sympy有个vector 模块，里面提供了求解标量场、向量场的梯度、散度、旋度等计算,官方参考连接： http://docs.sympy.org/latest/modules/vector/index.html sympy中计算梯度、散度和旋度主要有两种方式： 一个是使用∇∇算子，sympy提供了类Del()，该类的方法有：cross、dot和gradient，cross就是叉乘，计算旋度的，dot是点乘，用于计算散度，gradient自然就是计算梯度的。 另一种方法就是直接调用相关的API：curl、divergence和gradient，这些函数都在模块sympy.vector 下面

散点的聚类.rar

本文参考自<>章节33.3 寻找凸包,用C++实现了,Grahan和Jarvis两种算法求平面散点集的凸包,注释详细,代码精简,并用OpenGL绘制出所求结果予以验证.

Python到AQA伪代码 一个用python编写的简单的散列在一起的转换器，用于将python程序转换为AQA Computer Science伪代码推荐的语法。 这是最初为我自己的程序编写的，因此某些部分可能无法正常工作，请随时进行派生和更改（并创建拉取请求） 它远非完美，但适用于简单到中等复杂度的程序 该程序是用python 2.7编写的，但可以轻松转换python 3程序 初始伪代码规范可以在以下位置找到： 如何使用 获取python-pseudocoder.py的副本在文本编辑器中打开文件并找到pythonFile =“ test.py” 将test.py修改为要转换的python文件的完整路径。 然后运行python-pseudocoder.py 要运行，您可以在IDLE中点击运行，也可以打开一个终端，进入目录并运行python python-pseudocoder.py

基于echarts 的散点图，还需要引用 jquery echarts.js.

随机散斑 一个简单的散斑图案建模程序

国际上对外公布的KCS标准船模，从事船舶领域的同志可研究使用。

全k近邻（all k-nearest neighbor，AkNN）查询，是k近邻查询的一个变型，旨在在一个查询过程中为给定数据集的每个对象确定k个最近邻。提出了一种在Hadoop分布式平台下处理高维大数据的AkNN查询算法。首先使用行条化思想结合p-stable LSH算法将高维数据对象降维，然后结合空间填充曲线Z-order的优良特性，把降维后的数据嵌入一维空间中，接着进行范围查询。整个过程使用MapReduce框架分布式并行处理。实验结果表明，所提出的算法可以高效处理高维大数据的AkNN查询。

板散车间的竞聘报告问答题.docx

这是一个用散列表实现电话号码查找系统。 基本要求： 1) 设每个记录有下列数据项：电话号码、用户名、地址； 2) 从键盘输入各记录，分别以电话号码和用户名为关键字建立散列表； 3) 采用一定的方法解决冲突； 4) 查找并显示给定电话号码的记录； 5) 查找并显示给定用户名的记录。