结果是:node 1:3 、 node2:2 、 node3:5、node4:2、node5:1、node6:2、node7:1
则求和之后的结果为:16。
但是实际上我们一共就8条edges,每条edges的权重为1,总权重之和为8,这里计算结果为16就是因为edges之间重复计算的问题,因此m的结果需要在前面加1/2才表示真实的权重。
模块度 = (落在同一社区内的边的比例) - (对这些边进行随机分配所得到的概率期望)
假设网络有 n n n个节点,有 m m m条边,节点 i 的度表示为 k i k_i ki。
那么上述模块度定义就可以表示为: Q = 1 2 ∑ i , j A i j m δ ( c i , c j ) − ( 对 这 些 边 进 行 随 机 分 配 所 得 到 的 概 率 期 望 ) \mathrm Q = \frac{1}{2} \frac{∑ _{i,j}A_{ij}}{m}δ(c_i,c_j) - (对这些边进行随机分配所得到的概率期望) Q=21m∑i,jAijδ(ci,cj)−(对这些边进行随机分配所得到的概率期望)
∑ i , j A i j m δ ( c i , c j ) \frac{∑ _{i,j}A_{ij}}{m}δ(c_i,c_j) m∑i,jAijδ(ci,cj)表示在同一社区内的边的数量占所有边数量的比例,乘以 1 2 \frac{1}{2} 21,上边已经证明过,是因为对每条边计算过两次。那么期望值如何计算呢?这里面用到了Configuration Models,大致是对网络的边进行随机分配,需要将每条边切断一分为二,切断的点我们称作末梢点(stub),这样 m m m条边就会产生 2 m 2m 2m个末梢点,随机的将这 2 m 2m 2m个末梢点进行连接,包括同一节点拥有的末梢点的自连接,即允许节点的边自己连接自己,允许self-loop。这样可以保持每个节点原有的度不变的条件下,可以得到一个完全随机网络。
假设有两个node i 和 j,它们的度数分别是 k i k_i ki和 k j k_j kj,那么如果随机的话,两个节点之间有一条边的概率是 k i k j 2 m \frac{k_ik_j}{2m} 2mkikj。同理,将度换成权重,对于某一个节点 i i i,其权重为 k i k_i ki,则在随机情况下,节点 i i i和节点 j j j的权重值的期望值为 k i k j 2 m k_i\frac{k_j}{2m} ki2mkj。
模块度的公式定义可以作如下简化:
Q = 1 2 m ∑ i , j [ A i j − k i k j 2 m ] δ ( c i , c j ) \mathrm Q = \frac{1}{2m} ∑ _{i,j}[A_{ij} - \frac{k_ik_j}{2m}]δ(c_i,c_j) Q=2m1∑i,j[Aij−2mkikj]δ(ci,cj)
= 1 2 m [ ∑ i , j A i j − ∑ i k i ∑ j k j 2 m ] δ ( c i , c j ) = \frac{1}{2m}[ ∑ _{i,j}A_{ij} - \frac{∑_ik_i∑_jk_j}{2m}]δ(c_i,c_j) =2m1[∑i,jAij−2m∑iki∑jkj]δ(ci,cj)
= 1 2 m ∑ c [ ∑ i n − ( ∑ t o t ) 2 2 m ] = \frac{1}{2m}∑ _{c}[∑_{in} - \frac{(∑_{tot})^2}{2m}] =2m1∑c[∑in−2m(∑tot)2]
其中:
根据上述公式我们可以知道,社区内部权重之和越大,社区与外部连接权重越小,则模块度越大,上面的公式还可以进一步简化成:
Q = ∑ c [ ∑ i n 2 m − ( ∑ t o t 2 m ) 2 ] = ∑ c [ e c − a c 2 ] Q = ∑ _{c}[\frac{∑_{in}}{2m} - (\frac{∑_{tot}}{2m})^2] = ∑_{c}[e_c - a_c^2] Q=c∑[2m∑in−(2m∑tot)2]=c∑[ec−ac2]
这样模块度也可以理解是:
首先modularity是针对一个社区的所有节点进行了累加计算。
modularity Q的计算公式背后体现了这种思想:社区内部边的权重和减去所有与社区节点相连的边的权重和,对无向图更好理解,即社区内部边的度数减去社区内节点的总度数。
极端情况,如果一个社区节点完全是封闭的(即所有节点都互相内部连接,但是不和社区外部其他节点有连接,则modularity公式的计算结果为1)。
基于模块度的社区发现算法,都是以最大化模块度 Q Q Q为目标。可以看到,这种模型可以支持我们通过策略优化,去不断地构造出一个内部聚集,外部稀疏连接的社区结构。在一轮迭代后,若整个 Q Q Q没有变化,则停止迭代,否则继续迭代,直至收敛。
模块增益度是评价本次迭代效果好坏的数值化指标,这是一种启发式的优化过程。类似决策树中的熵增益启发式评价。模块度增益的公式:
分了两部分,前面的这一项表示节点 i i i入射社区 c c c之后的模块度,这里就是套一个模块度公式而已;后边这一项 表示的是节点 i i i入射社区 c c c之前,社区 c c c和节点 i i i分别单独作为一个社区的时候,二者的模块度之和。
进一步化简可以得到: = 1 2 m ( k i , i n − ∑ t o t k i m ) =\frac{ {1}}{2m}(k_{i,in}-\frac{ {∑_{tot}k_i}}{m}) =2m1(ki,in−m∑totki)
其中:
在算法的first phase,判断一个节点加入到哪个社区,需要找到一个delta Q最大的节点 i i i ,delta Q的作用类似决策树中的信息增益评估的作用,它帮助整个模型向着Modularity不断增大的方向去靠拢。
举例:
如下图,这是初始的graph,A到F一共6个节点。
初始阶段,节点之间的合并,以节点A为例:
A→B: Q A B = 5 − 10 ∗ 7 30 = 2.667 Q_{AB} = 5 - \frac{10*7}{30} = 2.667 QAB=5−3010∗7=2.667
A→C: Q A C = 4 − 10 ∗ 13 30 = − 0.333 Q_{AC} = 4 - \frac{10*13}{30} = -0.333 QAC=4−3010∗13=−0.333
A→E: Q A E = 1 − 10 ∗ 9 30 = − 2 Q_{AE} = 1 - \frac{10*9}{30} = -2 QAE=1−3010∗9=−2
以A->B为例,
实际上上述的过程就是实现的括号里面的计算,1/2m 是一个常量,在运行的过程中可以忽略; k i , i n k_{i,in} ki,in是实际的节点 A A A指向社区 B B B的权重, ∑ t o t K i m \frac{∑_{tot}K_i}{m} m∑totKi表示的是平均意义之下节点 A A A指向社区 B B B的期望权重,如果真实权重大于期望权重,则代表了节点 A A A和社区 B B B的连接关系是存在显著意义的;
此外,如果对graph进行了折叠和重构,则m表示整个graph去除了社区内边的权重之后剩下的边的权重之和,下边会有介绍;且 louvain 和模块度的定义都是针对于无向图的,虽然存在directed louvain这种针对于有向图的louvain算法,但是目前networkx,igraph,neo4j等的实现都是面向无向图的。
Louvain是目前市面上提到的和使用过的最常用的社区发现算法之一,除此之外就是infomap,这两种。
Louvain算法是基于模块度的社区发现算法,由Vincent D.Blondel等人在2008年提出(论文地址:Fast unfolding of communities in large networks),该算法在效率和效果上都表现较好,是目前社区发现算法中计算速度最快的算法,并且能够发现层次性的社区结构,其优化目标是最大化整个社区网络的模块度,即让整个社区网络呈现出一种模块聚集的结构。通过模块度可以刻画划分的优劣,模块度越大,则社区划分的效果越好 。
Louvain算法是一种基于多层次(逐轮启发式迭代)优化Modularity的算法。Modularity函数最初被用于衡量社区发现算法结果的质量,它能够刻画发现的社区的紧密程度。
同时,Modularity函数既然能刻画社区的紧密程度,也就能够被用来当作一个优化函数(目标函数),即将结点加入它的某个邻居所在的社区中,如果能够提升当前社区结构的modularity。则说明这次迭代优化是可接受的。
总结基于模块度优化的启发式方法优点:
Fast Unfolding算法是一种迭代的算法,主要目标是不断划分社区使得划分后的整个网络的模块度不断增大。
Louvain算法主要分为两个阶段:
同时需要注意,Louvain算法是一个迭代算法,每一轮迭代都会产出一个当前局部最优的社区结构,所以理论上,假如算法迭代了5次,我们可以得到5个不同粒度层次的社区结构,从业务场景上,这为我们发现不同的社区聚集提供了一个更灵活的视角。
算法形式化描述
从流程来看,该算法能够产生层次性的社区结构,其中计算耗时较多的是最底一层的社区划分,节点按社区压缩后,将大大缩小边和节点数目。并且计算节点 i i i分配到其邻居 j j j时,模块度的变化只与节点 i , j i,j i,j的社区有关,与其他社区无关,因此计算很快。
first phase的每次迭代的时间复杂度为 O ( N ) O(N) O(N), N N N为输入数据中的边的数量。second phase的时间复杂度为O(M + N), M M M为本轮迭代中点的个数。
还是以上述例子为例,初始的graph,A到F一共6个节点。
初始阶段,节点之间的合并,以节点A为例:
A→B: Q A B = 5 − 10 ∗ 7 30 = 2.667 Q_{AB} = 5 - \frac{10*7}{30} = 2.667 QAB=5−3010∗7=2.667
A→C: Q A C = 4 − 10 ∗ 13 30 = − 0.333 Q_{AC} = 4 - \frac{10*13}{30} = -0.333 QAC=4−3010∗13=−0.333
A→E: Q A E = 1 − 10 ∗ 9 30 = − 2 Q_{AE} = 1 - \frac{10*9}{30} = -2 QAE=1−3010∗9=−2
同样的,我们可以得到所有节点的最大模块度增益的计算结果:
B→C: Q B C = 2 − 7 ∗ 13 30 = − 1.033 Q_{BC} = 2 - \frac{7*13}{30} = -1.033 QBC=2−307∗13=−1.033
C→D: Q C D = 7 − 13 ∗ 10 30 = 2.667 Q_{CD} = 7 - \frac{13*10}{30} = 2.667 QCD=7−3013∗10=2.667
D→F: Q D F = 3 − 10 ∗ 11 30 = − 0.667 Q_{DF} = 3 - \frac{10*11}{30} = -0.667 QDF=3−3010∗11=−0.667
E→F: Q E F = 8 − 9 ∗ 11 30 = 4.7 Q_{EF} = 8 - \frac{9*11}{30} = 4.7 QEF=8−309∗11=4.7
小于0则不进行社区划分,大于0则取最大的模块度增益对应节点进行合并,合并之后我们得到:
这是初始阶段的合并的结果,然后算法继续运行:
红色→黄色: Q r y = 6 − 7 ∗ 9 10 = − 0.3 Q_{ry} = 6 - \frac{7*9}{10} = -0.3 Qry=6−107∗9=−0.3
红色→绿色: Q r g = 1 − 7 ∗ 4 10 = − 1.8 Q_{rg} = 1 - \frac{7*4}{10} = -1.8 Qrg=1−107∗4=−1.8
黄色→绿色: Q y g = 3 − 9 ∗ 4 10 = − 0.6 Q_{yg} = 3 - \frac{9*4}{10} = -0.6 Qyg=3−109∗4=−0.6
以红色—>黄色为例,
此外需注意,graph的权重发生了改变,m=10而不是30,因为此时划分出来的社区已经拿走了一部分边的权重,所以实际上整个graph的权重应该去掉社区内的边的权重重新计算!
此时,由上面的计算可以知道模块度增益都是小于0的,迭代停止,此时即为最终的社区划分的结果。
在社区发现的项目中,很容易遇到的问题是:“社区过大,louvain会有outerlier合并到大群的倾向”。换句话说,社区聚类的过程中没有能及时收敛。这里的outerlier可能为节点,也可能为分离小群。
参照一下模块度增量 d e l t a Q delta Q deltaQ的公式 1 2 m ( k i , i n − ∑ t o t k i m ) \frac{ {1}}{2m}(k_{i,in}-\frac{ {∑_{tot}k_i}}{m}) 2m1(ki,in−m∑totki) ,举一个极端的例子,假设某个小群 X X X和某个大群 B B B之间只有一条权重为1的边连接,但是小群除了这一条边之外就没有和任何其它的节点或者社群连接了,此时模块度增量 d e l t a Q delta Q deltaQ公式括号里的第二项为0,此时也是满足模块度增益大于0的,会进行小群和大群的合并,但是从业务逻辑上来说,此时大群和小群不应该进行合并;
更形象化的,以下边这张图来说明:
如果按照启发式/贪婪思想进行”one-step one node“的社区聚类, O 9 、 O 10 、 O 11 O_9、O_{10}、O_{11} O9、O10、O11会被先加入到社区 D D D中,因为在每次这样的迭代中, D D D社区内部的紧密度(不管基于node密度还是edge得modularity评估)都是不断提高,符合算法的check条件,因此, O 9 、 O 10 、 O 11 O_9、O_{10}、O_{11} O9、O10、O11会被加入到社区 D D D中。
随后, O 1 , . . . , O 8 O_1,...,O_8 O1,...,O8也会被逐个被加入到社区D中,加入的原因和 O 9 、 O 10 、 O 11 O_9、O_{10}、O_{11} O9、O10、O11被加入是一样的。
从局部上来看,这些步骤是合理的,但是如果从全局来看,这种做法导致outerlier被错误的聚类到的社区中,导致precision下降。
解决这个问题的方法有两种:
从实施难度上来看,第一种方式更简单 第二种需要修改源码逻辑;
Louvain算法采用的是无向图,无向图模块度的理论值范围时[-1,1]。从 Louvain 分群过程看,算法迭代的目标是增加每个模块的模块度,所以可从分完群后图整体的模块度评价分群质量,模块度越大分群质量越高。(提供一个参考值,一般>0.44 就说明该网络图达到了一定的模块化程度 ,图分群后1级群模块度在0.30.7之间,2级群在0.40.8之间。)
度:在无向图中,与某节点关联的边的条数称为该节点的度。有向图中,则以节点 X X X为弧尾的弧的条数称为节点 X X X 的出度,以节点 X X X 为弧头的弧的条数称为节点 X X X 的入度,而节点 X X X 的度=出度+入度。图中各点度数之和是边(或弧)的条数的2倍。
Wiki:
https://en.wikipedia.org/wiki/Modularity_(networks)
Paper:
Louvain算法原文。
Fast unfolding of communities in large networks
模块度定义作者论文1。
Finding and evaluating community structure in networks
模块度定义作者论文2。
Modularity and community structure in networks
Blog:
Community Detection – Modularity的概念
模块度Q——复杂网络社区划分评价标准
社区发现算法——louvain完全指南(更新,仅适用于无向)
【图算法】社区发现算法——Fast unfolding
社区发现算法 - Fast Unfolding(Louvian)算法初探
模块度与Louvain社区发现算法
【社区发现】Fast-Unfolding算法Python实现
Louvain快速社区发现算法(Fast unfolding算法)
【论文笔记】Fast unfolding of communities in large networks
文章浏览阅读2w次,点赞7次,收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加 外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案,在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建:添加Visual C++ , Win32 项目这......_c#调用lib
文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体,挺好看的。注重颜值的网站都会使用,例如知乎:font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang
文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--action,当提交表单时,向何处发送表单中的数据,地址可以是相对地址也可以是绝对地址--><!--method将表单中的数据传送给服务器处理,get方式直接显示在url地址中,数据可以被缓存,且长度有限制;而post方式数据隐藏传输,_html表单的处理程序有那些
文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证(即Google Authenticator服务)后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器
文章浏览阅读4.3k次,点赞5次,收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距
文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节,实现了多层数据的堆叠,为用户 提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制(CoW)策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的,不建议用于生成环境。_docker 保存容器
文章浏览阅读834次,点赞27次,收藏13次。网络拓扑结构是指计算机网络中各组件(如计算机、服务器、打印机、路由器、交换机等设备)及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式,也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn
文章浏览阅读1.8k次,点赞5次,收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时,通常的做法是:new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的,而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠,也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑,需要做一些额外的特殊处理,笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数,一劳永逸,避免每次ne_date.prototype 将所有 ios
文章浏览阅读5.3k次。方法一:用PLSQL Developer工具。 1 在PLSQL Developer的sql window里输入select * from test for update; 2 按F8执行 3 打开锁, 再按一下加号. 鼠标点到第一列的列头,使全列成选中状态,然后粘贴,最后commit提交即可。(前提..._excel导入pl/sql
文章浏览阅读83次。Git常用命令速查手册1、初始化仓库git init2、将文件添加到仓库git add 文件名 # 将工作区的某个文件添加到暂存区 git add -u # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,不处理untracked的文件git add -A # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,包括untracked的文件...
文章浏览阅读202次。分享119个ASP.NET源码总有一个是你想要的_千博二手车源码v2023 build 1120
文章浏览阅读1.8k次。版权声明:转载请注明出处 http://blog.csdn.net/irean_lau。目录(?)[+]1、缺省构造函数。2、缺省拷贝构造函数。3、 缺省析构函数。4、缺省赋值运算符。5、缺省取址运算符。6、 缺省取址运算符 const。[cpp] view plain copy_空类默认产生哪些类成员函数