Dillon2015的博客

python3数据加载1  本文章为系列文章第一篇，首先声明文章内容均来自《利用python进行数据分析》，所有例子均在python3下完成。要完成例子首先需要安装python3环境，然后要安装numpy，panads等模块。  panads提供了一些方便的方法将表格数据读取为DataFrame对象的函数。read_csv从文件，URL，文件型对象中加载数据。默认逗

python3数据加载存储与文件21、   python内置了以pickle序列化的方式存取二进制文件。pandas也提供了方便的方法通过pickle方式加载和存储二进制文件。原先版本的save和load方法在新版本中都被取代，现在可以通过to_pickle和read_pickle方法将二进制文件以pickle方式存储和读取。2、读取excel文件，使用pd.read_

在求取有约束条件的优化问题时，拉格朗日乘子法（Lagrange Multiplier) 和KKT条件是非常重要的两个求取方法，对于等式约束的优化问题，可以应用拉格朗日乘子法去求取最优值；如果含有不等式约束，可以应用KKT条件去求取。当然，这两个方法求得的结果只是必要条件，只有当是凸函数的情况下，才能保证是充分必要条件。KKT条件是拉格朗日乘子法的泛化。之前学习的时候，只知道直接应用两个方法，但是却不

numpy是python数据分析的重要工具，其N维数组对象可以方便的进行各种数学计算。ndarray是一种同构的多维容器，其元素类型必须相同。每个ndarray都有shape和dtype两个属性（注意是属性不是方法）一、创建ndarray创建ndarray的方法有很多，常用的有下面几种：1、使用numpy的array方法将序列型对象转换为ndarray这里将一个列表转换

拉格朗日插值法是scipy库中常用的插值方法。官网定义如下：scipy.interpolate.lagrange(x, w)[source]Return a Lagrange interpolating polynomial.Given two 1-D arrays x and w, returns the Lagrange interpolating polynomial thro

PCA（主成分分析）是用于数据降维的一种方法，可以用来将高维数据映射到低维空间，去掉那些无关属性，便于对数据进行分析。在python的sklearn库中提供了相应方法。sklearn.decomposition.PCA(n_components=None,copy=True,whiten=False)参数说明：（1）n_componentsPCA算法中要保留的主成分个数即保

It is possible to save a model in the scikit by using Python’s built-in persistence model, namely pickle:>>> from sklearn import svm>>> from sklearn import datasets>>> clf = svm.SVC()>>> iris = d

在centos7 minimal上通过官网给出的方法pip install tensorflow安装tensorflow。安装过程成功，没有报错。但是在使用时，导入tensorflow包时报错上网查找MARKER_EXPR = originalTextFor(MARKER_EXPR())("marker"错误原因有两种解决办法：参考链接：http://sta

信息熵理论提出：熵是信息论之父香农提出的量化信息量的概念。基本内容：熵的概念最早起源于物理学，用于度量一个热力学系统的无序程度。在信息论里面，熵是对不确定性的测量。但是在信息世界，熵越高，则能传输越多的信息，熵越低，则意味着传输的信息越少。如果压缩是无损的，即通过解压缩可以百分之百地恢复初始的消息内容，那么压缩后的消息携带的信息和未压缩的原始消息是一样的多。而压缩后的消息可以通过较少的比特传递，因此