<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[goodgoodstudyddp的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/goodgoodstudyddp</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; goodgoodstudyddp]]></copyright><item><title><![CDATA[【无标题】]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/132614831</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/132614831</guid><author>goodgoodstudyddp</author><pubDate>Fri, 01 Sep 2023 07:26:42 +0800</pubDate><description><![CDATA[开发语言的区别]]></description><category></category></item><item><title><![CDATA[如何解决coursera上的课程无法观看]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/121304132</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/121304132</guid><author>goodgoodstudyddp</author><pubDate>Sat, 13 Nov 2021 14:48:12 +0800</pubDate><description><![CDATA[授人以鱼不如授人以渔。所以，这里只讲方法：
首先我们需要知道从访问coursera到可以顺畅的播放课程，其实我们需要访问三个域名，难过的是这三个域名对应的IP地址是经常改来改去，这就出现即使今天可以访问，并不代表明天依然可以访问。
该怎么办呢？操作方法如下：

明确是那三个域名：
a. www.coursera.org
b. d3c33hcgiwev3.cloudfront.net
c. d3njjcbhbojbot.cloudfront.net
找一个能解析域名的网站：
比如：https://ping.e]]></description><category></category></item><item><title><![CDATA[error while loading shared libraries:xxx]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/120942851</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/120942851</guid><author>goodgoodstudyddp</author><pubDate>Sun, 24 Oct 2021 22:41:21 +0800</pubDate><description><![CDATA[关于Pangolin安装流程：

首先执行：git clone https://github.com/stevenlovegrove/Pangolin.git
然后在Pangolin中执行：
a) mkdir build
b) cmake …
c) make
d) sudo make install
然后运行项目时会出现类似于： error while loading shared libraries: libpango_core.so: cannot open shared … 的错误。原因是编译器只会读]]></description><category></category></item><item><title><![CDATA[解决ros的rosdep update报错的问题。]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/117851963</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/117851963</guid><author>goodgoodstudyddp</author><pubDate>Sat, 12 Jun 2021 17:32:04 +0800</pubDate><description><![CDATA[参见以下文章：
https://blog.youkuaiyun.com/leida_wt/article/details/115120940

]]></description><category></category></item><item><title><![CDATA[如何安装docker?]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/117201969</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/117201969</guid><author>goodgoodstudyddp</author><pubDate>Sun, 23 May 2021 22:31:19 +0800</pubDate><description><![CDATA[如果你是ubuntu系统，看如下操作流程：
1.官网的步骤，说的相当详细：
https://docs.docker.com/engine/install/ubuntu/
2.这个流程是告诉你如何以普通用户的身份运行docker;比如1中的那个sudo docker run hello-world。如果2完成了，你可以使用docker run hello-world运行事例了。
https://docs.docker.com/engine/install/linux-postinstall/

...]]></description><category></category></item><item><title><![CDATA[invalid load key, ‘H‘.——之.pkl文件总能用pickle.load()或者pd.read_pickle()读成功吗？]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/116791061</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/116791061</guid><author>goodgoodstudyddp</author><pubDate>Fri, 14 May 2021 14:39:22 +0800</pubDate><description><![CDATA[其实不是这样的，问题是这样的：我有用keras的model存储了训练好的keras模型注意，不是.h5而是.pkl（准确的说是把.h5文件存到了pkl文件中）;但是当我尝试用pickle去读取时会报错：invalid load key, ‘H’.
由来换成用keras的models.load_model()读取，即读成功。

...]]></description><category></category></item><item><title><![CDATA[如何造自己的轮子（python发布自己的第三方库, 让PyPI中存在自己的项目）？]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/116784463</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/116784463</guid><author>goodgoodstudyddp</author><pubDate>Fri, 14 May 2021 14:28:25 +0800</pubDate><description><![CDATA[当你的项目走到这一步，是及其令人兴奋和激动的时刻；那么，在这里将告诉你如何走完最后一步。
（还记得那句不要重复造轮子吗？这里你可是在发明轮子啊！）
记得刚开始使用python，使用pip install numpy时，感觉那些写numpy的数据科学家实在是太厉害了，什么时候也能写一个自己的xxx库，然后：pip install xxx;那会是多么激动的事啊。下面就会实现这个理想。
步骤：

在你的项目的根目录下新建setup.py文件；其实项目的目录和setup.py的位置是很有讲究的。和setup.py同]]></description><category></category></item><item><title><![CDATA[如何更改ubuntu中的软件下载源呢？]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/116562727</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/116562727</guid><author>goodgoodstudyddp</author><pubDate>Sun, 09 May 2021 11:41:30 +0800</pubDate><description><![CDATA[首先 点击应用中那个大A的图标，然后把鼠标移到系统左上角，会闪出一个叫‘Unknown Application Name’ 点击一下会出现一个Software&amp;Updates.
点击它会弹出一个对话框，点击菜单中的‘Ubuntu Software’ 然后在下边的Download from中选自中国的阿里云，然后点击关闭，这是会弹出重新加载，点重载即可切换到阿里云。

...]]></description><category></category></item><item><title><![CDATA[如何让刚装完的ubuntu铺满整个屏幕,、在物理机和虚拟机之间复制粘贴、从物理机上传文件到虚拟机呢？]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/116562274</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/116562274</guid><author>goodgoodstudyddp</author><pubDate>Sun, 09 May 2021 11:19:24 +0800</pubDate><description><![CDATA[需要安装一个虚拟机的工具，叫VMware Tools。
在VMware的菜单栏中的虚拟机选项中有VMware Tools，点击安装即可。
这个时候你会看见虚拟机里多了一个DVD驱动，点击该驱动打开，你会发现有一个.gz的压缩包，将该压缩包挪到主文件件中，然后解压（右键，提取到此处）；进入到加压文件夹中你可以看见一个vmware-install.pl文件，这个就是安装文件，但是在ubuntu中不能双击安装，而是是用命令行，在当前文件夹下右键选择在终端打开，在终端中执行该脚本即可。
在终端中执行：sudo ./]]></description><category></category></item><item><title><![CDATA[虚拟机中的ubuntu16.04如何连接网络？]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/116542155</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/116542155</guid><author>goodgoodstudyddp</author><pubDate>Sat, 08 May 2021 21:17:00 +0800</pubDate><description><![CDATA[刚装完ubuntu,接下来就是解决联网问题，然后在解决的过程中误入歧途，把vim和vi给卸载了，后来联网的时候需要使用vi或者vim编辑器打开/etc/network/interfaces文件编辑，此时就傻眼了，因为使用apt-get install vim 时发现没网啊，装个毛线。解决方法：重装虚拟机吧hhh。
言归正传，在有vim或者vi的条件下如何给虚拟机联网：
一、在VMware的左侧那个栏中自己当前的虚拟机上右击，你会惊奇的发现展开的列表中有一个叫设置的东西，那么打开它吧。
图1：

图2：

二]]></description><category></category></item><item><title><![CDATA[Downloading scripts, this may take a little while]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/114038471</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/114038471</guid><author>goodgoodstudyddp</author><pubDate>Wed, 24 Feb 2021 22:23:57 +0800</pubDate><description><![CDATA[当你遇到这个问题时，相信你已经操作过如下命令了：
pip install visdom
python -m visdom.verser
相信你也看到过其他博客，至于注释site-packages\visdon\包下server.py的第1917行代码这里不再赘述。 我这里只提供一个替换资源static：

...]]></description><category></category></item><item><title><![CDATA[相关系数简记]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/113780277</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/113780277</guid><author>goodgoodstudyddp</author><pubDate>Wed, 10 Feb 2021 11:51:44 +0800</pubDate><description><![CDATA[pearson和spearman相关系数食用方法：
1.连续数据，正态分布，线性关系，用pearson相关系数是最恰当，当然用spearman相关系数也可以，效率没有pearson相关系数高。
2.上述任一条件不满足，就用spearman相关系数，不能用pearson相关系数。
3.两个定序测量数据之间也用spearman相关系数，不能用pearson相关系数。
但是 上述二者只能观察是否线性相关。而互信息发可以观察非线性相关。
互信息：
Pearson和spearman相关系数存在一个问题是一般情况下只考]]></description><category></category></item><item><title><![CDATA[机器学习之决策树]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/112467014</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/112467014</guid><author>goodgoodstudyddp</author><pubDate>Mon, 11 Jan 2021 16:15:17 +0800</pubDate><description><![CDATA[这里仅做核心介绍，关于决策树的详细介绍请看其他机器学习书籍。
决策树的构建根据其分支依据（ID3算法, C4.5算法, CART算法）大致有三种方法：
一、ID3算法：
ID3算法是说在树分裂时选取能获得最高信息增益的特征进行分裂。什么意思呢？就是说我们要建立决策树嘛，首先得找一个特征做为树根，对于众多的特征，到底选哪个呢？当选择某个特征feature_1做为树根时,分裂的分支数就是feature_1特征的取值种类，那么到第二层选择分裂节点时又面临当初选择树根时的抉择。聪明的科学家们发现如果我们用一个叫做信]]></description><category></category></item><item><title><![CDATA[Linux中如何安装和运行应用程序（以tar.gz为例）]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/112464853</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/112464853</guid><author>goodgoodstudyddp</author><pubDate>Mon, 11 Jan 2021 12:13:22 +0800</pubDate><description><![CDATA[一、linux中应用程序的安装方法
这里我们以安装并运行pycharm为例：
首先给出linux版本的pycharm下载地址：https://www.jetbrains.com/pycharm/download/#section=linux
下载完之后使用：cd Downloads/ 会看到我们下载的pycharm安装包；这里我们在home目录下新建一个software目录用来解压和安装pycharm,具体操作如下：
mkdir …/software					注意：我们目前在Downloads目录中；
mv]]></description><category></category></item><item><title><![CDATA[pandas处理文本特征之特殊字符剔除]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/112337056</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/112337056</guid><author>goodgoodstudyddp</author><pubDate>Thu, 07 Jan 2021 21:10:34 +0800</pubDate><description><![CDATA[假设我们有DataFrame数据data,feature_1列为文本数据列，且其中含有特殊字符。
首先我们认识两个正则表达式：
\w: 用来匹配字母、数字、下划线字符；
\W: 用来匹配所有与\w不匹配的字符。
可以发现，我们所说的特殊字符就在\W的范围内。
import re
def clear_characters(text):
	return re.sub('\W', '', text)
data[feature_1] = data[feature_1].apply(clear_characters)]]></description><category></category></item><item><title><![CDATA[pandas重复值处理之一]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/112335986</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/112335986</guid><author>goodgoodstudyddp</author><pubDate>Thu, 07 Jan 2021 20:34:12 +0800</pubDate><description><![CDATA[假设我们有DataFrame数据data。
首先做重复值的统计：

按行统计重复值：
data.duplicated().sum()
按某一列统计重复值(假设我们有特征feature_1):
data[feature_1].duplicated().sum()
如果少量重复值，就可以查看：
display(data[data.duplicated()])

删除重复值：
data.drop_dupliactes(inplace=True)
再次查看，重复值没了：
data.duplicated.sum()
]]></description><category></category></item><item><title><![CDATA[pandas缺失值填补之一]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/112335107</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/112335107</guid><author>goodgoodstudyddp</author><pubDate>Thu, 07 Jan 2021 20:23:51 +0800</pubDate><description><![CDATA[假设我们有DataFrame数据data。
首先查看缺失值：
data.isnull().sum()
isnull()是按照列统计的，获得的是bool值缺失值的地方是True，再使用sum()进行求和。就可以统计出每一列的缺失值个数。
接下来，假设有两个特征feature_1 和 feature_2。feature_1有缺失值，而feature_2没有缺失值。我们把feature_1缺失的值使用同一行的feature_2的值填充。
index = data[data[feature_1].isnull()]]]></description><category></category></item><item><title><![CDATA[DataFrame的bool索引：根据子DataFrame的某一列拆分父DataFrame。]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/111671969</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/111671969</guid><author>goodgoodstudyddp</author><pubDate>Fri, 25 Dec 2020 12:50:12 +0800</pubDate><description><![CDATA[有DataFrame数据：
train, test;作如下操作(主要是方法一)：

```python
combine = train.append(test)
# 做一系列数据预处理...
# 处理完之后，如何分离train和test?
# 方法一、找一个能唯一区分train和test的列；比如id:
x_train = combine[combine['id'].isin(train['id'])]
x_test = combine[combine['id'].isin(test['id'])]

# ]]></description><category></category></item><item><title><![CDATA[jupyter lab黑色主题下的图像显示问题。]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/110202753</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/110202753</guid><author>goodgoodstudyddp</author><pubDate>Thu, 26 Nov 2020 20:02:30 +0800</pubDate><description><![CDATA[很喜欢用jupyter lab做数据分析，更喜欢它的黑色主题。但是在黑色主题下画图时 坐标轴的刻度和标签完全看不见，具体如下：

那么，如何处理呢？上代码。
def plot_metrics(history, metrics):
    train_metrics = history[metrics]
    epochs = range(1, len(train_metrics) + 1)
    
    plt.plot(epochs, train_metrics, 'go-.', markersiz]]></description><category></category></item><item><title><![CDATA[如何设置Centos7的静态ip地址？？]]></title><link>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/109961768</link><guid>https://blog.youkuaiyun.com/goodgoodstudyddp/article/details/109961768</guid><author>goodgoodstudyddp</author><pubDate>Sun, 22 Nov 2020 20:11:20 +0800</pubDate><description><![CDATA[首先，进入到ifcfg-ens33文件所在的目录，具体如下(以下的文件路劲尽量用Tab键补全，不是懒，是以防出错。)：
cd /etc/sysconfig/network-scripts/
然后使用ll命令就可以看见那个ifcfg-ens33文件。
如果细心的话，你会发现这个文件是在root权限下的。所以使用以下命令打开并修改：
sudo vim ifcfg-ens33
注意：以上命令可能会出现错误；大概意思就是说当前用户还不能使用sudo,而且此事将被报告。这看起来挺吓人的。按如下步骤处理吧：

执行 s]]></description><category></category></item></channel></rss>