Python
例2.39从文件中读入数据示例
import pandas as pd a = pd.read_csv("data2_38_2.csv",usecols=range(1,5)) b = pd.read_excel("data2_38_3.xlsx","Sheet2",usecols=range(1,5)) print("学号：3008")
例2.40DataFrame数据的拆分，合并和分组计算示例
import pandas as pd import numpy as np d = pd.DataFrame(np.random.randint(1,6,(10,4)),columns = list("ABCD")) d1 = d[:4] d2 = d[4:] dd= pd.concat([d1,d2]) s1 = d.groupby('A').mean() s2 = d.groupby('A'
例2.41DataFrame数据操作示例
import pandas as pd import numpy as np a = pd.DataFrame(np.random.randint(1,6,(5,3)), index=['a','b','c','d','e'], columns=['one','two','three']) a.loc['a','one'] =
例2.42 遍历文件data2_2.txt 中的所有行，统计每一行中字符的个数
with open('data2_2.txt') as fp: L1=[];L2=[] for line in fp: L1.append(len(line)) L2.append(len(line.strip())) data = [str(num) + 't'for num in L2] print(L1);print(L2) with open
例2.43随机生成一个数据矩阵
import numpy as np a = np.random.rand(6,8) np.savetxt("data2_43_1.txt",a) np.savetxt("data2_43_2.csv",a,delimiter=',') b=np.loadtxt("data2_43_1.txt") c=np.loadtxt("data2_43_2.csv",delimiter=',') print
例2.45求下列方程组的一组数值解
from scipy.optimize import fsolve,root fx = lambda x:[x[0]**2+x[1]**2-1,x[0]-x[1]] s1=fsolve(fx,[1,1]) s2=root(fx,[1,1]) print(s1,'n','------------------');print(s2) print("学号：3008") 结果如下
Leetcode 1489. 找到最小生成树里的关键边和伪关键边
1.题目基本信息 1.1.题目描述 给你一个 n 个点的带权无向连通图，节点编号为 0 到 n-1 ，同时还有一个数组 edges ，其中 edges[i] = [fromi, toi, weighti] 表示在 fromi 和 toi 节点之间有一条带权无向边。最小生成树 (MST) 是给定图中边的一个子集，它连接了所有节点且没有环，而且这些边的权值和最小。 请你找到给定图中最小生成树的所有关键
数据采集与融合第一次作业
第一次作业报告 本次作业的源码和数据已经上传码云：https://gitee.com/fufubuff/data-collection-and-fusion/tree/master/作业1 | 这个作业属于哪个课程 | https://edu.cnblogs.com/campus/fzu/2024DataCollectionandFusiontechnology | | 本次作业的链接
计量经济学(五)——时间序列分析之ARIMA模型预测
img { display: block; margin-left: auto; margin-right: auto } table { margin-left: auto; margin-right: auto } 时间序列分析（ARIMA）模型是一种广泛用于预测和分析随时间变化的数据模型。ARIMA模型由自回归（AutoRegressive，AR）、差分（Integrated，I）和移动平均
从0开始linux点灯
从0开始linux点灯🐤 大家好啊📲 最近我在学习使用STM32系统板, 起初跟着网上的课程学, 做了很多小实验, 自以为学懂了, 自信去上课, 结果课上老师布置作业让我们用汇编语言点灯, 给我干傻了, 我去, 我看网上教程都是用c调函数实现功能的啊, 咋到你这就要汇编点灯了呢. 于是我就去尝试汇编点灯, 网上找了很多经验, 代码也写得差不多了, 喜闻乐见放到大家最喜欢的keil5里面编译, 结果
pandas中apply报错`incompatible index of inserted column with frame index`的解决办法
源代码 报错信息 incompatible index of inserted column with frame index 问题原因 在Pandas DataFrame中设置一个新列时，新列的索引与DataFrame的索引不匹配导致的 解决办法 拓展： apply方法 apply方法用于将一个函数应用到DataFrame或Series的每一行或每一列上。它非常灵活，几乎可以执行任何自定义操
宝塔面板忘记密码—宝塔面板密码遗忘
通过密保问题找回 登录宝塔官网账户。 进入“我的面板”页面找到对应的服务器。 点击“重置密码”，通过密保问题验证身份后进行密码重置。 SSH登录服务器修改 使用SSH客户端（如PuTTY）连接到服务器。 执行命令 vim /www/server/panel/BTPanel.py 编辑文件。 在文件中找到 def set_panel_pwd(self,pa
【图书推荐】《R语言医学数据分析实践》
本书重点 梅俏、卢龙、丁健、张晟、黄龙、胡志坚、张琼瑶、林志刚等业内专家联袂推荐。 以公共医学数据为例，精选大量的实用案例，深入浅出地介绍统计建模分析方法。 帮助读者解决医学数据分析中遇到的实际问题。 通过实际操作引导读者入门科研论文数据分析。 内容简介 公共医学数据库的应用越来越广泛，利用这些数据库进行论文写作可以显著减少研究成本和时间。《R语言医学数据分析实践》以公共医学数据为例，讲解如何使
DAPLINK 之基于 AIR32F103 制作
目录1 资源2 生成指定工程2.1 Setup2.2 生成工程3 构建 DAPLink3.1 构建 stm32f103xb_bl3.2 编译 stm32f103xb_stm32f103rb_if4 测试 DAPLINK参考附录：STM32 丝印 1 资源 1）官方仓库地址：https://github.com/ARMmbed/DAPLink.git 2）硬件：AIR32F103CBT6 2
【子项目：命令系统（Command System）】C++自制命令系统（ 开发ing | 踩坑记录 ）
项目背景 在某一项目中，遇到了需要自制命令系统的需求，而这个模块的复用性很高，因此单独拉出来做一个子项目 更新日志 [2024.10.15 - 10:00] 增 项目进度 ----[ 2024.10.15 10:00 ]---- 首先实现最基础的输入输出功能，用std::getline读入行再分割成字符串数组 - main.cpp 坑点1：用C++的std::strtok实现python中
从零开始学机器学习——初探分类器
首先给大家介绍一个很好用的学习地址：https://cloudstudio.net/columns 在上一节中，我们已经完成了对所有经过均衡和清洗的菜品数据的准备工作。接下来，我们将考虑使用多种算法，也就是不同的分类器，来构建模型。我们将利用这个数据集和各种分类器，基于一组特定的配料，预测这些菜品属于哪个国家的美食。 在这一过程中，你将深入学习如何评估和权衡不同分类算法的优缺点，以及如何选择最适合
【机器学习(六)】分类和回归任务-LightGBM算法-Sentosa_DSML社区版
@目录一、算法概念二、算法原理（一）Histogram（二）GOSS1、信息增益2、近似误差（三）EFB三、算法优缺点（一）优点（二）缺点四、LightGBM分类任务实现对比（一）数据加载和样本分区1、Python代码2、Sentosa_DSML社区版（二）模型训练1、Python代码2、Sentosa_DSML社区版（三）模型评估和模型可视化1、Python代码2、Sentosa_DSML社区版
【机器学习(十)】时间序列—Holt-Winters方法—Sentosa_DSML社区版
@目录一、Holt-Winters算法原理(一) 加法模型(一) 乘法模型(三) 阻尼趋势二、Holt Winters算法优缺点优点缺点三、Python代码和Sentosa_DSML社区版算法实现对比(一) 数据读入和统计分析(二) 数据预处理(三) 模型训练和模型评估(四) 模型可视化四、总结 一、Holt-Winters算法原理 什么是Holt-Winters预测算法？ Holt-Wint
【机器学习(九)】分类和回归任务-多层感知机 (MLP) -Sentosa_DSML社区版
@目录一、算法概念二、算法原理（一）感知机（二）多层感知机1、隐藏层2、激活函数sigma函数tanh函数ReLU函数3、反向传播算法三、算法优缺点（一）优点（二）缺点四、MLP分类任务实现对比（一）数据加载和样本分区1、Python代码2、Sentosa_DSML社区版（二）模型训练1、Python代码2、Sentosa_DSML社区版（三）模型评估和模型可视化1、Python代码2、Sento
【机器学习(八)】分类和回归任务-因子分解机(Factorization Machines,FM)-Sentosa_DSML社区版
@目录一、算法概念二、算法原理（一） FM表达式（二）时间复杂度（三）回归和分类三、算法优缺点（一）优点（二）缺点四、FM分类任务实现对比（一）数据加载和样本分区1、Python代码2、Sentosa_DSML社区版（二）模型训练1、Python代码2、Sentosa_DSML社区版（三）模型评估和模型可视化1、Python代码2、Sentosa_DSML社区版五、FM回归任务实现对比（一）数据加
【机器学习(十三)】机器学习回归案例之股票价格预测分析—Sentosa_DSML社区版
@目录一、背景描述二、Python代码和Sentosa_DSML社区版算法实现对比(一) 数据读入(二) 特征工程(三) 样本分区(四) 模型训练和评估(五) 模型可视化三、总结 一、背景描述 股票价格是一种不稳定的时间序列,受多种因素的影响。影响股市的外部因素很多,主要有经济因素、政治因素和公司自身因素三个方面的情况。自股票市场出现以来,研究人员采用各种方法研究股票价格的波动。随着数理统计方
【机器学习(十一)】糖尿病数据集分类预测案例分析—XGBoost分类算法—Sentosa_DSML社区版
@目录一、XGBoost算法二、Python代码和Sentosa_DSML社区版算法实现对比(一) 数据读入和统计分析(二)数据预处理(三)模型训练与评估(四)模型可视化三、总结 一、XGBoost算法 关于集成学习中的XGBoost算法原理，已经进行了介绍与总结，相关内容可参考【机器学习(一)】分类和回归任务-XGBoost算法-Sentosa_DSML社区版一文。本文将利用糖尿病数据集，通
【机器学习(十二)】机器学习回归案例之二手汽车价格预测—XGBoost回归算法—Sentosa_DSML社区版
@目录一、算法和背景介绍二、Python代码和Sentosa_DSML社区版算法实现对比(一) 数据读入与统计分析(二) 数据处理(三) 特征选择与相关性分析(四) 样本分区与模型训练(五) 模型评估和模型可视化三、总结 一、算法和背景介绍 关于XGBoost的算法原理，已经进行了介绍与总结，相关内容可参考【机器学习(一)】分类和回归任务-XGBoost算法-Sentosa_DSML社区版一文
Large Language Model大型语言模型
1. 定义Large Language Model，称大规模语言模型或者大型语言模型，是一种基于大量数据训练的统计语言模型，可用于生成和翻译文本和其他内容，以及执行其他自然语言处理任务（NLP），通常基于深度神经网络构建，包含数百亿以上参数，使用自监督学习方法通过大量无标注文本进行训练。例如国外的有GPT-3/4、PaLM、Galactica和LLaMA等，国内的有ChatGLM、文心一言、通义千
创业一年半，我的团队终于走向正轨了！
大家好，我是鱼皮。前段时间我邀请一位知名 UP 主朋友来我们公司玩，我跟他分享了很多我从去年创业以来的经历。 以前讲这些的时候，我都是愁眉苦脸、唉声叹气的；但现在，我多了几分自信和释然，因为在我看来，团队终于走向正轨了！ 终有一天，你会带着微笑说出那些曾经让你痛苦的往事，这就是成长吧。 下面给大家分享一下最近一个月我的工作和生活情况，这次终于有 “生活” 了哦~ 作为一名程序员 + 创业者 + 编
清除openstack导出的qcow2格式的Windows16镜像的管理员密码
由于公司使用的openstack版本太老，无法使用cloudbase-init传递元数据修改win16镜像的管理员密码，所以琢磨其它办法，搞了一个星期。 原理：使用kpartx挂载镜像，然后使用chntpw清空密码，并修改cloudbase-init配置文件里的重置密码选项。 准备环境 系统：centos7.5 磁盘80G（转换win16镜像由qcow2为raw时，占了40G磁盘） kvm 相关环
计量经济学(四)——时间序列相关性的检验与修正
img { display: block; margin-left: auto; margin-right: auto } table { margin-left: auto; margin-right: auto } 序列相关性（Serial Correlation）是指在时间序列或截面数据的回归模型中，误差项之间存在相关性。这种现象意味着当前误差项的值会受到前期误差项的影响，误差项之间并不是独