微电子学与固体电子学-俞驰

代码来自书上，进行了一定修改，确保运行没有error挖掘的总体思路：首先癌症有不同的发展期不同发展期的癌症有不同的症型这些症状都处于不同的严重程度。因此收集病人样本930条。数据挖掘流程：一（对应代码1）、每人的6种症型（症状名字的代号是A～F，分别对应data.xls中的各种症型）都处于不同的严重程度，每种症型按照严重程度高低，聚类为四个区间，并分别得到各个区间的数量。每个区间取名字例如：A1～A4由于每个病人都有六种症状的不同区间，因此每个病人都可以由一个6维矢量

附录:五十米评分表:男生 女生 得分 10.2 11 100 10.3 11.1 95 10.4 11.2 90 10.5 11.5 85 10.6 11.8 80 10.8 12 78 11 12.2 76 11.2 12.4 74 11.4 12.6 72 11.6 12.8 70 11.8 ...

代码如下：#-*- encoding:utf-8 -*-import sysreload(sys)sys.setdefaultencodingfrom sklearn import linear_modelimport numpy as npimport pandas as pd #读取数据并创建数据表，名称为cost_and_clickyear_population=p...

挖掘的总体思路：首先癌症有不同的发展期不同发展期的癌症有不同的症型这些症型都处于不同的严重程度。因此收集病人样本930条,最终挖掘目标是：找出这些严重程度不同的症型和癌症发展阶段（我们知道癌症有初期，中期，晚期等）之间的关系（也就是找到症状与疾病之间的关联规则）数据来自书籍《Python数据分析与挖掘实战》的第8章书籍《Python数据分析与

代码来自书上，进行了一定修改，确保运行没有error挖掘的总体思路：首先癌症有不同的发展期不同发展期的癌症有不同的症型这些症状都处于不同的严重程度。因此收集病人样本930条。数据挖掘流程：一（对应代码1）、每人的6种症型（症状名字的代号是A～F，分别对应下面data.xls中的各种症型）都处于不同的严重程度，每种症型按照严重程度高低，聚类为四个区间，并分别得到各

这一章的代码注意，作者只在windows下面运行过，没有在linux下面运行过第一个代码是为了看下数据的稳定程度，代码中主要关注点是那个离差标准化#-*- coding: utf-8 -*-#数据标准化到[0,1]import pandas as pd#参数初始化filename = '../data/business_circle.xls' #原始数据文件standa

本章代码建议在linux下面运行下面代码的意思是从评论数据中抽取品牌是美的的数据（15-1）#-*- coding: utf-8 -*-import pandas as pdinputfile = '../data/huizong.csv' #评论汇总文件outputfile = '../data/meidi_jd.txt' #评论提取后保存路径data =

运行环境：ubuntu16.04 64位pycharm python3.5.2相关软件列表：cycler (0.10.0)graphviz (0.7.1)h5py (2.7.0)Keras (2.0.4)matplotlib (2.0.2)numpy (1.12.1)pandas (0.20.1)pip (8.1.1)protobuf (3.3.0)

需要安装mkl版本的numpy ，不然会报错from . import _iterative ImportError: DLL load failed: #-*- coding: utf-8 -*-import pandas as pdinputfile = '../data/moment.csv' #数据文件outputfile1 = '../tmp/cm_tra

经过人指点，解决了一个问题使用数据集air_data.csv为了程序运行需要，仅给出一部分数据集MEMBER_NOFFP_DATEFIRST_FLIGHT_DATEGENDERFFP_TIERWORK_CITYWORK_PROVINCEWORK_COUNTRYAGELOA

先说句不太好听的：电影推荐这种东西，除非是在电商或者大公司类的等相关的公司工作，或者学习研究需要，否则这种代码就不要看了，浪费时间。道理很简单，一般小公司就那么可怜巴巴的一小堆客户，手指头数的过来的产品种类，推荐个啥？公司用不到，也就没必要学。各种书籍中，凡是涉及推荐系统，除非你目标的公司是做这种岗位的，否则请直接跳过。注：代码不是我写的，我只是尽可能多的做了注释，所以这...

Python3.5下Pycharm中使用Ipython运行K-means.py(数据集在文末附录中)#使用K-Means算法聚类消费行为特征数据import pandas as pd#参数初始化if __name__ == '__main__': inputfile = './consumption_data.xls' #销量及其他属性数据 outputfile = '....

#-*- coding: utf-8 -*-#逻辑回归 自动建模import pandas as pd#参数初始化filename = '../data/bankloan.xls'data = pd.read_excel(filename)x = data.iloc[:,:8].as_matrix()y = data.iloc[:,8].as_matrix()

#-*- coding: utf-8 -*-#数据规范化import pandas as pdif __name__=="__main__": datafile = '../data/discretization_data.xls' #参数初始化 data = pd.read_excel(datafile) #读取数据 data = data[u'肝气郁结证型系数'].copy(

#-*- coding: utf-8 -*-#使用K-Means算法聚类消费行为特征数据import numpy as npimport pandas as pdif __name__=='__main__':#参数初始化 inputfile = '../data/consumption_data.xls' #销量及其他属性数据 k = 3 #聚类的类别 thresh...

#-*- coding: utf-8 -*-import pandas as pdinputfile = '../data/sales_data.xls'data = pd.read_excel(inputfile, index_col = u'序号')data[data == u'好'] = 1data[data == u'是'] = 1data[data == u'高'] =

#-*- coding: utf-8 -*-import pandas as pdimport osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'inputfile = '../data/sales_data.xls'data = pd.read_excel(inputfile, index_col = u'序号')data[data == u'好