mintminty的博客

Task 02 - Leetcode

mintminty — Wed, 17 Nov 2021 22:20:51 +0800

66. 加一 class Solution: def plusOne(self, digits: List[int]) -> List[int]: digits_idx = len(digits) - 1 while digits_idx >= 0 and digits[digits_idx] == 9: digits[digits_idx] = 0 digits_idx-= 1 if dig

Task 01 - Leetcode

mintminty — Mon, 15 Nov 2021 22:11:40 +0800

1. 两数之和知识点：哈希表正确答案 class Solution: def twoSum(self, nums: List[int], target: int) -> List[int]: size = len(nums) num_dict = {} for i in range(size): if (target - nums[i]) in num_dict: return [num

论文笔记《Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network》

mintminty — Sun, 21 Mar 2021 15:33:02 +0800

【文章】Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network 【作者】Zhang X, Huang C, Xu Y, et al. 【来源】AAAI 2021 【代码】https://github.com/jillbetty001/ST-GDN 现存问题大多数研究聚焦于临近区域的近邻空间相关性，忽略了全局地理上下文信息大多数研究无法对具有时间依赖性和多分辨率的复杂流量转移规律进行编码本文概览提出名为 Sp.

论文笔记《Coupled Layer-wise Graph Convolution for Transportation Demand Prediction》

mintminty — Wed, 03 Feb 2021 17:33:39 +0800

目录本文贡献MethodologyAdjacency Matrix GenerationCoupled Layer-wise Graph ConvolutionMulti-level AggregationTemporal Dependence ModelingExperimentsDatasetsExperimental SetupMain ResultsComparison with BaselinesAblation Study 本文贡献新的图卷积结构：能自适应地提取多层级空间依赖关系。该结构在不

Datawhale组队学习(Pandas) task11-综合练习

mintminty — Wed, 13 Jan 2021 20:05:13 +0800

任务4 显卡日志最开始想要通过str.extract(pat)提取有用信息，然后长宽表变换得到答案的，后来在实践过程中并没有实现，于是解答该题思路转化为：每一条测试都是两行，首先我将奇数行/偶数行分别存储偶数行提取状态、精度、模型信息奇数行提取模型、时间信息本来最开始思路是根据模型 merge两个结果的，后来突然发现不同模型对应不同状态、精度，于是索性根据默认的索引直接拼接了 # 提取有用信息行 data = pd.read_table('./data/test/benchmark.txt

Datawhale组队学习(Pandas) task10-时序数据

mintminty — Sun, 10 Jan 2021 21:03:03 +0800

时间戳单独时间点即为时间戳，pandas中称为Timestamp，一系列时间戳可以组成DatetimeIndex Timestamp的构造与属性 import numpy as np import pandas as pd ts = pd.Timestamp('2020-1-1 08:10:30') ts Timestamp('2020-01-01 08:10:30') # 通过 year, month, day, hour, min, second 可以获取具体的数值 ts.year # 20

Datawhale组队学习(Pandas) task9-分类数据

mintminty — Thu, 07 Jan 2021 21:40:57 +0800

第九章分类数据 import numpy as np import pandas as pd cat对象 cat对象的属性 category类型，处理分类类型变量，将普通序列转化成分类变量可使用astype方法 df = pd.read_csv('data/learn_pandas.csv',usecols=['Grade', 'Name', 'Gender', 'Height', 'Weight']) df.head() Grade Nam

Datawhale组队学习(Pandas) task8-文本数据

mintminty — Wed, 06 Jan 2021 11:24:41 +0800

第八章文本数据目录1. str对象2. 正则表达式基础3. 文本处理的五类操作3.1 拆分3.2 合并3.3 匹配3.4 替换3.4 提取4. 常用字符串函数4.1 字母型函数4.2 数值型函数4.3 统计型函数4.4 格式型函数5. 练一练Ex1：房屋信息数据集Ex2：《权力的游戏》剧本数据集 1. str对象 import numpy as np import pandas as pd var = 'abcd' str.upper(var) 'ABCD' s = pd.Series(['0ab

Datawhale组队学习(Pandas) task7-缺失数据

mintminty — Sun, 03 Jan 2021 17:59:39 +0800

缺失值的统计和删除缺失信息的统计 # 查看每个单元格是否有缺失 isna()或isnull() df = pd.read_csv('data/learn_pandas.csv',usecols=['Grade', 'Name', 'Gender', 'Height','Weight', 'Transfer']) df.isna().head() Grade Name Gender Height Weight

Task Special & Task 11 综合练习

mintminty — Fri, 01 Jan 2021 11:32:31 +0800

Task Special & Task 11 综合练习任务一企业收入的多样性 import pandas as pd import numpy as np df1 = pd.read_csv('./data/test_1/Company.csv') df2 = pd.read_csv('./data/test_1/Company_data.csv') ###### 处理df2 ###### # 从日期列中分割出年份 df2['年份'] = [x.split('/')[0] for x in

Datawhale组队学习(Pandas) task6-连接

mintminty — Tue, 29 Dec 2020 19:04:37 +0800

第六章连接目录1. 关系型连接1.1 连接基本概念1.2 值连接1.3 索引连接2. 方向连接2.1 concat2.2 序列与表的合并3. 类连接操作3.1 比较3.2 组合Ex1：美国疫情数据集Ex2：实现join函数 1. 关系型连接 1.1 连接基本概念将两张相关的表按照某一个或某一组键连接起来，关键要素是键和连接形式，其中连接形式包含：左连接 left：以左边的键为准，若右表中的键出现于左表，则将改键添加到左表。否则处理为缺失值。右连接 right：类似处理内连接 inner：.

Datawhale组队学习(Pandas) task5-变形

mintminty — Sun, 27 Dec 2020 23:39:10 +0800

Joyful Pandas 第五章变形练习1 美国非法药物数据集我的思路 # 1. 考察长表变宽表的知识点 df = pd.read_csv('data/drugs.csv').sort_values(['State','COUNTY','SubstanceName'],ignore_index=True) df_pivot = df.pivot(index=['State','COUNTY','SubstanceName'],columns='YYYY',values='DrugReports'

Datawhale组队学习(Pandas) task4-分组

mintminty — Fri, 25 Dec 2020 20:23:27 +0800

练习1：汽车数据集 1-1：先过滤出所属 Country 数超过2个的汽车，即若该汽车的 Country 在总体数据集中出现次数不超过2则剔除，再按 Country 分组计算价格均值、价格变异系数、该 Country 的汽车数量，其中变异系数的计算方法是标准差除以均值，并在结果中把变异系数重命名为 CoV 。我的答案 gb = df.groupby('Country') index_list = gb.filter(lambda x:x.shape[0]<=2).index df_drop =

Datawhale组队学习(Pandas) task3-索引

mintminty — Tue, 22 Dec 2020 19:08:32 +0800

Joyful Pandas 第三章索引写在前面：前两天每天看了大概4小时左右，对着教程把每个知识点敲了一遍。敲完之后感觉好多知识点彼此之间好相似，关掉教程回想这一章都大概讲了什么、什么顺序，发现只能回忆起局部的小点，框架上自己根本理不清。于是今天把教程又看了一遍，对照着整理导图，导图形成并不费很多时间，只是在整理过程中逐渐发现每个小节的关联、每个知识点的异同，终于清晰了一些。尤其在做习题过程中，强迫自己不要看教程去回想每道题对应什么知识点，然后去导图上对照，细节不清的再去看教程，这个过程很痛苦但是

Datawhale组队学习(Pandas) task2-pandas基础

mintminty — Sat, 19 Dec 2020 20:29:38 +0800

写在前面看了很多小伙伴task1的笔记，感觉很棒的同时也深受启发，学习过程不仅仅是教材等资料的理解和重复，更应该是自己的思考、串联、发问、尝试，这样才能学得深刻~ 但因为前者更容易，所以自己常常陷入那种效率不太高的努力陷阱中。那以后的打卡笔记就不做一个搬运工+补充工了，多记录自己的思考和尝试。 import numpy as np import pandas as pd pd.__version__ '1.1.5' 1. 文件读取和写入 1.1 文件读取 1.1.1 读取my_csv, my_tab

论文笔记《Spatio-Temporal Graph Structure Learning for Traffic Forecasting》

mintminty — Tue, 15 Dec 2020 16:57:01 +0800

【论文】 Zhang Q, Chang J, Meng G, et al. Spatio-Temporal Graph Structure Learning for Traffic Forecasting[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2020, 34(01): 1177-1185. 【代码】暂无本篇文章主要是解决如何建模复杂、动态的空间依赖性问题，作者认为现在用的图卷积神经网络存在以下几个问题：.

Datawhale组队学习(Pandas) task1-预备知识

mintminty — Mon, 14 Dec 2020 09:47:04 +0800

【1】第20期学习者手册（Pandas）【2】第一章预备知识 1. Python 基础 1.1 列表推导式与条件赋值问题1：生成 [0, 2, 4, 6, 8] 样式的数字序列写法1：定义函数+循环 def my_func(x): return x*2 list = [] for i in range(5): list.append(my_func(i)) print(list) 写法2：定义函数+列表推导式 list = [my_func(i) for i

论文笔记《Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction》

mintminty — Tue, 17 Nov 2020 14:46:06 +0800

目录AbstractIntroduction & Methodology物理图 (physical graph)流量相似性图 (similarity graph)流量相关性图 (correlation graph)ModelGraph Convolution Gated Recurrent Unit (GC-GRU)Fully-Connected Gated Recurrent Unit (FC-GRU)Collaborative Gated Recurrent Module (CGRM)Physi

论文笔记《ST-GRAT: A Novel Spatio-temporal Graph Attention Network for Accurately Forecasting》

mintminty — Wed, 28 Oct 2020 16:13:50 +0800

文章《ST-GRAT: A Novel Spatio-temporal Graph Attention Network for Accurately Forecasting Dynamically Changing Road Speed》 Abstract 预测道路交通速度的难点：（1）路段类型不同；（2）速度的突然变化；（3）路段间的空间依赖性。本文提出名为 spatio-temporal graph attention (ST-GRAT) 的模型，包含三方面：（1） spatial attent.

论文笔记《HetETA: Heterogeneous Information Network Embedding for Estimating Time of Arrival》

mintminty — Wed, 21 Oct 2020 18:32:39 +0800

Abstract 本文目标是预计到达时间(The estimated time of arrival, ETA)，现有研究存在问题：很少有研究将结构化的图数据考虑在内，更不用说异构的信息网络了。本文提出 HetETA 模型旨在ETA任务中利用异构的图数据，具体做法：（1）将路网地图转化为多相关信息网络，引入车辆轨迹图联合考虑车辆行为模式（2）时间信息分为近期(recent periods)、日周期(day periods)、周周期(week periods)，然后对每个时间模块分别建模。 1.