啊李

from numpy import *data = [[1,2,5,6], [4,8,5,9], [8,7,4,2], [6,8,4,9], [8,2,1,6], [1,2,5,6], [4,8,5,9]]index = [[1,55], [1,48], [2,5...

string = 'adfdvsvvvvdffsb'length = len(string)def rev(i): if i == length - 1: print(string[i],end = '') else: rev(i+1) print(string[i],end = '')rev(0) #先自行最后一个，在往前执...

1、xgboost是什么全称：eXtreme Gradient Boosting 作者：陈天奇(华盛顿大学博士) 基础：GBDT 所属：boosting迭代型、树类算法。 适用范围：分类、回归 优点：速度快、效果好、能处理大规模数据、支持多种语言、支 持自定义损失函数等等。 缺点：发布时间短（2014），工业领域应用较少，待检验2、基础知识，GBDTxgboost是在GBDT的基础上对boosti...

#判断是否为回数def is_panlindrome(data): return str(data) == data[::-1] #data[::-1]为reversed差不多print(is_panlindrome('上海自来水来自海上'))print(map(is_panlindrome,'上海自来水来自海上'))#True#<map object at 0x00000...

import restring = 'dfkv ddjv dchsk fafchiruc jrjkv dchsk'print(re.match('fa',string))print(re.match('df',string))print('---------------')print(re.search('ch',string))print(re.search('df',string...

楼梯有n阶，每次只能走1阶或两阶，编程实现#逆向递归num = 10def stairs_top_to_bottom(count): rand = np.random.choice([1,2]) if count ==num - 1 or count ==num: print(num - count,'last',end = ' ') else: ...

import numpy as npfrom numpy import *data = mat([[1,2,5,6,NaN], [4,NaN,1,4,5], [1,5,NaN,5,9], [1,2,5,6,4], [NaN,4,5,6,2]])print(data[:,1].A) #求解的为所...

WeiboGoogle+用电子邮件发送本页面 22您可能听说过，带有 yield 的函数在 Python 中被称之为 generator（生成器），何谓 generator ？我们先抛开 generator，以一个常见的编程题目来展示 yield 的概念。如何生成斐波那契數列斐波那契（Fibonacci）數列是一个非常简单的递归数列，除第一个和第二个数外，任意一个数都可由前两个数相加得到。用计算机...

def loadData(): return [[1,1,1,0,0], [2,2,2,0,0], [1,1,1,0,0], [5,5,5,0,0], [1,1,0,2,2], [0,0,0,3,3], [0,0,0,1,1]]data = ma...

#转载链接 https://blog.youkuaiyun.com/JNingWei/article/details/78651535np.logical_and (逻辑与)Syntaxnp.logical_and(x1, x2, *args, **kwargs)Test>>> np.logical_and(True, False)False>>> np.logical...

import operator#几个输出是一样的 key 后面接的是函数 data 是要排的数据data = [(1,99),(2,77),(3,9),(4,46),(5,12),(6,8)]ss = sorted(data,key = lambda jj:jj[0],reverse = True)print(ss)#[(6, 8), (5, 12), (4, 46), (3, 9)...

data = [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5], [2, 5]]C = [[1],[2],[4]]data = map(set,data)C1 = map(set,C)for d in data: for c in C1: print(c)#只会循环第一个for一次输出 应该是map函数的原因'''{1}{2}{4}...

1.概述　　FP-growth算法是基于Apriori原理的，通过将数据集存储在FP（Frequent Pattern)树上发现频繁项集，但不能发现数据之间的关联规则。FP-growth算法只需要对数据库进行两次扫描，而Apriori算法在求每个潜在的频繁项集时都需要扫描一次数据集，所以说Apriori算法是高效的。其中算法发现频繁项集的过程是：(1)构建FP树；(2)从FP树中挖掘频繁项集。2....

  DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。DBSCAN中的几个定义：Ε邻域：给定对象半径为Ε内的区域称为该对象的Ε邻域；核...

data1 = {(1,2),(1,3),(2,3)}data2 = {(1,2),(1,5),(2,3)}print(data1&data2) #数学中的交集print(data1|data2) #数学中额并集print(data1^data2) #取出各自独有的'''{(1, 2), (2, 3)}{(1, 2), (1, 5), (1, 3), (2, 3)}{(1,...

另一篇感觉也挺好https://blog.youkuaiyun.com/baimafujinji/article/details/50626149 

#时间复杂度o(n**2) 空间复杂度o(1)#思路后面的元素插入前面已经排序好的序列里,稳定1.插入排序—直接插入排序(Straight Insertion Sort)基本思想:将一个记录插入到已排序好的有序表中，从而得到一个新，记录数增1的有序表。即：先将序列的第1个记录看成是一个有序的子序列，然后从第2个记录逐个进行插入，直至整个序列有序为止。要点：设立哨兵，作为临时存...

1先引入一个知乎上看到的例子：假设你的手中有三个不同的骰子。 第一个是我们平常都能见到的骰子（称其为D6），6个面，每个面（1，2，3，4，5，6）出现的概率是1/6； 第二个有4个面（称其为D4），每个面（1，2，3，4）出现的概率是1/4； 第三个有8个面（称其为D8），每个面（1，2，3，4，5，6，7，8）出现的概率是1/8。现在你要开始掷骰子了。 先从三个骰子里挑一个，挑到每一个骰子的概...

3.生成模式（Generating Patterns）3.1、确定性模式（Deterministic Patterns）：确定性系统　　考虑一套交通信号灯，灯的颜色变化序列依次是红色-红色/黄色-绿色-黄色-红色。这个序列可以作为一个状态机器，交通信号灯的不同状态都紧跟着上一个状态。　　　　　　注意每一个状态都是唯一的依赖于前一个状态，所以，如果交通灯为绿色，那么下一个颜色状态将始终是黄色——也就...

import randomfrom scipy.stats import normimport matplotlib.pyplot as pltdef cauchy(theta): y = 1.0/(1.0 + theta ** 2) return yT = 50 #循环的次数sigma = 1thetamin = -30thetamax = 30theta =...

                        

y = mat([1,2,5,6])y1 = mat([4,8,7,5])def rssError(y_label,y_pred): return sqrt(sum(pow(y_label - y_pred,2)))#对于矩阵是无法直接运用上述的函数，必须加.Aprint(rssError(y.A,y1.A)) #7.0710678118654755print(rssError(...

list_data = [1,5,4,8,5,4,5,2,1]drop_ducp = set(list_data)print(drop_ducp)def drop_ducp(data): new_data = [] for each in data: if each not in new_data: new_data.append(...

#1：赋值型 指向了同一个 存储的位置就是那一个data = [1,4,5,4,5,89,6,5,4,5,2,5,6]new_data = datadata.pop()print(data)print(new_data)print('--------------------')new_data.pop()print(data)print(new_data)# [1, 4, 5...

Python引入了一个机制：引用计数。python内部使用引用计数，来保持追踪内存中的对象，Python内部记录了对象有多少个引用，即引用计数，当对象被创建时就创建了一个引用计数，当对象不再需要时，这个对象的引用计数为0时，它被垃圾回收。总结一下对象会在一下情况下引用计数加1：1.对象被创建：x=42.另外的别人被创建：y=x3.被作为参数传递给函数：foo(x)4.作为容器对象的一个元素：a=[...

1 算法复杂度算法复杂度分为时间复杂度和空间复杂度。其中， 时间复杂度是指执行算法所需要的计算工作量；而空间复杂度是指执行这个算法所需要的内存空间。算法的复杂性体现在运行该算法时的计算机所需资源的多少上，计算机资源最重要的是时间和空间资源，因此复杂度分为时间和空间复杂度。用大O表示。常见的时间复杂度（按效率排序）回到顶部2 冒泡排序冒泡法：第一趟：相邻的两数相比，大的往下沉。最后一个元素是最大的。...

data = [1,8,5,9,7,4,5]print(data[10:]) #返回空print(data[10]) #出错，越界

https://blog.youkuaiyun.com/u012684933/article/details/51088609https://www.cnblogs.com/ModifyRong/p/7744987.html算法介绍GBDT是希望组合一组弱的学习器的线性组合，即有：                                   上述公式中pmpm表示步长，我们可以...

#生成length长度的验证码def gecode(length): result = '' strs = string.digits + string.ascii_letters #获取所有的字母与数字 for i in range(length): #要生成的验证码的长度 index = random.randint(0,len(strs) - 1)...

import osdir = 'E:\966'#读取文件里的内容def getData(path): if os.path.basename(path).endswith('.txt'):#if os.path.splitext(path)[1] == '.txt': 判断以.txt结尾 content = [] with open(path) as...

#返回高频词def word(file): with open(file) as file: data = file.read() #一次性读取全部的内容 contents = re.findall('\w+',data) #匹配所有的字符 count = {} for content in contents: ...

系列文章：《机器学习实战》学习笔记最近看了《机器学习实战》中的第11章（使用Apriori算法进行关联分析）和第12章（使用FP-growth算法来高效发现频繁项集）。正如章节标题所示，这两章讲了无监督机器学习方法中的关联分析问题。关联分析可以用于回答"哪些商品经常被同时购买？"之类的问题。书中举了一些关联分析的例子:通过查看哪些商品经常在一起购买，可以帮助商店了解用户的购买行为。这种从数据海洋中...

ICA的核心思想：设X是观测到的数据，S（为未知）为信号源，则一定存在矩阵A（未知）使得X = AS那吗我们要预测信号源为Y，求解W使得Y = WX （y为我们要预测的信号员）则Y = WAS要想Y无限的靠近S真实的信号源，则A就必须等价于W的逆矩阵，而且W.T.dot(W) = 1,即W有正交单位向量组成的矩阵，即：我们找到W就可以了，找到W就能求出信号源了。下面求解W的思路：由Y = WX 因...

import randomimport stringfrom PIL import Image,ImageDraw,ImageFilter,ImageFont#随机初始化每个像素的颜色def random_color(): return (random.randint(0,255),random.randint(0,255),random.randint(0,255))#随机初始...

https://blog.youkuaiyun.com/u012328159/article/details/53954522特征选择(feature selection)特征选择 feature selection 终于有时间把好久之前就想写的关于特征选择的基本介绍补上来了，主要想从以下几个方面介绍: - 特征选择的动机–为什么要特征选择 - 常见的特征选择方法–如何特征选择 - 特征选...