方程$ax+by+cz=d$定义了一个平面，此方程的矩阵形式如下： $$\left[ \begin{matrix} a \\ b \\ c \\ \end{matrix} \right] \cdot \left[ \begin{matrix} x \\ y \\ z \\ \end{matrix} \right] =d$$ 上面的式子也可以整理如下： $$\left[ \begin{matrix} a \\ b \\ c \\
已知三角形面积的计算公式为$S=\frac{1}{2}absin\theta$
则由向量$\vec{A}$和$\vec{B}$组成的平行四边形面积为$S=|\vec{A}||\vec{B}|sin\theta$
设$\vec{A'}$为向量$\vec{A}$逆时针旋转$90°$的结果，$\vec{A'}$与$\vec{B}$的夹角为$\theta'=\frac{\pi}{2}-\theta$
则平行四边形面积为$S=|\vec{A'}||\vec{B}|cos\theta'=\vec{A
向量$\vec{A}$主要由长度$|A|$和方向$dir(A)$组成，起点和终点不固定
$$\vec{A}\cdot \vec{B}=\Sigma a_ib_i=|\vec{A}||\vec{B}|cos\theta$$ 点乘的结果是一个常数，同时包含了向量长度信息和夹角信息
点乘的证明（基于向量版余弦定理）：
- 定义向量$\vec{A}$和向量$\vec{B}$，量向量夹角为$\theta$
- 定义向量$\vec{C}=\vec{A}-\vec
本文内容主要摘自：
《Is something better than pandas when the dataset fits the memory?》
代码地址
性能对比主要围绕5个操作展开：
作者：Dataversity公司
关键字：
Chinese Whispers（简称CW）算法，是一种无监督的图聚类算法
CW算法运行效率高，但结果存在不确定性，常用于人脸聚类或文本聚类
以人脸聚类为例，先进行图的初始化（构建无向加权图）：每个人脸图片为一个节点，不同节点通过计算相似度，然后连接相似度超出指定阈值的节点，并以相似度作为边的权重
算法步骤
- 对于N个人脸样本，每个样本节点先单独成簇（自成一类）
- 遍历所有节点，根据每个节点的邻节点所属类别，计算权重累加
- 修正节点类别，选择最终累加权重最高的类别
- 如果有多个权重最高的类别，
DOI：10.4