sunghosts的专栏

no supported conversion for types: (dtype(‘float64’), dtype(‘int64’), dtype(‘int64’), dtype(‘float64’), dtype(’<U9’)) hstack或vstack中的每个变量都要通过dtype指定类型

官方文档： https://docs.scipy.org/doc/numpy-1.15.0/reference/generated/numpy.argsort.html#numpy.argsort argsort函数返回的是数组值从小到大的索引值 >>> x = np.array([3, 1, 2]) >>>> np.argsort(x) array([1, 2, 0]) >>> np.argsort(-x) #按降序排列 array([0,2,1

np.random.random([])可以生成随机数矩阵，有时候我们想每次生成的随机数矩阵都一样，这时只需在前面加一句 np.random.seed(0) 即可，如： np.random.seed(0) a=np.random.random([2,2]) 当然，随机种子不一定为0，可以自己设置 ...

pandas 小技巧

随机种子 np.random.random([])可以生成随机数矩阵，有时候我们想每次生成的随机数矩阵都一样，这时只需在前面加一句 np.random.seed(0) 即可，如： np.random.seed(0) a=np.random.random([2,2]) 当然，随机种子不一定为0，可以自己设置 tile tile() 函数，就是将原矩阵横向、纵向地复制。tile 是瓷砖的意思，顾名思义，这个函数就是把数组像瓷砖一样铺展开来。 举个例子，原矩阵： mat = array([[1,2], [3

0-1分布 设随机变量X只可能取0与1两个值，分布律为 P{X=k}=pk(1−p)1−k,k=0,1(0<p<1)P\{X=k\} = p^k(1-p)^{1-k}, k=0,1 (0<p<1)P{X=k}=pk(1−p)1−k,k=0,1(0<p<1) 则称X服从以P为参数的0-1分布。 二项分布 设随机变量X只可能取0和1两个值，记: P(X=1)=p,P(X=0)=1−pP(X=1)=p, P(X=0)=1-pP(X=1)=p,P(X=0)=1−p, 将该实验重复

numpy中reshape函数的三种常见相关用法 numpy.arange(n).reshape(a, b) 依次生成n个自然数，并且以a行b列的数组形式显示 np.arange(16).reshape(2,8) #生成16个自然数，以2行8列的形式显示 # Out: # array([[ 0, 1, 2, 3, 4, 5, 6, 7], # [ 8, 9, 10, 11, 12, 13, 14, 15]]) mat (or array).reshape(c, -

简介 seaborn是Python中基于matplotlib的具有更多可视化功能和更优美绘图风格的绘图模块，当我们想要探索单个或一对数据分布上的特征时，可以使用到seaborn中内置的若干函数对数据的分布进行多种多样的可视化，本文以jupyter notebook为编辑工具，针对seaborn中的kdeplot、rugplot、distplot和jointplot，对其参数设置和具体用法进行详细介绍。 kdeplot seaborn中的kdeplot可用于对单变量和双变量进行核密度估计并可视化，其主要参数如

参数解释 ndarray = numpy.pad(array, pad_width, mode, **kwargs) array为要填补的数组 pad_width是在各维度的各个方向上想要填补的长度,如((1，2),(2，2))，表示在第一个维度上水平方向上padding=1,垂直方向上padding=2,在第二个维度上水平方向上padding=2,垂直方向上padding=2。如果直接输入一个整数，则说明各个维度和各个方向所填补的长度都一样。 mode为填补类型，即怎样去填补，有“const