data_curd的博客

在python中用到pow函数，一般都是求数值的三次方， pow(x,y)----->其意思是数字x的y次方 例如：pow(5,3)------>表示5的三次方，其结果为：555

# LogisticRegression是导sklearn包 from sklearn.linear_model import LogisticRegression # 在逻辑回归中，先创建LR模型对象，之后再给模型对象传入数据进行分类 estimator = LogisticRegression(solver='liblinear', penalty='l2', C =0.5) # 传入的参数是测试的样本数据，返回结果概率，是1或者是0，属于二分类问题 y_predict=estimator.pred

StandardScaler()函数是sklearn包下的，所以每次使用要调用sklearn包。 StandardScaler类是处理数据归一化和标准化。 在处理数据时经常会出现这中代码： transfer = StandardScaler() x_train=transfer.fit_transform(x_train) x_test = transfer.transform(x_test) 先解释下调用fit_transform()与调用transform()的区别 fit_trainfrom方法

在机器学习中，得到样本数据后需要分为训练数据和测试数据，这时就会用到train_test_split()函数， train_test_split():用于样本切分为训练集和测试集两个数据集， 例如： x_train,x_test,y_train,y_test = train_test_split(x,y,test_size = 0.3,random_state = 42) 其中参数： x:样本中的特征数据 y:样本中的结果数据 test_size:训练集和测试集数据量的占比，如果是0.3则表示训练为70，

replace(原来内容，更改新内容，inplace=True) inplace:默认为false意思指不在源数据上修改内容，反之为True意思在源数据集上修改 import numpy as np import pandas as pd # 创建数据集 df = pd.DataFrame(np.random.randn(6,6),columns=['a','b','c','d','e','f']) """ a b c d

loc：适合于列名索引 import numpy as np import pandas as pd # 建立数据集，df df = pd.DataFrame(np.random.randn(6,6),columns=['a','b','c','d','e','f']) # 查看数据集 print(df) """ a b c d e f 0 -0.630324 1.066089 -1.914506 -0.