理财、文献、天池、Python

本文记录了作者一周的学习情况,包括理财基础知识,如指数基金的初步研究;文献学习中涉及的声学和光纤传感在缺陷识别的应用;在天池平台的二手车数据分析项目中提升数据处理能力;深入学习Python的函数参数和对象引用概念;以及开始学习口琴的音乐之旅。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

!!! 请注意:本文章旨在记录自己每周学习情况,实际参考内容不多,无需花费时间阅读,顺便找编程竞赛的队友(kaggle、天池等)和学习口琴的爱好者

一、理财

  本周初步接触理财方面知识,希望自己走向财富自由。初步了解基金,主要研究的是指数基金,查看知乎上电子书《指数基金投资指南》,介绍了什么是指数基金,以及指数基金的不同分类,对指数基金有了大概的了解,并在支付宝进行试水,100元拿来建仓学习,等后续了解股市市场和基金内容在进行适当的定投加仓。
指数基金相关知识:

  • 宽基指数
  • 行业指数

  初步了解中证50、沪深300、中证100、中证500、中证800、中证1000相关知识。

二、文献学习

  本周在文献学习方面还可以,主要学习缺陷识别等方面的内容,查阅了弱光栅和叶片检测。风力发电机叶片缺陷检测主要是以下几种:

  • 声学:通过传声器采集叶片声信号,通过在传声器添加海绵等减少背景噪声,提高信噪比。声信号预处理主要目的是进行降噪,常用的方法是高通滤波器、带通滤波器、小波包分解(WPD)等。特征提取方面比较多,我使用了倍频程,效果能够达到98%,还有直接频域数据、波包能量比等等。缺陷识别算法主要是BP神经网络、SVM、SVDD,近期看见了K-means算法和距离算法进行识别,文献给出的效果非常好,比SVDD识别能力更强,需要进行实际数据验证分析。
  • 光纤传感:光纤方面主要是使用FBG,然后计算偏移量进行判断,偏移量计算有使用光栅匹配技术,也有直接通过算法寻找波峰的技术,两者都可以得到偏移量,哪一个较优还需要进一步研究。

三、天池项目

  近期在尝试寻找项目联系自己的数据分析能力,主要在天池进行学习,如果有志同道合的朋友可以一起组队。本周主要进行了二手车的项目,看了讨论区大佬的notebook,学习了很多。

  • Python的数据分析常用代码,怎么查看数据,怎么分析数据,给了很好的启蒙。
  • 锻炼了自己的数据分析能力
      目前数据还在分析阶段,带该项目结束,如果效果较优,准备尝试将项目的notebook开源以及做一期项目的讲解。

四、Python学习

  学无止尽,学海无涯。2019年底学习了Python,写了毕业设计代码,觉得自己初步入门了Python,但是近期看了《流畅的Python》,发现自己对Python一无所知,还有许多需要学习。

  • 函数参数:位置参数、可变参数以及关键字参数
  • 对象和对象名称关系:对象包含标识、类型和值,其中标识是唯一的,类似于地址。对象名称可以看成对象的引用。
a = [1, 2, 3, 4]
b = a
a.append(5)

# 输出
a = [1, 2, 3, 4, 5]
b = [1, 2, 3, 4, 5]

  是不是有很多疑惑?接下来给大家s分析下。首先创建了列表 [1, 2, 3, 4],然后变量a为列表的引用,b = a结果是b也指向列表,为列表的引用,即a和b都指向列表 [1, 2, 3, 4],a.append(5)对列表进行操作,列表变为[1, 2, 3, 4, 5],a和b都指向列表,所有都为[1, 2, 3, 4, 5]。

五、口琴

  趁着此次假期,在家学习一门乐器,培养自己的内在,选择的是24孔的复音口琴,现在只学习了怎么吹单音,以及初步会吹小星星,希望有志同道合的一起学习,互相帮助。

### 关于天池平台上的Python数据分析大作业示例 在天池平台上,参与者经常通过Python完成复杂的数据分析任务。这些项目不仅展示了如何运用Python解决实际问题,还体现了多种技术和库的应用。 #### 使用Python进行数据预处理 对于任何数据分析竞赛而言,数据清洗和预处理都是必不可少的部分。这通常涉及到缺失值填充、异常值检测以及特征工程等方面的工作。例如,在某次比赛中,参赛者使用`pandas`库读取并清理CSV文件中的脏数据[^2]: ```python import pandas as pd # 加载原始数据集 data = pd.read_csv('raw_data.csv') # 查看前几行记录以了解数据结构 print(data.head()) # 填充缺失值 data.fillna(method='ffill', inplace=True) # 删除重复项 data.drop_duplicates(inplace=True) ``` #### 构建预测模型 为了从给定的数据集中提取有价值的信息,构建合适的机器学习模型至关重要。在这个过程中,除了依赖像Scikit-Learn这样的经典ML包外,还可以探索更高级别的深度学习框架如TensorFlow或PyTorch。下面是一段简单的线性回归实现代码片段[^3]: ```python from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression # 准备训练测试集划分 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 初始化并拟合模型 model = LinearRegression() model.fit(X_train, y_train) # 输出模型性能指标 score = model.score(X_test, y_test) print(f'Model R^2 Score: {score:.4f}') ``` #### 结果展示与报告撰写 最后一步是将所得结论清晰直观地呈现出来。这里会用到诸如Matplotlib、Seaborn之类的绘图工具来创建图表辅助说明发现的趋势或模式。此外,Jupyter Notebook环境非常适合编写带有解释性和可视化组件的技术文档[^1]。 ```python import matplotlib.pyplot as plt import seaborn as sns plt.figure(figsize=(10, 6)) sns.scatterplot(x='feature_1', y='target_variable', data=data) plt.title('Feature vs Target Variable') plt.show() ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值