社会学科能管人，自然科学只能管机器（管人也行，但够呛），文科多数为前者，你说呢

用了 AI 后，觉得语文越来越重要，哈

霜叶红于二月花

根据异地备灾思想，至少 30%移出到其他地方；还有 30%不动或可随时无损、低损取回的极低风险途径； 30%可作风投，剩下 10%（定时补足）用于改善生活

这个是数据归一化+分类处理
数据实际值为 a1, a2 ，分类标准为 b ，寻找 a1/a2/b 对应关系
如果 b 为准确的、不可变的，一般有两种做法
1. a1/a2 分别向 b 分类(逼近)，b 相同则 a1/a2 为对应
2. 如果 a1/a2 有较容易匹配的关系，可以将其中一个设为分类标准 A ，另一个为 A1 ，A1 向 A 寻找对应关系，然后将 A 和 b 寻找对应关系，这样三者也能建立对应关系

此题“客户需求场景”为 b ，“商品供应方”和“商品需求方”为 a1,a2
现在 b 有几十万，涵盖是比较高的，而且入库标准就是 b ，应该不是大到小的聚类，而是直接特征匹配；所以两端逼近法可能合适，a1/a2 各自找出“特征”，和 b 匹配

现在关键是不知道这些数据中 a1/a2 是怎么描述的，如果关键字明显，基本做文字匹配就可以了；但如果不明显，例如你说的同一个参数名好几种名称叫法，这可能需要一个字典（相当于人工打 tag ）

不过以目前 llm 的理解能力，都不容易做，估计反向验证步骤少不了，甚至需要人工验证

我的 pad 只有 wifi ，我的电脑只有网线

新版 Chromium(我这是 128)/Tampermonkey 已修复这个问题了，Tampermonkey > 5.3 ，不记得是 5.2.3 还是 5.3

windows
python 多进程还有很多消耗，基本上达不到 total/n 这么完美的效果
然后，你需要一些特殊的包，控制 CPU 亲和度，把闲置的 CPU 核分给进程
另外，我的经验是外部跑一些消耗的软件，如播放器、浏览器，python 多进程的效率会大幅降低，只有保留 CPU 专用，才能保持一个相对较高效率
还有内存，当内存用满，也是会大幅效率降低

如果数据不是十份庞大，多进程提升不大，数据庞大且内存足够，建议想办法跑 numba ，如果实在难以跑 numba ，也要尽量用 np/pd 的向量函数

你这里用了大量 append ，考虑一下换成一次生成的思路
或者改写方式，就是预置长度，所有元素为默认值，然后定位再赋值计算结果

现代城市人除非素食者、有疾病(吸收方面)，或者受伤后，不然不需要刻意补充蛋白，因为肉类和鸡蛋已经足够，不会 OP 就是素食者吧？

给个提示：噪音源不一定就是垂直的楼上，如果一些事情对不上，估计是其他住户的噪音传过去的

外地人去北京，感觉走完所有景点要 10 天以上才行，所以选一些适合自己的或者特别想去的，攻略一下哪些比较耗时在排队等待，基本五天行程就满了

@xiaocongcong1 #12
我刚买的冰箱就是，8 月底还是 5399 ，9 月一天跳水到 3999 （国保前价格），应该就是因为国保开始，各家都开始卷了，这利润真心服，我看比价插件的历史价格，都怀疑是不是插件的数据搞错了

现在是百亿补贴，你买的时候也是百亿补贴么？
而且 84XX 或者你说的 83XX ，好象是领券才有的价格

不论你是否价保成功，给个经验是，不应在 9 月中下旬买，除非急需
双 11 多是十月开始，对比前一个月肯定有差价，甚至 9 月有可能故意抬价，耐心观望半个月是合适的

@HKViolet #6
并非研究不多，只是这边小学地理就有省份及其产物和铁路分布相关课程，好多知识已经是常识了，不怎么需要特别交流
例如山西产煤，不可能空运或河运，自然就是铁路，这些都是不需要通过互相交流才增加的知识
中国地势西高东低，东部人口密集，东部客运的重要性也不用提就知道

大陆的教育，很早就有教人口分布、资源分布这些知识，中国早期的主要铁路，京广、京沪、陇海，以及本世纪连贯组成的沪昆线，这些都是大家从小熟知的，基本不怎么需要讨论

至于纵向结合深度更深的经济学来研究铁路，貌似也不是这里的人的所长

@anson264556364 #4
理论上 开头加上
// @match *://*/*
就全部支持了，我以前问过他的
因为作者当初的目的是 tag ，不是曾经访问的链接，所以只适配了少数网站

如果有 webdav 的话，也可看看这个 https://www.v2ex.com/t/1066812 ，这个就是专门针对曾经访问过的网页的