墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
505平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Python的热度一直高居不下，运维，自动化测试，后端开发，机器学习...Python的用武之地真的太多了。即便是非技术开发人员，学会Python，日常工作效率也能有质的提升。可谓Python在手，天下我有！来看看Python在日常工作中的妙用：
1. 使用pandas整理导出Excel数据给业务部门的其他同事：
2. 编写合成多个Excel表格的Python脚本Python学习交流群：1004391443
，一键跳过复制粘贴：
3. 写几十行代码便能实现内容爬取：
在职场竞争激烈的今天，唯有技术才是我们的硬实力。同时，数字产业的兴起也导致数据分析岗位供不应求，今天即便是身为新媒体运营，也需要具备数据分析能力，能够从数字中分析定位问题。而把“用数据认识世界”作为愿景的城市数据团，联合网易云课堂打造了，真正零基础也能学的Python数据分析课程。
不管你是想要转行，还是提升自己的专业技能，或是为自己赋能，都可以学习这套课程，作为知名数据媒体，城市数据团将各类实战项目、趣味研究都融入课程之中：
4大课程模块
实战案例研究
《Python数据分析实战终极指南》
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥面试的时候也有类似报表自动化，指标异常波动分析归因，市场行业机会分析，用户会员分层研究，货品关联组合应该怎么做等。这些大坑的背后，**。**
Python 真实世界的数据科学（一）
你交给某人一个程序，你将折磨他一整天；你教某人如何编写程序，你将折磨他一辈子。——程序员谚语根据维基百科，计算机编程为：“ …从计算问题的原始表述到可执行计算机程序的过程。编程涉及诸如分析，发展理解，生成算法，验证算法要求（包括其正确性和资源消耗）的活动，以及 目标编程语言实现算法（通常称为编码）”。简而言之，编码就是告诉计算机使用它理解的语言来执行某项操作。计算机是非常强大的工具，但不幸的是，它们无法自己思考。因此，他们需要被告知一切。
AI时代Python金融大数据分析实战：ChatGPT让金融大数据分析插上翅膀【文末送书】
AI时代Python金融大数据分析实战：ChatGPT让金融大数据分析插上翅膀【文末送书】在当今数字化和信息化的时代，金融行业正处于巨大的变革之中。随着人工智能（AI）和大数据技术的迅猛发展，金融机构对于数据的处理和分析变得愈发重要。Python作为一种强大的编程语言，以其简洁、灵活、易学的特点，成为了金融数据分析的首选工具之一。而结合AI技术，尤其是像ChatGPT这样的自然语言处理模型，更是让金融大数据分析插上了翅膀。
用python分析世界各国的 “幸福指数”。
作者：Huny来源：https://www.cnblogs.com/huny/p/14146719.html1. 前言民意测验机构盖洛普从2012年起，每年都会在联合国计划下发布《世界幸...
免费视频讲座：2017高级互联网架构师全套视频教程百度网盘链接30G.rar
资料及代码 一、互联网并发编程 五、数据库设计与优化 四、Linux部分 三、JAVA虚拟机 七、互联网框架应用 六、互联网中间件架构设计 二、互联网网络通信编程 八、互联网分布式综合项目实战
World_Weather_Analysis:使用Python，API和对天气数据进行分析
世界_天气_分析 使用Python，API和对天气数据进行分析
AI时代Python大数据分析
AI时代Python大数据分析
C#开发医学影像胶片打印系统(一)：万能花式布局的实现思路
本篇文章将介绍开发医学影像胶片打印系统(printscu模式)遇到不规则排版时的一种思路，一般来讲，医院打印胶片时都是整张胶片打印，但有时需要将多个病人或一个病人的多个检查打印在同一张胶片上，这时候就需要不规则排版来满足打印需求，使胶片利用率最大化。
AI时代Python金融大数据分析实战：ChatGPT让金融大数据分析插上翅膀
AI时代Python金融大数据分析实战：ChatGPT让金融大数据分析插上翅膀
边缘AI硬件风向：从专用芯片到端侧大模型
边缘AI硬件正呈现五大发展趋势：专用AI加速芯片（如华为昇腾、谷歌EdgeTPU）凭借高能效比成为主流；端侧大模型催生支持Transformer架构的新硬件需求；存算一体技术突破内存墙限制；FPGA和可重构计算提供灵活性；异构集成与Chiplet技术实现模块化设计。这些发展需要配套软件工具链支持，未来边缘设备将演变成具备本地智能的"智能体"，竞争焦点转向算力、能效、易用性和成本的多维平衡。
21、时间触发以太网：通信、诊断、故障隔离与参数化详解
本文详细解析了时间触发以太网（TTEthernet）的核心机制，包括团检测算法、诊断服务、故障隔离策略、配置服务以及协议参数化等内容。TTEthernet是一种专为超高可靠性系统设计的网络技术，广泛应用于航空航天、工业自动化和汽车电子等领域。文章还探讨了其未来发展趋势，如技术创新与生态建设，为开发者、企业和研究机构提供了应用与发展的方向。
Python数据分析实战（1）数据分析概述
大数据时代，数据呈现爆炸式增长，对数据和数据人才的需求大大提升；数据分析师的任务是分析了、预测未来和优化选择；成为数据分析师必须具备多种技能，利用好Python等工具。Python有多个版本；根据不同系统安装；需要添加环境变量；需要安装pip；可以选择PyCharm开发。Anaconda是科学计算工具；安装后会附带很多工具；conda是包管理和环境管理的工具。Jupyter Notebook是交互式笔记本，运行后即可执行代码；支持Python运算；满足Python语法；保存数据到数据库；进行数据清洗。
宇树G1开发实践--PPT汇报（遥控版）
本文介绍了一种基于遥控器交互的机器人演示控制系统。系统通过DDS中间件接收遥控器信号，采用位掩码边沿检测技术实现按键精准响应，将不同按键映射为播放控制命令（暂停/重播、跳转、跳过等）。核心交互逻辑包含主播放循环、命令处理和暂停机制，支持播放过程中的实时控制。与自动顺序播放版相比，该系统显著提升了演示灵活性，适用于需要人机互动的演讲场景。使用前需确保网络连接和设备安全，并熟悉按键功能映射。该系统实现了专业级的人机协同演示体验。
2024三掌柜赠书活动第十六期：AI时代Python金融大数据分析实战
2024三掌柜赠书活动第十六期：AI时代Python金融大数据分析实战目录前言随着人工智能技术的发展和金融行业的不断进步，大数据分析已经成为金融领域的重要工具之一。在这个快速变化和充满挑战的市场环境中，了解并应用大数据分析技术，特别是利用Python进行金融大数据分析实战，已成为金融从业者必备的技能。而Python作为一种易于学习和使用的编程语言，越来越受到金融从业者的青睐。其强大的数据分析和处理能力以及丰富的数据科学库，使Python成为金融大数据分析的首选工具。
2024 全国大学生新质生产力大赛 B：金融违规交易的大数据分析 问题四思路代码
问题四：请分析附件中所有的指标数据，选取合适的指标，建立“金融违规 洗钱交易的预测模型”，并选取合适的训练集和测试集，计算预测模型的准确率。 为了提前识别并预测金融违规洗钱的交易事件，请基于你们团队数据分析的结果， 分别给公安部门和银行机构提出你们的建议。
自学 ABAP 和自学 SAP 的差别
有朋友在我的 ABAP 学习教程里留言： > 自学SAP是不是都要搭建虚拟服务器，然后自己去官网下载新版本SAP就可以吗 对于初学者，我们要搞清楚 ABAP 和 SAP 的区别。 ABAP 是一门编程语言，SAP 首先是德国软件公司的名称，也代表这家公司开发的一系列软件。SAP 公司开发的软件，我们有时也称产品，其功能能满足客户一个或者多个领域的业务需求。这些不同领域，我们也称为不同的业务模块，比如 ERP，CRM，SRM，HR 等等。
[天池数据] python世界杯数据分析可视化
网址来源：世界杯 学习赛数据集_数据集-阿里云天池 该数据来源于阿里云天池，发布者已经将csv文件，各个字段均有一定的解释，详情见“网址来源”。这里不做过多的说明，若感兴趣也可以自行下载。 1.summary文档数据分析 1.1.数据预处理 #仅展示查看空值和前五行的结果该数据源很干净，并且格式均正确，没有任何的空值 一般认知里，，比赛队伍数越多，比赛场次越多。通过数据我们可以发现，在1980年以前，二者的数量变化趋势并没有多大关联。 而散点图我们可以
LSTM在交通流量预测中的应用：优化城市交通管理
我们使用的数据集来自某个城市的交通监测系统，包含多个监测点在不同时间段内的交通流量记录。每个监测点的数据包括时间戳、交通流量、天气状况和道路状态等信息。
Python基础学习—Pandas数据分析实战剖析
Python基础学习—Pandas数据分析实战剖析 我们选用的数据集是关于电商销售的记录，包含了商品、销售额、日期等信息。数据集的目标是通过分析这些数据，洞察销售趋势、热门商品以及销售额的波动。
【Scratch考级100图】图01-等级考试scratch绘 画正方形
一、案例介绍 小朋友们应该在数学课或者平时生活中有了解过正方形，正方形在我们生活中到处可见，那我们如果通过Scratch软件来绘制一个正方形呢，我们一起来学习一下吧,在舞台正中央绘制一个边长为200的正方形,要求： 1、围绕舞台中心绘制正多边形，均匀分布在四个象限中 2、正方形边长为200个单位，线条粗细、颜色自定 3、利用画笔绘制正方形，不能有多余的线条 二、案例演示 【Scratch案例演示】Scratch图1-画正方形 三、案例分析 当我们点击小绿旗启动程序后，舞台上会出现一个画
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
如何用python进行数据分析？
很多人可能会有这样的疑问，数据分析Excel挺强大的，会Excel就行，为什么还要去学python？是的，Excel和python对于数据分析而言，这两者都只是不同的工具而已。但，有一点我们要考虑，我们生活在大数据的时代，每一个人无时不刻都在产出大量数据，每天围绕我们的数据不是以几条、几百条存在的，而是成千上万、数百万条。这样庞大的数据量如果使用Excel来处理的话，是非常困难。衣食住行而产生的数据非常之多，我们是数据的生产者和使用者。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Python数据分析实战作业 第四章 Python数据分析实战 习题
第四章 Python数据分析实战 习题（数据见附件sizhang.xlsx） 班主任现有一班级的两张表，如下。 表一：成绩表 学 号 C# 线 代 Python 16010203 78 88 96 表二：信息表 姓 名 学 号 手机号码 张三 16010203 16699995521 现请帮班主任做如下工作： 给成绩表加上姓名列； 给成绩表加上字段“总分”列，并求出总分； 增加列字段“等级”，标注每人“总分”的“优、良、中、及格、差”(270≤优，240≤良， 210≤中，及格≤18
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
学习计划｜一个月学会 Python，零基础入门数据分析
在数据分析领域，python 是一个绕不开的知识和工具，如果不会用 python 就很难说自己会数据分析，但是最近很多想要入门数据分析的小白经常问我，Python 怎么入门？
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1227
扫一扫
