<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[c_air_c的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/c_air_c</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; c_air_c]]></copyright><item><title><![CDATA[实用技巧：数据可视化综述]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/131084803</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/131084803</guid><author>c_air_c</author><pubDate>Wed, 07 Jun 2023 11:55:54 +0800</pubDate><description><![CDATA[作为一名数据产品经理，不仅需要了解数据产品设计与研发的流程，数据可视化更是必不可少的技能之一。通过数据可视化，数据产品经理可以更加直观地呈现数据信息，让用户更容易理解、解读数据。]]></description><category></category></item><item><title><![CDATA[PRML_频率与贝叶斯（一）]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/101199834</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/101199834</guid><author>c_air_c</author><pubDate>Mon, 23 Sep 2019 12:01:01 +0800</pubDate><description><![CDATA[PRMLPRMLPRML_频率与贝叶斯
一、我们从数据中能得到的信息

总体信息。总体所属分布或者所属的分布族带来的信息；
样本信息。从总体中抽样得来的样本给我们提供的信息；


以上两种信息进行的统计推断称为经典统计学。它的观点是把样本看成来自具有一定概率分布的总体。


先验信息。在抽样之前，对总体的基本认知，一般来自经验或历史资料。


利用以上三种信息进行的统计推断称为贝叶斯统计。它的观点...]]></description><category></category></item><item><title><![CDATA[AB Testing]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/100923485</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/100923485</guid><author>c_air_c</author><pubDate>Tue, 17 Sep 2019 13:30:53 +0800</pubDate><description><![CDATA[A/B Testing
说到决策，必然就是一道选择题。是A还是B，this is a question！如何使用风险、代价最小的方法，找到最适合生存的方案，在企业应用中，就显得及其重要。而物竞天择，优胜劣汰，使得A/B Testing尤为重要，并在互联网的世界，大行其道。
一、A/B Testing 在企业中的应用。

在实际应用当中，提出问题的假设是解决问题的第一步。当发生运营疑问和决策的时候，...]]></description><category></category></item><item><title><![CDATA[HIVE----工作常用知识点]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/97915238</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/97915238</guid><author>c_air_c</author><pubDate>Mon, 09 Sep 2019 10:41:57 +0800</pubDate><description><![CDATA[Hive中常用的交互式命令
hive -help  查看交互式命令
hive -e 不进入hive的交互窗口执行sql语句;
hive -f 执行脚本中的sql语句，其中使用&gt;输出到指定目录下的文件当中(定时任务)；
exit 先隐性提交数据，再退出；
quit 不提交数据，退出；

参数配置方式

配置文件方式
默认配置文件：hive-default.xml
用户自定义配置文件：hive-...]]></description><category></category></item><item><title><![CDATA[Tracking（埋点）]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/100095970</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/100095970</guid><author>c_air_c</author><pubDate>Tue, 27 Aug 2019 11:10:20 +0800</pubDate><description><![CDATA[Tracking?
​	Tracking，仅从字面上就有追踪、跟踪之意。在实际应用当中，埋点是为了满足能够跟踪并记录用户行为过程与结果而产生的技术方法。
1、 埋点数据的流水线

​	当用户在客户端发生交互（Active）时，会运行相应的请求指令，向服务器发出 Http request。其中运行的代码当中，我们就会隐式的载入埋点代码，通常为.js，这也是数据搜集的源头和最为关键的一步。通过.js代...]]></description><category></category></item><item><title><![CDATA[BP_fetch_mnist]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/95597969</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/95597969</guid><author>c_air_c</author><pubDate>Fri, 12 Jul 2019 10:53:51 +0800</pubDate><description><![CDATA[%matplotlib inline
import numpy as np
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
import matplotlib
import matplotlib.pyplot as plt

mnist = fetch_op...]]></description><category></category></item><item><title><![CDATA[分类算法的评估方法]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/93488010</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/93488010</guid><author>c_air_c</author><pubDate>Mon, 24 Jun 2019 15:28:56 +0800</pubDate><description><![CDATA[几个常用术语

	1) True positives(TP):  被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数；
	2) False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；
 	3) False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；
  	4) True ...]]></description><category></category></item><item><title><![CDATA[Python_NetWorkX_教程]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/86631129</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/86631129</guid><author>c_air_c</author><pubDate>Thu, 24 Jan 2019 18:04:42 +0800</pubDate><description><![CDATA[NetworkX
import networkx as nx


一、创建空的图

1.G = nx.Graph() #创建无向图
2.G = nx.Digraph() #创建有向图


二、添加节点Node、edge、weighted_edge



Graph.__init__(**attr[, data]) Initialize a graph with edges, name, graph...]]></description><category></category></item><item><title><![CDATA[统计学--假设检验过程]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/83010370</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/83010370</guid><author>c_air_c</author><pubDate>Thu, 11 Oct 2018 11:50:35 +0800</pubDate><description><![CDATA[假设检验原理


基础：小概率原理，即一般认为小概率事件在一次随机抽样中不会发生。
基本思想：先建立一个关于样本所属总体的假设，考察在假设条件下随机样本的特征信息是否属小概率事件，若为小概率事件，则怀疑假设成立有悖于该样本所提供特征信息，因此拒绝假设



事实上，小概率事件在随机抽样中还是可能发生的，只是发生的概率很小。若正好碰上了，则假设检验的结论就是错误的。当然，犯这种错误的概率很小。

假...]]></description><category></category></item><item><title><![CDATA[Python3----Pandas]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/82707785</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/82707785</guid><author>c_air_c</author><pubDate>Fri, 14 Sep 2018 19:29:31 +0800</pubDate><description><![CDATA[Python3–Pandas

1. 导包

import numpy as np









import pandas as pd








2. Series的创建

data = pd.Series([&quot;skey&quot;,&quot;syl&quot;,&quot;earth&quot;]) #Series is a one-dimensional array of indexed data.
print(data)


...]]></description><category></category></item><item><title><![CDATA[Python3----Numpy总结]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/82690688</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/82690688</guid><author>c_air_c</author><pubDate>Thu, 13 Sep 2018 16:46:20 +0800</pubDate><description><![CDATA[Python–Numpy



1. 导包



import numpy as np



2. 创建一个数组Array（不同于List）



array1 = np.array([1,2,3,4,5])# 数组当中存储相同的数据类型，不同于一般的列表
print(array1)

[1 2 3 4 5]




print(array1.dtype) # 查看当前数组中存储数据的数据类型

...]]></description><category></category></item><item><title><![CDATA[Python编程基础]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/82623990</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/82623990</guid><author>c_air_c</author><pubDate>Tue, 11 Sep 2018 12:35:45 +0800</pubDate><description><![CDATA[Python入门基础知识



1. Python数据基本结构


  Python的数据是弱类型，使用一个变量前不必提前声明。




1.1. 字符串



string =  &quot;this is a string!&quot; #单引号可代替双引号
print(string)

this is a string!




string_new = 'this is a &quot;&quot;' 
print(string...]]></description><category></category></item><item><title><![CDATA[Python3--爬虫之Xpath使用]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/82428944</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/82428944</guid><author>c_air_c</author><pubDate>Wed, 05 Sep 2018 19:01:13 +0800</pubDate><description><![CDATA[Python3Python3Python^3–爬虫之Xpath使用



准备工具：


Google Chrome
xpath-helper.crx 
百度网盘链接：https://pan.baidu.com/s/15XqmdvWgxNqC7Cvd_aPuOw
密码：ixsh


使用：将xpath-helper.crx拖放到浏览器chrome://extensions/下,即可完成安装

Xp...]]></description><category></category></item><item><title><![CDATA[数据提取方法值json]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/81905744</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/81905744</guid><author>c_air_c</author><pubDate>Tue, 21 Aug 2018 12:59:37 +0800</pubDate><description><![CDATA[数据提取方法

json


数据交换格式，看起来像python类型（列表、字典）的字符串
使用json之前，需要导入import json
哪里会返回json的数据

浏览器切换到手机版
转包app
json.loads

把json字符串转化为python类型
json.loads(json字符串)


# 百度翻译示例

import requests
import json

url = ...]]></description><category></category></item><item><title><![CDATA[Python3之爬虫----retrying模块的使用和处理cookie相关的请求]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/81628950</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/81628950</guid><author>c_air_c</author><pubDate>Mon, 13 Aug 2018 14:44:16 +0800</pubDate><description><![CDATA[1.1. 设使用超时参数


  
  requests.get(url,headers = headers,timeout = 3) #设置超时参数，若url在三秒内未得到响应，报错
  




1.2.retrying模块的使用（第三方模块）

from retrying import retry


  @retry(stop_max_attempt_number = 3）






示...]]></description><category></category></item><item><title><![CDATA[统计学之方差分析（单因素）]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/81367503</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/81367503</guid><author>c_air_c</author><pubDate>Thu, 02 Aug 2018 22:33:28 +0800</pubDate><description><![CDATA[方差分析



目的：


  研究一个或多个分类型自变量与一个数值型因变量之间的关系。 
  1.  一个或多个分类型自变量 
  2. 一个数值型因变量




存在原因：


  如果使用一般的假设检验方法，一次只能研究两个样本的关系，则




实现方法：


  
...]]></description><category></category></item><item><title><![CDATA[Python3--我的代码库之Pandas库之DataFrame（二）]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/81280953</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/81280953</guid><author>c_air_c</author><pubDate>Mon, 30 Jul 2018 10:37:21 +0800</pubDate><description><![CDATA[import pandas as pd
import numpy as np








### 1.导入数据








df = pd.read_csv(&amp;amp;quot;outschool.csv&amp;amp;quot;,encoding = 'gbk')









df.head(5)







    .dataframe tbody tr th:only-of-type {
        vertic...]]></description><category></category></item><item><title><![CDATA[Python3--我的代码库之Pandas库之DataFrame（一）]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/81279705</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/81279705</guid><author>c_air_c</author><pubDate>Mon, 30 Jul 2018 09:42:53 +0800</pubDate><description><![CDATA[一、什么是DataFrame？

  - 这是一种带名称的表格型的数据结构，我们可以看成很多Series堆砌而成；
  - 第一行为字段值，从第二行开始每一行为一条记录；
  - 每一列可以为不同的字段数据类型；
  - 既有行索引，也有列索引


二、创建一个DataFrame

import pandas as pd
import numpy as np









f = pd.Dat...]]></description><category></category></item><item><title><![CDATA[Python3--我的代码库之Pandas库之Series（二）]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/81266299</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/81266299</guid><author>c_air_c</author><pubDate>Sat, 28 Jul 2018 23:01:58 +0800</pubDate><description><![CDATA[主题导入

import numpy as np
import pandas as pd
array_1 = pd.Series(np.arange(10,15),index = list('abcde'))

1.切片

1.1 按照索引切片

array_1[1:3] # 前包后不包


  b    11 
  c    12 
  dtype: int64




1.2 按照索引名称切片...]]></description><category></category></item><item><title><![CDATA[友邻优客21天--Day01]]></title><link>https://blog.youkuaiyun.com/c_air_c/article/details/81262694</link><guid>https://blog.youkuaiyun.com/c_air_c/article/details/81262694</guid><author>c_air_c</author><pubDate>Sat, 28 Jul 2018 17:05:22 +0800</pubDate><description><![CDATA[
  It is appropriate that a big tent is most closely associated with a circus.





  生词
  读音
  释义



  appropriate
  美 /əˈproprɪət;(for v.) əˈproprɪet/
  adj. 适当的；恰当的；合适的 vt. 占用，拨出


  tent
  美 /tɛnt...]]></description><category></category></item></channel></rss>