clustering

你的inputs和targets的数据的名字怎么都叫data 呀，你是不是在选择了inputs之后又进行了什么操作。其实没有什么行列要求的，只要你的输入和输出的行相等(此时选中matrix row)或者列相等（此时选中matrix column ）就行了.至于权重什么的那些这个工具箱会自动帮你搞定的，

聚类是数据分析的一项基本任务。近年来，从深度学习方法中获得灵感的深度聚类获得了最先进的性能，并引起了广泛的关注。目前的深度聚类方法通常利用深度学习强大的表示能力来提高聚类结果，例如autoencoder，这表明学习一种有效的聚类表示是一个至关重要的要求。深度聚类方法的优点是从数据本身中提取有用的表示，而不是从数据的结构中提取有用的表示，这在表示学习中很少受到关注。基于图卷积网络(GCN)在图结构编码方面取得的巨大成功，我们提出了一种结构化深度聚类网络(SDCN)，将 结构信息 整合到深度聚类中。具体来说，我们设计了一个 传递算子 ，将自动编码器学习到的表示转换到相应的GCN层，并设计了一个 双自监督机制 来统一这两种不同的深层神经结构，引导整个模型的更新。通过这种方式， 从低阶到高阶的多种数据结构自然地与自动编码器学习到的多种表示相结合 。此外，我们从理论上分析了传递算子，即通过传递算子，GCN将自编码器特有的表示改进为高阶图正则化约束，而自编码器有助于缓解GCN中的过平滑问题。通过全面的实验，我们证明我们所提出的模型可以始终比最先进的技术表现得更好。 论文关注点：在DEC的单视图深度聚类的模型中扩展了关于结构信息的捕获，并使用GCN结构来捕获。在相比于GAE的结构，关于GCN的部分并没有采用临接矩阵的重建来进行监督，而是在此基础上利用聚类的目标分布信息 构造了另外的 结构分布 ，以量化结构信息的监督。 图注： 和 分别是输入数据和重建数据。 和 分别是DNN和GCN模块第 层的输出。不同的颜色代表从DNN中学习到的不同的表征 。蓝色实线表示目标分布 是由分布 计算出来的，两条红色虚线表示双重自我监督机制。目标分布 同时指导DNN模块和GCN模块的更新。 总述：首先根据原始数据构造一个KNN图。然后将原始数据 和KNN图 分别 输入到AE和GCN中。作者将AE的每一层与相应的GCN层连接起来，这样就可以通过 传递操作符 将特定于AE的表示集成到结构感知的表示中。同时，提出了一种双重自我监督机制来监督AE和GCN的训练过程。 b：一般情况下在介绍AE结构时所说的层数，指的是出去输入层和重建层之外的，第一个隐藏层到Code层的层数 DNN模块采用的是具有 层的基础AE结构，这里将不进行赘述。 step-：获得第 层的卷积操作输出结果 对于每一层的结果的卷积操作是与图神经一致的，但是在输出的构造上，作者连接了DNN模块对应层的表示形式（will be propagated through the normailized adjacency matrix），如图中选择了平衡因子来组合来自DNN和GCN的信息。 step-：但对于第一层的输出只保留了来自原始 。 step-：在关于结构信息分布的构造上，则是采用了多分类的softmax层获取。 结果 表示概率样本 属于聚类中心 ，我们可以将 视为概率分布。 目标函数优点: (1)与传统的多分类损失函数相比，KL散度以一种更加“温和”的方式更新整个模型（soft labels），防止数据表示受到严重干扰; (2) GCN和DNN模块统一在同一个优化目标上，使其在训练过程中结果趋于一致。 因为DNN模块和GCN模块的目标是近似目标分布 ，而这两个模块之间有很强的联系，所以称其为双重自我监督机制。 论文中使用GCN+不同层AE的表达以添加结构，实验结果验证了模型的有效性，并且给出了理论支持。整体实验很完整。对于样本间关系的构造上，给出了新的思路，并且开启了关于总体样本结构的进一步探索。 关于理论支持这一块没有看，待续。。

from sklearn.cluster import SpectralClustring as SC# X is the data you want to make cluster onspectral_cluster = SC(n_clusters=256).fit(X)result = spectral_cluster.labels_

一般常见有两种原因：一是：matlab版本过低，你需要在调用语句之前定义好函数，或者新建脚本定义函数；二是：你这代码就是抄来的，没抄全，这个函数的调用没抄；

u2003u2003Triangle Count（三角形计数）用来确定图中每个节点的跟其1-hop的点直接能够形成三角的个数。三角形是由三个节点组成的集合，三个节点中的每个节点与其他两个节点都有直接相连的关系。可以通过全局运行三角形计数算法，评估整个数据集的整体聚合情况。具有大量三角形的图网络更有可能表现出小世界性（small-world）。 u2003u2003Clustering Coefficient（聚类系数）用来度量一个图的聚类程度，聚类系数分为局部聚类系数（Local Clustering Coefficient）和全局聚类系数（Global Clustering Coefficient）。一个节点的局部聚类系数表明其邻节点之间也互相连接的程度。局部聚类系数的计算使用需要使用两倍的三角形计数作为分子，使用三元组计数作为分母，来度量出现的三角形数与可能出现的三角形数，某个节点的聚类系数越大，表明这个节点周围的节点之间有关系的程度越高，表明这个群组聚集度越高，最高值为1，表明一个节点周围的所有点之间都有关系。 u2003u2003三角形计数的计算公式非常简单，即一个顶点1-hop的邻居节点之间存在的边个数。 其中 表示节点 周围任意两个邻居节点之间的关系数。 u2003u2003局部聚类系数的计算公式依赖三角形计数。其计算公式如下： 其中 表示节点 周围任意两个邻居节点之间的关系数， 表示顶点 的度。 全局聚类系数主要是跟三元组相关，计算公式如下： 其中 如上图（a）所示， ，如上图（b）所示， 。 如上图（c）所示， ，如上图（d）所示， 。 至于GCC，由于计算量比较大，我选择一个简单的图，如下图所示。其中 u2003u2003Triangle Count和Clustering Coefficient主要用来评估特定网络的内聚性和节点的聚合度，可以用来进行社交网络分析和欺诈分析。

谱聚类概念 ： 谱聚类是一种基于图论的聚类方法，通过对样本数据的拉普拉斯矩阵的特征向量进行聚类，从而达到对样本数据聚类的母的。谱聚类可以理解为将高维空间的数据映射到低维，然后在低维空间用其它聚类算法（如KMeans）进行聚类。 算法步骤 1 计算相似度矩阵 W 2 计算度矩阵 D 3 计算拉普拉斯矩阵L=D-W 4 计算L的特征值，将特征值从小到大排序，取前k个特征值.将这个特征值向量转换为矩阵 5 通过其他聚类算法对其进行聚类，如k-means 详细公式和概念请到 大佬博客 相比较PCA降维中取前k大的特征值对应的特征向量，这里取得是前k小的特征值对应的特征向量。但是上述的谱聚类算法并不是最优的，接下来我们一步一步的分解上面的步骤，总结一下在此基础上进行优化的谱聚类的版本。 python实现 例子一：使用谱聚类从噪声背景中分割目标 效果图 例子2：分割图像中硬币的区域 效果图 注意 1）当聚类的类别个数较小的时候，谱聚类的效果会很好，但是当聚类的类别个数较大的时候，则不建议使用谱聚类； （2）谱聚类算法使用了降维的技术，所以更加适用于高维数据的聚类； （3）谱聚类只需要数据之间的相似度矩阵，因此对于处理稀疏数据的聚类很有效。这点传统聚类算法（比如K-Means）很难做到 （4）谱聚类算法建立在谱图理论基础上，与传统的聚类算法相比，它具有能在任意形状的样本空间上聚类且收敛于全局最优解 （5）谱聚类对相似度图的改变和聚类参数的选择非常的敏感； （6）谱聚类适用于均衡分类问题，即各簇之间点的个数相差不大，对于簇之间点个数相差悬殊的聚类问题，谱聚类则不适用； 参考 谱聚类算法介绍 sklearn官网

摘要翻译 ： 多重聚类旨在探索alternative（替代性，可选择的）聚类，以从不同角度将数据组织成有意义的组别。现有的多种聚类算法是为单视图数据设计的。我们假设可以利用多视图数据的个性（异质性）和共性（共享性）来生成高质量和多样化的聚类。为此，我们提出了一种新颖的多视图多聚类（MVMC）算法。MVMC采用多视图自我表示学习，以探索分视图个性编码矩阵以及学习多视图数据的共享共性矩阵。使用Hilbert-Schmidt独立准则（HSIC），它还可以减少矩阵之间的冗余度（即增强个性），并通过强制共享矩阵在所有视图之间保持平滑来收集共享信息。然后，它将单个矩阵与共享矩阵一起使用矩阵分解，以生成各种高质量的聚类。我们进一步扩展了对多视图数据的多重co-clustering，并提出了一种称为多视图多共聚（Multi-view Multiple Co-Clustering，MVMCC）的解决方案。我们的经验研究表明，MVMC（MVMCC）可以利用多视图数据来生成多个高质量和多样化的聚类（共聚类），其性能优于最新方法。 模型图 ： 从模型图中也可以清晰的看出，对于同一个多视图对象信息而言，具有两个可选的（可代替的）聚类（texture+shape和color+shape），即个性（texture和color）和共性（shape）的组合方法。从此示例中，可以看到，多视图数据不仅包括用于生成高质量聚类的共性信息（如多视图聚类那样），还包括用于生成各种聚类的个体（或特定）信息（如多重聚类（multiple clustering）所要达到的目的一样）。 目标函数设定 MVMC首先扩展了多视图自我表示学习，以探索 个性信息编码矩阵 和 跨视图共享的共性信息矩阵 。为了从多个视图中获得更可信的公共信息，强制公共信息矩阵在所有视图之间均保持平滑。并且因为具有统一的目标函数，所以可以利用个性来生成各种聚类，同时可以利用共性提高生成聚类的质量。 如作者所说，U代表共性矩阵，而D^k代表的是m个视图中存在的h个个性矩阵中的第k个。在一般的表示学习中，h=m。是因为数据样本可以表示为子空间中其他样本的线性组合，这种假设也广泛的应用在稀疏表示和低秩表示学习中。 为了增强多视图数据个性中的多样性，论文使用了HSIC计算两个个性矩阵之间的相关性。 用于计算任意两个个性矩阵的相似性和依赖性，对于其中用到的K矩阵和H矩阵都进行了定义。 为最小化h个个性矩阵减少之间的依赖性，论文定义了如下约束： 同理为了更好的获取共享信息的矩阵，也进行相应的约束： Given the equivalence between matrix factorization based clustering and spectral clustering (or k-means clustering)，为探索不同的k个聚类，作者使用了在U+D^k的矩阵上进行矩阵分解得到个性矩阵和共享矩阵使用如下的方式： so，优化目标 通过求解方程（6），我们可以通过利用多个视图的共性和个性信息同时获得多个质量的聚类。 在优化方式上，依旧是选择了迭代优化的方法。 结论： 在本文中，我们提出了一种从多视图数据生成多个聚类（共聚类）的方法，这是一个有趣的但被广泛忽略的聚类主题，涵盖了多视图聚类和多个聚类。 我们的方法利用了多视图数据的多样性和通用性来生成多个聚类，并且胜过了最新的多个聚类解决方案。 我们的研究证实了多视图数据的个性和共性的存在，以及它们对生成高质量高质量聚类的贡献。 将来，我们计划找到一种原则性的方法来自动确定替代聚类的数量，并探索数据视图的加权方案。

步骤如下1.使用coherence3.3+openfire3.7.1+clustering.jar1.2.02.将coherence3.3中的三个jar包coherence.jar+coherence-work.jar+tangosol.jar拷贝到openfire的安装目录的lib下3.将clustering.jar拷贝到openfire的安装目录下的插件plugin包中4.重启服务，登陆到web管理控制台，在clustering目录下设置enable5.再重启服务，登陆管理控制台时，初始化错误异常java.lang.ExceptionInInitializerError at org.jivesoftware.openfire.lockout.LockOutManager.getInstance(LockOutManager.java:58) at org.jivesoftware.openfire.auth.AuthFactory.authenticate(AuthFactory.java:154) at org.jivesoftware.openfire.admin.login_jsp._jspService(login_jsp.java:149) at org.apache.jasper.runtime.HttpJspBase.service(HttpJspBase.java:97) at javax.servlet.http.HttpServlet.service(HttpServlet.java:820) at org.mortbay.jetty.servlet.ServletHolder.handle(ServletHolder.java:487) at org.mortbay.jetty.servlet.ServletHandler$CachedChain.doFilter(ServletHandler.java:1093) at com.opensymphony.module.sitemesh.filter.PageFilter.doFilter(PageFilter.java:39) at org.mortbay.jetty.servlet.ServletHandler$CachedChain.doFilter(ServletHandler.java:1084) at org.jivesoftware.util.LocaleFilter.doFilter(LocaleFilter.java:66) at org.mortbay.jetty.servlet.ServletHandler$CachedChain.doFilter(ServletHandler.java:1084) at org.jivesoftware.util.SetCharacterEncodingFilter.doFilter(SetCharacterEncodingFilter.java:42) at org.mortbay.jetty.servlet.ServletHandler$CachedChain.doFilter(ServletHandler.java:1084) at org.jivesoftware.admin.PluginFilter.doFilter(PluginFilter.java:70) at org.mortbay.jetty.servlet.ServletHandler$CachedChain.doFilter(ServletHandler.java:1084) at org.jivesoftware.admin.AuthCheckFilter.doFilter(AuthCheckFilter.java:146) at org.mortbay.jetty.servlet.ServletHandler$CachedChain.doFilter(ServletHandler.java:1084) at org.mortbay.jetty.servlet.ServletHandler.handle(ServletHandler.java:360) at org.mortbay.jetty.security.SecurityHandler.handle(SecurityHandler.java:216) at org.mortbay.jetty.servlet.SessionHandler.handle(SessionHandler.java:181) at org.mortbay.jetty.handler.ContextHandler.handle(ContextHandler.java:726) at org.mortbay.jetty.webapp.WebAppContext.handle(WebAppContext.java:405) at org.mortbay.jetty.handler.ContextHandlerCollection.handle(ContextHandlerCollection.java:206) at org.mortbay.jetty.handler.HandlerCollection.handle(HandlerCollection.java:114) at org.mortbay.jetty.handler.HandlerWrapper.handle(HandlerWrapper.java:152) at org.mortbay.jetty.Server.handle(Server.java:324) at org.mortbay.jetty.HttpConnection.handleRequest(HttpConnection.java:505) at org.mortbay.jetty.HttpConnection$RequestHandler.content(HttpConnection.java:843) at org.mortbay.jetty.HttpParser.parseNext(HttpParser.java:648) at org.mortbay.jetty.HttpParser.parseAvailable(HttpParser.java:211) at org.mortbay.jetty.HttpConnection.handle(HttpConnection.java:380) at org.mortbay.io.nio.SelectChannelEndPoint.run(SelectChannelEndPoint.java:395) at org.mortbay.thread.QueuedThreadPool$PoolThread.run(QueuedThreadPool.java:488)Caused by: java.lang.IllegalStateException: Unable to access backing cache for Locked Out Accounts. BackingMapManager is a com.tangosol.net.DefaultConfigurableCacheFactory$Manager and backing map is com.tangosol.net.cache.LocalCache at com.jivesoftware.util.cache.ClusteredCache.init(ClusteredCache.java:106) at com.jivesoftware.util.cache.ClusteredCache.(ClusteredCache.java:59) at com.jivesoftware.util.cache.CoherenceClusteredCacheFactory.createCache(CoherenceClusteredCacheFactory.java:177) at org.jivesoftware.util.cache.CacheFactory.createCache(CacheFactory.java:331) at org.jivesoftware.openfire.lockout.LockOutManager.(LockOutManager.java:70) at org.jivesoftware.openfire.lockout.LockOutManager.(LockOutManager.java:33) at org.jivesoftware.openfire.lockout.LockOutManager$LockOutManagerContainer.(LockOutManager.java:37) ... 33 more起初怀疑是coherence与openfire的版本不兼容，之后试了coherence3.7.1，coherence3.6.1，coherence3.5，coherence3.4与openfire3.7.1、openfire3.6.4的各种排列组合均报异常。

http://en.wikipedia.org/wiki/Volatility_clustering

CLP和REACH是两部不同的欧盟法规，针对化学品。（一）CLP法规CLP法规（Classification,labelingandpackaging）即欧盟1272/2008号法规，全称为物质和混合物(配制品)的分类、标签和包装法规。同时，CLP法规也是全球统一的分类与标签系统(GHS)在欧盟的具体体现，已于2009年1月20日正式生效。CLP法规生效后，企业的义务：1、提供并传递符合CLP的安全数据表(SDS)。SDS旧称为MSDS。2、协同进口商进行分类标签(C&L)通报（二）REACH法规欧盟于2008年6月1日开始实施，全称为“Registration,Evaluation,AuthorisationandRestrictionofChemicals”的化学品注册、评估、许可和限制法规（以下简称REACH法规），注册是该法规下最主要的义务。注册物质范围：●投放欧盟市场超过1吨/年的化学物质；●投放欧盟市场的配制品中超过1吨/年的化学物质组分；●投放欧盟市场的物品中有意释放的化学物质，且总量超过1吨/年。注：物品中有意释放物质：在正常或合理可预见的使用情况下有意从物品中释放的物质，通常为了实现该物品的某种辅助功能，如橡皮中的香味物质。注册主体：●欧盟境内的物质、配制品、物品生产商：●欧盟境内的物质、配制品、物品进口商；●非欧盟物质、配制品、物品生产商：必须通过欧盟境内的唯一代表（OR）来履行注册义务。

propensity [ prəu"pensiti ] n. 倾向，习性；癖好，偏爱 patent [ "peitənt ] vt. 授予专利；取得…的专利权 adj. 专利的；新奇的；显然的 n. 专利权；执照；专利品 对专利的偏爱clustering [ "klʌstəriŋ ] n. 聚集，收集；[计]分类归并 v. 使成群（cluster的现在分词） clustering 是cluster(聚集，收集)的名词形式,常常译为:集群不过,具体要看上下文的.知识在于点滴积累，更在于不懈努力。祝你学习进步，更上一层楼！——另外，正在冲采纳率，请记得采用，谢谢合作！(*^__^*)

(1) 可伸缩性(scalability)。实际应用要求聚类算法能够处理大数据集，且时间复杂度不能太高(最好是多项式时间)，消耗的内存空间也有限。目前，为了将算法拓展到超大数据库(VLDB)领域，研究人员已经进行了许多有益的尝试，包括：增量式挖掘、可靠的采样、数据挤压(data squashing)等。其中，数据挤压技术首先通过扫描数据来获得数据的统计信息，然后在这些统计信息的基础上进行聚类分析。比如BIRCH 算法中使用CF树就是属于数据挤压技术。(2) 能够处理不同类型的属性。现实中的数据对象己远远超出关系型数据的范畴，比如空间数据、多媒体数据、遗传学数据、时间序列数据、文本数据、万维网上的数据、以及目前逐渐兴起的数据流。这些数据对象的属性类型往往是由多种数据类型综合而成的。(3) 能够发现任意形状的簇。(4) 尽量减少用于决定输入参数的领域知识。(5) 能够处理噪声数据及孤立点。(6) 对输入数据记录的顺序不敏感。(7) 高维性(high-dimensional)。一个数据集可能包含若干维。较高的维数给聚类分析带来两个问题：首先，不相关的属性削弱了数据汇聚的趋势，使得数据分布非常稀疏。尽管这种情况在低维空间中并不多见，但是随着维数的增加，不相关属性的出现概率及数量也会增加，最后导致数据空间中几乎不存在簇。其次，高维使得在低维中很有效的区分数据的标准在高维空间中失效了。如在高维空间中，数据点到最近邻点的距离与到其他点的距离没有多少分别，从而导致最近邻查询在高维空间中不稳定，此时若根据接近度来划分簇，结果是不可信的。

首先我们先来认识一下什么是聚类任务。 聚类是“无监督学习（unsupervised learning）”中重要的一种。其目标是：通过对无标记的训练样本学习，来揭示数据内在的性质以及规律，为进一步的数据分析做基础。聚类的结果是一个个的簇（Cluster）。所以来说，聚类通常作为其他学习算法的先导，比如在分类问题中，常常先做聚类，基于聚类的不同簇来进行分类模型的训练。 我们先来认识一下聚类算法涉及到两个基本问题：性能度量 & 距离计算。后面我们再具体讲解聚类的经典算法。 由于聚类算法是无监督式学习，不依赖于样本的真实标记。所以聚类并不能像监督学习例如分类那样，通过计算对错（精确度/错误率）来评价学习器的好坏或者作为学习器的优化目标。一般来说，聚类有两类性能度量指标：外部指标和内部指标 所谓外部，是将聚类结果与某个参考模型的结果进行比较， 以参考模型的输出作为标准，来评价聚类的好坏。 假设聚类给出的结果为 λ，参考模型给出的结果是λ*，则我们将样本进行两两配对，定义： 内部指标不依赖任何外部模型，直接对聚类的结果进行评估。直观来说： 簇内高内聚，簇间低耦合 。定义： 我们从小学的距离都是欧氏距离。这里介绍几种其他的距离度量方法： 这里对于无需属性我们用闵可夫斯基距离就不能做，需要用VDM距离进行计算，对于离散属性的两个取值a和b，定义： 所以在计算两个样本的距离时候，将两种距离混合在一起进行计算： 原型聚类即“基于原型的聚类（prototype-based clustering）”，原型指的是样本空间中具有代表性的点（类似于K-Means 选取的中心点）。通常情况下来说，算法现对原型进行初始化，然后对原型进行迭代更新求解。而不同的初始化形式和不同的求解方法，最终会得到不同的算法。常见的 K-Means 便是基于簇中心来实现聚类；混合高斯聚类则是基于簇分布来实现聚类。下面我们具体看一下几种算聚类算法： K-Means 聚类的思想十分简单， 首先随机指定类中心，根据样本与类中心的远近划分类簇；然后重新计算类中心，迭代直至收敛。 实际上，迭代的过程是通过计算得到的。其根本的优化目标是平方误差函数E： 其中 u_i 是簇 C_i 的均值向量。直观上来看，上式刻画了簇内样本围绕簇均值向量（可以理解为簇中心）的紧密程度，E值越小，则簇内样本的相似度越高。 具体的算法流程如下： 书上还给出了基于具体西瓜样本集的计算过程说明。可以看一下。 LVQ 也是基于原型的聚类算法，与K-Means 不同的是， LVQ使用样本的真实类标记来辅助聚类 。首先，LVQ根据样本的类标记，从各类中分别随机选出一个样本作为该类簇的原型，从而形成了一个 原型特征向量组 ，接着从样本集中随机挑选一个样本，计算其与原型向量组中每个向量的距离，并选取距离最小的向量所在的类簇作为该样本的划分结果，再与真实类标比较： 可以看到，K-Means 和 LVQ 都是以类中心作为原型指导聚类，而高斯混合聚类则采用 高斯分布 来描述原型。现在假设每个类簇中的样本都服从一个多维高斯分布，那么空间中的样本可以看做由K个多维高斯分布混合而成。 多维高斯的概密为： 密度聚类是基于密度的聚类，它从个样本分布的角度来考察样本之间的 可连接性 ，并基于可连接性（密度可达）不断拓展疆域（类簇）。最著名的就是DBSCAN（Density-Based Spatial Clustering of Applications with Noise），首先我们需要明白以下概念： 层次聚类试图在不同层次对数据集进行划分，从而形成属性的聚类结构。 这里介绍一种“自底向上”结合策略的 AGNES（AGglomerative NESting）算法。假设有N个待聚类的样本，AGNES算法的基本步骤如下： 可以看出其中最关键的一步就是 计算两个类簇的相似度 ，这里有几种度量方法： （1）单链接（singal-linkage）：取类间最小距离

Cassandra中的Key有如下三种类型 每张表都需要有主键。主键可以是一个字段或者多个字段的组合。每条记录的主键必须唯一。举个例子 这个数据表的主键有多个字段，称做复合主键。 Cassandra 根据分区键，使用一致性哈希算法，把数据分配到集群的各个机器上。一个机器可以包含多个分区。 Cassandra 保证同一分区键的数据都在一台机器上。通过合理的设置分区键，可以让你的查询让尽量少的机器处理，提升查询的效率 对于单主键字段来说，分区键和主键是同一个字段。 对于复合主键字段来说，默认情况下，分区键是复合主键的第一个字段。如上例中，分区键是 club 字段 可以通过括号来将分区键指定为多个字段，如将上面 CQL 的11行修改为 Clustering Keys决定了分区内数据的排序。让我们再看一下最初的例子 在主键中的字段，除了分区键外都是 clustering key 。既然 club 是主键，那么 league name kit_number position goals 是Clustering key。你可以定义 clustering key 中每个字段的升降序。可以将 kit_number 降序、 goals 升序 排序顺序与主键中字段的顺序相同。因此，在上面的例子中，数据是按照如下布局的 定义不同字段升降序的语法如下(默认为升序)