我用大象，便宜给得多，可用率没算过，估计不高，冲 10 块钱用一个月

同有 3 层楼的路过，我选择的方案是电力猫，你资金充裕可以选择 mesh AP 这种

如果遇到 words.upper()这样的字符你的程序就失效了啊，字典再扩大一倍？

@kuroismith 程序退出自动序列化，但是事实证明不可行，只能手动调用了

为什么用 GBK 不用 UTF ？

In [1]: from collections import Counter

In [2]: a = [26,3,32,8,15,26]

In [3]: b = [32,29,8,26,3,18]

In [4]: count_a = Counter(a)

In [5]: count_b = Counter(b)

In [6]: sum([min(count_a.get(k,0),count_b.get(k,0)) for k in count_a.keys()] )
Out[6]: 4

@no1xsyzy 谢谢了，可能真的和 ipython 也有关系。另外想问一下，只要在整个程序完全结束前，__del__能被执行就可以了，这样__del__能保证肯定会被执行一次吗？

# 第一次执行

In[67]: p = Proxies()

deque created <---这个是 print 出来的

In[68]: p.size

Out[69]: 40

In[70]: p.get()

Out[71]: {'http': 'http://110.74.199.68:47218', 'cd': 3}

In[72]: del p <---这里没输出任何东西


# 第二次执行

In[78]: p = Proxies()

deque loaded

deque dumped <---怀疑这里是第一次的__del__执行，但是注意是在 loaded 后面输出的

In[79]: p.size

Out[79]: 40 <---如果是先 loaded 再执行第一次的 dumped，这里应该是 0，而不是 40

In[81]: p.get_proxies()

deque dumped <---这里不知道为什么又有一次

In[82]: p.size

Out[82]: 80

In[83]: del p

deque dumped <---这里正确执行了__del__

@owenliang 谢谢，我本来是想让__del__自动帮我执行 pickle，没想到这么不靠谱，还是写个函数手动调用吧

@owenliang 大致意思就是两次执行了创建实例和手动销毁实例，第一次的销毁没有触发析构，第二次手动销毁正确的触发了析构，但是多出了一次莫名其妙的执行析构函数

@kindjeff 显示的 del 并不能触发__del__吗

@no1xsyzy 是的，在 ipython 里，我看流畅的 python 确实说过_为 None 的时候才会执行析构，但是之后也是同样的操作，也没有输出 None，为什么又正常了？而且我在第二次执行 p.get_proxies() 时，这里也出现了一次执行析构函数

18 年初考了 FRM 一级没过，准备 19 年先从简单的 cfa 开始考

@storypanda 貌似你没搞清楚电脑上的内存和硬盘与手机上的运存和内存的关系

@ladypxy 那也简单啊，建个 defaultdict （ list ），key 是（ process，status ），value 是[time]，然后相减，其实就是一个 group by 操作

arch 上有个组叫 gnome，直接安装这个组就能安装上 gnome 使用，你可以和你的已安装列表对一下

gnome 组列表地址： https://www.archlinux.org/groups/x86_64/gnome/

gnome-shell 是依赖链上比较靠后的软件，你可以看看这里的依赖关系，你是否都满足
地址： https://www.archlinux.org/packages/extra/x86_64/gnome-shell/

根据我的目测，gnome-terminal 这个软件依赖挺多的，安装完如果还不能正常启动 X 的话那就重装吧

以上只是作为 arch 用户的经验，不保证能用在 Ubuntu 上，软件名也不一定都一样

刚开始学半个月，就是为了学一门静态语言玩玩，不过我学的不是真正的 C#，因为我在 linux 平台只能用.net core 和 mono

用到了 python pandas 包

df = pd.read_clipboard(header=None)

df.columns = ['process','status','time']

df.groupby(by='process').apply(lambda x:(x.sort_values(by='time').loc[x.status=='end','time'].values - - x.sort_values(by='time').loc[x.status=='start','time'].values).mean())


前提是要保证线程的 start 和 end 的数量是匹配的

写完上面我又想到一个更好的办法，透视表
df_pivot = df.pivot_table( values='time', index='process',columns='status',aggfunc=list)

df_pivot.apply(lambda x:(pd.np.array(sorted(x.end)) - pd.np.array(sorted(x.start))).mean(), axis=1)