ai_he_tang的博客

采用loc过滤满足条件的行用loc过滤df。 “~”表示你想要与你的情况相反。 “：”表示希望保留所有列。在条件中：“&”表示并，“|”表示或df_AIS=df_AIS.loc[((df_AIS['航行状态']==1)&(df_AIS['航速']!=0)&(df_AIS['时间']!=0)),:]上述代码表示选取航行状态为1，航速不为0，时间不为0的航段df_AIS=df_AIS.loc[~((df_AIS['航行状态']==1)&(df_AIS['航速']!=0

代码：from package.divided_by_time import divided_by_timemin_oil=divided_by_time().result问题描述divided_by_time是一个类，result是一个函数，之前断点调试中step into一直进不去。解决办法把类和函数分开写divided_by_time=divided_by_time()min_oil=divided_by_time.result原因step into的那一行如果同时有类和函数，

批量赋值赋空arrayfor i in range(1, 2): exec('var%d=np.zeros([2,3])'%i)print(var1)print(var2)输出为：[[0,0,0,0,0,0]][[0,0,00,0,0]]

本文主要针对Pandas处理数据之后，采用Pytorch处理数据的做法。Pandas转torchtrain=torch.tensor(train.values)#将pandas转torchtrain=train.to(torch.float32)#将torch中的类型转化为float，因为有时pandas中格式不统一构造多层神经网络import torchimport torch.nn.functional as Fclass Net(torch.nn.Module): def __

区别：import copy origin = [1, 2, [3, 4]]cop1 = copy.copy(origin)cop2 = copy.deepcopy(origin)cop3=origin print(origin)print(cop1)print(cop2)print(cop3) origin[2][0] = "hey!" #改变print("##################") print(origin)print(cop1)print(cop2)

特征处理方法总览：标准化和归一化介绍：（1）标准化　　标准化需要计算特征的均值和标准差，公式表达为：　　使用preproccessing库的StandardScaler类对数据进行标准化的代码如下from sklearn.preprocessing import StandardScalerfrom sklearn.datasets import load_irisiris=load_iris()#标准化，返回值为标准化后的数据StandardScaler().fit_transfor

1.模块建立实例#《oil_calculate.py》class oil_calculate(): def __init__(self): self.Lpp = 185 self.depth = 18 self.draft = 12.8 ...... def time_calculate(self,a0,a1): ...... def oil_WBMs(self,df_AIS,x): b=sel

原因是最近xlrd更新到了2.0.1版本，只支持.xls文件。所以pandas.read_excel(‘xxx.xlsx’)会报错。可以安装旧版xlrd，在cmd中运行：pip uninstall xlrdpip install xlrd==1.2.0也可以用openpyxl代替xlrd打开.xlsx文件：df=pandas.read_excel(‘data.xlsx’,engine=‘openpyxl’)...

计算地球上任意两点间距离（各种单位）方法：haversine库安装pip install haversine实例from haversine import haversine, Unitlyon = (45.7597, 4.8422) # (lat, lon)paris = (48.8567, 2.3508)haversine(lyon, paris)>> 392.2172595594006 # in kilometershaversine(lyon, paris,

报错代码File "E:\Weater Routing\package\speed_calculate.py", line 155, in speed_BBMs with open('speed_pca.m', 'rb') as f:FileNotFoundError: [Errno 2] No such file or directory: 'speed_pca.m'speed_pca.m与执行代码在同一文件夹package下，仍然报错。解决方法“r"改为"a+”#"r"改为"a+"

OSError: [WinError 126] 找不到指定的模块在pip install shapely后运行仍然报错，原因在于shapely/DLLs目录下的两个dll文件并未加入到python的环境目录下。错误原因找不到shapely中依赖的dll文件解决方法复制shapely/DLLs 目录下的dll文件，到相应的anconda/envs/oil_process/Library/bin下即可，其中oil_process是我的环境...

主环境和次环境就如同主卧和次卧，最好把东西放在次卧处理，因为：（1）主卧东西太多电脑卡。（2）次卧可以直接删除，主卧很多库不能删除。查看电脑中所有Python环境：conda env list激活某个Python环境：conda activate xxx报错则尝试：source activatesource deactivatesource不存在则去掉source运行。更改pycharm中配置环境位置如下图：上面红线为主卧，下面为次卧。‘’working direct.

核心三点（1）fit和transform没有任何关系，仅仅是数据处理的两个不同环节，之所以出来fit_transform这个函数名，仅仅是为了写代码方便，会高效一点。（2）sklearn里的封装好的各种算法使用前都要fit，fit相对于整个代码而言，为后续API服务。fit之后，然后调用各种API方法，transform只是其中一个API方法，所以当你调用transform之外的方法，也必须要先fit。（3）fit原义指的是安装、使适合的意思，其实有点train的含义，但是和train不同的是，它并不

常见的读写操作：with open(r’filename.txt’) as f:   data_user=pd.read_csv(f)  #文件的读操作with open(‘data.txt’, ‘w’) as f:   f.write(‘hello world’)  #文件的写操作   相关参数：r:    以只读方式打开文件。文件的指针将会放在文件的开头。这是默认模式。rb: 以

问题描述：要求解角度这个未知量，因此在先前使用了代码：angle=sympy.symbols('angle')但是在后面调用并求解该未知量时，出现了’Can’t convert expression to float’的错误。解决方案：检查是否有math相关库，例如math.cos,math,log,math.exp。原因：math库调用未知量的话，其中不能有symbols，math设定要得到确定值float型。更改：将math都去掉，直接改成：cos,log,math.e**。我在原文中

以下行代码为例：numpy.random.normal(loc=0,scale=1e-2,size=shape)参数loc(float)：正态分布的均值，对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布，参数scale(float)：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越小，曲线越高瘦。参数size(int 或者整数元组)：输出的值赋在shape里，默认为None。...

问题描述：在pip下载完sympy之后，会出现SymPyDeprecationWarning:C, including its class ClassRegistry, has been deprecated since SymPy 1.0. It will be last supported in SymPy version 1.0. Use direct imports from the defining module instead. See#9371 for more info.deprec

**贝叶斯优化报错：‘ap_quniform_sampler() missing 1 required positional argument: ‘q’’的解决办法**问题描述：ap_quniform_sampler() missing 1 required positional argument: ‘q’：原因分析：原因出在uniform和quniform的使用上。几种hp相关参数使用如下choice：类别变量quniform：离散均匀分布（在整数空间上均匀分布）uniform：连续均匀