Spuer_Tiger

最近，很多小伙伴在后台私信我，咨询有没有数据处理及可视化的相关系统教程？我的回复是，这些库只是工具，无需花费很长的时间牢记这些命令的使用，学习一遍之后整理好笔记即可，遗忘之时再查找这些笔记使用即可。本文是博主本人结合自己的使用经验以及各大博主的分享精炼汇总而成，耗时进半个月的时候，翻阅博客和参考资料无数，最后精选了最实用、常用、好用的“Pandas、Numpy、Matplotlib”三大神兵利器的方法使用攻略。

适配器模式（Adapter Pattern）：属于结构型模式，它 结合了两个独立接口的功能，作为两个不兼容的接口之间的桥梁 。这种模式涉及到一个单一的类，该类负责加入独立的或不兼容的接口功能。例如，读卡器是作为内存卡和笔记本之间的适配器。您将内存卡插入读卡器，再将读卡器插入笔记本，这样就可以通过笔记本来读取内存卡。意图： 将一个类的接口转换成客户希望的另外一个接口。适配器模式使得原本由于接口不兼容而不能一起工作的那些类可以一起工作。主要解决： 主要解决在软件系统中，常常要将一些"现存的对象"放到新的环

原型模式（Prototype Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。这种模式实现了一个原型接口，该接口用于创建当前对象的克隆。当直接创建对象的代价比较大时，则采用这种模式。例如，一个对象需要在一个高代价的数据库操作之后被创建。我们可以缓存该对象，在下一个请求时返回它的克隆，在需要的时候更新数据库，以此来减少数据库调用。意图： 用原型实例指定创建对象的种类，并且通过拷贝这些原型创建新的对象。主要解决： 在运行期建立和删除原型。何时使用： 1、当一个系统应该独立于它的产品创

建造者模式（Builder Pattern） ：属于创建型模式，它提供了一种创建对象的最佳方式。这种模式 使用多个简单的对象一步一步构建成一个复杂的对象，一个 Builder 类会一步一步构造最终的对象，且该 Builder类是独立于其他对象的。意图： 将一个复杂的构建与其表示相分离，使得同样的构建过程可以创建不同的表示。主要解决： 主要解决在软件系统中，有时候面临着"一个复杂对象"的创建工作，其通常由各个部分的子对象用一定的算法构成；由于需求的变化，这个复杂对象的各个部分经常面临着剧烈的变化，但是将

单例模式（Singleton Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。这种模式涉及到一个单一的类，该类负责创建自己的对象，同时确保只有单个对象被创建。这个类提供了一种访问其唯一的对象的方式，可以直接访问，不需要实例化该类的对象。（注意：1、单例类只能有一个实例。2、单例类必须自己创建自己的唯一实例。3、单例类必须给所有其他对象提供这一实例。）意图： 保证一个类仅有一个实例，并提供一个访问它的全局访问点。主要解决： 一个全局使用的类频繁地创建与销毁。何时使用： 当您想控制实例

抽象工厂模式（Abstract Factory Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。在抽象工厂模式中，接口是负责创建一个相关对象的工厂，不需要显式指定它们的类，每个生成的工厂都能按照工厂模式提供对象。意图： 提供一个创建一系列相关或相互依赖对象的接口，而无需指定它们具体的类。主要解决： 主要解决接口选择的问题。何时使用： 系统的产品有多于一个的产品族，而系统只消费其中某一族的产品。如何解决： 在一个产品族里面，定义多个产品。关键代码： 在一个工厂里聚合多个同类产品

工厂模式（Factory Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。在工厂模式中，我们 在创建对象时不会对客户端暴露创建逻辑，并且是通过使用一个共同的接口来指向新创建的对象 。意图： 定义一个创建对象的接口，让其子类自己决定实例化哪一个工厂类，工厂模式使其创建过程延迟到子类进行。主要解决： 主要解决接口选择的问题。何时使用： 我们明确地计划不同条件下创建不同实例时。如何解决： 让其子类实现工厂接口。关键代码： 创建过程在其子类执行。应用实例：我想买一些水果（橘子、哈密瓜和

前言前两天，我和一个8年python工作经验的老程序员吃了顿晚饭，然后他给我分享了几个GitHub开源项目的Tips，后来经过查阅网上的资料，整理成此文。本文主要包括开源项目的精确搜索，github项目源码的在线阅读的技巧，跟踪github热门项目的趋势动态，以及如何源码阅读和在开源项目中做出贡献的建议。文章目录前言1.关于开源项目的精准搜索2.关于github上开源项目在线阅读的技巧3.关于如何跟踪github热门项目的动态趋势的建议4.关于如何阅读github项目源码的建议5.关于如何在githu

不知道是下载错了，还是什么错了？突然发现e盘里面的《黄金时代》.txt居然高达2.1G，打开之后发现又是原版的，归纳一句话：“错了，又没完全错(｡◕ᴗ◕｡)。”《黄金时代》用着混乱猥琐，写美，写纯洁。《黄金时代》给我的感觉，像那句：“当我沿着一条路走下去的时候，心里总想着另一条路上的事。这种时候，我心里很乱。 ”那么，话锋一转，问题来了(￣ω￣=)，我是如何使用python读取这2.1G的《黄金时代》呢？以及python的内存检测及优化，垃圾回收机制又是怎样的呢？

据说，有一天，我做了个梦，梦里我身高七八尺，纵享八块腹肌，耳边了传来了熟悉的音乐“Can you feeling，show what's this，欢迎各位女嘉宾登场......”侧身一看，是那个头顶**反光**的男人–孟非老师！摊牌了！我不装了，我叫彭于晏，我在08年参加了非诚勿扰…孟非老师：“在第一个阶段，给你提供了一个平板，你在系

前言本文主要详细介绍了torch_pgu版本的安装，其中包括cuda和cudnn的环境配置图解流程，以及如何使用conda命令进行虚拟环境的创建、删除等操作，列举conda的常用命令集；除以之外，介绍了pycharm断点调试的详细流程和不同的调试方法。文章目录前言Ⅰ.虚拟环境的搭建①cuda和cudnn如何准备？1.查看cuda版本2.解决cudnn的安装版本问题②如何创建针对于深度学习项目的虚拟环境？常用的conda命令总结：③如何生成项目文件夹的requirements.txt，以及根据.txt文

文章目录引言ID3算法的基本原理信息增益的算法ID3算法的流程ID3算法的代码复现数据集的准备：1.Mnist数据集的格式转换算法模块的实现2.加载数据3.寻找对应样本数目最大的标签4.经验熵的计算5.条件经验熵的计算6. 计算信息增益最大的特征7.子数据集和对应标签集的创建8.递归创建决策树9.预测标签10.模型评估11.主函数的构造测试运行引言本文主要介绍了ID3算法进行决策树生成的算法原理，并对该算法流程进行了代码复现，其中算法的部分参考自李航-《统计学习方法》一书，代码的注释详细，供读者学习参考

Flask项目-电影管理系统(1)本文主要详解了使用mysql连接pycharm数据库，利用Flask架构搭建电影管理系统登录界面的方法流程。本项目涉及的完整代码均已上传，含详细注释，供读者学习和参考！[提取码：wyfb]文章目录Flask项目-电影管理系统(1)1.movie数据库的连接与缓存机制1.MySQL数据库中 新建movie数据库，导入movie.sql文件进行数据库复原。2.在app项目文件夹中的_ init _.py文件，设置连接数据库参数。3.导入和注册蓝图(后台管理系统蓝图)。4.新

数值分析案例：Newton插值预测2019城市(Asian)温度、Crout求解城市等温性的因素系数文章目录数值分析案例：Newton插值预测2019城市(Asian)温度、Crout求解城市等温性的因素系数一、实验目的及数据来源1.研究问题的概述：2.数据来源：二、实验内容第一部分：“采用Newton插值预测2019城市(Asian)温度”第二部分：“Crout求解分析城市的等温性影响因素系数”三、实验结果与分析一、实验目的及数据来源1.研究问题的概述：本文主要研究了插值方法在“城市温度变化预测”

利用Python，实现雅克比(Jacobi)迭代法以及高斯-塞德尔(G-S)迭代法【矩阵形式】本文讲解使用Jacobi迭代和G-S迭代算法求解方程组的Python代码实现，同时涉及算法的原理阐述。文章目录【Jacobi算法原理】【Jacobi的Python代码实现】1.1输入自变量个数mu，方程个数nu，迭代误差精度e1.2初始化LDU矩阵（p为行数，q为当前列数。）1.3构建自变量初值X_Current矩阵1.4初始化因变量y矩阵1.5计算并得到G1，d1矩阵（参照前面的Jacobi迭代公式）1.6将

九九江南风送暖，予你樱花 樱花盛放的歌曲 小序：惊蛰将至，所谓“九九江南风送暖，融融翠野启春耕”。春天到了，你和喜欢的人见面了嘛？我没有…(〒︿〒)​ 看了央视微博转发武大微博的数字樱花，我羡慕了，嫉妒心使我“面目全非”！！！​ So，let us给喜欢的人(o(*￣3...

如何基于DCGAN网络模型使用tensorflow生成仿真的人脸图像？(CelebA数据集)1.GAN网络模型的设计思想？GAN中的核心网络结构：生成器(Generator)：记作G，通过对大量样本的学习，能生成一些以假乱真的样本。判别器(Discriminator)：记作D，接受真实样本和G生成的样本，并进行判别和区分。G和D相互博弈，通过学习，G的生成能力和D的判别能力都逐渐增...

使用SSD网络模型进行Tensorflow物体检测?（V1.2视频识别）1.模型的加载和utils库环境的配置？​ 1.准备好ssd_mobilenet_v1网络模型的frozen_inference_graph.pb和mscoco_label_map.pbtxt文件。(文中所涉及文件和代码均已上传，链接提取码：mztu)​ 2.配置好utils库文件以及pycache环境，将准备好的lab...

使用SSD网络模型进行Tensorflow物体检测?（V1.1摄像头识别）1.模型的加载和utils库环境的配置？​ 1.准备好ssd_mobilenet_v1网络模型的frozen_inference_graph.pb和mscoco_label_map.pbtxt文件。(文中所涉及文件和代码均已上传，链接提取码：mztu)​ 2.配置好utils库文件以及pycache环境，将准备好的la...

使用SSD网络模型进行Tensorflow物体检测?（图片识别）1.模型的加载和utils库环境的配置？​ 1.准备好ssd_mobilenet_v1网络模型的frozen_inference_graph.pb和mscoco_label_map.pbtxt文件。(文中所涉及文件和代码均已上传，链接提取码：mztu)​ 2.配置好utils库文件以及pycache环境，将准备好的label_...

如何实现简单的图片人脸检测—基于Haar特征提取的Adaboost强化分类器实现分类器的测试结果：Ⅰ.背景知识了解：​ 1.什么是Haar特征提取？​ Haar特征很简单，分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。​ 缺点：==矩形...

对于CNN卷积神经网络的前向传播和反向传播的理解前向传播示意图：​ 咋一看这张图，作为初学者可能会**不知所云(￣ω￣=)**？但是想要很好的理解前向传播的原理，我们得从这张图细说。1.首先我们从x，w的参数组成说起？​ 如图左下角所示，x[编号n,通道c,高h,宽w]，这里需要的注意的是通道c和编号n的作用。如图，这里输入的图片格式采用3通道，即R，G，B可以看作是输入图片的深度为3。...

如何实现Tensorboard对CNN神经网络的可视化Ⅰ.参数可视化：Ⅱ.结构可视化：怎么使用Tensorboard实现这么professional又pretty(♥∀♥)的网络可视化操作呢？我们通过下面4个步骤进行对CNN网络t的可视化实现。1.命名空间​ 使用tf.name_scope(“空间名称”)进行空间的命名，scope即为范围的意思。同时可对x，y等自变量进行名...

-Python_day02-（1）numpy的读和创建矩阵：（*）numpy读文档采用numpy.genfromtxt()；采用numpy.genfromtxt(’ .txt’,delimiter=",",dtype=str,skip_header=?);//skip_header可跳过前面的一些行数据。(*)创建一维向量和矩阵，采用numpy.array[ ];(2)shape/r...

-Python_05-–seaborn可视化库–（未完待补）（1）库的导入和风格的选择：(*)导入numpy,matplotlib,matplotlib.plot,以及seaborn库；(*)numpy和plt库与seaborn库的调用对比：采用plot和numpy库对数据进行sin()变化的可视化处理;(*)采用seaborn库对数据进行sin()变化的可视化处理;采用sns....

-Python_day03-（1）pandas读取文件基本操作：pd.read_csv(“文件路径”，engine=“python”)。type()和dtypes，分别表示文件的格式dataframe和文件数据类型的格式。(*)head()可打印前五行数据，tail()采用打印最后几行，format()采用格式化输出。（2）columns和loc[]分别对列和行的索引及取值操作：co...

-Python_day01-python的基础语法入门(1)变量和打印：（*）变量采用等号直接赋值，string采用引号’ '或" "；（*）打印采用括号,type用于类型；(*)类型的转换，采用类型名+括号；(*)指数运算符注意**进行指数运算；（2）list的用法：（*）创建和添加，采用[ ]和append()；（*）同时，list内的值可采用不同的常量或变量类型，...

决策树与随机森林A–决策树：（*）决策树的结构：（*）决策树阶段：训练阶段：分类阶段：（*）熵原理分析：熵：物体内部的混乱程度。(01)熵的计算式:熵(n=i)的图像：例如：A={a,a,a,b,c}中的p(a)=3/5,p(b)=1/5,p©=1/5得到的熵：约为0.94而B={c,c,c,c,b}中的p©=4/5,p(b)=1/5得到的熵：约为0.49所以B...

贝叶斯算法贝叶斯公式：[外链图片转存失败(img-ytTj3qxO-1565086972621)(C:\Users\爱拼才会赢\Desktop\python\贝叶斯算法\图片\1.jpg)]实例1：拼写纠错：目标概率：​ p=(猜测输入者想输入的单词)/(输入者实际输入的单词)*p(h|D)=p(D|h)p(h)/p(D) // h:猜测输入者想输入的单词,D:输入者实际...

xgboost集成算法(Ⅰ)xgboost的基本原理:如图：基本原理:​ 采用集成思想，对目标进行不同基准的容器划分进行权值的相加计算,综合评估。项的权值公式：i为样本编号，j为叶子编号。目标函数：​ （yi）表示预测值，表示实际值。最优解函数： 、即：对一棵树的所有项的目标函数值相加求期望，并使得期望函数最小。采用集成的思想：、k为决策树编号。**...

时间序列AIRMA模型平稳性要求:(1)经由样本时间序列所得到的拟合曲线在未来的一段时间内仍能顺着现有的形态“惯性”地延续下去。(2)平稳性要求序列的均值和方差不发生明显变化。严平稳与弱平稳：**严平稳：分布不随时间的改变而改变。**如白噪声(正态),期望始终为0，方差为1。**弱平稳：期望与相关系数(依赖性)不变。**未来某时刻的t值Xt就要依赖于它的过去信息，所以需要依赖性。差...

深度学习–神经网络入门知识点线性分类-得分：引入权重矩阵，进行线性映射,构造得分函数。实例：SVM损失函数:关键损失(hinge loss)：对不同的权重参数矩阵进行效果的评估，以确定分类效果最好的权重矩阵。个体样本的损失评估：全体样本的平均损失评估：正则化惩罚项：当存在不同的权重参数矩阵获得相同的较好分类效果时，对权重参数进行惩罚。惩罚原则：对分布集中不均匀的权重参...

KNN及加权KNN优化算法深度学习的常规套路：1.收集数据并给定标签2.训练一个分类器3.测试，评估K-近邻(KNN)算法：对于未知类别属性数据集中的点：1.计算已知类别数据集中的点与当前点的距离2.按照距离依次排序3.选取与当前点距离最小的K个点4.确定前K个点所在类别的出现概率5.返回前K个点出现频率最高的类别作为当前点预测分类。KNN算法：不需要使用训练集进行训练...

-Python_day04-(1)Matplotlib_折线图操作：(*)pd.to_datetime()格式化时间：（*）plt.plot()和plt.show()_生成和显示图：导库:import matplotlib.pyplot as plt;plt.plot(xx[“Table1”],xx[“Table2”])，用于画图；“Table1”作为x轴，“Table2”作为y轴;...