<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ruthy的博客]]></title><description><![CDATA[千里之行，始于足下····]]></description><link>https://blog.youkuaiyun.com/ruthywei</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ruthywei]]></copyright><item><title><![CDATA[python 中常用文本占位符]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/89374527</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/89374527</guid><author>ruthywei</author><pubDate>Thu, 18 Apr 2019 11:36:47 +0800</pubDate><description><![CDATA[#format占位符
name1="菜鸟教程"
print("format占位符：网站名：{name}, 地址 {url}".format(name=name1, url="www.runoob.com"))
#输出结果：format占位符：网站名：菜鸟教程, 地址 www.runoob.com

# 通过字典设置参数
site = {"name": "百度", "url": "www.baid...]]></description><category></category></item><item><title><![CDATA[re正则表达式中?P前缀]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/89374472</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/89374472</guid><author>ruthywei</author><pubDate>Thu, 18 Apr 2019 11:08:57 +0800</pubDate><description><![CDATA[#正则 分组
'''
1. re.match,re.search,re.finditer 的返回值均为m=&lt;re.Match object; span=(0, 1), match='她'&gt;类型，
    若想获得匹配值的位置：m.span()；
    若想获得匹配值的内容，m.group()；
    特殊：re.finditer返回的为迭代器需要循环输出
2. re.sub返回替...]]></description><category></category></item><item><title><![CDATA[re正则表达式代码示例]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/89374256</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/89374256</guid><author>ruthywei</author><pubDate>Thu, 18 Apr 2019 11:03:16 +0800</pubDate><description><![CDATA[# -*- coding: UTF-8 -*-
'''
1. re.match,re.search,re.finditer 的返回值均为m=&lt;re.Match object; span=(0, 1), match='她'&gt;类型，
    若想获得匹配值的位置：m.span()；
    若想获得匹配值的内容，m.group()；
    特殊：re.finditer返回的为迭代器需要...]]></description><category></category></item><item><title><![CDATA[pyecharts学习笔记]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/84799011</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/84799011</guid><author>ruthywei</author><pubDate>Tue, 04 Dec 2018 21:19:29 +0800</pubDate><description><![CDATA[转载：https://blog.youkuaiyun.com/u012535605/article/details/80677791

值得收藏！！]]></description><category></category></item><item><title><![CDATA[Python的7种性能测试工具：timeit、profile、cProfile、line_profiler、memory_profiler、PyCharm图形化性能测试工具、objgraph]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/84031392</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/84031392</guid><author>ruthywei</author><pubDate>Tue, 13 Nov 2018 16:40:39 +0800</pubDate><description><![CDATA[1.timeit：


&amp;gt;&amp;gt;&amp;gt; import timeit
&amp;gt;&amp;gt;&amp;gt; def fun():
    for i in range(100000):
        a = i * i

&amp;gt;&amp;gt;&amp;gt; timeit.timeit('fun()', 'from __main__ import fun', number=1)
0.02922706632834...]]></description><category></category></item><item><title><![CDATA[神经网络（入门最详细）]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/83302123</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/83302123</guid><author>ruthywei</author><pubDate>Tue, 23 Oct 2018 09:32:34 +0800</pubDate><description><![CDATA[form:http://tieba.baidu.com/p/3013551686?pid=49703036815&amp;amp;see_lz=1#

先从回归(Regression)问题说起。我在本吧已经看到不少人提到如果想实现强AI，就必须让机器学会观察并总结规律的言论。具体地说，要让机器观察什么是圆的，什么是方的，区分各种颜色和形状，然后根据这些特征对某种事物进行分类或预测。其实这就是回归问题。

...]]></description><category></category></item><item><title><![CDATA[sklearn库的学习]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/83048685</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/83048685</guid><author>ruthywei</author><pubDate>Sun, 14 Oct 2018 17:08:59 +0800</pubDate><description><![CDATA[网上有很多关于sklearn的学习教程，大部分都是简单的讲清楚某一个方面。其实最好的教程就是官方文档（http://scikit-learn.org/stable/），但是官方文档讲述的太过于详细，同时很多人对官方文档的理解和结构认识上都不能很好的把握。我写这篇文章的目的是想用一篇文章讲清楚整个sklearn库，我会讲清楚怎么样用这个库，而不是讲清楚每一个知识点。（授人以鱼不如授人以渔）（本文很多...]]></description><category></category></item><item><title><![CDATA[线性判别分析（LDA）基本原理及实现]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/83045288</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/83045288</guid><author>ruthywei</author><pubDate>Sun, 14 Oct 2018 10:51:20 +0800</pubDate><description><![CDATA[前言

在主成分分析（PCA）原理总结（机器学习(27)【降维】之主成分分析(PCA)详解）中对降维算法PCA做了总结。这里就对另外一种经典的降维方法线性判别分析（Linear Discriminant Analysis, 简称LDA）做一个总结。LDA在模式识别领域（比如人脸识别，舰艇识别等图形图像识别领域）中有非常广泛的应用，因此我们有必要了解下它的算法原理。在学习LDA之前，有必要将其自然语...]]></description><category></category></item><item><title><![CDATA[PCA主成分分析python实现]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/83038342</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/83038342</guid><author>ruthywei</author><pubDate>Sat, 13 Oct 2018 14:32:50 +0800</pubDate><description><![CDATA[Github源码：https://github.com/csuldw/MachineLearning/tree/master/PCA

 

PCA（principle component analysis） ，主成分分析，主要是用来降低数据集的维度，然后挑选出主要的特征。原理简单，实现也简单。关于原理公式的推导，本文不会涉及，你可以参考下面的参考文献，也可以去Wikipedia，这里主要关注实现...]]></description><category></category></item><item><title><![CDATA[统计学三大相关系数之肯德尔(kendall)相关性系数]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/82533595</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/82533595</guid><author>ruthywei</author><pubDate>Sat, 08 Sep 2018 21:40:55 +0800</pubDate><description><![CDATA[肯德尔相关性系数，又称肯德尔秩相关系数，它也是一种秩相关系数，不过它所计算的对象是分类变量。

分类变量可以理解成有类别的变量，可以分为

无序的，比如性别（男、女）、血型（A、B、O、AB）；

有序的，比如肥胖等级（重度肥胖，中度肥胖、轻度肥胖、不肥胖）。

通常需要求相关性系数的都是有序分类变量。

 

举个例子。比如评委对选手的评分（优、中、差等），我们想看两个（或者多个）评委对几位选手...]]></description><category></category></item><item><title><![CDATA[统计学三大相关系数之斯皮尔曼(spearman)相关系数]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/82533358</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/82533358</guid><author>ruthywei</author><pubDate>Sat, 08 Sep 2018 21:35:13 +0800</pubDate><description><![CDATA[斯皮尔曼相关性系数，通常也叫斯皮尔曼秩相关系数。“秩”，可以理解成就是一种顺序或者排序，那么它就是根据原始数据的排序位置进行求解，这种表征形式就没有了求皮尔森相关性系数时那些限制。下面来看一下它的计算公式：

 


计算过程就是：首先对两个变量（X, Y）的数据进行排序，然后记下排序以后的位置（X’, Y’），（X’, Y’）的值就称为秩次，秩次的差值就是上面公式中的di，n就是变量中数据的个数...]]></description><category></category></item><item><title><![CDATA[LaTeX常用表格]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/82532878</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/82532878</guid><author>ruthywei</author><pubDate>Sat, 08 Sep 2018 20:44:03 +0800</pubDate><description><![CDATA[表格内自动换行


\begin{table}  
\Large  
\caption{自动换行}  
\begin{center}  
\begin{tabular}{|l|l|l|l| p{5cm}|}  
\hline  
Item &amp;amp; Name &amp;amp; Gender &amp;amp; Habit &amp;amp; Self-introduction \\ \hline  
1 &amp;amp; ...]]></description><category></category></item><item><title><![CDATA[统计学三大相关系数之皮尔森（pearson）相关系数]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/82527400</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/82527400</guid><author>ruthywei</author><pubDate>Sat, 08 Sep 2018 10:53:19 +0800</pubDate><description><![CDATA[统计相关系数简介

统计学的相关系数经常使用的有三种:皮尔森（pearson）相关系数和斯皮尔曼（spearman）相关系数和肯德尔（kendall）相关系数.皮尔森相关系数是衡量线性关联性的程度，p的一个几何解释是其代表两个变量的取值根据均值集中后构成的向量之间夹角的余弦.

相关系数：考察两个事物（在数据里我们称之为变量）之间的相关程度。

如果有两个变量：X、Y，最终计算出的相关系数的含义可...]]></description><category></category></item><item><title><![CDATA[在LaTeX中插入数学公式]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/82454331</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/82454331</guid><author>ruthywei</author><pubDate>Thu, 06 Sep 2018 10:44:54 +0800</pubDate><description><![CDATA[在论文写作的过程中,手动进行文字排版是一件繁琐的事情,我们可以使用LaTeX进行文字的排版以及数学公式的插入,可以很大地节省时间,专注于论文内容的写作.上篇博客介绍了LateX的安装.

LaTeX公式基础

这里的基础嫌烦的话可以先不看，直接看杂例，有不理解的地方在回来看这里的内容。此处知识摘取了一些简单的语法，如果需要完整的LaTeX书写数学公式的文档，见参考文献。

排版方式

行级元素(i...]]></description><category></category></item><item><title><![CDATA[texlive2017+sublime text 3+ SumatraPDF 的安装与环境配置]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/82423248</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/82423248</guid><author>ruthywei</author><pubDate>Wed, 05 Sep 2018 14:31:28 +0800</pubDate><description><![CDATA[所需要的软件： 
texlive2017、SumatralPDF、Sublime Text，这三个软件可以通过我的百度云中下载，链接为：https://pan.baidu.com/s/1AzUHsND1UcYWK1-PAqf0Yw，密码为： l9qb

1. 安装SumatralPDF:  
直接点击安装就可以，尽量不要改路径，因为后面要进行路径匹配。 2. 安装texlive2017： 
在该文...]]></description><category></category></item><item><title><![CDATA[数据标准化/归一化normalization]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/80980746</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/80980746</guid><author>ruthywei</author><pubDate>Tue, 10 Jul 2018 09:37:31 +0800</pubDate><description><![CDATA[http://blog.youkuaiyun.com/pipisorry/article/details/52247379这里主要讲连续型特征归一化的常用方法。离散参考[数据预处理：独热编码（One-Hot Encoding）]。基础知识参考：[均值、方差与协方差矩阵 ][矩阵论：向量范数和矩阵范数 ]数据的标准化（normalization）和归一化    数据的标准化（normalization）是将数据...]]></description><category></category></item><item><title><![CDATA[数据库范式简介]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/80815693</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/80815693</guid><author>ruthywei</author><pubDate>Tue, 26 Jun 2018 15:20:58 +0800</pubDate><description><![CDATA[一、基本介绍 设计关系数据库时，遵从不同的规范要求，设计出合理的关系型数据库，这些不同的规范要求被称为不同的范式，各种范式呈递次规范，越高的范式数据库冗余越小。目前关系数据库有六种范式：第一范式（1NF）、第二范式（2NF）、第三范式（3NF）、巴斯-科德范式（BCNF）、第四范式(4NF）和第五范式（5NF，又称完美范式）。满足最低要求的范式是第一范式（1NF）。在第一范式的基础上进一步满足更多...]]></description><category></category></item><item><title><![CDATA[黑盒测试和白盒测试]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/80484685</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/80484685</guid><author>ruthywei</author><pubDate>Mon, 28 May 2018 16:56:53 +0800</pubDate><description><![CDATA[1. 黑盒测试和白盒测试的直观图　　从图中可以直接看出来，黑盒测试就当整个程序是个黑盒子，我们看不到它里面做了些什么事情，只能通过输入输出看是否能得到我们所需的来测试。而白盒测试可以当盒子是透明的，里面的一切我们都看的清楚，从而我们可以通过去测内部结构来测试。　　2. 黑盒测试 (Black-Box Testing)　　黑盒测试又称为功能测试、数据驱动测试或基于规格说明书的测试，是一种从用户观点出...]]></description><category></category></item><item><title><![CDATA[22种代码异味]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/80023491</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/80023491</guid><author>ruthywei</author><pubDate>Fri, 20 Apr 2018 20:13:24 +0800</pubDate><description><![CDATA[1.Duplicated Code(重复的代码)臭味行列中首当其冲的就是Duplicated Code。如果你在一个以上的地点看到相同的程序结构，那么当可肯定：设法将它们合而为一，程序会变得更好。最单纯的Duplicated Code就是［同一个class内的两个方法含有相同表达式(expression)］。这时候你需要做的就是采用Extract Method提炼出重复的代码，然后让这两个地点都调...]]></description><category></category></item><item><title><![CDATA[CSS盒模型]]></title><link>https://blog.youkuaiyun.com/ruthywei/article/details/79949927</link><guid>https://blog.youkuaiyun.com/ruthywei/article/details/79949927</guid><author>ruthywei</author><pubDate>Sun, 15 Apr 2018 16:22:30 +0800</pubDate><description><![CDATA[1）盒模型结构想象一个盒子，它有：外边距（margin）、边框（border）、内边距（padding）、内容（content）四个属性；内容（CONTENT）：盒子里装的东西；填充(PADDING)     ：怕盒子里装的东西（贵重的）损坏而添加的泡沫或者其它抗震的辅料；边框(BORDER)       ：盒子本身；至于边界(MARGIN)则说明盒子摆放的时候的不能全部堆在一起，要留一定空隙保持...]]></description><category></category></item></channel></rss>