sereasuesue的博客

def heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt=".2g", annot_kws=None, linewidths=0, linecolor="white", cbar=True, cbar_kws=None, cbar_ax=None, square=False, xti.

https://www.jianshu.com/p/52bb142314ebR语言画网络图https://blog.youkuaiyun.com/fly_hawk/article/details/78513257python绘制无向图，输入数据import pandas as pdimport networkx as nximport matplotlib.pyplot as pltedges = pd.DataFrame()edges['sources'] = [0,1,2,3,4,4,6,7

1. 什么是数据分析 数据分析是根据业务问题，对数据进行收集，清洗，处理和建模的过程，用于识别有助于业务的信息，获取关键业务结论并辅助决策界定业务问题（以宜家为例）WHAT通过顾客购买产品所产生的营业收入和利润数据，随时了解企业的经营状况问题：我们这个月的收入和利润如何？每个顾客在我店里大概都会花多少钱？家具类产品里面是沙发卖的好还是桌子好？WHY通过数据挖掘，发现与 17年相比，18年的用户花费在高价产品（2000+）的比例少了很多问...

可参考https://mofanpy.com/tutorials/data-manipulation/plt/基本用法# set new sticksnew_ticks = np.linspace(-1, 2, 5)print(new_ticks)plt.xticks(new_ticks)# set tick labelsplt.yticks([-2, -1.8, -1, 1.22, 3], [r'$really\ bad$', r'$bad$', r'$n

https://blog.youkuaiyun.com/hustqb/article/details/78144384t-sne数学原理https://zhuanlan.zhihu.com/p/57937096什么是t-SNE？t-SNE的主要用途是可视化和探索高维数据。 它由Laurens van der Maatens和Geoffrey Hinton在JMLR第九卷(2008年)中开发并出版。 t-SNE的主要目标是将多维数据集转换为低维数据集。 相对于其他的降维算法，对于数据可视化而言t-SNE的效果

任务背景在工程领域中，对建筑材料的性能有精确的估计至关重要。这些估计是必需的，以便制定安全准则来管理用于楼宇、桥梁和道路建设中的材料。估计混泥土的强度是一个特别有趣的挑战。尽管混泥土几乎要用于每一个建设项目，但由于它各种成分的使用以复杂的方式相互作用，所以它的性能变化很大。因此，很难精确地预测它最终产品的强度。数据分析与预测目标预测目标给定一份材料成分清单，要求：（1）挑选合适...

##### Chapter 4: Classification using Naive Bayes --------------------## Example: Filtering spam SMS messages ----## Step 2: Exploring and preparing the data ---- # read the sms data into the sm...

#### 用数据框的形式输入数据conomy<-data.frame( x1=c(149.3, 161.2, 171.5, 175.5, 180.8, 190.7, 202.1, 212.4, 226.1, 231.9, 239.0), x2=c(4.2, 4.1, 3.1, 3.1, 1.1, 2.2, 2.1, 5.6, 5.0, 5.1, 0.7)...

信息过度复杂是多变量数据最大的挑战之一。主成分分析和探索性因子分析是两种用来探索和简化多变量复 杂关系的常用方法。主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变 量称为主成分。探索性因子分析（EFA）是一系列用来发现一组变量的潜在结构的方法。它通过寻找一组更小的、潜在的或 隐藏的结构来解释已观测到的、显式的变量间的关系。PCA与...

6.1为了估计山上积雪融化后对下游灌溉的影响，在山上建立一个观测站，测量最大积雪深度X与当年灌溉面积Y，测得连续10年的数据如表6.17所示表6.17 10年中最大积雪深度与当年灌溉面积的数据序号 X(米) Y(公顷)1 5.1 19072 3.5 12873 7.1 27004 6.2 23735 8.8 32606 7.8 30007 4.5 19478 5.6 2...

http://www.cnblogs.com/ywliao/archive/2017/04/17/6724334.html

insurance <- read.csv("insurance.csv", stringsAsFactors = TRUE)str(insurance)#既然因变量是charges,我们就来看一下它是如何分布的summary(insurance$charges)hist(insurance$charges)table(insurance$region)cor(insura...

2.3 探索和理解数据2.3.1 数据的结构read.scv()str()数据导入到R后，就要开始对数据做一个基本的检查；数据的特征和案例；理解数据的独特，以便后面让模型匹配具体的学习问题；## data exploration example using used car datausedcars <- read.csv("usedcars.csv", string...

第一章 机器学习简介机器学习，发明计算机算法，把数据转化为智能行为。（核心循环的三者：现有数据；统计方法；计算能力）数据挖掘，从大型数据库中产生新的洞察，侧重寻找有价值的信息；机器学习侧重于执行一个已知的任务。1.2 学习理论定义：如果机器能够获取经验并且能利用它们，在以后的类似经验中能够提高它的表现，这种行为就是机器的学习。学习过程：数据输入，观察（抽象并提取信...

用“getwd()”代码查看当前文件工作路径，此处显示的工作路径在C盘用“setwd()”代码重新设置需要的工作路径，如图中显示，设置工作路径为D盘中的R数据库，具体格式是：“E：/Rlianxi“，注意：文字必须用引号或者打开工具栏...

方差的比较在R中，函数t.test()提供了T检验和相应的区间估计的功能t.test(x, y = NULL, alternative = c("two.sided", "less", "greater"),mu = 0, paired = FALSE, var.equal = FALSE, conf.level = 0.95, ...)•其中X,Y是由数据构成...

假设检验实例 某车间用一台包装机包装葡萄糖, 包得的袋装糖重是一个随机变量, 它服从正态分布.当机器正常时, 其均值为0.5千克, 标准差为0.015千克.某日开工后为检验包装机是否正常, 随机地抽取它所包装的糖9袋, 称得净重为(千克):0.497 0.506 0.518 0.524 0.498 0.511 0.520 0.515 0.512, 问机器是否正常? ...

3.29https://www.cnblogs.com/nxld/p/6170690.html很详细在实际应用中，Logistic模型主要有三大用途：1）寻找危险因素，找到某些影响因变量的"坏因素"，一般可以通过优势比发现危险因素；2）用于预测，可以预测某种情况发生的概率或可能性大小；3）用于判别，判断某个新样本所属的类别。Logistic模型实际上是一种回归模型，但这种模...

使用三种循环，输出向量1:100中所有数据。for(i in 1:100)print(i)i=1while (i&lt;=100) {print(i)i =i+1}i=1repeat{if(i&lt;=100)print(i)i =i+1if(i&gt;100)break}使用while循环求1+2...

R编程语言提供以下种类的循环来处理循环需求。 单击以下链接以检查其详细信息。R语言的for循环支持任何向量（注意，是向量），无论向量是任何模式Sr.No. 循环类型和描述 1 repeat循环 多次执行一系列语句，并简化管理循环变量的代码。 2 while循环 在给定条件为真时，重复语句或语句组。 它在执行循环体之前测试条件。 3...

创建新变量:方法一:#在mydata数据库中创建新变量sum，sum是mydata数据库中x1和x2之和mydata$sum &lt;- mydata$x1 + mydata$x2#在mydata数据库中创建新变量mean，sum是mydata数据库中x1和x2平均mydata$mean &lt;- (mydata$x1 + mydata$x2)/2eg:&gt; neww...

https://mp.weixin.qq.com/s/jNoXHO4qU34gcha4zOGRLAhttps://mp.weixin.qq.com/s/jgMIKy8Dz6KYpsKkyHDdGg

缺失值的分类按照数据缺失机制可分为： 可忽略的缺失 完全随机缺失(missing completely at random, MCAR)，所缺失的数据发生的概率既与已观察到的数据无关,也与未观察到的数据无关 随机缺失(missing at random, MAR)，假设缺失数据发生的概率与所观察到的变量是有关的,而与未观察到的数据的特征是无关的。 不可忽略的缺失(non-ignorable missing ,NIM) 或非随机缺失(not missin..