@sujin190 我这里也有个类似的需求，Python 在线生成 .so 然后 import 做计算的。.so 是根据上传的文本产生 C++ 代码然后编译出来 python 模块。。。所以用了个 subprocess

@iyaozhen 来自 php 时代的 trick （ php-fpm ）：后台进程负责 import cache ，过一段时间就杀死。这样就能从头再来了。

按照楼主的 3 个字符哈希算法，当有 100 个手机号时发生哈希冲突的概率就有 12%，500 个就是 95.8%。。。

https://zh.wikipedia.org/wiki/%E7%94%9F%E6%97%A5%E5%95%8F%E9%A1%8C

Scala 不就图它语法糖吗？

pattern matching, case class, 闭包 .... 写起来比 java 快很多啊

不过话说回来除了大厂，哪里会普遍使用 k8s 嘛（抠鼻）

多想不开用 go 写业务系统。。。。写写中间件啊，或者需要往 k8s 上怼的微服务啊。

@DuDuDu0o0

“二项只能用在单位时间内发生一个现象的情况，所以下暴雨这个现象不能用“年”这个单位时间。”

没错，所以 @xsx107 也说了，"柏松分布 P （ Y=2 ）算出来的是在两年区间内，任意时间发生两次的概率，所以跟第一年发生有且只有一次，同时第二年发生有且只有一次，是有区别的。"

直观感觉一下你们这两句话说的是一件事。只不过 @xsx107 说的太一板一眼的（数学形式定义）了，而我的习惯是用感受数学形式。所以上来我不太适应。

当然我说的不是生活经验去感受。我的倾向是对某个抽象层次建立直观感受以后，用这个抽象层次去理解更高抽象层次的数学概念。直接套公式，纯公式推导我很弱的。我只能先建立对线性空间和正交基的直观理解，我才能理解 PCA 和傅里叶分解，才会推公式解决问题。如果我没理解正交基，我对傅里叶其实一点都不会用。。

所以我对泊松分布这玩意儿的数学形式其实不太会用，直到我用无限小单位时间的二项分布去理解它以后，我才会用了。。。

@xsx107

"最后，你说的没有错，事件发生在时间上是连续的，所以自然不能用二项分布求。如果要用二项分布，可以定义一个新随机变量 V ，该变量符合伯努利分布，是每小时（按你说的 N 很大所以时间区间很小）发生 1/50 年一遇大雨的概率 q=1/50/365/24 （近似值）。然后可以用二项分布求两年（ 24*365*2 小时）内发生两次 50 年一遇大雨的概率。该概率会非常接近 P(Y=2)。"

“柏松分布 P （ Y=2 ）算出来的是在两年区间内，任意时间发生两次的概率，所以跟第一年发生有且只有一次，同时第二年发生有且只有一次，是有区别的。”

同意。所以锅是楼主的，他的问题陈述有点问题（笑~）

@xsx107 我觉得你没有看懂泊松分布。

楼主的 0.007 是令 λ = 2 * (1/50) = 1/25, k = 2 代入泊松分布求得的。他这一做法的问题是 n 太小以至于泊松分布不能有效逼近二项分布。泊松分布和二项分布的关系是在事件可以无限次发生时，无限大 n 之下取二项分布极限得到的连续时间分布。不像二项分布是离散时间分布。

不信你看这个计算结果：

https://ideone.com/iLssqO

```
import numpy as np

Poisson = lambda L,k: np.exp(k * np.log(L) - np.sum(np.log(np.arange(1,k+1))) - L)
Binomial = lambda p,n,k: np.exp(np.sum(np.log(np.arange(1, n+1))) - np.sum(np.log(np.arange(1, k+1))) - np.sum(np.log(np.arange(1,n-k+1))) + k*np.log(p) + (n-k)*(np.log1p(-p)))

# 2 年遇到 2 次 50 年一遇暴雨
print(Poisson(2*(1/50),2))
print(Binomial(1/50,2,2))

# 30 年遇到 4 次 50 年一遇暴雨
print(Poisson(30*(1/50),4))
print(Binomial(1/50,30,4))

# 800 年遇到 17 次 1000 年一遇暴雨
print(Poisson(800*(1/1000),17))
print(Binomial(1/1000,800,17))
```

输出

```
0.0007686315513218588
0.0004000000000000001
0.0029635828349077443
0.002593150704191794
2.844629294599255e-17
2.4372248967573228e-17
```

可以看到 n 很大 p 很小时，泊松分布是二项分布很好的近似。

（上述计算过程全程使用 log 计算，避免精度问题）

ps ，泊松分布一般用于连续分布不需要考虑这么多的原因是，连续分布可以看做无限小时间 δt 内发生某件事的概率都等于一个无限小的 p （连续时间推广的二项分布）。这种模型下显然 n 是无限大，p 是无限小，取极限得到泊松分布

“当二项分布的 n 很大而 p 很小时，泊松分布可作为二项分布的近似，其中λ为 np 。通常当 n≧20,p≦0.05 时，就可以用泊松公式近似得计算。”

你的例子里面 n = 2 ，太小了。

换个 http 服务器比如 caddy 如何

如果是小的私活项目就。。。反正能糊弄就糊弄。

如果是练手项目建议好好做，写规整还不够，你应该总结自己的 best practice ，凝练自己的基础库。

35L 的方法好，先把 tomcat 关了看能不能访问 .jsp 的代码

这是楼主系统的 Sans 字体解析没配置好。。。

爱情是奢侈品。想要百分百完美，你就得一直赢到上流阶级做富一代。富二代也大约是没有婚姻自由的。

@auh 艹易经根本没有什么解读好不好。。。

@auh “没有刻意的任何修饰和任何逻辑，即没有行文结构可言。”
----

这是问题了。这么说吧，人生这条路怎么走这件事，本身就是要逻辑去思考的。大到做什么工作，小到一道菜怎么做，都是要理性思考、总结经验的。不然的话，只会凭感觉走，那肯定是一步一小坎，三步一大坎。

@0attocs | x - y | / | x | <= epsilon or | x - y | / | y | <= epsilon 也并不那么合理。

比如我 delta = x - y 是某一步运算。算到很后面我需要比较 delta 是不是和 0 相等。

那很自然应该 abs(delta) < epsilon 而不是 abs(delta) / abs(delta) < epsilon