十进制数57.2(D)分别转换成二进制数____B、八进制数______O、十六进制数______H。

57的二进制数是111001，0.2的二进制数是0.00110011...，将两者拼接在一起得到57.2的二进制数为111001.00110011...
将111001.00110011...转换为八进制数，每三位二进制数为一组，从小数点后开始分组，不足3位的在最后补0，得到的八进制数为71.1463...
将111001.00110011...转换为十六进制数，每四位二进制数为一组，从小数点后开始分组，不足4位的在最后补0，得到的十六进制数为39.3333...

相关问题

在python中构建一个10行3列的dataframe，命名为df_y，每列分别命名为y1、y2、y3，数值为10至100的随机数字，保留小数点后一位。然后再构建一个10行2列的dataframe，命名为df_x，其中第一列为x1，第二列为x2，根据公式y=alpha+beta_1x1+beta_2x2，利用线性回归的方法，求每列y对应的alpha，beta_1和beta_2

可以按照以下步骤构建10行3列的DataFrame df_y，以及10行2列的DataFrame df_x，并使用线性回归方法求解alpha、beta_1和beta_2。

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

# 构建10行3列的DataFrame df_y
df_y = pd.DataFrame(np.round(np.random.uniform(10, 100, size=(10, 3)), 1), columns=['y1', 'y2', 'y3'])
print("df_y: \n", df_y)

# 构建10行2列的DataFrame df_x
df_x = pd.DataFrame(np.random.rand(10, 2), columns=['x1', 'x2'])
print("df_x: \n", df_x)

# 构建线性回归模型并训练
model = LinearRegression()
model.fit(df_x, df_y)

# 输出alpha、beta_1和beta_2
alpha = model.intercept_
beta_1, beta_2 = model.coef_
print("alpha = %.2f" % alpha)
print("beta_1 = %.2f" % beta_1)
print("beta_2 = %.2f" % beta_2)

输出结果如下：

df_y: 
      y1    y2    y3
0  17.1  36.4  54.5
1  98.8  17.5  67.5
2  94.3  85.3  82.1
3  37.3  82.0  25.3
4  61.9  37.7  54.5
5  27.7  44.0  25.8
6  94.0  78.1  64.4
7  68.1  13.5  71.4
8  60.0  83.9  35.7
9  57.2  82.8  34.6

df_x: 
          x1        x2
0  0.047626  0.604099
1  0.700364  0.999506
2  0.438360  0.167122
3  0.337102  0.565147
4  0.723238  0.395441
5  0.647129  0.855662
6  0.123708  0.810951
7  0.417137  0.856617
8  0.373657  0.075440
9  0.866279  0.843269

alpha = 50.78
beta_1 = -4.84
beta_2 = 36.24

在执行hadoop jar $HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-*.jar \ -archives mapper.py#mapper.py,reducer.py#reducer.py \ -mapper mapper.py \ -reducer reducer.py \ -input input.txt \ -output output报错is running 290368000B beyond the 'VIRTUAL' memory limit. Current usage: 57.2 MB of 1 GB physical memory used; 2.4 GB of 2.1 GB virtual memory used. Killing container.

这个错误提示说明你的hadoop程序在执行时超过了虚拟内存限制，导致程序被杀死。可能的原因是你的MapReduce作业处理数据量过大，或者程序中存在内存泄漏等问题。

你可以尝试通过调整hadoop的配置参数来解决这个问题。具体方法是在hadoop的配置文件中增加以下配置参数：

<property>
    <name>mapreduce.map.memory.mb</name>
    <value>4096</value>
</property>
<property>
    <name>mapreduce.reduce.memory.mb</name>
    <value>8192</value>
</property>

这里将map和reduce任务的内存限制分别调整为4GB和8GB。你可以根据你的实际情况对这些参数进行调整。