- 博客(372)
- 资源 (4)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 Python | 使用Matplotlib绘制Swarm Plot（蜂群图）
您可以向蜂群图添加文本注释以突出显示某些数据点。当您想要指出特定的值或类别时，这特别有用。注释有助于强调特定的数据点并提供额外的上下文。plt.show()在Matplotlib中创建蜂群图需要手动操作数据点的x轴位置以避免重叠。虽然像Seaborn这样的库简化了这个过程，但Matplotlib提供了根据特定需求定制蜂群图的灵活性。通过添加抖动、调整点大小和透明度以及使用颜色和标记形状，您可以创建有效且视觉上吸引人的蜂群图。
2025-04-03 19:21:34
412
原创 使用Python进行数据挖掘时如何有效的数据脱敏？
数据脱敏在数据挖掘中的应用非常重要，因为它允许数据科学家和分析师在不违反隐私法规和公司政策的前提下，对数据进行探索和分析。这在处理医疗记录、财务信息、个人身份信息等敏感数据时尤为重要。在数据挖掘项目中实施数据脱敏，可以减少数据泄露的风险，同时确保数据分析的结果有效和可靠。此外，数据脱敏也是许多数据保护法规（如欧盟的通用数据保护条例GDPR）的要求，有助于企业遵守这些法规，避免因数据泄露而产生的法律责任和经济损失。
2025-03-30 20:53:16
720
原创 上下文离群值深度解析：定义、应用场景与检测方法实战
离群值基本上是数据集中与大多数数据显著不同的数据点。例如，如果大多数数据位于1-50的范围内，并且一个或两个点位于125-150，则这些点被称为离群值。与其他数据点相比，这些值异常高或异常低，导致总体统计分析和数据解释出现扭曲。它不能被称为噪音或错误。异常值可能由各种因素引起，包括数据收集中的错误、测量错误或数据中的真实变化。它可以通过统计技术或视觉方法来识别，例如箱形图，散点图或使用各种离群值检测算法。
2025-03-26 19:20:41
699
原创 Python | 如何在Pandas中删除常量列
从数据集中删除常量列是数据预处理的关键步骤，特别是在机器学习和数据分析中处理大型数据集时。定义了常数列，并解释了它们在分析中缺乏意义。展示了使用Pandas识别和删除常量列的多种方法。提供了示例，包括在较大的数据集中删除常量列和处理特殊情况（如丢失数据）。通过有效地删除这些冗余列，我们可以提高模型的性能并简化分析。
2025-03-23 22:07:05
458
原创 6个常见的Python设计模式及应用场景
设计模式是软件工程中的宝贵工具，它们提供了解决常见问题的通用方法。理解并掌握这些设计模式，可以帮助我们写出更加优雅和高效的代码。希望本文能够帮助你更好地理解和应用这些设计模式。
2025-03-20 21:20:18
251
原创 DeepSeek-R1 技术路径示意图与训练流程解析
注：完整技术路径示意图可参考提供的训练流程图。该流程通过多阶段迭代，最终使模型在保持通用能力的同时，获得顶尖的数学推理性能。
2025-03-16 18:16:28
1101
原创 使用Python实现蒙特卡罗方法的示例及应用
总的来说，蒙特卡罗方法是一种强大的工具，能够解决许多传统方法难以处理的复杂问题，其应用范围广泛，从理论研究到实际应用都有其身影。
2025-03-12 14:19:45
806
原创 Python | 机器学习中最常用的超参数及使用示例
这些超参数的选择通常依赖于具体问题、数据集的特性以及模型的类型。超参数调优是一个迭代的过程，通常需要多次实验来找到最佳的参数组合。
2025-03-07 22:03:48
904
1
原创 Python数据序列化技术：高效存储与传输的最佳实践
在选择数据序列化技术时，需要根据具体的应用场景和需求来决定。通用性和灵活性：如果需要处理各种复杂的Python对象，pickle是一个不错的选择。跨语言数据交换：如果需要在不同的编程语言之间交换数据，json和msgpack是更好的选择。高性能和网络传输：对于需要高效传输和存储的数据，msgpack和protobuf提供了更好的性能。数值数据：对于大型数值数组，numpy.save和numpy.load提供了高效的序列化和反序列化方法。pandas数据结构。
2025-03-02 22:27:59
671
1
原创 机器学习中的嵌入（Embedding）学习笔记
嵌入的目的是捕捉数据中的内在结构和关系，同时减少数据的维度，提高计算效率。嵌入通常是通过无监督学习或自监督学习的方式获得的，这意味着它们可以从数据本身学习到有用的表示，而不需要外部的标签信息。想象一下，你有一个巨大的图书馆，里面有很多书，每本书都有成千上万的单词。但是，计算机只能处理数字，而不是文字。就像图书馆里的每本书都有一个条形码，嵌入给每个单词或概念一个独特的“条形码”，这样计算机就可以快速地识别和使用它们了。模型会计算句子中每个单词的嵌入向量，然后将它们结合起来，预测这个句子是正面的还是负面的。
2025-02-25 20:35:39
987
原创 Python | 使用Seaborn在同一散点图上可视化多个数据集
Seaborn提供各种自定义选项来增强可视化。您可以自定义标记、颜色，并添加其他元素，如回归线或误差条。1.自定义标记和颜色plt.show()2.添加回归线可以使用sns.lmplot向散点图添加回归线。plt.show()使用Seaborn在同一散点图上绘制两个数据集是一个简单的过程，涉及将数据集组合到单个DataFrame中并利用Seaborn强大的绘图功能。通过自定义标记、颜色和添加回归线等元素，您可以创建信息丰富且有吸引力的可视化效果，以清晰地传达数据集之间的关系。
2025-02-22 00:23:06
773
原创 机器学习 | scikit-learn中分块拟合vs一次性拟合所有数据
在分块拟合数据和一次性拟合数据之间进行选择取决于机器学习任务的具体要求，例如内存限制、实时更新的需求以及数据集的大小。使用partial_fit方法的增量学习为处理大型数据集提供了灵活的解决方案，而传统的完全拟合方法对于适合内存的较小数据集仍然有效。
2025-02-12 21:53:32
725
1
原创 如何在Matplotlib中绘制多个Y轴刻度
Matplotlib是一个功能强大的Python库，在它的帮助下，我们可以绘制条形图，图表，绘图，比例等。在本文中，我们将尝试在Matplotlib中绘制多个Y轴刻度。
2025-01-22 20:09:05
620
原创 机器学习 | 在scikit-learn中创建自定义交叉验证生成器
不平衡的数据集：标准方法可能无法很好地处理类不平衡，需要在训练期间进行过采样等技术。时间序列数据：时间序列数据中的时间依赖关系需要特殊处理以防止信息泄露。分组数据：当数据按某些特征分组时，在交叉验证期间维护这些组至关重要。过采样：在数据集不平衡的情况下，在训练期间对少数类进行过度采样可能是有益的。可以设计自定义生成器来处理此问题。自定义拆分逻辑：有时，需要根据特定需求自定义拆分逻辑，例如按某些特征分组或处理缺失数据。
2025-01-19 20:21:15
933
原创 Python | 使用Matplotlib进行图案填充和边缘颜色分离的三种方法
Matplotlib中的分离图案填充和边缘颜色增强了绘图的视觉吸引力和功能。通过使用rcParams、两次绘图和自定义Patch对象等方法，可以实现高级别的自定义。本文提供了关于如何实现这些技术的全面指南，并提供了完整的代码示例。尝试使用这些方法来创建符合您的特定要求和首选项的图。
2025-01-15 19:17:28
306
原创 ANOVA：在Python中构建和理解ANOVA（方差分析）
ANOVA（方差分析）是一种统计技术，用于确定三个或更多独立（不相关）组的平均值之间是否存在任何统计学显著差异。它有助于检验关于组间均值差异的假设，在比较多个组时特别有用。在Python中，可以使用scipy.stats模块中的f_oneway函数来执行单因素方差分析（one-way ANOVA），或者使用statsmodels库中的ANOVA类来进行更复杂的方差分析。
2025-01-11 18:39:37
1221
原创 Python | 使用Matplotlib绘制散点趋势线
Matplotlib允许对图进行广泛的自定义，包括趋势线的外观。您可以修改趋势线的颜色、线型和宽度。plt.show()在Matplotlib中向散点图添加趋势线是可视化和理解变量之间关系的强大方法。无论您需要简单的线性趋势线还是更复杂的多项式趋势线，Matplotlib都提供了创建信息丰富且视觉上吸引人的图表所需的工具。
2025-01-07 18:43:29
565
原创 如何在Python中比较列表中的相邻元素
在Python中，我们可以通过多种方式来对比列表中的相邻项。我们没有看到任何直接或间接的应用程序来比较相邻的元素，例如确定最近的趋势，优化用户体验，股票市场分析等等。本文将探讨在Python中如何比较列表中的相邻元素的几种方法。
2025-01-02 17:27:12
292
原创 Python | 如何在Matplotlib中仅绘制热图的上/下三角形
仅绘制热图的上三角形或下三角形可以使您的可视化更清晰，更易于解释，特别是在处理相关矩阵等对称矩阵时。通过使用NumPy创建掩码，使用Matplotlib或Seaborn绘制热图，您可以轻松实现此效果。
2024-12-29 23:22:14
447
原创 使用Streamlit部署机器学习模型
计算机能够从经验中学习，而无需明确编程。机器学习是目前最热门的领域之一，世界各地的顶级公司都在使用它来改善他们的服务和产品。但是没有使用在Jupyter Notebook中训练的机器学习模型。因此，我们需要部署这些模型，以便每个人都可以使用它们。在本文中，我们将首先训练Iris Species分类器，然后使用Streamlit部署模型，Streamlit是一个开源应用程序框架，用于轻松部署ML模型。Streamlit允许您使用简单的Python脚本为机器学习项目创建应用程序。
2024-12-26 22:13:28
496
原创 python中使用时间间隔操作及技巧
Python 中处理时间间隔和日期时间的操作通常涉及datetime模块，它提供了丰富的功能来处理日期和时间。
2024-12-23 19:28:56
446
原创 机器学习 | 非线性回归拟合数据时的离群值检测
离群值检测是非线性回归分析的一个重要内容。通过采用目视检查，统计方法和鲁棒的回归技术相结合，研究人员可以确保准确可靠的参数估计。使用先进的方法，如ROUT方法和蒙特卡罗模拟能进一步提高了分析的鲁棒性。正确处理离群值会产生更值得信赖的模型和更好的基于数据的决策。
2024-12-20 19:05:52
931
原创 Python | 对于DataFrame中所有行数据比较的几种方法
将DataFrame中的每一行与所有其他行进行比较是数据分析中的常见任务，其应用范围从重复检测到数据验证。虽然嵌套循环方法很直观，但对于大型数据集来说可能效率低下。利用Pandas的apply函数和矢量化操作可以显著提高性能。通过将结果存储在列表中，我们可以有效地分析和利用比较结果。
2024-12-17 19:58:16
884
原创 Python | 数据可视化中常见的4种标注及示例
以上这些示例涵盖了Python数据可视化中常见的4种标注方式，它们可以单独使用或组合使用，以创建更具解释性和吸引力的图表。
2024-12-11 23:37:12
739
原创 如何在Pandas中使用透视表后去掉多级索引
Pandas是一个功能强大且通用的Python库，用于数据操作和分析。它最有用的特性之一是数据透视表，它允许您重塑和汇总数据。但是，使用数据透视表通常会导致多级（分层）索引，这可能很麻烦。在本文中，我们将探讨如何在Pandas中使用透视表后去掉多级索引，使您的数据更容易处理和分析。
2024-12-04 19:10:42
999
原创 优化SVM分类器：支持向量在训练数据和性能中的作用（示例）
支持向量是机器学习中支持向量机（Support Vector Machine, SVM）算法的核心概念。SVM是一种监督学习算法，用于分类和回归任务。在SVM中，支持向量是指那些位于决策边界或分类超平面上，或者最接近决策边界的样本点。这些向量对于定义模型的决策边界至关重要。关键特性边界定义：在SVM中，决策边界是由支持向量定义的。这些向量是最近距离的样本点，它们决定了模型的分类边界。
2024-11-30 18:42:54
990
原创 如何比较Python中的两个迭代器
Python迭代器是高效遍历元素序列的强大工具。有时，您可能需要比较两个迭代器以确定它们的相等性或找到它们的差异。在本文中，我们将探索比较Python中两个迭代器的不同方法。
2024-11-26 21:56:34
779
原创 如何在Python中进行数学建模？
数学建模是数据科学中使用的强大工具，通过数学方程和算法来表示真实世界的系统和现象。Python拥有丰富的库生态系统，为开发和实现数学模型提供了一个很好的平台。本文将指导您完成Python中的数学建模过程，重点关注数据科学中的应用。
2024-11-23 21:23:23
3177
原创 机器学习 | 使用CatBoost进行情感分析案例
情感分析对于理解文本数据背后的情感基调至关重要，这使得它对于客户反馈分析，社交媒体监控和市场研究等应用程序非常宝贵。在本文中，我们将探讨如何使用CatBoost进行情感分析。
2024-11-19 21:46:51
606
原创 Python缓存：两个简单的方法
缓存是一种用于提高应用程序性能的技术，它通过临时存储程序获得的结果，以便在以后需要时重用它们。在本文中，我们将学习Python中的不同缓存技术，包括functools模块中的@ lru_cache和@ cache装饰器。
2024-11-16 19:27:21
1328
原创 Python中使用pathlib进行文件系统操作
pathlib 是 Python 的一个标准库，它提供了一个面向对象的文件系统路径操作接口。使用 pathlib，你可以以一种更直观和更易于理解的方式处理文件路径，而不必使用字符串操作来分割和连接路径。
2024-11-12 19:39:23
624
原创 使用Python进行健康监测和分析的案例研究
健康监测和分析是指系统地使用健康数据来跟踪和评估个人或人群在一段时间内的健康状况。它包含一系列活动，从实时生理数据收集（如心率，血压和体温）到分析更复杂的健康记录（包括患者病史，生活方式选择和遗传信息）。
2024-11-08 20:56:58
1382
原创 如何使用Pandas创建有效且可复制的代码
Pandas作为一种多功能和强大的工具而屹立不倒。其直观的数据结构和广泛的功能使其成为无数数据专业人士和爱好者的首选。然而，编写既有效又可复制的代码需要的不仅仅是Pandas函数的知识。以下是如何确保Pandas代码既高效又易于复制的方法。在深入编码之前，请了解数据的结构、类型和细微差别。
2024-11-05 19:00:29
423
原创 Python中将文件从一个服务器复制到另一个服务器的4种方法
在 Python 中，将文件从一个服务器复制到另一个服务器通常涉及到网络传输。这个过程可以通过多种方式实现，这里分享4种常用的方法。
2024-10-30 22:58:59
580
原创 数据挖掘中的数据集成
数据挖掘中的数据集成是指将来自多个源的数据组合到单个统一视图中的过程。这可能涉及清理和转换数据，以及解决不同数据源之间可能存在的任何不一致或冲突。数据集成的目标是使数据对分析和决策更有用和更有意义。数据集成中使用的技术包括数据仓库、ETL（提取、转换、加载）过程和数据联合。数据集成是一种数据预处理技术，它将来自多个异构数据源的数据组合到一个一致的数据存储中，并提供数据的统一视图。这些源可能包括多个数据立方体、数据库或平面文件。数据集成方法被正式定义为三元组，其中，G代表全局模式，
2024-10-29 17:05:27
1003
原创 机器学习中的谱聚类及实践案例
在我们之前研究的聚类算法中，我们使用数据点之间的紧密性（距离）作为特征来聚类数据点。但是，我们也可以使用数据点之间的连接性作为特征来聚类数据点。使用连通性，我们可以将两个数据点聚类到相同的聚类中，即使两个数据点之间的距离更大。
2024-10-28 19:25:55
1055
1
原创 如何在Python中实现区间调度算法
在算法设计领域，区间排序是一类问题。这些计划考虑到了一些任务。每个任务都由一个时间间隔表示，该时间间隔指示机器完成该任务所需的时间。如果系统或资源上的任何两个时间间隔之间没有重叠，则时间间隔的子集是兼容的。区间调度算法的核心思想是将任务的开始和结束时间分开考虑，通过比较任务的开始时间或结束时间来确定任务的执行顺序。具体来说，可以将任务按照开始时间或结束时间进行排序，然后根据排序结果逐个执行任务，同时记录当前已执行的任务集合，以便在需要时进行调整。
2024-10-24 20:42:30
879
如何实现sqlserver数据库级别数据定时更新到hdfs？
2021-08-04
单台主机存储数据库的数据越来越多，有什么方式可以使用多台主机存储数据并方便管理？
2021-06-09
TA创建的收藏夹 TA关注的收藏夹
TA关注的人