<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_40230430的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_40230430</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_40230430]]></copyright><item><title><![CDATA[小白学python：时间和日期 (time, datetime) （二）]]></title><link>https://blog.youkuaiyun.com/qq_40230430/article/details/107578586</link><guid>https://blog.youkuaiyun.com/qq_40230430/article/details/107578586</guid><author>qq_40230430</author><pubDate>Fri, 31 Jul 2020 21:21:31 +0800</pubDate><description><![CDATA[目录引言一、时间信息提取如何获取某一日期是星期几、一年中的第几天、一年中的第几周？如何提取部分时间信息？二、时间计算计算两个日期间隔的天数
引言
“时间”是我们在进行数据分析时十分重要的维度，比如日期、分时，因此在初学python时，学会与“时间”相处是我们的必修课，这就要学习python中两个非常重要的处理时间的库——time和datetime。
import time,datetime

《小白学python：时间和日期 (time, datetime) （一）》向读者介绍了python中常见的时间格式]]></description><category></category></item><item><title><![CDATA[小白学python：时间和日期 (time, datetime) （一）]]></title><link>https://blog.youkuaiyun.com/qq_40230430/article/details/107574907</link><guid>https://blog.youkuaiyun.com/qq_40230430/article/details/107574907</guid><author>qq_40230430</author><pubDate>Mon, 27 Jul 2020 23:04:02 +0800</pubDate><description><![CDATA[目录引言一、常见的时间格式float型时间戳 (timestamp)time.struct_time — a tuple of 9 integersdatetime.datetime字符串 (String)二、不同时间格式的相互转换字符串转为datetime.datetime字符串转为time.struct_timedatetime.datetime 转为字符串datetime.datetime 转为time.struct_timetime.struct_time 转为字符串
引言
“时间”是我们在进行数据]]></description><category></category></item><item><title><![CDATA[pd.date_range() —— freq参数频率字符串汇总]]></title><link>https://blog.youkuaiyun.com/qq_40230430/article/details/107622641</link><guid>https://blog.youkuaiyun.com/qq_40230430/article/details/107622641</guid><author>qq_40230430</author><pubDate>Mon, 27 Jul 2020 23:03:01 +0800</pubDate><description><![CDATA[pd.date_range()freq参数指的是时间间隔，一般用字符串来表示，即frequency strings，总结如下：
参考链接：https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html

]]></description><category></category></item><item><title><![CDATA[小白学Python：广播机制（broadcasting）]]></title><link>https://blog.youkuaiyun.com/qq_40230430/article/details/107395209</link><guid>https://blog.youkuaiyun.com/qq_40230430/article/details/107395209</guid><author>qq_40230430</author><pubDate>Sun, 19 Jul 2020 22:42:08 +0800</pubDate><description><![CDATA[引言
我们曾在《小白学Python：Numpy（二）》中看到，两个形状相同的数组之间可以进行加减乘除幂运算，那么形状不同的数组之间能否进行运算呢？
答案是可以的！
But !，并不是任意两个形状不同的数组都可以！
因此，我们需要搞清楚：在何情况下，两个形状不同的数组之间可以进行加减乘除?
这就引出了本文的主角：广播机制（broadcasting）【别被名字吓到~~】
广播机制

如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度（size）相等，或其中的一方的长度]]></description><category></category></item><item><title><![CDATA[小白学Python：通俗理解axis]]></title><link>https://blog.youkuaiyun.com/qq_40230430/article/details/107452016</link><guid>https://blog.youkuaiyun.com/qq_40230430/article/details/107452016</guid><author>qq_40230430</author><pubDate>Sun, 19 Jul 2020 22:41:51 +0800</pubDate><description><![CDATA[目录引言理解axis
引言
我们在学习NumPy的函数时会发现，很多函数都包含参数axis，可见理解axis是NumPy修炼之路上的必修课，本文就带大家通俗理解axis。
理解axis
axis可以简单的理解为维度或者轴，比如矩阵（二维数组）有两个维度或两个轴，即行和列，N维数组有N个维度或N个轴。
当数组有多个轴时，我们就会对axis进行标号（从0开始），比如axis=0、axis=1、axis=2 ···
到这里相信大家都能理解，很多读者的疑问可能在于：如何知道某个axis对应的是数组的哪个维度？尤其在]]></description><category></category></item><item><title><![CDATA[小白学Python：Numpy（二）]]></title><link>https://blog.youkuaiyun.com/qq_40230430/article/details/107348141</link><guid>https://blog.youkuaiyun.com/qq_40230430/article/details/107348141</guid><author>qq_40230430</author><pubDate>Sun, 19 Jul 2020 22:41:21 +0800</pubDate><description><![CDATA[引言
NumPy库是Python中用于科学计算的核心库。它提供了一个高性能多维数组对象，以及使用和处理这些数组的工具。
Numpy是每一位学习python的小伙伴的必修课，因为它真的真的太实用了。
举几个例子：


我们在线性代数中学习的向量就是一维数组，矩阵就是二维数组，而Numpy就是专业来处理数组的，因此我们可以使用Numpy进行向量和矩阵的运算。


图片本质上都可以用数组来表示，黑白图就是一个矩阵（矩阵元素值就是像素值），而彩色图则是三维数组，因为其包含了RGB三个颜色通道，每一个颜色通道是一个矩]]></description><category></category></item><item><title><![CDATA[Advances in Financial Machine Learning 导言 (附pdf下载链接)]]></title><link>https://blog.youkuaiyun.com/qq_40230430/article/details/107150936</link><guid>https://blog.youkuaiyun.com/qq_40230430/article/details/107150936</guid><author>qq_40230430</author><pubDate>Mon, 13 Jul 2020 22:30:59 +0800</pubDate><description><![CDATA[Structure by Production Chain


Data Curators
Chapter 1




Feature Analysts
Chapters 2–9 and 17–19




Strategists
Chapters 10 and 16




Backtesters
Chapters 11–16




Deployment Team
Chapters 20–22’



Marcos López de Prado主页

]]></description><category></category></item><item><title><![CDATA[小白学Python：Numpy（一）]]></title><link>https://blog.youkuaiyun.com/qq_40230430/article/details/107286621</link><guid>https://blog.youkuaiyun.com/qq_40230430/article/details/107286621</guid><author>qq_40230430</author><pubDate>Sat, 11 Jul 2020 16:25:19 +0800</pubDate><description><![CDATA[目录引言创建数组获取数组信息获取数组内指定位置的元素
引言
NumPy库是Python中用于科学计算的核心库。它提供了一个高性能多维数组对象，以及使用和处理这些数组的工具。
Numpy是每一位学习python的小伙伴的必修课，因为它真的真的太实用了。
举几个例子：


我们在线性代数中学习的向量就是一维数组，矩阵就是二维数组，而Numpy就是专业来处理数组的，因此我们可以使用Numpy进行向量和矩阵的运算。


图片本质上都可以用数组来表示，黑白图就是一个矩阵（矩阵元素值就是像素值），而彩色图则是三维数组，]]></description><category></category></item></channel></rss>